【技术实现步骤摘要】
本专利技术属于导航雷达领域，特别涉及一种基于yolox的导航雷达船只目标检测方法。
技术介绍
1、对海面目标进行探测，通常是借助对海雷达、声呐和红外/光学成像技术等发现目标的电磁、散射、声光等特性。其中，借助雷达对海面观测以检测目标广泛应用于区域海洋目标监管场景中，相应的雷达综合探测和信息处理技术是各个国家、海洋科技机构及涉海企业的研究重点。随着现代科技的快速发展，水上航运安全监管也逐步向信息化、网络化、智能化方向迈进。航运业的发展，使得船舶种类和数量增加，海域交通密度以及危险货物装载量也不断增加，容易导致海损事故的发生，严重威胁着船舶的航行安全和海洋生态环境。因此，有效实现对监测海域内船舶航行轨迹的及时追踪和预测是海上交通事故预警的重要技术支持，同时也对船舶航行安全和海洋生态环境具有重要意义。
2、如何准确有效地从雷达图像中定位船只位置信息就显得尤为重要。基于深度学习的目标检测技术的提出及应用实现了较好的目标检测的任务。该思想通过选择深度学习的模型来进行雷达图像特征的提取及处理，并根据提取特征来进行目标船只的定位识别。
3、但是现有的研究方法在复杂海域中识别率及准确度偏低，未能很好地实现通过雷达图像识别其中目标船只的任务。
技术实现思路
1、专利技术目的：为了克服现有技术中存在的不足，本专利技术提供一种基于yolox的导航雷达船只目标检测方法，能够在复杂海域中提高雷达图像船只的识别与定位准的准确性。
2、技术方案：为实现上述目的，本专利技术的技
3、一种基于yolox的导航雷达船只目标检测方法，包括以下步骤：
4、s1：数据整理，得到雷达对海探测数据集海面船只的图像样本；
5、s2：对船只图像进行预处理及标注；
6、s3：构建用于训练的训练数据集、用于验证的验证数据集和用于测试的测试数据集；
7、s4：在原yolox模型中引入注意力机制以进行有效特征的提取；
8、s5：基于swt-yolox模型进行数据集的特征提取与权重更新；
9、s6：进行船只目标检测，获取相关信息并输出检测结果。
10、进一步地，在步骤s4中，在原yolox模型中嵌入swin-transformer网络结构形成swt-yolox模型，所述swin-transformer网络结构包含有注意力机制。
11、进一步地，通过上层特征进行深度特征提取及上下采样特征融合，并输出特征矩阵用以下层处理；
12、根据上层特征矩阵对特征点进行判断，判断每一个特征点的回归参数，判断特征点是否有物体与其对应，实现分类及回归。
13、进一步地，在步骤s5的权重更新中使用窗口注意力机制，所述窗口注意力机制包含窗口多头自注意力机制及滑动窗口多头自注意力机制；
14、所述窗口注意力机制将注意力的计算限制在多个划分的窗口内，仅在相同窗口内的图像块之间计算注意力并分配权重，将位置信息加入注意力机制的计算过程中，且位置信息会随着窗口注意力机制的计算进行更新。
15、进一步地，所述窗口注意力机制的计算公式为：
16、
17、其中，attention(q,k,v)表示表示窗口注意机制；q、k、v分别为query、key和value，代表查询向量、键向量和值向量，softmax是归一化函数，是对相似度的归一化，得到一个归一化之后的权重矩阵，矩阵中，某个值的权重越大，表示相似度越高；qkt表示求内积，d是向量k的维度，b表示偏置。
18、进一步地，在步骤s5中，通过获取的loss及map进行网络优劣的判定。
19、进一步地，根据步骤s5获取最优训练模型后，根据获得的训练模型进行待处理雷达图像中船只的目标检测工作，通过分类器及回归器进行特征点的判断，通过得分筛选及非极大值抑制去除多余及重叠预测框，并输出目标检测的信息。
20、进一步地，所述得分筛选用于筛选出得分满足confidence置信度的预测框；所述非极大抑制用于筛选出一定区域内属于同一种类得分最大的框。
21、进一步地，所述得分筛选与非极大抑制的过程包括：
22、找出图像中得分大于门限函数的框，在进行重合框筛选前进行得分的筛选以减少框的数量；
23、对种类进行循环，对每一个类分别进行非极大抑制；
