一种基于ESR-YOLOv5的光学遥感图像目标检测方法技术

本发明专利技术公开了一种基于ESR

【技术实现步骤摘要】
一种基于ESR
‑
YOLOv5的光学遥感图像目标检测方法


[0001]本专利技术涉及光学遥感图像处理
，尤其涉及一种基于ESR
‑
YOLOv5的光学遥感图像目标检测方法。

技术介绍

[0002]目标检测技术是研究光学遥感图像理解的基础性问题，无论是从民用领域或是军用领域中都扮演者及其非凡的角色和非常重要的应用价值，在军事领域中，遥感图像技术被广泛应用于战略侦察、武器识别和陆海勘测等诸多方面，在民用领域中，遥感图像技术为国民生产提供重要信息指导，为百姓生活提供便利的指引，而现有的数据增强式的目标检测方法主要有以下缺点，目前的现有方法大多适应样本数较多的遥感图像数据集，并且针对数据样本中类别不均衡问题解决的较少，目标检测模型输入端的数据增强的方式主要依赖于手工制作的规则方式，因此较难以产生一些即多样化又更接近原始数据的真实的样本；目标检测模型的主干网络和输入端中锚框以及网络使用的IOU损失函数无法精确的反映目标框和预测框两者的重合度大小，仍有较大的优化空间。

技术实现思路

[0003]为了解决上述技术问题，本专利技术的目的是提供一种基于ESR
‑
YOLOv5的光学遥感图像目标检测方法，不仅能够对光学遥感图像的质量进行了提高还能够提高ESR
‑
YOLOv5网络整体的检测精度和普适性的程度。
[0004]本专利技术所采用的第一技术方案是：一种基于ESR
‑
YOLOv5的光学遥感图像目标检测方法，包括以下步骤：
[0005]获取光学遥感影像数据集并输入至超分辨率生成对抗网络模型进行预处理，生成预处理后的光学遥感影像数据集；
[0006]构建改进的YOLOv5网络模型；
[0007]基于预处理后的光学遥感影像数据集对改进的YOLOv5网络模型进行训练，得到训练后的ESR
‑
YOLOv5模型；
[0008]将待检测的遥感影像数据集输入至训练后的ESR
‑
YOLOv5模型，得到遥感影像目标检测结果。
[0009]进一步，所述获取光学遥感影像数据集并输入至超分辨率生成对抗网络模型进行预处理，生成预处理后的光学遥感影像数据集这一步骤，其具体包括：
[0010]获取光学遥感影像数据集；
[0011]通过双三次插值方法对光学遥感图像数据集进行缩小处理，得到低分辨率图像数据集并输入至超分辨率生成对抗网络模型；
[0012]所述超分辨率生成对抗网络模型包括生成器和判别器；
[0013]基于超分辨率生成对抗网络模型的生成器，对低分辨率图像数据集进行放大处理，生成初步的超分辨率图像数据集；
[0014]基于超分辨率生成对抗网络模型的判别器，对初步的超分辨率图像数据集进行判别处理，生成超分辨率图像数据集；
[0015]对低分辨率图像数据集和超分辨率图像数据集进行合并，得到预处理后的遥感影像数据集。
[0016]进一步，所述基于超分辨率生成对抗网络模型的判别器，对初步的超分辨率图像数据集进行判别处理，生成超分辨率图像数据集这一步骤，其具体包括：
[0017]超分辨率生成对抗网络模型的判别器对超分辨率生成对抗网络模型的生成器生成的初步的超分辨率图像数据集与光学遥感影像数据集之间的的相似度进行计算与判断，直至满足预设的精度条件，输出超分辨率图像数据集。
[0018]进一步，所述构建改进的YOLOv5网络模型这一步骤，其具体包括：
[0019]基于原始的YOLOv5网络模型，对原始的YOLOv5网络模型中锚框数值的长宽比进行重新设定处理，得到改进的YOLOv5网络模型。
[0020]进一步，所述基于预处理后的光学遥感影像数据集对改进的YOLOv5网络模型进行训练，得到训练后的ESR
‑
YOLOv5模型这一步骤，其具体包括：
[0021]对预处理后的光学遥感影像数据集进行划分处理，得到训练集、验证集和测试集；
[0022]基于训练集对改进的YOLOv5网络模型进行训练，得到遥感影像权重模型；
[0023]基于验证集和测试集对遥感影像权重模型调参与测试，得到训练后的ESR
‑
YOLOv5模型。
[0024]进一步，所述基于训练集对改进的YOLOv5网络模型进行训练，得到遥感影像权重模型这一步骤，其具体包括：
[0025]将训练集输入至改进的YOLOv5网络模型进行训练，所述改进的YOLOv5网络模型包括输入层、下采样层、卷积层、CSPlayer层、SPPBottleneck层、上采样层和输出层；
[0026]基于改进的YOLOv5网络模型的输入层对训练集进行图像矩阵化处理，得到图像矩阵化后的训练集；
[0027]基于改进的YOLOv5网络模型的下采样层对图像矩阵化后的训练集中的遥感影像尺寸进行降维和抽象处理，得到降维后的训练集；
[0028]基于改进的YOLOv5网络模型的卷积层对降维后的训练集进行卷积核计算处理，得到训练集的特征信息；
[0029]基于改进的YOLOv5网络模型的CSPlayer层对训练集的特征信息进行卷积计算与矩阵归一化处理，得到归一化后的训练集；
[0030]基于改进的YOLOv5网络模型的SPPBottleneck层对归一化后的训练集进行卷积核计算处理，得到计算结果；
[0031]基于改进的YOLOv5网络模型的上采样层对计算结果中的遥感影像的尺寸进行还原处理，得到矩阵化遥感影像；
[0032]基于改进的YOLOv5网络模型的输出层将矩阵化遥感影像输出，构建遥感影像权重模型。
[0033]进一步，所述基于验证集和测试集对遥感影像权重模型调参与测试，得到训练后的ESR
‑
YOLOv5模型这一步骤，其具体包括：
[0034]将验证集输入至遥感影像权重模型进行验证处理，得到初步的遥感影像目标检测
结果；
[0035]根据初步的遥感影像目标检测结果对遥感影像权重模型的超参数进行调整处理，得到调整后的遥感影像权重模型；
[0036]将测试集输入至调整后的遥感影像权重模型进行测试，得到训练后的ESR
‑
YOLOv5模型。
[0037]本专利技术方法及系统的有益效果是：本专利技术通过超分辨率生成对抗网络模型对光学遥感影像数据集进行预处理，对遥感影像的特征空间进行增强处理，改善低质量遥感图像，能够优化并补充更加清晰地遥感图像的目标纹理和边界，使得预处理后的遥感影像数据集更接近真实的图像样本，对YOLOv5网络模型的初始化自适应锚框尺度进行改进，避免了因遥感图像中存在不同尺度大小目标而出现特征信息丢失的可能，通过预处理后的遥感影像数据集对改进的YOLOv5网络模型进行训练，进而有效的提高目标检测网络整体的检测精度和网络普适性的程度。
附图说明
[0038]图1是本专利技术一种基于ESR
‑
...

