本發(fā)明涉及一種船載地波雷達(dá)的目標(biāo)檢測方法，具體涉及一種船載地波雷達(dá)譜圖目標(biāo)檢測的方法，屬于地波雷達(dá)。

背景技術(shù)：

1、地波雷達(dá)憑借垂直極化高頻電磁波沿海面繞射的特性，實現(xiàn)超視距的目標(biāo)探測和海洋動力過程的遙測，具備廣泛覆蓋面積、遠(yuǎn)程探測功能及全天候工作的特性。依據(jù)安裝位置的不同，地波雷達(dá)主要分為岸基與船載兩種形式。船載地波雷達(dá)不僅具備岸基地波雷達(dá)的優(yōu)勢，還能夠借助船載平臺的機(jī)動性，實時、持續(xù)監(jiān)測更為遼闊的海域。船載地波雷達(dá)因其展現(xiàn)出較好的發(fā)展?jié)摿εc應(yīng)用前景，成為雷達(dá)領(lǐng)域備受矚目的新發(fā)展方向。在船載平臺的運動特性、目標(biāo)自身屬性、海雜波以及環(huán)境干擾等多重影響因素共同作用之下，海上船只目標(biāo)的雷達(dá)回波信號常常受到削弱、遮蔽，甚至淹沒于展寬的海雜波之中。這種現(xiàn)象加大了船載地波雷達(dá)目標(biāo)檢測的難度，進(jìn)而降低了對目標(biāo)的監(jiān)視監(jiān)測能力。在高海況和復(fù)雜檢測背景下，船載地波雷達(dá)的性能受到限制。聚集船只目標(biāo)構(gòu)成多目標(biāo)區(qū)域，在距離-多普勒譜中船只目標(biāo)回波譜相互疊加，難以識別回波形態(tài)特征并進(jìn)行目標(biāo)檢測。另外，由于船載平臺的運動特性，展寬的一階海雜波淹沒了大量的船只目標(biāo)信號。傳統(tǒng)的恒虛警率方法在以上環(huán)境下易產(chǎn)生大量虛警和漏檢，目標(biāo)信號回波譜的質(zhì)量也因此降低。

2、目前，國內(nèi)外發(fā)展的高頻地波雷達(dá)的目標(biāo)檢測方法，正經(jīng)歷從傳統(tǒng)方法到深度學(xué)習(xí)方法的重大轉(zhuǎn)變。2017年，賀夢珂等人利用cnn對雜波進(jìn)行分類，將rd譜預(yù)處理后通過cnn進(jìn)行訓(xùn)練學(xué)習(xí)，并將最終網(wǎng)絡(luò)結(jié)果與經(jīng)典算法進(jìn)行了對比分析；2020年，zhang?l等人提出一種基于半監(jiān)督自蒸餾學(xué)習(xí)算法的級聯(lián)高頻地波雷達(dá)目標(biāo)檢測策略，該方法基于恒虛警率檢測結(jié)果，結(jié)合半監(jiān)督學(xué)習(xí)對真實目標(biāo)和其他目標(biāo)進(jìn)行分類，該方法具備一定的參考價值；2021年，李慶忠等人基于誤差自校正極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)提出了一種級聯(lián)分類器的海面目標(biāo)快速檢測算法，根據(jù)點目標(biāo)的形態(tài)特征設(shè)計了基于點形態(tài)檢測算子的一級分類器，再利用誤差自校正極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)作為第二級分類器，由此實現(xiàn)對候選目標(biāo)的精確辨識，此方法適用于少量數(shù)據(jù)下的目標(biāo)檢測。2021年，wu?m等人提出了針對強(qiáng)雜波和復(fù)雜干擾環(huán)境下隱藏目標(biāo)的智能檢測算法。該算法分為預(yù)處理和目標(biāo)檢測兩個階段，將融合特征發(fā)送到極端學(xué)習(xí)機(jī)器，作為二級分類器來區(qū)分真實和虛假的目標(biāo)點。2023年，任繼紅等人將高頻地波雷達(dá)目標(biāo)檢測與yolov3相結(jié)合，通過添加特征金字塔結(jié)構(gòu)并修改損失函數(shù)實現(xiàn)了目標(biāo)的檢測。

