【技术实现步骤摘要】
本专利技术涉及红外目标检测，具体涉及一种基于改进yolov5s的红外小目标检测系统、方法以及轻量化方法。
技术介绍
1、目前，随着军事领域中红外制导武器系统的精准打击应用以及民用领域在森林防火、野生动物观测救助等方面的应用需求不断增加，所以，对于红外小目标检测的性能要求相应提高。由于红外小目标具有信噪比低、对比度差、目标面积小、灰度弱等特点，且传统红外小目标检测方法的特征提取依赖人工经验，导致其泛化能力较差不能实现算法在多平台之间的有效迁移。故此，基于深度学习的红外小目标检测算法成为研究热点。然而，由于红外小目标检测任务的特殊性，目前满足条件的公开数据集几乎没有，而基于深度学习的目标检测算法十分依赖数据集，一定程度上导致了国内外将深度学习理论应用于红外小目标检测任务的公开研究较少。
2、与此同时，红外制导系统/红外小目标检测系统所搭载的平台具有特殊性，不可能无限制的增加其计算能力与数据存储空间。一般基于深度学习的检测算法模型体积(也即占用存储空间)较大，难以满足实际部署要求，因此，算法模型的轻量化研究至关重要。其距离应用到实际场景中仍然存在着一些问题，其中，最为突出的问题是如何将其迁移到可用硬件平台上，因为算法模型存在参数量巨大、计算量大、电能消耗大的缺点。算法模型轻量化设计的思想在于在不损失检测精度的前提下，减小网络参数，达到为算法模型瘦身的效果，不再受限于硬件平台的条件。所以，为了满足更快、更准、更小这三个要求，研究红外小目标检测算法的轻量化是必然结果。
3、红外小目标检测技术有两个研究方向：一是利用
4、在2016年，redmon等人提出了yolo算法，该算法第一次实现了单阶段流程在目标检测中的应用，优点是速度快、算法体积小，主要缺点是精度较低。2017年，lin等人提出了retinanet，采用focal loss来表达交叉熵，并改进了图像集中的样本权重，使得算法能实现在检测难度较高的样本中依然获得良好的效果。2019年，zhao等人提出了tbc-net，通过语义约束模块等策略，解决网络学习小目标特征时，极度不平衡的目标与背景所造成的问题。2021年，hou等人提出了ristd-net，将传统特征提取方法与深度学习特征提取网络框架相结合，得到具有较好鲁棒性的红外小目标检测算法。
5、现有的算法模型轻量化研究主要分为对算法模型本身的改进以及对算法模型部署环境的改进。其中对于算法模型本身的改进方法主要是通过减少网络参数，减低模型复杂度实现的，这也是本专利所使用的方法。常用的算法模型压缩技术有网络剪枝、网络分解、知识蒸馏、参数共享、量化和紧凑网络设计等。对算法模型部署环境的改进包括硬件加速与软件加速。
6、目前的一些目标检测算法如rcnn、fasterr-cnn、fpn等系列的检测速度有限，且易出现误判，而yolo系列算法的出现逐渐解决了速度和误判的问题，但是前几代算法的明显缺点是精度不足和漏检率较高，随着yolo系列持续的优化升级如retinanet、tbcnet、ristdnet网络结构的提升，使得这一问题得到了极大改善，但是仍未能完全的妥善解决。
7、由于深度学习理论的迅速发展，更新出的目标检测算法对小目标检测能力在持续提升，算法模型对于特征提取的能力也在不断提升，导致算法模型的复杂度和体积逐渐变大。因此，要将算法从实验室阶段移植到可用移动平台上必须进行算法模型轻量化，以利于算法更好的适配与运行。现有的算法模型轻量化研究主要分为对算法模型本身的改进，减少网络参数，减低算法模型复杂度；以及对算法模型部署环境的改进，硬件与软件加速。常用的算法模型轻量化技术有网络剪枝、网络分解、知识蒸馏、参数共享、量化和紧凑网络设计等。
8、可见现有的技术存在如下缺点尚未解决：
9、红外小目标缺乏细致的纹理结构，由于其在视图中面积过小难以被有效捕捉和识别，现有的算法检测准确率不高。且现有的红外小目标检测算法检测速度不够快，难以应对所搭载平台的快速移动等特性。
技术实现思路
1、有鉴于此，本专利技术提供了基于改进yolov5s的红外小目标检测系统、方法以及轻量化方法，能够提高yolov5s-sit算法对红外小目标检测任务的准确率并提升检测速度。
2、为达到上述目的，本专利技术的技术方案为：基于改进yolov5s的轻量化红外小目标检测系统，yolov5s网络包括主干网络backbone、加强主干特征提取网络neck以及目标检测头网络head，yolov5s网络中的主干网络backbone部分中spp模块替换为spp_x模块；backbone部分接收输入图像，spp-x模块输出解算的图像数据流至第一csp2-1。
