一种基于密集网络和注意力机制的铁路沿线遥感地物目标检测方法技术

本发明专利技术公开了一种基于密集网络和注意力机制的铁路沿线遥感图像地物检测方法，涉及深度学习及遥感图像地物目标检测领域。包括使用DenseNet模块代替YOLOv4网络结构CSPDarknet53中部分CSP单元的ResNet残差模块，以实现特征重用；在YOLOv4的骨干网中的每个CSP_Unit中增加一个压缩激励结构，以增强提取特征的能力；在输出网络之前引入通道和空间注意力机制，从而提高检测的准确性。制作铁路沿线遥感地物目标检测数据集，并在该数据集上对改进后的YOLOv4网络结构进行训练，得到训练好的铁路沿线遥感地物检测模型，进行地物检测。本发明专利技术能够提高检测速度和检测精度，减小模型大小，适合铁路沿线遥感地物目标检测，满足实时性的要求。足实时性的要求。足实时性的要求。

【技术实现步骤摘要】
一种基于密集网络和注意力机制的铁路沿线遥感地物目标检测方法


[0001]本专利技术属于深度学习遥感图像地物目标检测
，具体为一种基于密集网络和注意力机制的铁路沿线遥感地物检测方法。

技术介绍

[0002]高速铁路沿线地理环境复杂，存在诸多安全隐患，尤其是沿线的房屋、水池、隧道和工厂等非法建筑会严重影响高速铁路的运营安全。因此，必须对铁路沿线地物进行及时的排查。传统的人工排查方法费时费力、效率低下，很难对整个铁路网进行全面排查。高分辨率遥感技术具有实时性、周期性等技术优势，为快速、动态、客观地检测铁路沿线地物提供了有效的技术手段。但现有的目标检测算法检测速度慢、精度差、漏检率高，对精确检测地物目标和设备移动性提出了新的挑战。
[0003]基于以上所述，具有较高检测精度和检测速度的基于卷积神经网络(CNN) 的目标检测算法得到了广泛应用。目前，基于CNN的目标检测算法可分为两类，一类是以R
‑
CNN、Fast
‑
RCNN及Mask
‑
RCNN为主的两阶段区域目标检测算法，此类算法通常检测精度较高，但检测速度慢，无法实现高速铁路沿线遥感图像地物目标的实时检测。因此，出现了以SDD(Single Shot multibox Detector)及YOLO (You only Look Once)系列为代表的一阶段回归目标检测算法，这些算法把目标检测问题转化为回归问题，很大程度上加快了检测速度。尤其是YOLOv4算法，其是一种将各种先进算法进行集成的创新，可以在自然图像数据集中获得极佳的检测结果。然而，以上目标检测算法主要用于常规图像目标的检测，对于多波段且背景复杂的遥感图像目标，在精度和速度上均无法体现出其优势。

