本发明专利技术公开了一种用于高分遥感图像的单阶段目标检测模型的建模方法，具体包括如下步骤：步骤一、对预先收集的高分卫星遥感图像数据集进行原始图像预处理，将每个高分卫星遥感图像切分成多个预定大小的子图像并获取子图像的位置信息以及子图像中目标的类别和位置信息，并将子图像命名；步骤二、将子图像的大小、子图像的位置信息、子图像中目标的类别和位置信息生成标注文件并将所述标注文件统一处理成VOC格式，将子图像按照一定的比例分成训练集、验证集以及测试集；步骤三、建立目标检测模型；步骤四、将步骤二得到的训练集输入到目标检测模型中进行训练，将验证集输入到训练的目标检测模型中进行验证，将测试集输入到验证好的目标检测模型中进行测试。
【技术实现步骤摘要】
本专利技术涉及遥感目标检测领域，尤其涉及一种用于高分遥感图像的单阶段目标检测模型的建模方法。
技术介绍
1、遥感图像目标检测指的是在遥感图像中识别和定位感兴趣的地面目标，如飞机、舰船、汽车等。遥感图像目标检测在民用和军事领域应用广泛，如灾害评估、城市规划、环境监测等。随着遥感技术的快速发展，高分辨率卫星遥感图像的空间分辨率大大提高，数据总量飞速增长，为目标检测提供了丰富的数据。同时，随着深度学习在计算机视觉领域取得突破性进展，深度神经网络已经成为目标检测任务的主流。基于卷积神经网络的神经网络模型可以自动提取图像特征，并进行高效准确的目标识别和定位。
2、基于卷积神经网络的目标检测技术发展迅速并取得了超越传统计算机视觉方法的性能表现。当前，基于卷积神经网络的目标检测技术分为两种主流框架：一种是以fasterr-cnn系列和fpn等为代表的两阶段检测算法，另一种是以yolo系列为代表的单阶段目标检测算法。两阶段检测算法首先生成目标候选区域，然后将检测问题转化为分类和边界框回归问题。单阶段检测算法不生成目标候选区域直接估计目标的位置和类别。因此，二阶段检测器模型往往精度较高，而单阶段检测器则具有更高的实时运行效率。
3、卫星遥感图像的覆盖范围较大，受到地面因素的影响小，在灾害评估、环境监测等领域具有优势。然而，感兴趣的地物目标在卫星遥感图像中尺寸微小，且容易受到阴影、遮挡等影响，缺乏明显的纹理和边界特征，对弱小目标检测性能提出了挑战。卫星遥感图像的地物目标具有方向多样性，同一类地物目标边界框的纵横比变化较大。</p>4、考虑到卫星遥感图像的空间分辨率，像素尺寸较小(通常为尺寸小于32×32像素)的小目标在卫星遥感图像中大量分布。现有的目标检测模型通常采用多尺度表示和特征金字塔(fpn)等技术，通过加强多尺度目标检测能力来解决小目标检测问题，缺少以小目标为主要优化目标的检测技术。
技术实现思路
1、本专利技术的主要目的在于提供一种用于高分遥感图像的单阶段目标检测模型的建模方法，用于建立单阶段目标检测模型。
2、为达到以上目的，本专利技术采用的技术方案为：一种用于高分遥感图像的单阶段目标检测模型的建模方法，具体包括如下步骤：
3、步骤一、对预先收集的高分卫星遥感图像数据集进行原始图像预处理，将每个高分卫星遥感图像切分成多个预定大小的子图像并获取子图像的位置信息以及子图像中目标的类别和位置信息，并将子图像命名；
4、步骤二、将子图像的大小、子图像的位置信息、子图像中目标的类别和位置信息生成标注文件并将所述标注文件统一处理成voc格式，将子图像按照一定的比例分成训练集、验证集以及测试集；
5、步骤三、建立目标检测模型；
6、步骤四、将步骤二得到的训练集输入到目标检测模型中进行训练，将验证集输入到训练的目标检测模型中进行验证，将测试集输入到验证好的目标检测模型中进行测试。
7、优选地，子图像的获取方式如下：
8、预先设定子图像的像素为m*n；
