(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210399637.7 (22)申请日 2022.04.15 (71)申请人 中国人民解 放军空军工程大 学 地址 710038 陕西省西安市灞桥区霸陵路1 号 (72)发明人 朱明明　胡国平　林斌　周豪　 赵方正　占成宏　张宇乐　游致远　 任明健　郭书涵　 (74)专利代理 机构 北京圣州专利代理事务所 (普通合伙) 11818 专利代理师 朱芳斌 (51)Int.Cl. G06V 20/05(2022.01) G06K 9/62(2022.01) G06V 10/774(2022.01)G06V 10/762(2022.01) G06V 10/764(2022.01) (54)发明名称 一种基于轻量化网络的SAR图像实时检测方 法 (57)摘要 本发明公开了一种基于轻量化网络的SAR图 像实时检测方法， 所述方法包括以下步骤： 图像 数据预处理， 利用图像标注软件对图像中待检测 的舰船目标进行标注， 类别标签为 “ship”； 使用 改进的YOLOv5算法对预处理后的训练集进行训 练； 使用训练得到的网络对测试集进行测试。 本 发明有益效果在于： 利用矩形填充和Mo saic数据 增强对训练集数据进行预处理， 本发 明的关键在 于改进了YOL Ov5算法， 实现了高精度且高速地检 测SAR图像中舰船目标。 权利要求书1页 说明书3页 附图1页 CN 114758217 A 2022.07.15 CN 114758217 A 1.一种基于轻量化网络的SAR图像实时检测方法， 其特征在于， 所述方法包括以下步 骤： S1图像数据预处理， 利用图像标注软件对图像中待检测的舰船目标进行标注， 类别标 签为“ship”； S2使用改进的YOLOv5算法对预处 理后的训练集进行训练； S3使用训练得到的网络对测试集进行测试。 2.根据权利要求1所述的基于轻量化网络的SAR图像实时检测方法， 其特征在于， 所述 步骤S1中， 每个目标均由一个四边形进行标注， 具体形式为(xmin,ymin,xmax,ymax)， 其中(xmin, ymin)表示左上角的顶点， (xmax,ymax)表示右下角的顶点； 随机将所有图像按7： 2： 1的比例分 成训练集、 验证集和测试集； 先采用矩形填充算法将图像尺 寸统一为608pix el×608pixel， 然后使用Mosaic数据增强对训练集图像处 理。 3.根据权利要求1所述的基于轻量化网络的SAR图像实时检测方法， 其特征在于， 所述 步骤S2中， 利用K ‑近邻聚类方法对训练集中的标注框进行聚类后 分为9类， 获取9类框的大 小， 以此来设置YOLOv5锚点框参数； 其次， 用一个大小为3 ×3， 步长为2的卷积替代YOLOv5算 法中的Focus结构； 然后， 将 空间金字塔池化的核大小设置为k＝[5,9,13]； 接着， 采用随机 RReLU作为激活函数； 最后， 采用CIoU作为边界框回归损失， 训练直到损失函数不再降低， 获 取权重文件。 4.根据权利 要求3所述的基于轻量化网络的SA R图像实时检测方法， 其特征在于， RReLU 激活函数将所有负值指定非零 斜率， 其定义如下： k～∪(l,u),l,u ∈[0,1] 其中， l,u是大于等于0且小于等于1中的一个随机数， k代表一个随机值， 服从均匀分布 ∪(l,u)； CIoU损失函数定义如下： 其中， d和g分别表示预测框和真实框， ρ( ·)表示计算两个边界框中心的欧式距离， Δ 表示包围预测框和ground ‑truth框的最小矩形的对角线距离， IoU表示两个边界框的交集 与并集比值， wg,hg表示真实框的宽和高， wd,hd表示预测框的宽和高， β 是权衡参数， ν表示长 宽比的一 致性。 5.根据权利要求1所述的基于轻量化网络的SAR图像实时检测方法， 其特征在于， 在所 述步骤S3中利用步骤S2得到的权重文件， 对测试集图像进行测试； 与训练集图像预处理相 同， 测试集每一张图像统一 为608pixel×608pixel。权　利　要　求　书 1/1 页 2 CN 114758217 A 2一种基于轻量化 网络的SAR图像实时检测方 法 技术领域 [0001]本发明涉及计算机领域中的深度学习技术领域， 其中涉及一种基于轻量化网络的 SAR图像实时检测方法。 背景技术 [0002]合成孔径雷达(Synthet ic Aperture  Radar， SAR)是全天候海洋监测的可靠工具。 舰船在SAR图像中作为有价值的海洋目标一直是海洋监测的重点。 近年来， SAR舰船检测因 其在海洋中的巨大价值而日益受到 关注， 例如交通控制、 渔业管理、 环境保护、 灾难救援等。 在民用方面， 它有助于水上运输管理， 在军事方面， 它在确保战场主动性方面 发挥着重要作 用。 [0003]到目前为止， 已经出现了许多SAR舰船检测方法或算法， 但现有的大多数研究都是 以牺牲检测速度为代价来提高检测精度。 此外， 我们的调查发现， 很少有研究关注检测速 度。 然而， SAR应用包括图像的获取和解释 。 成像算法是前者的重点， 而图像处理技术是后者 的重点， 事实上， 后者提高检测速度是有价值的， 而毫秒级速度的提高是一个巨大的进步。 简而言之， 牺牲速度来换取准确性是不令人满意的， 因为一些实时场合既需要高精度， 也需 要高速度， 例如紧急军事部署、 快速海上救援等。 发明内容 [0004]鉴于现有技术中网络模型尺寸大、 检测速度慢等问题， 本发明旨在于提供一种基 于轻量化网络的SAR图像实时检测方法， 适用于SAR图像中舰船目标的自主实时检测。 [0005]为了实现上述目的， 本发明采用的技 术方案如下： [0006]一种基于轻量 化网络的SAR图像实时检测方法， 所述方法包括以下步骤： [0007]S1图像数据预处理， 利用图像标注软件对图像中待检测的舰船目标进行标注， 类 别标签为“ship”； [0008]S2使用改进的YOLOv5算法对预处 理后的训练集进行训练； [0009]S3使用训练得到的网络对测试集进行测试。 [0010]需要说明的是， 所述步骤S1中， 每个目标均由一个四边形进行标注， 具体形式为 (xmin,ymin,xmax,ymax)， 其中(xmin,ymin)表示左上角的顶点， (xmax,ymax)表示右下角的顶点； 随 机将所有图像按 7： 2： 1的比例分成训练集、 验证集和测试集； 先采用矩形填充算法将图像尺 寸统一为608pixel×608pixel， 然后使用Mosaic数据增强对训练集图像处 理。 [0011]需要说明的是， 所述步骤S2中， 利用K ‑近邻聚类方法对训练集中的标注框进行聚 类后分为9类， 获取9类框的大小， 以此来设置YOLOv5锚点框参数； 其次， 用一个大小为3 ×3， 步长为2的卷积替代Y OLOv5算法中的Focus结构； 然后， 将空间金字塔池化的核大小设置为k ＝[5,9,13]； 接着， 采用随机RReLU作为激活函数； 最后， 采用CIoU作为边界框 回归损失， 训 练直到损失函数不再降低， 获取权 重文件。 [0012]需要说明的是， R ReLU激活函数将所有负值指定非零 斜率， 其定义如下：说　明　书 1/3 页 3 CN 114758217 A 3