【技术保护点】

【技术特征摘要】
1.一种基于ESR
‑
YOLOv5的光学遥感图像目标检测方法，其特征在于，包括以下步骤：获取光学遥感影像数据集并输入至超分辨率生成对抗网络模型进行预处理，生成预处理后的光学遥感影像数据集；构建改进的YOLOv5网络模型；基于预处理后的光学遥感影像数据集对改进的YOLOv5网络模型进行训练，得到训练后的ESR
‑
YOLOv5模型；将待检测的遥感影像数据集输入至训练后的ESR
‑
YOLOv5模型，得到遥感影像目标检测结果。2.根据权利要求1所述一种基于ESR
‑
YOLOv5的光学遥感图像目标检测方法，其特征在于，所述获取光学遥感影像数据集并输入至超分辨率生成对抗网络模型进行预处理，生成预处理后的光学遥感影像数据集这一步骤，其具体包括：获取光学遥感影像数据集；通过双三次插值方法对光学遥感图像数据集进行缩小处理，得到低分辨率图像数据集并输入至超分辨率生成对抗网络模型；所述超分辨率生成对抗网络模型包括生成器和判别器；基于超分辨率生成对抗网络模型的生成器，对低分辨率图像数据集进行放大处理，生成初步的超分辨率图像数据集；基于超分辨率生成对抗网络模型的判别器，对初步的超分辨率图像数据集进行判别处理，生成超分辨率图像数据集；对低分辨率图像数据集和超分辨率图像数据集进行合并，得到预处理后的遥感影像数据集。3.根据权利要求2所述一种基于ESR
‑
YOLOv5的光学遥感图像目标检测方法，其特征在于，所述基于超分辨率生成对抗网络模型的判别器，对初步的超分辨率图像数据集进行判别处理，生成超分辨率图像数据集这一步骤，其具体包括：超分辨率生成对抗网络模型的判别器对超分辨率生成对抗网络模型的生成器生成的初步的超分辨率图像数据集与光学遥感影像数据集之间的的相似度进行计算与判断，直至满足预设的精度条件，输出超分辨率图像数据集。4.根据权利要求1所述一种基于ESR
‑
YOLOv5的光学遥感图像目标检测方法，其特征在于，所述构建改进的YOLOv5网络模型这一步骤，其具体包括：基于原始的YOLOv5网络模型，对原始的YOLOv5网络模型中锚框数值的长宽比进行重新设定处理，得到改进的YOLOv5网络模型。5.根据权利要求4所述一种基于ESR
‑
YOLOv5的光学遥感图像目标检测方法，其特征在于，所述基于预处理后的...

【专利技术属性】
技术研发人员：方坤，黄旭光，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：