一种基于YOLOv8的红外遥感图像目标检测方法、电子设备及计算机可读存储介质

本发明涉及基于yolov8改进的红外遥感图像目标检测方法，属于红外图像目标检测领域。

背景技术：

1、基于可见光遥感图像的飞机目标检测在军事打击、空中交通管制、空中目标跟踪等领域具有广阔的应用前景。近年来，随着计算机和深度学习方法的发展，目标检测方法取得了巨大的性能提升。

2、然而，当能见度环境发生变化时传统可见光遥感图像很难完成目标检测任务。红外遥感图像能够克服传统光学成像系统的限制，提供清晰、准确的飞机图像。但是目前深度学习算法应用于红外遥感飞机图像领域的研究却不多，且在复杂条件下，基于可见光遥感目标检测方法存在一定局限性，红外遥感技术能够克服传统光学成像系统的限制，提供清晰、准确的飞机图像。

技术实现思路

1、本发明的目的在于提供一种基于yolov8改进的红外遥感图像飞机目标检测方法，在复杂条件下红外目标检测的精度更高，更符合全天候使用的需要。

2、针对现有技术不足，本申请第一方提供一种基于yolov8改进的红外遥感图像目标检测方法，包括获取红外数据集，对原始数据进行清洗，以去掉模糊、重复的数据，最后再对获取的图像数据进行标注。将预处理后的红外图像数据集划分为训练集，验证集，测试集，其中红外图像数据集包括不同背景环境下的飞机红外图像。

3、将yolov8的骨干网络倒数第二个、第三个c2f模块替换为c2f_dcn可变性卷积模块，即骨干网络对应p3、p4检测层的卷积替换为可变形卷积模块，用来提升模型对中小目标的关注；在yolov8的neck端添加注意力模块，cbam注意力模块可以自适应地选择和调整特征图的通道权重和空间权重，从而更好地捕获并表示图像中的重要特征；使用新的损失函数yiou使预测候选框能够进一步回归到真是物体上。

4、使用如上所述的改进方法得到新的网络模型，使用训练集对新的网络模型进行迭代训练，得到目标权重。使用测试集对目标权重进行测试，得到飞机目标检测结果。

5、所述可变形卷积模块，为卷积核上的每个点学习一个偏移(offset)，使得卷积核可以根据不同的数据学习不同的卷积核结构。在增加可变形卷积模块后，因为舰船所在位置的感受野自适应的发生了改变，在预测框回归时，舰船检测模型能够更好地调整预测框的回归参数，使得模型增加对小目标的关注度，进而提升模型的整体性能。

6、所述注意力模块模块，可以提高卷积神经网络对不规则形状的目标物体的适应性，扩大其感受野(receptive field)。嵌入在yolov8的neck部分，注意力模块允许模型在处理序列每个时间步时，不需要关注整个序列，而是选择性地关注序列的某些部分，可以自适应地选择和调整特征图的通道权重和空间权重，从而更好地捕获并表示图像中的重要特征。本文添加cbam模块的位置是在pan-fpn上采样阶段中的upsample结构后以及下采样阶段的每个c2f模块后，在cbs模块卷积前，即在融合特征前都加入此模块。在优化后的模型中，融合特征前进行特征注意加强操作，模型可以更加注重小目标信息，增强对目标的关注，提升小目标的识别。及定位精度在优化后的模型中，通过在融合特征前进行特征注意加强操作，模型可以更加注重小目标信息，增强对目标的关注，提升小目标的识别及定位精度。

7、所述新的损失函数yiou，借鉴了wise-iou的思想传统的iou中的交和并运算进行了改进。具体计算公式如下：

8、

9、在动态调整边界框回归损失的同时削弱对距离、遥感舰船纵横比等何度量的惩罚，这样做可以更好地考虑遥感舰船预测框和真实框之间的iou、位置、大小、形状等多个因素，从而提高了舰船检测的准确性。yiou通过对损失函数的第二、三项进行减半处理，以较低的水平干预模型对距离、纵横比之类几何度量的惩罚，不过多的干预模型训练，使得模型有更好的泛化能力。

