【技术实现步骤摘要】
本专利技术属于目标检测，尤其涉及一种红外弱小目标检测方法、系统、电子设备及存储介质。
技术介绍
1、随着计算机视觉的快速发展，目标检测技术不断取得突破。yolo系列模型以其高效性和实时性，成为实际检测任务中的主流选择。然而，随着应用场景的多样化和复杂性增加，传统的卷积神经网络架构在处理复杂背景、噪声干扰以及红外弱小目标检测等问题时显得力不从心。因此，进一步提升yolov8在红外弱小目标检测中的性能，具有重要的应用价值和研究意义。
2、尽管yolo系列模型在目标检测领域取得了显著成果，尤其在实时性和检测精度方面表现优异，但在处理复杂背景和弱小目标检测时仍存在不足。传统卷积神经网络因局部感受野的限制，难以有效捕捉远距离或全局特征依赖，导致模型在红外弱小目标检测任务中难以充分利用全局信息进行精准识别。红外图像中的弱小目标通常信号微弱，容易被复杂背景中的噪声掩盖，传统卷积操作在这类场景下的检测精度往往不高，容易出现漏检和误检。此外，yolov8的基础特征提取网络在生成高维非线性特征时存在表达能力的局限。尽管增加特征宽度或深度能部分提升模型的特征表达，但当面对复杂背景或高噪声环境时，传统卷积难以生成细致的目标特征，尤其在处理细节丰富或信号微弱的红外目标时，模型表现不足。
技术实现思路
1、针对现有技术中的上述不足，本专利技术提供的一种红外弱小目标检测方法、系统、电子设备及存储介质，本专利技术通过为yolov8模型提供了更强的红外弱小目标检测能力，有效解决了传统模型在复杂场景下的目
2、为了达到以上目的，第一方面，本专利技术提供了一种红外弱小目标检测方法，包括以下步骤：
3、s1、针对红外弱小目标图像的特征，对yolov8模型进行改进；
4、s2、利用改进后的yolov8模型对红外弱小目标图像进行目标检测。
5、进一步地，所述步骤s1包括以下步骤：
6、s101、针对红外弱小目标图像的特征，在yolov8模型的骨干网络中，引入非局部注意力机制；
7、s102、在yolov8模型的特征提取模块中，引入星型卷积，并设计损失函数，完成对yolov8模型的改进。
8、再进一步地，所述改进后的yolov8模型的包括：
9、非局部注意力机制模块，用于通过在红外弱小目标特征图的所有位置上建立全局依赖关系，并通过计算红外弱小目标特征图的不同位置之间的相似度权重，获取远距离特征之间的关系；
10、星型卷积模块，用于将经主干特征提取模块处理后的红外弱小目标特征图映射至高维度的非线性特征空间中；
11、目标检测模块，用于根据映射结果，得到检测的红外弱小目标。
12、再进一步地，所述通过在红外弱小目标特征图的所有位置上建立全局依赖关系，并通过计算红外弱小目标特征图的不同位置之间的相似度权重，获取远距离特征之间的关系，其具体为：
13、输入红外弱小目标特征图；
14、对输入的红外弱小目标特征图进行线性映射处理，分别得到特征θ、特征特征g；
15、在特征θ分支上，对输入的红外弱小目标特征图进行卷积操作，得到降维后的第一红外弱小目标特征图；
16、在特征分支上，对输入的红外弱小目标特征图进行卷积操作，得到降维后的第二红外弱小目标特征图；
17、在特征g分支上，对输入的红外弱小目标特征图进行卷积操作，得到降维后的第三红外弱小目标特征图，其中，降维后的第一红外弱小目标特征图、第二红外弱小目标特征图以及第三红外弱小目标特征图的大小均一致；
18、将特征θ分支和特征分支的输出结果进行矩阵相乘，得到红外弱小目标特征图的所有位置之间的相似性关系；
19、将相似性关系进行归一化处理，生成注意力权重矩阵；
20、将注意力权重矩阵与特征g分支的输出结果相乘，得到加权的全局特征表示，以构建全局依赖关系；
21、将加权的全局特征表示，经卷积操作恢复至原始的通道数，并与输入的红外弱小目标特征图进行残差处理，得到经残差处理后的红外弱小目标特征图，其中，经残差处理后的红外弱小目标特征图包括了远距离特征之间的关系。
22、再进一步地，所述将经主干特征提取模块处理后的红外弱小目标特征图映射至高维度的非线性特征空间中，其具体为：
23、使用一卷积层作为输入层，并构建星块，其中，每个星块包含两个线性变换和一个星操作；
24、根据经主干特征提取模块处理后的红外弱小目标特征图，分别经权重矩阵w1和权重矩阵w2进行线性处理，一一对应得到经线性处理后的红外弱小目标特征图w1x和红外弱小目标特征图w2x；
25、通过将红外弱小目标特征图w1x应用激活函数后和红外弱小目标特征图w2x进行元素级乘法处理，以实现星操作；
