(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 202210836090.2 (22)申请日 2022.07.15 (71)申请人 湖北工业大 学 地址 430068 湖北省武汉市洪山区南李路 28号 (72)发明人 张致齐　郑慧刚　谢广奇　曹金山　 常学立　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 专利代理师 张辰 (51)Int.Cl. G06V 20/13(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/44(2022.01)G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于深度学习的遥感图像船舶目标检 测方法 (57)摘要 本文提供了一种基于深度学习的遥感图像 船舶目标检测方法， 应用于 FRS‑Net网络； 其技术 要点在于： 所述方法包括以下步骤： 构建数据集 并且对数据集进行预处理与增 强； 构建FRS ‑Net 网络； 进行FRS ‑Net模型训练； 得到FRS ‑Net的模 型参数， 基于FRS ‑Net的模型对目标影像进行检 测； 对网络性能进行评估， 并且依据评估结果对 网络模型进行迭代优化。 本发明主要针对受云雾 干扰的复杂环 境下遥感船舶检测任务， 依据遥感 影像的特点提出更为合适的锚框设定与分配策 略， 并且通过构建特征融合使浅层网络获得更高 级的语义信息以减缓云雾的干扰。 该方法具有运 算效率高、 目标检测精确等方面的优势， 能够适 用于大规模的遥感舰船检测任务， 在快速提取舰 船目标方面有着明显的价 值与意义。 权利要求书2页 说明书7页 附图2页 CN 115272876 A 2022.11.01 CN 115272876 A 1.一种基于深度学习的遥感图像船舶目标检测方法， 其特 征在于， 包括以下步骤： 构建数据集并且 对数据集进行 预处理与增强； 构建FRS‑Net网络； 进行FRS‑Net模型训练； 得到FRS‑Net的模型参数， 基于FRS ‑Net的模型对目标影 像进行检测； 对网络性能进行评估， 并且依据评估结果对网络模型进行迭代优化。 2.根据权利要求1所述一种基于深度 学习的遥感图像船舶目标检测方法， 其特征在于， 所述构建数据集并且 对数据集进行 预处理与增强包括以下步骤： 收集公开的遥感数据集来获得基础遥感船舶图像， 通过暗通道加雾算法仿真出不同程 度云雾遮 掩环境的遥感船舶数据集； 通过K‑means算法简化锚框的数量， 增加浅层网络， 再通过特征金字塔融合的方式将深 层网络的高级语义信息传递到 浅层网络进行参数的融合； 在预测网络 中增加细腻的特征尺度来缓解网络提取特征与计算特征不一致的情况， 增 加对密集型排列目标检测的精准 性。 3.根据权利要求1所述一种基于深度 学习的遥感图像船舶目标检测方法， 其特征在于， 所述FRS‑Net网络包括骨干特征提取网络和特征融合网络； 其中， 骨干特征提取网络采用 CSPdarknet53 ‑Tiny； 特征融合网络采用FPN算法， 且深度网络的高级语义信息通过FPN算法 传输到浅层网络 。 4.根据权利要求1所述一种基于深度 学习的遥感图像船舶目标检测方法， 其特征在于， 所述进行 FRS‑Net模型训练包括： 利用遥感船舶的特性采用K ‑Means聚类算法简化锚框数量， 通过简化每一个特征层匹 配的锚框数量在确保精确度的基础上减少网络的参数量， 加快网络的推理时间。 5.根据权利要求4所述一种基于深度 学习的遥感图像船舶目标检测方法， 其特征在于， 所述进行 FRS‑Net模型训练还 包括： 增加新的浅层网络为网络带来细节信 息， 通过特征融合网络为浅层网络带来高级语义 信息， 增强网络在复杂环境下的鲁棒性， 改进预测网络， 缓解网络提取特征与计算特征不一 致的情况， 增 加算法对密集型排列目标检测的精准 性。 6.根据权利要求1所述一种基于深度 学习的遥感图像船舶目标检测方法， 其特征在于， 所述得到FRS ‑Net的模型参数， 基于FRS ‑Net的模型对目标影 像进行检测包括： 使用FRS‑Net算法在不同浓度云雾覆盖的遥感图像上进行检测， 其中， 不同浓度云雾覆 盖的遥感 图像是通过暗通道加雾算法在相同的遥感船舶图像中增加 不同浓度的云雾场景 得到。 7.根据权利要求6所述一种基于深度 学习的遥感图像船舶目标检测方法， 其特征在于， 所述得到FRS ‑Net的模型参数， 基于FRS ‑Net的模型对目标影 像进行检测还 包括： 利用测试集输入至训练好的FRS ‑Net网络结构， 批量的得出检测结果； 检测结果包括边 界框信息、 置信度和类别分数； 并通过非极大值抑制算法排除一部 分干扰性较强的锚框； 最 终通过评价指标来衡量FRS ‑Net的网络性能。 8.根据权利要求1所述一种基于深度 学习的遥感图像船舶目标检测方法， 其特征在于， 所述对网络性能进行评估， 并且依据评估结果对网络模型进行迭代优化， 包括以下步骤：权　利　要　求　书 1/2 页 2 CN 115272876 A 2将预测边界框与真实框进行对比， 采用平均精度、 计算时延、 每秒帧数对其评估， 依据 评估结果对网络模型进行迭代优化； 其中获取平均精度包括： 所述平均精度 是由精度和召回率通过设置不同的阈值形成的曲线面积； 在测试数据集 中对十种不同程度的雾天覆盖浓度的数据集进行测试求平均值得到 。 9.根据权利要求8所述一种基于深度 学习的遥感图像船舶目标检测方法， 其特征在于， 在所述获取平均精度中， 所述平均精度(AP)、 精度(Precision)和召回率(Recall)由以下公 式计算所 得： 上式中， TP代表着真正例， FP代表着假正例， FN代表着假负例； P(r)代表着由精确度与 召回率围成的曲线， AP代 表对曲线求积分得到平均精度。权　利　要　求　书 2/2 页 3 CN 115272876 A 3