CN113537014A - 基于改进darknet网络的地空导弹阵地目标检测与识别方法 - Google Patents

基于改进darknet网络的地空导弹阵地目标检测与识别方法 Download PDF

Info

Publication number
CN113537014A
CN113537014A CN202110762850.5A CN202110762850A CN113537014A CN 113537014 A CN113537014 A CN 113537014A CN 202110762850 A CN202110762850 A CN 202110762850A CN 113537014 A CN113537014 A CN 113537014A
Authority
CN
China
Prior art keywords
block
convolution
scale
features
residual
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110762850.5A
Other languages
English (en)
Inventor
田玉宇
赵金奇
汪磊
隋娟
李强
吕亚龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Guanwei Technology Co ltd
Original Assignee
Beijing Guanwei Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Guanwei Technology Co ltd filed Critical Beijing Guanwei Technology Co ltd
Priority to CN202110762850.5A priority Critical patent/CN113537014A/zh
Publication of CN113537014A publication Critical patent/CN113537014A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于改进darknet网络的地空导弹阵地目标检测与识别方法，包括具有残差链接块的卷积层、跳链接层、上采样层、下采样层和批处理正则化层，通过将BN层整合到网络的卷积层中，简化了网络结构，并且，GIOU损失函数的使用有效防止梯度消失或零梯度的问题。平衡了在导弹阵地检测中检测精度与检测时间的矛盾，本发明实现了快速准确的日本全境导弹阵地检测与识别，解决了大范围大面积的遥感影像中检测导弹阵地的问题，适用于军用的导弹阵地检测作业。