10、由上可见，本申请提供了一种基于yolov8改进的红外飞机目标检测方法，对yolov8进行改进，改进的网络模型中，通过在融合特征前都加入注意力机制模块。在优化后的模型中，融合特征前进行特征注意加强操作，模型可以更加注重小目标信息，增强对目标的关注，提升飞机目标的识别及定位精度；通过将可变形卷积模块加入yolov8的骨干网络中，可变形卷积可以根据目标物体的不规则形状自适应地调整感受野的形状和大小，从而提高模型的性能；通过使用新的损失函数yiou，yiou将传统的iou中的交和并运算进行了改进，在动态调整边界框回归损失的同时削弱对距离、纵横比之类的几何度量的惩罚，这样做可以更好地考虑预测框和真实框之间的iou、位置、大小、形状等多个因素，从而提高了目标检测的准确性。yiou通过对损失函数的第二、三项进行减半处理，以较低的水平干预模型对距离、纵横比之类几何度量的惩罚，不过多的干预模型训练，使得模型有更好的泛化能力。总之，yiou相较于ciou、wise-iou在一些特定场景下有更好的适应性和鲁棒性，可以更好地评估舰船检测任务的性能。使预测候选框能够再进一步回归到真实物体标注框上，提升模型的性能表现；对改进的模型网络进行训练，并使用训练好的权重进行红外飞机目标检测，检测性能明显提升，适用于全天候使用的使用场景。

技术特征：

1.一种基于yolov8的红外遥感图像目标检测方法，其特征在于，包括：

2.如权利要求1所述的红外图像飞机目标检测方法，其特征在于，所述将测试集输入至所述目标网络模型中进行测试之后还包括：通过预设的性能评价指标对测试后的目标网络模型进行性能评估。

3.如权利要求1所述的红外图像飞机目标检测方法，其特征在于，所述通过可变形卷积模块c2f_dcn替换骨干网络倒数第二个、第三个c2f模块，结合卷积注意力机制模块cbam和损失函数模块yiou对yolov8进行改进包括：

4.如权利要求3所述的红外图像飞机目标检测方法，其特征在于，所述第一c2f模块包括：依次连接的卷积conv模块、split模块，n个并行连接的dcn v2_bottleneck模块以及卷积conv模块，其中，所述dcn v2_bottleneck模块包括两层可变形卷积模块dcn v2；

5.如权利要求3或4所述的红外图像飞机目标检测方法，其特征在于，所述目标特征提取网络中包括3个第一c2f_dcn模块，每个所述第一c2f_dcn模块后加入所述卷积注意力机制模块cbam。

6.如权利要求3或4所述的红外图像飞机目标检测方法，其特征在于，所述第二c2f_dcn模块包括：依次连接的卷积conv模块、split模块，n个并行连接的dbb_bottleneck模块以及卷积conv模块，其中，所述dbb_bottleneck模块包括两层重参数模块dbb；

7.如权利要求3或4所述的红外图像飞机目标检测方法，其特征在于，所述损失函数模块yiou代替yolo v8的检测网络中原有的ciou模块作为边框回归损失函数。

8.如权利要求1所述的红外图像飞机目标检测方法，其特征在于，所述将所述训练集输入所述网络模型进行迭代训练包括：

9.一种电子设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述方法的步骤。

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，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述方法的步骤。

技术总结本发明公开了一种基于YOLOv8的红外遥感图像目标检测方法，属于红外遥感图像目标检测领域，具体包括YOLOv8的骨干网络倒数第二个、第三个模块为C2f_DCN可变性卷积模块，即骨干网络对应P3、P4检测层的卷积替换为可变形卷积模块，用来提升模型对中小目标的关注；在YOLOv8的neck端添加注意力模块，CBAM注意力模块可以自适应地选择和调整特征图的通道权重和空间权重，从而更好地捕获并表示图像中的重要特征；使用新的损失函数YIOU使预测候选框能够进一步回归到真是物体上；增强红外飞机目标检测准确性；本申请还公开了一种电子设备及计算机可读存储介质。技术研发人员：赵爽,杨弼博受保护的技术使用者：长春理工大学技术研发日：技术公布日：2024/11/4