9、若原始图像的长度方向的像素不是m的整数倍，则在原始图像的长度方向的一边进行扩展，扩展成原始图像的长度方向上的像素是m的整数倍；若原始图像的宽度方向的像素不是n的整数倍，则在原始图像的宽度方向的一边进行扩展成原始图像的长度方向的像素是你的整数倍，在扩展区域填充灰度值为0的像素作为填充内容，以区分原始图像和扩展图像；
10、将原始图像切分成多个预定大小的子图像。
11、优选地，子图像命名的方式如下：
12、在将卫星遥感图像切分成子图像时，记录子图像在卫星遥感图像中的横坐标偏移量和纵坐标偏移量；
13、将子图像命名为““原文件名”_横坐标偏移量_纵坐标偏移量.jpg”，其中原文件名为对应的卫星遥感图像的文件名。
14、优选地，子图像中目标的位置信息通过以下方式获取：
15、针对子图像上的每一个目标确定一个长方形的边界框，所述目标位于所述边界框内，并且边界框的每条边与所述目标的边缘上的至少一个点相切，边界框在所述子图像上的位置采用左上角顶点坐标(xmin,ymin)和右下角顶点坐标(xmax,ymax)表示。
16、优选地，步骤2具备包括如下步骤：
17、步骤21、针对每个子图像生成与其文件名相同的xml格式文件，xml格式文件即为标注文件，在xml格式文件中记录对应的子图像的大小以及子图像中所有目标的信息，所述目标的信息包括目标的类别以及对应的边界框的坐标。具体地，所述目标的信息以名为<object>的链表的形式存在于xml格式文件中，链表中<name>元素代表目标的类别名称，<xmin>、<ymin>、<xmax>和<ymax>代表了目标边界框的左上角顶点坐标和右下角顶点坐标。
18、步骤22、将得到的xml格式文件放入到第二预定文件夹中；
19、步骤23、对得到的子图像按照7:2:1的比例随机选取并划分为训练集、验证集和测试集，并分别记录训练集、验证集和测试集中图像的文件名(不带后缀)在train.txt、val.txt和test.txt文件中，将这3个txt文件保存在第三预定文件夹中。
20、优选地，步骤三中的目标检测模型，包括主干网络、特征金字塔、分离检测头，主干网络具有5个结构相同的csp darknet卷积层，分别为为dark 1～dark5，每个csp darknet卷积层包括两组卷积核和一个跳层连接操作，其中卷积核的参数通过训练学习得到，输入到主干网络的图像逐级通过5个卷积层，每通过一层csp darknet卷积层，图像的大小缩小为原来的一定比例，而通道数保持不变，得到不同层级的特征图。
21、优选地，所述特征金字塔具有六个neck层，三层为一组，第一组分别为neck1_1、neck1_2、neck1_3，第二组分别为neck2_1、neck2_2、neck2_3，neck1_1用于将dark5和dark4输出的特征图进行融合，neck1_2用于将neck1_1输出的特征图和放大一定倍数的dark3输出的特征图进行融合，neck1_3用于将neck1_2输出的特征图和放大一定倍数的dark2输出的特征图进行融合；neck2_1用于将neck1_2输出的特征图和缩小一定倍数的neck1_3输出的特征图进行融合，neck2_2用于将neck1_1输出的特征图和缩小一定倍数的neck2_1输出的特征图进行融合，neck2_3用于将neck2_2输出的特征图进行缩小一定的倍数。
22、优选地，所述分离检测头具有四个，分别记作decoupledhead1、decoupledhead2、decoupled head3、decoupled head4，每个分离检测头包括两个分支，分别预测目标的类别和边界框坐标，decoupled head1用于对ne本文档来自技高网
...
