本發(fā)明涉及遙感影像處理，尤其涉及一種用于衛(wèi)星影像船舶檢測(cè)的改進(jìn)yolov8模型。

背景技術(shù)：

1、近年來(lái)，隨著遙感技術(shù)的飛速發(fā)展，衛(wèi)星影像已成為獲取地表信息的強(qiáng)有力工具。這些影像廣泛應(yīng)用于農(nóng)業(yè)監(jiān)測(cè)、災(zāi)害評(píng)估、城市規(guī)劃、海洋環(huán)境研究等多個(gè)領(lǐng)域。在海洋監(jiān)控中，衛(wèi)星影像提供了全天候、大范圍的觀測(cè)能力，對(duì)于監(jiān)控海上交通流量等方面具有不可替代的作用。在眾多海洋目標(biāo)的檢測(cè)中，船舶檢測(cè)因其復(fù)雜性和重要性而備受關(guān)注。傳統(tǒng)的船舶檢測(cè)方法，如人工目視分析，不僅耗時(shí)耗力，而且效率低下，易受主觀因素影響。因此，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)模型，如yolo系列，因其自動(dòng)化程度高、檢測(cè)速度快、精度較佳等優(yōu)勢(shì)，在船舶檢測(cè)領(lǐng)域得到了廣泛應(yīng)用。

2、yolov8作為yolo系列的新版本，以其卓越的實(shí)時(shí)性能和檢測(cè)精度，成為當(dāng)前目標(biāo)檢測(cè)領(lǐng)域的熱門算法之一。然而，在進(jìn)行衛(wèi)星影像船舶的檢測(cè)任務(wù)時(shí)，該模型面臨兩大挑戰(zhàn)：一是在衛(wèi)星影像中，由于拍攝距離遠(yuǎn)、視角廣闊，船舶通常表現(xiàn)為像素級(jí)的小目標(biāo)，與復(fù)雜的海面紋理、波浪、陰影等混雜在一起，導(dǎo)致傳統(tǒng)目標(biāo)檢測(cè)模型在識(shí)別這些小目標(biāo)時(shí)面臨巨大挑戰(zhàn)。小目標(biāo)的低信噪比、邊界模糊等問(wèn)題，使得模型難以準(zhǔn)確提取其特征，進(jìn)而影響檢測(cè)精度。二是衛(wèi)星影像常受到多種因素的影響，包括大氣散射、云層遮擋、海面反光、運(yùn)動(dòng)模糊等，這些因素不僅降低了圖像的清晰度，也增加了檢測(cè)算法的復(fù)雜性。例如，云層遮擋可能會(huì)完全遮蓋目標(biāo)，而運(yùn)動(dòng)模糊則會(huì)使得目標(biāo)輪廓模糊不清，這些都對(duì)檢測(cè)算法提出了更高的要求。

3、現(xiàn)有基于yolo系列的船舶檢測(cè)模型，盡管在一定程度上提升了檢測(cè)性能，但在面對(duì)上述挑戰(zhàn)時(shí)仍有局限性，尤其是在小目標(biāo)的檢測(cè)能力上。小目標(biāo)由于其像素信息有限，容易在特征提取過(guò)程中被忽略，導(dǎo)致檢測(cè)率低。此外，標(biāo)準(zhǔn)的損失函數(shù)設(shè)計(jì)往往側(cè)重于平衡各類別和大小目標(biāo)的檢測(cè)，未能充分優(yōu)化對(duì)小目標(biāo)的識(shí)別，使得在實(shí)際應(yīng)用中對(duì)小目標(biāo)的捕捉能力不足。因此，目前迫切需要優(yōu)化現(xiàn)有yolo模型在衛(wèi)星影像船舶檢測(cè)中的性能，特別是提升對(duì)小目標(biāo)的識(shí)別精度，同時(shí)有效應(yīng)對(duì)衛(wèi)星影像特有的圖像質(zhì)量問(wèn)題，以滿足日益增長(zhǎng)的海洋監(jiān)測(cè)和管理需求。