Description

基于改进darknet网络的地空导弹阵地目标检测与识别方法
技术领域
本发明涉及遥感图像检测技术领域，具体涉及一种基于改进darknet网络 的地空导弹阵地目标检测与识别方法。
背景技术
随着遥感技术的日益提高，遥感图像的获取速度和空间分辨率都得到了大幅的提高。对遥感图像的解读和分析一直是研究的热点问题。
遥感卫星在成像受到天气、高度、光照、遮挡和卫星自身条件限制等因素的影 响，导致所拍摄物体在尺度和视角上存在很多变化。
因此，如何提供一种基于改进的darknet网络，能够对大范围的遥感图像中地空导弹阵地目标进行快速准确识别的方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明基于高分遥感图像和改进的darknet网络在对单个导弹 阵地进行识别的基础上，实现了对大范围遥感高分图像中对地空导弹阵地的 识别，包含大、中、小等多尺度目标的检测与识别，有效检测尺度极端变化 的目标。
为了实现上述目的，本发明采用如下技术方案：
一种基于改进darknet网络的地空导弹阵地目标检测与识别方法，构建改 进的darknet多尺度目标检测网络，包括特征提取模块，N个多尺度特征融合 模块，N+1个多尺度特征输出分支以及分类回归模块；
所述特征提取模块采用改进darknet网络，用于接收输入的遥感图像，并 依次经过卷积块和残差块，提取得到单一尺度下不同的特征；其中，遥感图 像在卷积块中依次进行卷积、批处理正则化操作进入残差块；
所述多尺度特征融合模块以残差块提取到的不同特征作为输入，将上一 级残差块输出的特征与该级的残差块输出的特征通过张量拼接结合起来，得 到融合后的多尺度特征；
所述N+1个多尺度特征输出分支包括特征提取模块以及多尺度特征融合 模块提取的N+1个特征输出分支后分别经过所述卷积块的操作后得到N+1个 尺度特征；
所述分类回归模块分别对N+1个尺度特征进行分类和回归后输出检测目 标位置。
优选的，所述特征提取模块由一个卷积块和N+2个残差块连接组成；其 中，
所述卷积块由卷积层，批处理正则化层和激活函数组成，数据依次进行 卷积、正则化操作得到第一层提取的特征；
所述残差块包括一层卷积块连接若干个残差单元；
所述残差单元包括两个串联的卷积块和串联后卷积块的输入端到输出端 的级联；
第N+2个残差块得到的特征通过一个卷积块操作后输出。
优选的，设置有三个多尺度特征融合模块，所述多尺度特征融合模块执 行步骤包括：
第一个多尺度特征融合块将特征提取模块整体提取的特征经过一个卷积 块和上采样操作后用张量拼接的方法与第四残差块提取到的特征相结合，并 连接一个卷积块操作后输出；
第二个多尺度特征融合块将第一个多尺度特征融合块提取的特征经过一 个卷积块和上采样操作后用张量拼接的方法与第三残差块提取到的特征相结 合，并连接一个卷积块操作后输出；
第三个多尺度特征融合块将第二个多尺度特征融合块提取的特征经过一 个卷积块和上采样操作后用张量拼接的方法与第二残差块提取到的特征相结 合，并连接一个卷积块操作后输出。
优选的，所述分类回归模块执行步骤包括：
通过分类函数softmax指导分类过程，获得导弹阵地的类别信息；
通过边界框回归损失函数指导回归过程，获得导弹阵地的位置信息，并 以矩形框的形式在输出的特征图像中标出，作为检测的可视化结果；
边界框回归损失函数如公式(1)所示:
Figure BDA0003150635510000031
其中，边界框回归损失函数τGIOU＝1-GIOU。
经由上述的技术方案可知，与现有技术相比，本发明的有益效果包括：
本发明针对上述复杂的遥感图像识别条件，设计了一种改进的darknet算 法，实现了快速准确的日本全境导弹阵地检测与识别。首先，BN层(批处理 正则化层)整合到网络的卷积层中，简化网络结构，同时有效提高网络对导 弹阵地的检测速度；其次，采用GIOU替换原有的IOU函数作为边界盒回归的 损失函数，防止梯度消失或者零梯度的存在；最后，网络结合不同分辨率的 多个多尺度特征图，并独立处理不同尺度的目标物体。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实 施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面 描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不 付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图；
图1本发明实施例提供的改进的darknet多尺度目标检测网络结构图；
图2本发明实施例提供的基于改进darknet网络的地空导弹阵地目标检 测与识别方法流程图；
图3本发明实施例提供的图像增强的结果图；
图4本发明实施例提供的基于改进darknet网络的地空导弹阵地目标检 测与识别方法的效果展示图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行 清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而 不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做 出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例公开的一种基于改进darknet网络的地空导弹阵地目标检测与 识别方法，构建改进的darknet多尺度目标检测网络，参见图1，包括特征提 取模块，N个多尺度特征融合模块，N+1个多尺度特征输出分支以及分类回归 模块；
特征提取模块采用改进darknet网络，用于接收输入的遥感图像，并依次 经过卷积块和残差块，提取得到单一尺度下不同的特征；其中，遥感图像在 卷积块中依次进行卷积、批处理正则化操作进入残差块；
多尺度特征融合模块以残差块提取到的不同特征作为输入，将上一级残 差块输出的特征与该级的残差块输出的特征通过张量拼接结合起来，得到融 合后的多尺度特征；
N+1个多尺度特征输出分支包括特征提取模块以及多尺度特征融合模块 提取的N+1个特征输出分支后分别经过卷积块的操作后得到N+1个尺度特征； 其中，N+1个多尺度特征包括了N个融合后的特征和1个原始的特征。