【技术保护点】
1.一种用于高分遥感图像的单阶段目标检测模型的建模方法，具体包括如下步骤：
2.根据权利要求1所述的建模方法，其特征在于，子图像的获取方式如下：
3.根据权利要求1所述的建模方法，其特征在于，子图像命名的方式如下：
4.根据权利要求3所述的建模方法，其特征在于，子图像中目标的位置信息通过以下方式获取：
5.根据权利要求4所述的建模方法，其特征在于，步骤2具备包括如下步骤：
6.根据权利要求1所述的建模方法，其特征在于，步骤三中的目标检测模型，包括主干网络、特征金字塔、分离检测头，主干网络具有5个结构相同的CSP Darknet卷积层，分别为为Dark 1～Dark5，每个CSP Darknet卷积层包括两组卷积核和一个跳层连接操作，其中卷积核的参数通过训练学习得到，输入到主干网络的图像逐级通过5个卷积层，每通过一层CSP Darknet卷积层，图像的大小缩小为原来的一定比例，而通道数保持不变，得到不同层级的特征图。
7.根据权利要求6所述的建模方法，其特征在于，所述特征金字塔具有六个Neck层，三层为一组，第一组分别为Neck1_1、Neck1_2、Neck1_3，第二组分别为Neck2_1、Neck2_2、Neck2_3，Neck1_1用于将Dark5和Dark4输出的特征图进行融合，Neck1_2用于将Neck1_1输出的特征图和放大一定倍数的Dark3输出的特征图进行融合，Neck1_3用于将Neck1_2输出的特征图和放大一定倍数的Dark2输出的特征图进行融合；Neck2_1用于将Neck1_2输出的特征图和缩小一定倍数的Neck1_3输出的特征图进行融合，Neck2_2用于将Neck1_1输出的特征图和缩小一定倍数的Neck2_1输出的特征图进行融合，Neck2_3用于将Neck2_2输出的特征图进行缩小一定的倍数。
8.根据权利要求7所述的建模方法，其特征在于，所述分离检测头具有四个，分别记作Decoupled Head1、Decoupled Head2、Decoupled Head3、Decoupled Head4，每个分离检测头包括两个分支，分别预测目标的类别和边界框坐标，Decoupled Head1用于对Neck1_3输出的特征图进行卷积层处理，Decoupled Head2用于对Neck2_1输出的特征图进行卷积层处理，Decoupled Head3用于对Neck2_2输出的特征图进行卷积层处理，Decoupled Head4用于对Neck2_3输出的特征图进行卷积层处理。
9.根据权利要求7所述的建模方法，其特征在于，在执行步骤三时，完成一次训练后，通过损失函数来判断是否训练完成，设定损失函数为：
...
【技术特征摘要】
1.一种用于高分遥感图像的单阶段目标检测模型的建模方法，具体包括如下步骤：
2.根据权利要求1所述的建模方法，其特征在于，子图像的获取方式如下：
3.根据权利要求1所述的建模方法，其特征在于，子图像命名的方式如下：
4.根据权利要求3所述的建模方法，其特征在于，子图像中目标的位置信息通过以下方式获取：
5.根据权利要求4所述的建模方法，其特征在于，步骤2具备包括如下步骤：
6.根据权利要求1所述的建模方法，其特征在于，步骤三中的目标检测模型，包括主干网络、特征金字塔、分离检测头，主干网络具有5个结构相同的csp darknet卷积层，分别为为dark 1～dark5，每个csp darknet卷积层包括两组卷积核和一个跳层连接操作，其中卷积核的参数通过训练学习得到，输入到主干网络的图像逐级通过5个卷积层，每通过一层csp darknet卷积层，图像的大小缩小为原来的一定比例，而通道数保持不变，得到不同层级的特征图。
7.根据权利要求6所述的建模方法，其特征在于，所述特征金字塔具有六个neck层，三层为一组，第一组分别为neck1_1、neck1_2、neck1_3，第二组分别为neck2_1、neck2_2、neck2_3，neck1_1用于将dark5和dark4输出的特征图进行融合，ne...
【专利技术属性】
技术研发人员：秦磊，邱实，
申请(专利权)人：广东汇博机器人技术有限公司，
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。