技術(shù)實(shí)現(xiàn)思路

1、鑒于此，本發(fā)明提出一種用于衛(wèi)星影像船舶檢測(cè)的改進(jìn)yolov8模型，該模型可有效檢測(cè)小目標(biāo)船舶，且檢測(cè)精度高；同時(shí)，能夠有效應(yīng)對(duì)衛(wèi)星影像特有的圖像質(zhì)量問(wèn)題，適應(yīng)不同的應(yīng)用場(chǎng)景。

2、一種用于衛(wèi)星影像船舶檢測(cè)的改進(jìn)yolov8模型，包括以下步驟：

3、(1)數(shù)據(jù)準(zhǔn)備：輸入遙感衛(wèi)星影像，對(duì)影像進(jìn)行截?cái)嗬鞌?shù)據(jù)預(yù)處理；而后在影像中標(biāo)注船舶目標(biāo)，滑動(dòng)窗口裁剪得到切片數(shù)據(jù)，將所得切片數(shù)據(jù)劃分為訓(xùn)練集、驗(yàn)證集；

4、(2)模型改進(jìn)：改進(jìn)yolov8模型由特征提取模塊、特征融合模塊和檢測(cè)輸出模塊組成；所述特征提取模塊會(huì)輸出4個(gè)不同尺度的圖像特征，較原始yolov8模型增加輸出一個(gè)尺度更小的圖像特征；所述特征融合模塊會(huì)將不同尺度的圖像特征進(jìn)行融合，期間使用了尺度更小的圖像特征；所述檢測(cè)輸出模塊由4個(gè)目標(biāo)檢測(cè)分支網(wǎng)絡(luò)構(gòu)成，較原始yolov8模型增加一個(gè)檢測(cè)分支網(wǎng)絡(luò)，可以提取尺度更小的目標(biāo)；

5、(3)模型訓(xùn)練：在對(duì)改進(jìn)yolov8模型進(jìn)行訓(xùn)練時(shí)，對(duì)輸入的切片數(shù)據(jù)采取運(yùn)動(dòng)模糊及云霧遮掩的增強(qiáng)手段，以提高模型的魯棒性；在損失函數(shù)方面，改進(jìn)邊界框損失函數(shù)含有4個(gè)部分，較原始邊界框損失函數(shù)增加了一個(gè)部分，增加部分對(duì)應(yīng)小目標(biāo)檢測(cè)分支的輸出；

6、(4)模型推理：對(duì)經(jīng)過(guò)數(shù)據(jù)預(yù)處理的衛(wèi)星影像進(jìn)行滑動(dòng)裁剪得到待測(cè)切片，待測(cè)切片依次經(jīng)過(guò)改進(jìn)yolov8模型的特征提取模塊、特征融合模塊和檢測(cè)輸出模塊，會(huì)得到4個(gè)目標(biāo)檢測(cè)分支輸出，通過(guò)拼接和非極大值抑制操作，獲得目標(biāo)檢測(cè)結(jié)果。

7、優(yōu)選的，所述步驟(2)的特征提取模塊具體如下：

8、以衛(wèi)星影像切片數(shù)據(jù)作為輸入單元，特征提取模塊由多個(gè)卷積網(wǎng)絡(luò)串聯(lián)組成，對(duì)切片數(shù)據(jù)進(jìn)行特征提取，通過(guò)設(shè)置不同的卷積核步長(zhǎng)，可以獲得從淺至深的圖像特征；特征提取模塊由5個(gè)卷積層、4個(gè)c2f卷積結(jié)構(gòu)和1個(gè)空間金字塔池化層組成；5個(gè)卷積層的核大小均為3×3，步長(zhǎng)為2，均會(huì)進(jìn)行2倍下采樣操作；每個(gè)c2f卷積結(jié)構(gòu)均包括2個(gè)核大小為1×1的卷積層和1個(gè)帶殘差的bottleneck結(jié)構(gòu)；輸入單元經(jīng)過(guò)特征提取模塊，會(huì)得到下采樣4倍、8倍、16倍和32倍的特征圖輸出。