分类回归模块分别对N+1个尺度特征进行分类和回归后输出检测目标位 置。
在一个实施例中，特征提取模块由一个卷积块和N+2个残差块连接组成； 其中，
卷积块由卷积层，批处理正则化层和激活函数组成，数据依次进行卷积、 正则化操作得到第一层提取的特征；
残差块包括一层卷积块连接若干个残差单元；
残差单元包括两个串联的卷积块和串联后卷积块的输入端到输出端的级 联，即构成跳连接层；
第N+2个残差块得到的特征通过一个卷积块操作后输出。
本实施例中，输入图像的特征提取模块由一个卷积块和五个残差块连接 组成；残差块由一层卷积块连接一个残差单元组成，其中，第一残差块包括1 个残差单元，第二残差块包括与卷积块串联的2个残差单元，第三残差块包 括与卷积块串联的8个残差单元，第四残差块包括与卷积块串联的8个残差 单元，第五残差块包括与卷积块串联的4个残差单元。
在一个实施例中，设置有三个多尺度特征融合模块，多尺度特征融合模 块执行步骤包括：
第一个多尺度特征融合块将特征提取模块整体提取的特征经过一个卷积 块和上采样操作后用张量拼接的方法与第四残差块提取到的特征相结合，并 连接一个卷积块操作后输出；
第二个多尺度特征融合块将第一个多尺度特征融合块提取的特征经过一 个卷积块和上采样操作后用张量拼接的方法与第三残差块提取到的特征相结 合，并连接一个卷积块操作后输出；
第三个多尺度特征融合块将第二个多尺度特征融合块提取的特征经过一 个卷积块和上采样操作后用张量拼接的方法与第二残差块提取到的特征相结 合，并连接一个卷积块操作后输出。
在一个实施例中，四个多尺度特征输出分支的输出为：特征提取模块输 出尺度为19*19*255的特征图，第一个多尺度特征融合块输出尺度为 38*38*255的特征图，第一个多尺度特征融合块输出尺度为76*76*255的特征 图，第一个多尺度特征融合块输出尺度为152*152*255的特征图。
在一个实施例中，分类回归模块执行步骤包括：
通过分类函数softmax指导分类过程，获得导弹阵地的类别信息；
通过边界框回归损失函数指导回归过程，获得导弹阵地的位置信息，并 以矩形框的形式在输出的特征图像中标出，作为检测的可视化结果；
边界框回归损失函数如公式(1)所示:
Figure BDA0003150635510000061
其中，边界框回归损失函数τGIOU＝1-GIOU。
下面给出实施本发明一种基于改进的darknet针对大范围遥感图像中对 导弹阵地目标的检测识别方法的具体步骤，参见图2：
S1、通过遥感传感器获得一定范围的高空间分辨率遥感图像，对所述原 始数据集进行输入前处理，通过裁剪、旋转、图像颜色变换等图像增强方法 处理原始获取的数据集后获得待输入数据集，参见图3，图3(a)为原始图 像、图3(b)为加噪后图像、图3(c)为颜色变换后图像、图3(d)为剪裁 后图像、图3(e)为旋转后图像、图3(f)为对比度增强后图像。不同处理 后得到的数据集用于网络训练，能够防止网络可能出现的过拟合现象。
S2、通过上述对数据进行处理后，输入至多尺度特征融合的改进darnet 网络中。考虑到遥感影像的复杂性，物体的尺度的变化较大。因此，采用嵌 入BN层的Darknet-53作为骨干网进行目标检测特征提取，采用4个不同的卷 积层进行特征提取，分辨率分别为152*152,76*76、38*38、19*19。
S21、将上采样操作与4个不同尺度的特征金字塔进行融合，在每个分支 独立检测和识别目标，最终得到深度融合检测模型。该网络中产生的三种尺 度特征图，适用于大目标(19*19*255)、中目标(38*38*255)和小目标(76*76*255) 和(152*152*255).
S22、所述深度融合检测模型以最终通过分类函数softmax指导分类过程， 获得导弹阵地的类别信息；通过GIOU函数指导回归过程，获得导弹阵地的位 置信息，并以矩形框的形式在原始图像中标出，作为检测的可视化结果，参 见图4。
S3、利用测试集对训练后的网络模型进行测试，当测试集的准确率满足 要求时，得到最终的改进darknet网络模型。否则重复步骤上述步骤，直到测 试集的准确率满足要求，得到适用于大范围遥感图像中对导弹阵地目标的检 测识别的网络模型。
表1所示为地空导弹阵地目标检测方法在数据集中的检测精度表
类别 精度 类别 精度 类别 精度
SA-2 1 爱国者 1 警犬Ⅱ 1
SA-3 0.986 SA-9 1 阿斯派德 0.964
SA-10 0.984 SA-11 1 铁鹰Ⅱ 1
SA-4 0.917 SA-15 1 箭Ⅱ 1
SA-5 0.947 SA-21 1 猎鹰 1
SA-8 0.959 长剑 1 斯派德尔 1
由表1可知，本发明方法在目前掌握的全球地空导弹阵地24种类型的检 测种均达到了较高的精度。并且算法速度可以达到42.5fps，在检测速度较高 的情况下保证了检测精度。
以上对本发明所提供的基于改进darknet网络的地空导弹阵地目标检测 与识别方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施 方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核 心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实 施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本 发明的限制。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用 本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易 见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下， 在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例， 而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (4)