3、所述加强主干特征提取网络neck包括顺次连接的第一csp2-1、第一cbl、第一upsample、第一contcat、第二csp2-1、第一ecbam、第二cbl、第二upsample、第二contcat、第三csp2-1、第三contcat、第三cbl、第二ecbam、第四csp2-1、第四contcat、第四cbl、第三ecbam以及第五csp2-1；第一cbl连接第四contcat，第二cbl连接第三contcat。
4、所述目标检测头网络head包含三个conv块，其中neck中的第三～第五csp2-1的处理结果分别接入到三个conv块中，三个conv块分别输出三个检测到的目标尺寸的图像。
5、所述spp_x模块包含顺次连接的第八cbl块和三个max pool 2d，cbl块和三个maxpool 2d的输出均连接至一个concat，concat的输出连接第九cbl块，第九cbl块的输出作为所述spp_x模块的输出。
6、所述第一～第三ecbam的结构相同，具体包括改进通道注意力模块和空间注意力模块；输入特征图f进入改进通道注意力模块提取出通道注意力mc(f)，之后与输入特征图f进行融合得到特征图f'，输入特征图进入空间注意力模块提取出空间注意力ms(f)，之后与特征图f'进行融合得到输出特征图f”。
7、进一步地，主干网络backbone部分包括顺次连接的输入模块input、focus、第五cbl、csp1-1、第六cbl、csp1-2、第七cbl、csp1-3、第八cbl以及spp-x模块。
8、csp1-2模块的处理结果接入neck部分中的第二concat。
9、csp1-3模块的处理结果接入neck部分中的第一concat。
10、进一步地，改进通道注意力模块的运算过程具体为：
11、输入的卷积特征图为fc×h×w，则通道注意力mc(f)可表示为(3)式：
12、mc(本文档来自技高网...
【技术保护点】
1.基于改进YOLOv5s的轻量化红外小目标检测系统，YOLOv5s网络包括主干网络BackBone、加强主干特征提取网络Neck以及目标检测头网络Head，其特征在于，YOLOv5s网络中的主干网络Backbone部分中Spp模块替换为Spp_x模块；Backbone部分接收输入图像，Spp-x模块输出解算的图像数据流至第一CSP2-1；
2.如权利要求1所述的基于改进YOLOv5s的轻量化红外小目标检测系统，其特征在于，所述主干网络Backbone部分包括顺次连接的输入模块input、Focus、第五CBL、CSP1-1、第六CBL、CSP1-2、第七CBL、CSP1-3、第八CBL以及Spp-x模块；
3.如权利要求1所述的基于改进的YOLOv5s的轻量化红外小目标检测系统，其特征在于，所述改进通道注意力模块的运算过程具体为：
4.如权利要求1所述的基于改进的YOLOv5s的轻量化红外小目标检测系统，其特征在于，所述目标检测头网络Head的输出包含3种尺度信息，即对应三种目标尺寸19×19、38×38和76×76。
5.基于改
6.如权利要求5所述的基于改进的YOLOv5s的轻量化红外小目标检测方法，其特征在于，YOLOv5s-SIT算法采用复合损失函数ComLoss策略，其中，利用二分类交叉熵损失函数计算其置信度损失；利用多分类交叉熵损失函数计算其类别损失；利用CIoU损失函数计算其位置损失。
7.如权利要求6所述的基于改进的YOLOv5s的轻量化红外小目标检测方法，其特征在于，所述二分类交叉熵损失函数数学原理如下式(6)：
8.基于改进YOLOv5s的红外小目标检测系统轻量化方法，其特征在于，针对如权利要求1所述的系统，在训练的过程中采用如下步骤进行剪枝以实现轻量化：
...【技术特征摘要】
1.基于改进yolov5s的轻量化红外小目标检测系统，yolov5s网络包括主干网络backbone、加强主干特征提取网络neck以及目标检测头网络head，其特征在于，yolov5s网络中的主干网络backbone部分中spp模块替换为spp_x模块；backbone部分接收输入图像，spp-x模块输出解算的图像数据流至第一csp2-1；
2.如权利要求1所述的基于改进yolov5s的轻量化红外小目标检测系统，其特征在于，所述主干网络backbone部分包括顺次连接的输入模块input、focus、第五cbl、csp1-1、第六cbl、csp1-2、第七cbl、csp1-3、第八cbl以及spp-x模块；
3.如权利要求1所述的基于改进的yolov5s的轻量化红外小目标检测系统，其特征在于，所述改进通道注意力模块的运算过程具体为：
4.如权利要求1所述的基于改进的yolov5s的轻量化红外小目标检测系统，其特征...
【专利技术属性】
技术研发人员：韩硕，莫波，赵洁，许俊伟，徐子钰，赵春博，孙世尊，赵东晖，陶逸萌，袁泽坤，贾国梁，
申请(专利权)人：北京理工大学，
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。