9、優(yōu)選的，所述步驟(2)的特征融合模塊具體如下：

10、以特征提取模塊輸出的特征圖作為輸入單元，特征融合模塊使用通道聚合網(wǎng)絡(luò)將不同尺度的圖像特征進(jìn)行融合；特征融合模塊由3個(gè)卷積層、6個(gè)c2f卷積結(jié)構(gòu)、6個(gè)拼接層和3個(gè)2倍上采樣層組成；3個(gè)卷積層的核大小均為3×3、步長(zhǎng)為2；每個(gè)c2f卷積結(jié)構(gòu)均包括2個(gè)核大小為1×1的卷積層和1個(gè)不帶殘差的bottleneck結(jié)構(gòu)；輸入單元經(jīng)過(guò)特征融合模塊，同樣會(huì)得到下采樣4倍、8倍、16倍和32倍的特征圖輸出；區(qū)別于特征提取模塊的輸出，特征融合模塊的輸出融合了低層特征圖的空間信息和高層特征圖的語(yǔ)義信息。

11、優(yōu)選的，所述步驟(2)的檢測(cè)輸出模塊具體如下：

12、以特征融合模塊輸出的特征圖作為輸入單元，檢測(cè)輸出模塊由4個(gè)目標(biāo)檢測(cè)分支網(wǎng)絡(luò)構(gòu)成，每個(gè)目標(biāo)檢測(cè)分支網(wǎng)絡(luò)均含有3個(gè)卷積塊，每個(gè)卷積塊均含有3個(gè)卷積層，前兩個(gè)卷積層的核大小為3×3、步長(zhǎng)為1，最后一個(gè)卷積層的核大小為1×1、步長(zhǎng)為1；輸入單元經(jīng)過(guò)檢測(cè)輸出模塊，得到帶有目標(biāo)類別、位置及角度信息的多維矩陣輸出。

13、優(yōu)選的，所述步驟(3)的改進(jìn)邊界框損失函數(shù)具體如下：

14、原始的損失函數(shù)定義為：

15、loss＝lossiou+losscls+lossdfl

16、式中，lossiou表示邊界框損失，losscls表示類別損失，lossdfl表示分布焦點(diǎn)損失；

17、lossiou又可以表示為：

18、lossiou＝lossp5_iou+lossp4_iou+lossp3_iou

19、其中，lossp5_iou、lossp4_iou、lossp3_iou分別對(duì)應(yīng)原始的3個(gè)目標(biāo)檢測(cè)分支的邊界框損失；

20、記lossp2_iou為增加的小目標(biāo)檢測(cè)分支的邊界框損失，則改進(jìn)邊界框損失函數(shù)表示為：

21、lossiou＝lossp5_iou+lossp4_iou+lossp3_iou+lossp2_iou

22、lossp2_iou＝1.0-sigmoid((ioup2-0.5)×4)

23、式中，ioup2表示小目標(biāo)檢測(cè)分支的面積交并比，sigmoid函數(shù)定義如下：

24、

25、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

26、本發(fā)明通過(guò)在原始yolov8模型中增加小目標(biāo)檢測(cè)分支，提高模型對(duì)于小目標(biāo)的檢測(cè)能力。同時(shí)，為了防止小目標(biāo)檢測(cè)分支在改進(jìn)yolov8模型訓(xùn)練時(shí)出現(xiàn)梯度消失，導(dǎo)致模型性能下降，本發(fā)明對(duì)損失函數(shù)進(jìn)行了改進(jìn)，增強(qiáng)了模型對(duì)小目標(biāo)檢測(cè)分支的梯度優(yōu)化能力，有利于獲得最優(yōu)模型參數(shù)。另外，針對(duì)衛(wèi)星影像的數(shù)據(jù)特點(diǎn)，本發(fā)明在改進(jìn)yolov8模型訓(xùn)練時(shí)對(duì)輸入數(shù)據(jù)采取運(yùn)動(dòng)模糊及云霧遮掩等增強(qiáng)手段，以適應(yīng)不同的應(yīng)用場(chǎng)景。得益于上述改進(jìn)措施，本發(fā)明可以有效提高衛(wèi)星影像船舶的檢測(cè)精度，進(jìn)一步推進(jìn)基于深度學(xué)習(xí)方法的船舶檢測(cè)的廣泛應(yīng)用。