【技术实现步骤摘要】
本专利技术涉及高分辨率卫星图像处理技术及基于深度学习的卫星图像数据挖掘，特别涉及一种基于大核选择性注意力机制的卫星图像船舶快速检测方法。
技术介绍
1、随着卫星遥感技术的发展和海洋经济的快速增长，遥感目标检测技术在船舶领域的应用具有重要意义。利用卫星遥感技术实现自动化、智能化的船舶目标检测，可以大大提高船舶检测的效率和精度，减少人工目视解译的工作量和主观因素的影响。卫星遥感船舶检测技术可以为海洋交通管理提供有力支持，帮助相关部门更好地掌握海上交通情况、实施海上救援，保障海上交通安全。
2、传统的船舶检测算法大都基于图像分割和特征提取等方法，这些方法在处理复杂背景、低分辨率图像下的船舶目标时，容易出现漏检和误检。随着深度学习技术的快速发展，基于深度学习的目标检测算法在性能上取得了显著的提升，通过自动学习和提取图像中的特征，更好地挖掘卫星图像中的信息，快速检测出图像中感兴趣目标的类别和位置。但现阶段基于深度学习的目标检测算法仍存在以下问题：
3、（1）卫星图像通常覆盖较大区域，其中如船舶等目标往往表现出极小的尺寸和有限的外观信息，从而导致目标具有的特征信息有限，给现有的检测方法带来困难；
4、（2）目前关于遥感目标检测的研究通常只关注目标的位置和类别，而忽略了遥感图像中的背景信息和先验知识，结合目标与背景之间的语义信息可以提高检测精度，特别是针对复杂场景和遮挡情况下的检测；
5、（3）深度学习模型通常需要大量的标注数据进行训练，而遥感船舶检测领域的标注数据相对较少，这在一定程度上限制了
技术实现思路
1、本专利技术要解决现有技术中在处理复杂背景、低分辨率图像下的船舶目标时，容易出现漏检和误检的技术问题，提供一种基于大核选择性注意力机制的卫星图像船舶快速检测方法。
2、为了解决上述技术问题，本专利技术的技术方案具体如下：
3、基于大核选择性注意力机制的卫星图像船舶快速检测方法，包括以下步骤：
4、步骤1：制作基于高分辨率卫星图像船舶检测数据集；
5、步骤2：构建基于yolov8的卫星图像船舶检测模型，并在该模型的主干网络部分添加大核选择性注意力机制模块，在检测头部分添加小目标检测层；
6、步骤3：利用dota数据集对步骤2构建的模型进行预训练，提高模型的泛化能力和性能；
7、步骤4：使用步骤1制作的卫星图像船舶检测数据集对步骤3预训练后的模型进行训练；
8、步骤5：使用步骤4训练好的模型对卫星遥感图像进行推理，检测出其中的船舶目标。
9、在上述技术方案中，所述步骤1具体为：基于高分辨率卫星遥感图像，勾画其中的船舶目标，并制作卫星图像船舶检测数据集；所述卫星图像船舶检测数据集的制作步骤如下：
10、（1）对包含船舶目标的卫星遥感图像完成预处理流程，然后对高分辨率卫星遥感图像进行重采样，保证分辨率一致；
11、（2）建立船舶目标解译标志，通过人工目视解译，以矩形框的形式贴合船舶边界勾画目标，获得船舶目标矢量；
12、（3）设定样本集尺寸，以设定的重叠率对卫星遥感图像和船舶目标矢量进行滑窗裁剪，对位于裁剪边界的目标如果裁剪后剩余面积小于一定阈值则删除目标框；
13、（4）对样本集按照4：1：1的比例划分为训练集、验证集和测试集。
14、在上述技术方案中，包含船舶目标的卫星遥感图像的预处理流程包括：辐射校正、几何校正、正射校正、图像融合。
15、在上述技术方案中，所述步骤2中：基于yolov8的卫星图像船舶检测模型的结构包括：
16、（1）c2f特征提取模块：在维度上将特征图拆分为两部分，再经过多个bottleneck模块，利用多个卷积层对特征图进行变换，提取出更高级别的特征表示；
17、（2）大核选择性注意力机制模块：由一个大核卷积序列和一个空间选择机制组成；首先利用一系列大尺度的卷积核提取出基于不同感受野的特征图，再通过空间核选择机制自适应地选择不同的特征；
18、（3）检测头部分：采用解耦头的形式，损失函数由类别分类损失和边框回归损失组成，其中类别分类损失使用bce loss，边框回归损失使用dfl loss和ciou loss，最终的loss值由三个loss加权计算得来。
19、在上述技术方案中，检测头部分中的box、cls和dfl损失的权重分别为7.5、0.5和1.5。
20、在上述技术方案中，所述步骤3具体为：首先提取出dota数据集中包含船舶目标的图片并裁剪至统一尺寸；利用得到的数据集对步骤2构建的模型进行预训练，保存模型训练得到的权重文件作为后续模型训练的初始权重。
21、在上述技术方案中，所述步骤4具体为：每轮迭代训练时，随机使用数据增强进行组合；将训练集输入步骤3预训练后的模型进行训练，利用损失函数进行迭代使模型不断收敛，每轮训练结束后用验证集对模型精度进行验证，调整网络权重；设置训练的batchsize，进行预设数量的epoch训练，最终获得网络的最优权重，并在测试集上对模型的最终结果进行测试。
22、在上述技术方案中，所述步骤4中的数据增强包括：随机翻转、色度调整、mosaic增强。