1.一种基于改进darknet网络的地空导弹阵地目标检测与识别方法，其特征在于，构建改进的darknet多尺度目标检测网络，包括特征提取模块，N个多尺度特征融合模块，N+1个多尺度特征输出分支以及分类回归模块；
所述特征提取模块采用改进darknet网络，用于接收输入的遥感图像，并依次经过卷积块和残差块，提取得到单一尺度下不同的特征；其中，遥感图像在卷积块中依次进行卷积、批处理正则化操作进入残差块；
所述多尺度特征融合模块以残差块提取到的不同特征作为输入，将上一级残差块输出的特征与该级的残差块输出的特征通过张量拼接结合起来，得到融合后的多尺度特征；
所述N+1个多尺度特征输出分支包括特征提取模块以及多尺度特征融合模块提取的N+1个特征输出分支后分别经过所述卷积块的操作后得到N+1个尺度特征；
所述分类回归模块分别对N+1个尺度特征进行分类和回归后输出检测目标位置。
2.根据权利要求1所述的基于改进darknet网络的地空导弹阵地目标检测与识别方法，其特征在于，所述特征提取模块由一个卷积块和N+2个残差块连接组成；其中，
所述卷积块由卷积层，批处理正则化层和激活函数组成，数据依次进行卷积、正则化操作得到第一层提取的特征；
所述残差块包括一层卷积块连接若干个残差单元；
所述残差单元包括两个串联的卷积块和串联后卷积块的输入端到输出端的级联；
第N+2个残差块得到的特征通过一个卷积块操作后输出。
3.根据权利要求1所述的基于改进darknet网络的地空导弹阵地目标检测与识别方法，其特征在于，设置有三个多尺度特征融合模块，所述多尺度特征融合模块执行步骤包括：
第一个多尺度特征融合块将特征提取模块整体提取的特征经过一个卷积块和上采样操作后用张量拼接的方法与第四残差块提取到的特征相结合，并连接一个卷积块操作后输出；
第二个多尺度特征融合块将第一个多尺度特征融合块提取的特征经过一个卷积块和上采样操作后用张量拼接的方法与第三残差块提取到的特征相结合，并连接一个卷积块操作后输出；
第三个多尺度特征融合块将第二个多尺度特征融合块提取的特征经过一个卷积块和上采样操作后用张量拼接的方法与第二残差块提取到的特征相结合，并连接一个卷积块操作后输出。
4.根据权利要求1所述的基于改进darknet网络的地空导弹阵地目标检测与识别方法，其特征在于，所述分类回归模块执行步骤包括：
通过分类函数softmax指导分类过程，获得导弹阵地的类别信息；
通过边界框回归损失函数指导回归过程，获得导弹阵地的位置信息，并以矩形框的形式在输出的特征图像中标出，作为检测的可视化结果；
边界框回归损失函数如公式(1)所示:
Figure FDA0003150635500000021
其中，边界框回归损失函数τGIOU＝1-GIOU，A为对目标的预测结果，B为目标的真实值，C为同时包含A与B的最小的box。
CN202110762850.5A 2021-07-06 2021-07-06 基于改进darknet网络的地空导弹阵地目标检测与识别方法 Pending CN113537014A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110762850.5A CN113537014A (zh) 2021-07-06 2021-07-06 基于改进darknet网络的地空导弹阵地目标检测与识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110762850.5A CN113537014A (zh) 2021-07-06 2021-07-06 基于改进darknet网络的地空导弹阵地目标检测与识别方法