技术实现思路

[0004]本专利技术的目的在于，针对上述技术问题，提供一种基于密集网络和注意力机制的铁路沿线遥感地物检测方法，以提高检测速度和检测精度，减小模型大小，满足实时性的要求。
[0005]本专利技术的目的是通过以下技术方案实现的：
[0006]一种基于密集网络和注意力机制的铁路沿线遥感地物目标检测方法，包括以下步骤：
[0007]步骤一、制备带有标记信息的铁路沿线遥感地物目标检测数据集；
[0008]步骤二、使用DenseNet模块替换YOLOv4算法网络结构中部分CSP单元的 ResNet残差模块，实现多特征图的合并和特性重用，得到DenseNet改进的 YOLOv4网络结构；
[0009]步骤三、在DenseNet改进的YOLOv4网络结构骨干网中的每个CSP_Unit 中增加一个SE(压缩激励)结构，根据SE结构中每个通道的全局信息增强有用的通道信息，同时抑制无用的通道信息以减小模型大小，减少计算量，得到SE 结构改进的YOLOv4网络结构；
[0010]步骤四、在SE结构改进的YOLOv4网络结构中引入CBAM注意力机制，提高网络性能
和地物检测准确性，得到改进后的YOLOv4网络结构。
[0011]步骤五、利用步骤一中所述数据集对改进后的YOLOv4网络结构进行训练，得到训练好的地物检测模型；
[0012]步骤六、将实时获取的铁路沿线遥感地物图像输入到训练好的地物检测模型中进行地物检测。
[0013]进一步地，步骤一中，所述制备带有标记信息的铁路沿线遥感地物目标检测数据集，具体为：在谷歌地球上截取铁路沿线地物目标图像，并采用LabelImage 软件进行标记。
[0014]进一步地，所述铁路沿线遥感地物目标包括铁路、高楼建筑物、房屋、农田和水池。
[0015]进一步地，步骤二中，将DenseNet模块中的CBL(Conv
‑
BN
‑
LeakyReLu)模块改进为由两个CBM(Conv
‑
BN
‑
Mish)模块级联而成的双CBM(Double CBM)模块，构成密集连接网络结构，解决ReLu激活函数输出为0的问题，即神经元坏死的现象，得到DenseNet改进的YOLOv4网络结构。
[0016]进一步地，步骤四中，在所述SE结构改进的YOLOv4网络结构输出结果之前加入CBAM注意力机制，利用CBAM注意力机制的通道和空间注意力提取更深层的信息，进行自适应细化特征以提高网络的性能，得到改进后的YOLOv4 网络结构。
[0017]进一步地，步骤六中，地物检测过程包括以下步骤：
[0018](1)首先将铁路沿线遥感地物图像划分成S
×
S的网格，如果某个类别的地物落在了某个网格中，那么这个网格就负责检测该类地物；每个网格预测B个检测框并且预测这些检测框的置信度，每个图像有S
×
S
×
B个检测框；
[0019](2)每个检测框设置W，H，X，Y，Conf 5个预测值，其中，X、Y代表检测框的中心点，相当于网格边界框的坐标，W、H代表地物图像的尺寸，Conf代表检测框的置信度；
[0020]置信度的计算公式如下式(1)所示：
[0021][0022]式(1)中，IOU代表预测框和真实框的交并比，如式(2)所示；
[0023][0024]DetectionResult表示预测框的面积，GroundTruth表示真实框的面积；IOU 的值越大，地物目标定位的准确性就越高；P
r
(class|object)为每个网格预测地物的条件概率，条件为已知网格中包含的地物目标；
[0025](3)在检测时，将条件概率与预测框和真实框的交并比相乘，得到每个检测框铁路沿线地物目标的置信度得分；
[0026](4)通过非极大值抑制过滤掉冗余的检测框，得到最终的铁路沿线地物目标检测结果。铁路沿线地理环境复杂、遥感地物目标种类多样及密集分布会产生部分地物特征丢失的现象，检测时会出现地物的漏检、误检、遮挡等现象。本专利技术改进YOLOv4网络结构骨干网络CSPCSPDarknet53的部分CSP单元中的 DenseNet模块，改善了铁路沿线遥感图像地物检测过程中出现的漏检、误检、遮挡等现象，提高铁路沿线遥感图像地物检测的位置精度。
[0027]DenseNet改进的YOLOv4网络结构在实际应用中模型较大导致检测速度较慢，无法进行实时性检测的现象。本专利技术在DenseNet改进的YOLOv4网络结构的骨干网每个CSP_Unit中增加一个SE(压缩激励)结构以增强提取特征的能力，再在YOLOv4算法输出网络之前引入
CBAM注意力模块机制，提高铁路沿线遥感图像中地物检测的准确性。
[0028]DenseNet模块由卷积、归一化处理和Leaky
‑
ReLu激活函数组成，Leaky
‑
ReLu 激活函数是ReLu的衍变版本，主要解决ReLu输出为0的问题，即神经元坏死的现象。但该函数近似线性，导致在复杂分类中效果不好，这样会影响目标检测精度。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于密集网络和注意力机制的铁路沿线遥感地物目标检测方法，其特征在于，包括以下步骤：步骤一、制备带有标记信息的铁路沿线遥感地物目标检测数据集；步骤二、使用DenseNet模块替换YOLOv4网络结构中部分CSP单元的ResNet残差模块，得到DenseNet改进的YOLOv4网络结构；步骤三、在DenseNet改进的YOLOv4网络结构骨干网中的每个CSP_Unit中增加一个SE结构，得到SE结构改进的YOLOv4网络结构；步骤四、在SE结构改进的YOLOv4网络结构中引入CBAM注意力机制，得到改进后的YOLOv4网络结构。步骤五、利用步骤一中所述数据集对改进后的YOLOv4网络结构进行训练，得到训练好的地物检测模型；步骤六、将实时获取的铁路沿线遥感地物图像输入到训练好的地物检测模型中进行地物检测。2.根据权利要求1所述的一种基于密集网络和注意力机制的铁路沿线遥感地物目标检测方法，其特征在于，步骤一中，所述制备带有标记信息的铁路沿线遥感地物目标检测数据集，具体为：在谷歌地球上截取铁路沿线地物目标图像，并采用LabelImage软件进行标记。3.根据权利要求2所述的一种基于密集网络和注意力机制的铁路沿线遥感地物目标检测方法，其特征在于，所述铁路沿线遥感地物目标包括铁路、高楼建筑物、房屋、农田和水池。4.根据权利要求1所述的基于密集网络和注意力机制的铁路沿线遥感地物目标检测方法，其特征在于，步骤二中，将DenseNet模块中原来的CBL模块改进为由两个CBM模块级联而成的双CBM模块，构成密集连接网络结构，得到DenseNet改进的YOLOv4网络结构。5.根据权利要求1所述...

【专利技术属性】
技术研发人员：王阳萍，韩淑梅，杨景玉，党建武，雍玖，岳彪，王松，王文润，陈永，任鹏百，杨艳春，
申请(专利权)人：兰州交通大学，
类型：发明
国别省市：