23、在上述技术方案中，所述步骤5具体为：对获取的卫星遥感图像进行滑窗分块操作，按照样本集尺寸，以设定的重叠率进行滑窗，将图像裁剪为多个图像块并分别送入步骤4训练好的模型进行推理预测，将得到的预测结果进行拼接，最后针对重叠区域的预测框进行nms处理，滤除冗余的预测框。
24、在上述技术方案中，样本集尺寸为1024×1024；重叠率设定为10%。
25、本专利技术具有以下有益效果：
26、本专利技术的基于大核选择性注意力机制的卫星图像船舶快速检测方法，使用的大核选择性注意力机制模块结构，通过大尺度的卷积核能够增强网络的感受野，有效提取目标周围丰富的背景信息，并且能够在训练过程中动态调整模型的感受野，针对不同的船只目标提取不同尺度的背景信息。此外还能够增强模型对目标区域的感知能力，使模型在复杂背景和存在干扰的情况下仍然能够快速、准确检测出目标。
27、本专利技术的基于大核选择性注意力机制的卫星图像船舶快速检测方法，添加了小目标检测层，针对卫星图像中微小尺寸的船只目标，模型能够更加关注并有效提取小目标的特征信息，同时利用特征金字塔的结构对多尺度特征进行融合，能够提升模型对不同尺度目标的检测能力和泛化性。
本文档来自技高网...【技术保护点】
1.基于大核选择性注意力机制的卫星图像船舶快速检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于大核选择性注意力机制的卫星图像船舶快速检测方法，其特征在于，所述步骤1具体为：基于高分辨率卫星遥感图像，勾画其中的船舶目标，并制作卫星图像船舶检测数据集；所述卫星图像船舶检测数据集的制作步骤如下：
3.根据权利要求2所述的基于大核选择性注意力机制的卫星图像船舶快速检测方法，其特征在于，包含船舶目标的卫星遥感图像的预处理流程包括：辐射校正、几何校正、正射校正、图像融合。
4.根据权利要求1所述的基于大核选择性注意力机制的卫星图像船舶快速检测方法，其特征在于，所述步骤2中：基于YOLOv8的卫星图像船舶检测模型的结构包括：
5.根据权利要求4所述的基于大核选择性注意力机制的卫星图像船舶快速检测方法，其特征在于，检测头部分中的box、cls和dfl损失的权重分别为7.5、0.5和1.5。
6.根据权利要求1所述的基于大核选择性注意力机制的卫星图像船舶快速检测方法，其特征在于，所述步骤3具体为：首先提取出DOTA数据集
7.根据权利要求1所述的基于大核选择性注意力机制的卫星图像船舶快速检测方法，其特征在于，所述步骤4具体为：每轮迭代训练时，随机使用数据增强进行组合；将训练集输入步骤3预训练后的模型进行训练，利用损失函数进行迭代使模型不断收敛，每轮训练结束后用验证集对模型精度进行验证，调整网络权重；设置训练的batch size，进行预设数量的epoch训练，最终获得网络的最优权重，并在测试集上对模型的最终结果进行测试。
8.根据权利要求7所述的基于大核选择性注意力机制的卫星图像船舶快速检测方法，其特征在于，所述步骤4中的数据增强包括：随机翻转、色度调整、mosaic增强。
9.根据权利要求1所述的基于大核选择性注意力机制的卫星图像船舶快速检测方法，其特征在于，所述步骤5具体为：对获取的卫星遥感图像进行滑窗分块操作，按照样本集尺寸，以设定的重叠率进行滑窗，将图像裁剪为多个图像块并分别送入步骤4训练好的模型进行推理预测，将得到的预测结果进行拼接，最后针对重叠区域的预测框进行NMS处理，滤除冗余的预测框。
10.根据权利要求2或9所述的基于大核选择性注意力机制的卫星图像船舶快速检测方法，其特征在于，样本集尺寸为1024×1024；重叠率设定为10%。
...【技术特征摘要】
1.基于大核选择性注意力机制的卫星图像船舶快速检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于大核选择性注意力机制的卫星图像船舶快速检测方法，其特征在于，所述步骤1具体为：基于高分辨率卫星遥感图像，勾画其中的船舶目标，并制作卫星图像船舶检测数据集；所述卫星图像船舶检测数据集的制作步骤如下：
3.根据权利要求2所述的基于大核选择性注意力机制的卫星图像船舶快速检测方法，其特征在于，包含船舶目标的卫星遥感图像的预处理流程包括：辐射校正、几何校正、正射校正、图像融合。
4.根据权利要求1所述的基于大核选择性注意力机制的卫星图像船舶快速检测方法，其特征在于，所述步骤2中：基于yolov8的卫星图像船舶检测模型的结构包括：
5.根据权利要求4所述的基于大核选择性注意力机制的卫星图像船舶快速检测方法，其特征在于，检测头部分中的box、cls和dfl损失的权重分别为7.5、0.5和1.5。
6.根据权利要求1所述的基于大核选择性注意力机制的卫星图像船舶快速检测方法，其特征在于，所述步骤3具体为：首先提取出dota数据集中包含船舶目标的图片并裁剪至统一尺寸；利用得到的数据集对步骤2构建的模型进行预训练，保存模型训练得到的权重文件作为后续模...
【专利技术属性】
技术研发人员：朱瑞飞，宫正，马经宇，周圆锈，
申请(专利权)人：长光卫星技术股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。