3、以上研究成果證明了深度學(xué)習(xí)方法在岸基地波雷達(dá)目標(biāo)檢測中的可行性和有效性，但是，由于目前國內(nèi)外少有適應(yīng)于海雜波內(nèi)部與多目標(biāo)聚集區(qū)域的船載地波雷達(dá)目標(biāo)檢測方法。上述研究少有將船載地波雷達(dá)與深度學(xué)習(xí)相結(jié)合的應(yīng)用研究，對于船載地波雷達(dá)目標(biāo)特征學(xué)習(xí)機(jī)制和檢測的探討卻相對較少。因此亟需研發(fā)一種適用于船載地波雷達(dá)船只目標(biāo)智能檢測方法。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是提供一種船載地波雷達(dá)譜圖目標(biāo)檢測方法，該方法將船只運動平臺引起的海雜波展寬的干擾等因素考慮在內(nèi)，充分利用yolov8的特征學(xué)習(xí)機(jī)制，解決大量船只目標(biāo)被淹沒在展寬海雜波中的問題，從而實現(xiàn)船載地波雷達(dá)的目標(biāo)檢測。

2、一種船載地波雷達(dá)譜圖目標(biāo)檢測方法，其特征是包括以下步驟：

3、步驟1：建立船只目標(biāo)rd譜圖數(shù)據(jù)集。

4、將船載地波雷達(dá)各通道采集的下變頻時域數(shù)字信號分別進(jìn)行脈沖壓縮和相干積累，得到距離-多普勒譜；在距離維進(jìn)行匹配濾波，在多普勒維通過快速傅里葉變化提取多普勒頻率，繪制成距離-多普勒譜圖（rd，range-doppler?spectrum），構(gòu)建基于船載地波雷達(dá)特性的船只目標(biāo)樣本數(shù)據(jù)集。

5、步驟2：對建立的數(shù)據(jù)集進(jìn)行預(yù)處理，劃分訓(xùn)練集和測試集。

6、將船載地波雷達(dá)的rd譜圖像與配套的txt標(biāo)簽文件一一對應(yīng)，以8:1:1的比例劃分訓(xùn)練集、測試集與驗證集。

7、選取的船載地波雷達(dá)的rd譜圖像500張，分辨率為1338像素×?1025像素。

8、步驟3：構(gòu)建基于改進(jìn)的yolov8船載地波雷達(dá)的目標(biāo)檢測模型，將主干網(wǎng)絡(luò)的部分c2f模塊替換成卷積網(wǎng)絡(luò)fasternet，以對初始rd譜圖上的船只目標(biāo)進(jìn)行特征提取，在yolov8模型的neck網(wǎng)絡(luò)添加biformer注意力模塊，以對提取出的特征進(jìn)行提純。

9、步驟3中，所述biformer包含一個多層感知器（multilayer?perceptron，mlp）層，用于特征的非線性轉(zhuǎn)換；一個歸一化層（layer?normalization，ln），用于特征的標(biāo)準(zhǔn)化處理；一個雙層路由注意力（bi-level?routing?attention，bra）層，負(fù)責(zé)根據(jù)前k個相關(guān)連接進(jìn)行特征路由；以及一個深度可分離卷積（depthwise?separable?convolution，dwconv）層，用于實現(xiàn)高效的特征提取。

10、步驟4：對訓(xùn)練集中的船只目標(biāo)進(jìn)行特征提?。?/p>

11、（1）在圖像輸入之后，先經(jīng)過2層cbs模塊；

12、（2）再通過c2f模塊，保證了船載地波雷達(dá)rd譜圖輸入和輸出特征圖的尺寸一致性，并在其后疊加一個cbs模塊；

13、（3）然后通過fasternet和cbs的雙層堆疊進(jìn)一步提取淺層和中層的特征信息，之后再通過c2f和sppf兩個模塊；

14、（4）將兩個fasternet的輸出和sppf輸出分別輸送進(jìn)neck網(wǎng)絡(luò)，共同完成船只目標(biāo)特征的轉(zhuǎn)換與分類任務(wù)。

15、針對海雜波展寬內(nèi)大量目標(biāo)被掩蓋情況，在yolov8模型的neck網(wǎng)絡(luò)添加biformer注意力模塊，對提取出的特征進(jìn)行提純；

16、neck網(wǎng)絡(luò)通過pafpn構(gòu)建了一個高效的船只目標(biāo)特征金字塔，將淺層、中層及高層的船只目標(biāo)特征進(jìn)行深度整合。為提升輕量級網(wǎng)絡(luò)在特征融合與表達(dá)能力方面的性能，本發(fā)明在neck層中引入了biformer模塊。