24、根据得分对该种类进行从大到小排序；
25、每次取出得分最大的框，且计算与其它所有预测框的重合程度，重合程度过大的则剔除。
26、进一步地，所述步骤s2中，对采集的图像使用label image进行海面船只目标的标注。
27、有益效果：本专利技术通过基于原有的yolox模型进行优化和改进，引入了注意力机制结构，将其优势引入到了yolox的目标识别中，提高了特征的提取效率及效果，达到了在复杂海域中雷达图像船只的识别与定位效果。
本文档来自技高网...【技术保护点】
1.一种基于Yolox的导航雷达船只目标检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于Yolox的导航雷达船只目标检测方法，其特征在于：在步骤S4中，在原Yolox模型中嵌入Swin-Transformer网络结构形成SWT-Yolox模型，所述Swin-Transformer网络结构包含有注意力机制。
3.根据权利要求2所述的一种基于Yolox的导航雷达船只目标检测方法，其特征在于：通过上层特征进行深度特征提取及上下采样特征融合，并输出特征矩阵用以下层处理；
4.根据权利要求1所述的一种基于Yolox的导航雷达船只目标检测方法，其特征在于：在步骤S5的权重更新中使用窗口注意力机制，所述窗口注意力机制包含窗口多头自注意力机制及滑动窗口多头自注意力机制；
5.根据权利要求4所述的一种基于Yolox的导航雷达船只目标检测方法，其特征在于：所述窗口注意力机制的计算公式为：
6.根据权利要求1所述的一种基于Yolox的导航雷达船只目标检测方法，其特征在于：在步骤S5中，通过获取的loss及mAP进行网络优
7.根据权利要求1所述的一种基于Yolox的导航雷达船只目标检测方法，其特征在于：根据步骤S5获取最优训练模型后，根据获得的训练模型进行待处理雷达图像中船只的目标检测工作，通过分类器及回归器进行特征点的判断，通过得分筛选及非极大值抑制去除多余及重叠预测框，并输出目标检测的信息。
8.根据权利要求7所述的一种基于Yolox的导航雷达船只目标检测方法，其特征在于：所述得分筛选用于筛选出得分满足confidence置信度的预测框；所述非极大抑制用于筛选出一定区域内属于同一种类得分最大的框。
9.根据权利要求8所述的一种基于Yolox的导航雷达船只目标检测方法，其特征在于：所述得分筛选与非极大抑制的过程包括：
10.根据权利要求1所述的一种基于Yolox的导航雷达船只目标检测方法，其特征在于：所述步骤S2中，对采集的图像使用Label Image进行海面船只目标的标注。
...【技术特征摘要】
1.一种基于yolox的导航雷达船只目标检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于yolox的导航雷达船只目标检测方法，其特征在于：在步骤s4中，在原yolox模型中嵌入swin-transformer网络结构形成swt-yolox模型，所述swin-transformer网络结构包含有注意力机制。
3.根据权利要求2所述的一种基于yolox的导航雷达船只目标检测方法，其特征在于：通过上层特征进行深度特征提取及上下采样特征融合，并输出特征矩阵用以下层处理；
4.根据权利要求1所述的一种基于yolox的导航雷达船只目标检测方法，其特征在于：在步骤s5的权重更新中使用窗口注意力机制，所述窗口注意力机制包含窗口多头自注意力机制及滑动窗口多头自注意力机制；
5.根据权利要求4所述的一种基于yolox的导航雷达船只目标检测方法，其特征在于：所述窗口注意力机制的计算公式为：
6.根据权利要求1所述的一种基于yolox的导航雷达...
【专利技术属性】
技术研发人员：郭富海，韩庆楠，王鸿显，张启明，郑哲，史明志，温建兴，赵云强，李晨浩，常逍，
申请(专利权)人：中船航海科技有限责任公司，
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。