26、将星操作的结果与经主干特征提取模块处理后的红外弱小目标特征图进行融合处理，得到融合后的红外弱小目标特征图；
27、对融合后的红外弱小目标特征图进行特征提取，其中，每个阶段重复使用多个星块提取高层次的特征，且每个阶段结束时，使用深度可分离卷积进行下采样处理；
28、在最后一阶段利用全局平均池化，将提取的特征图转换为一维特征向量；
29、利用全连接层将一维特征向量映射至类别数，完成高维度的非线性特征空间的映射处理。
30、再进一步地，所述改进后的yolov8模型的损失函数的表达式如下：
31、
32、其中，mpdiou表示损失函数，iou表示预测框与真实框的交集与并集的比，h表示边框的高度，w表示边框的宽度，d1表示预测框与真实框左上角坐标的直线距离，d2表示表示预测框与真实框右下角坐标的直线距离，b表示边界框，bgt表示真实边界框，表示预测框左上角横坐标，表示真实框左上角横坐标，表示预测框左上角纵坐标，表示真实框左上角纵坐标，表示预测框右下角横坐标，表示真实框右下角横坐标，表示预测框右下角纵坐标，表示真实框右下角纵坐标，prd表示预测值，gt表示真实值。
33、再进一步地，所述步骤s2包括以下步骤：
34、s201、获取红外数据集，并将红外数据集进行划分，其中，训练集用于对改进后的yolov8模型进行训练，测试集用于在未知数据上对训练后的yolov8的泛化能力进行评估，验证集用于在训练过程中对yolov8进行评估以及调整超参数；
35、s202、利用划分后的数据集对yolov8模型进行训练，并选取训练过程中最优的权重参数；
36、s203、利用最优权重参数的yolov8模型，对红外数据集中的弱小目标图像进行检测。
37、第二方面，本专利技术提供了一种红外弱小目标检测系统，用于执行红外弱小目标检测方法，包括：
38、第一处理模块，用于针对红外弱小目标图像的特征，对yolov8模型进行改进；
39、第二处理模块，用于利用改进本文档来自技高网...
【技术保护点】
1.一种红外弱小目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的红外弱小目标检测方法，其特征在于，所述步骤S1包括以下步骤：
3.根据权利要求2所述的红外弱小目标检测方法，其特征在于，所述改进后的YOLOv8模型的包括：
4.根据权利要求3所述的红外弱小目标检测方法，其特征在于，所述通过在红外弱小目标特征图的所有位置上建立全局依赖关系，并通过计算红外弱小目标特征图的不同位置之间的相似度权重，获取远距离特征之间的关系，其具体为：
5.根据权利要求3所述的红外弱小目标检测方法，其特征在于，所述将经主干特征提取模块处理后的红外弱小目标特征图映射至高维度的非线性特征空间中，其具体为：
6.根据权利要求3所述的红外弱小目标检测方法，其特征在于，所述改进后的YOLOv8模型的损失函数的表达式如下：
7.根据权利要求1所述的红外弱小目标检测方法，其特征在于，所述步骤S2包括以下步骤：
8.一种红外弱小目标检测系统，用于执行红外弱小目标检测方法，其特征在于，包括：
9.一种电子设备，
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，执行所述计算机程序时实现如权利要求1-7任一项所述的红外弱小目标检测方法的步骤。
...【技术特征摘要】
1.一种红外弱小目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的红外弱小目标检测方法，其特征在于，所述步骤s1包括以下步骤：
3.根据权利要求2所述的红外弱小目标检测方法，其特征在于，所述改进后的yolov8模型的包括：
4.根据权利要求3所述的红外弱小目标检测方法，其特征在于，所述通过在红外弱小目标特征图的所有位置上建立全局依赖关系，并通过计算红外弱小目标特征图的不同位置之间的相似度权重，获取远距离特征之间的关系，其具体为：
5.根据权利要求3所述的红外弱小目标检测方法，其特征在于，所述将经主干特征提取模块处理后的红外弱小目标特征图映射至高维度的非线性特征空间中，其具体为：
6.根据...
【专利技术属性】
技术研发人员：彭辉，刘煜，蒋田，铁菊红，
申请(专利权)人：成都信息工程大学，
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。