17、融入biformer的neck網(wǎng)絡(luò)流程如下：

18、（1）當(dāng)特征數(shù)據(jù)進(jìn)入c2f模塊后，首先經(jīng)過一系列卷積操作以提取初步的特征表示。

19、（2）通過ln層實現(xiàn)標(biāo)準(zhǔn)化處理后，進(jìn)入bra雙層路由模塊。

20、（3）經(jīng)過mlp層高度提純特征數(shù)據(jù)。

21、（4）高層特征通過自下而上的策略與船只目標(biāo)的中層及淺層特征進(jìn)行融合。

22、（5）通過自上而下的策略對船只目標(biāo)融合特征進(jìn)行橫向連接并輸出至head層。

23、步驟5：利用訓(xùn)練集和測試集，對基于改進(jìn)yolov8的船載地波雷達(dá)的目標(biāo)檢測模型進(jìn)行訓(xùn)練，得出權(quán)重文件；

24、步驟6：利用基于改進(jìn)yolov8的船載地波雷達(dá)目標(biāo)檢測模型訓(xùn)練結(jié)果及權(quán)重文件，對待檢測的rd譜圖像進(jìn)行目標(biāo)檢測。

25、所述步驟4中，采用的cbs由卷積層（convolution?layer，conv）、批處理歸一化層（batch?normalization，bn）和silu（sigmoid?linear?unit）激活函數(shù)組成。

26、所采用的silu函數(shù)激活公式如下所示：

27、。

28、所述步驟4中，所述c2f結(jié)構(gòu)包括2個cbs卷積塊和n個bottleneck單元，其后再疊加一個cbs模塊。

29、所述步驟4中，所述fasternet塊的核心組成部分是一個部分卷積層（partialconvolution，pconv），其后緊跟著兩個逐點卷積（point-wise?convolution，pwconv）層。

30、與現(xiàn)有技術(shù)相比，本發(fā)明的創(chuàng)新之處體現(xiàn)在以下方面：

31、1.提升了船只目標(biāo)檢測的準(zhǔn)確性和魯棒性。傳統(tǒng)的船載地波雷達(dá)目標(biāo)檢測方法往往依賴于復(fù)雜的特征工程和手動設(shè)計的特征提取器，這種方法不僅效率低下，而且難以應(yīng)對復(fù)雜多變的海洋環(huán)境。為了克服這些挑戰(zhàn)，本研究提出了基于輕量化特征提取網(wǎng)絡(luò)的目標(biāo)檢測方法。該網(wǎng)絡(luò)采用了一種高效的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，通過引入深度可分離卷積、瓶頸層以及殘差連接等技術(shù)，大幅減少了網(wǎng)絡(luò)的參數(shù)量。同時，結(jié)合語義提取特征方式，該網(wǎng)絡(luò)能夠自動學(xué)習(xí)并提取目標(biāo)的深層次特征，從而提高目標(biāo)檢測的準(zhǔn)確性和魯棒性。

32、2.對于海雜波展寬區(qū)域中被淹沒的目標(biāo)檢測效果較好。由于船載平臺的運動特性，大量目標(biāo)處于展寬海雜波之中。船只目標(biāo)由于海雜波展寬信噪比降低，并且海雜波和船只目標(biāo)容易混淆，使得弱小船只目標(biāo)的檢測變得更為復(fù)雜和困難。另外，船載地波雷達(dá)rd譜圖中的船只目標(biāo)尺寸較小、難以捕捉，導(dǎo)致船只弱小目標(biāo)缺乏足夠的特征信息，大大增加了檢測的難度。

33、3.提升了多目標(biāo)聚集區(qū)域檢測性能。隨著船只檢測目標(biāo)數(shù)量的增加，其回波范圍相互重疊的情況愈發(fā)顯著，多目標(biāo)區(qū)域在距離維和多普勒維上均呈現(xiàn)出明顯的展寬趨勢，其整體回波形態(tài)與單目標(biāo)形態(tài)存在較大差異。因此通過biformer注意力模塊豐富了多目標(biāo)聚集區(qū)域的船只特征信息，進(jìn)而提高此區(qū)域的目標(biāo)檢測性能。

34、因此本發(fā)明結(jié)合船載平臺運動特征，挖掘海雜波展寬區(qū)、背景噪聲區(qū)以及多目標(biāo)聚集區(qū)等多種背景下船載地波雷達(dá)目標(biāo)回波譜的不同樣本特征，為實現(xiàn)基于改進(jìn)yolov8的船載地波雷達(dá)目標(biāo)檢測研究提供一種有效的方法。