Publications (1)

Publication Number Publication Date
CN113537014A true CN113537014A (zh) 2021-10-22

Family

ID=78126896

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110762850.5A Pending CN113537014A (zh) 2021-07-06 2021-07-06 基于改进darknet网络的地空导弹阵地目标检测与识别方法

Country Status (1)

Country Link
CN (1) CN113537014A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111767792A (zh) * 2020-05-22 2020-10-13 上海大学 一种基于教室场景的多人关键点检测网络和方法
CN112329658A (zh) * 2020-11-10 2021-02-05 江苏科技大学 一种对于yolov3网络的检测算法改进方法
CN112365540A (zh) * 2020-11-18 2021-02-12 北京观微科技有限公司 一种适用于多种尺度的舰船目标定位检测方法与系统
CN112507861A (zh) * 2020-12-04 2021-03-16 江苏科技大学 一种多层卷积特征融合的行人检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111767792A (zh) * 2020-05-22 2020-10-13 上海大学 一种基于教室场景的多人关键点检测网络和方法
CN112329658A (zh) * 2020-11-10 2021-02-05 江苏科技大学 一种对于yolov3网络的检测算法改进方法
CN112365540A (zh) * 2020-11-18 2021-02-12 北京观微科技有限公司 一种适用于多种尺度的舰船目标定位检测方法与系统
CN112507861A (zh) * 2020-12-04 2021-03-16 江苏科技大学 一种多层卷积特征融合的行人检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
DANQING XU: "Improved YOLO-V3 with DenseNet for Multi-Scale Remote Sensing Target Detection", 《SENSORS》, pages 1 - 23 *

Similar Documents

Publication Publication Date Title
CN107527352B (zh) 基于深度学习fcn网络的遥感舰船目标轮廓分割与检测方法
CN109886066B (zh) 基于多尺度和多层特征融合的快速目标检测方法
CN109584248B (zh) 基于特征融合和稠密连接网络的红外面目标实例分割方法
CN112862774B (zh) 一种遥感影像建筑物精确分割方法
Tian et al. Multiscale building extraction with refined attention pyramid networks
CN114998566B (zh) 一种可解释的多尺度红外弱小目标检测网络设计方法
CN112464745B (zh) 一种基于语义分割的地物识别与分类方法和装置
CN114937206A (zh) 基于迁移学习和语义分割的高光谱图像目标检测方法
CN114972885B (zh) 基于模型压缩的多模态遥感图像分类方法
CN114973032A (zh) 一种基于深度卷积神经网络的光伏板热斑检测方法及装置
CN114119621A (zh) 基于深度编解码融合网络的sar遥感图像水域分割方法
CN115713537A (zh) 基于光谱引导与深度注意力的光学遥感图像云雾分割方法
CN115409814A (zh) 一种基于融合图像的光伏组件热斑检测方法及系统
CN113962980A (zh) 基于改进yolov5x的玻璃容器瑕疵检测方法及系统
CN115047455A (zh) 一种轻量化的sar图像舰船目标检测方法
CN111881984A (zh) 一种基于深度学习的目标检测方法和装置
CN116091946A (zh) 一种基于YOLOv5的无人机航拍图像目标检测方法
CN114266980A (zh) 一种城市井盖破损检测方法及系统
CN114092803A (zh) 基于遥感图像的云检测方法、装置、电子设备及介质
CN115797184B (zh) 一种地表水体超分辨率提取方法
CN113705340A (zh) 一种基于雷达遥感数据的深度学习变化检测方法
CN111353412B (zh) 端到端的3D-CapsNet火焰检测方法及装置
CN117422677A (zh) 一种机载端用电力线路图像缺陷检测方法、装置及系统
CN113537014A (zh) 基于改进darknet网络的地空导弹阵地目标检测与识别方法
CN104679011B (zh) 基于稳定分支特征点的图像匹配导航方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20211022