(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 202211160049.4 (22)申请日 2022.09.22 (71)申请人 中国人民解 放军国防科技大 学 地址 410073 湖南省长 沙市开福区砚瓦池 正街47号 (72)发明人 吴鹏　苏绍璟　左震　孙备　 郭润泽　童小钟　钱翰翔　孙晓永　 黄泓赫　张家菊　 (74)专利代理 机构 长沙新裕知识产权代理有限 公司 43210 专利代理师 颜田庆 (51)Int.Cl. G06V 20/50(2022.01) G06V 10/82(2022.01) G06V 10/774(2022.01)G06V 10/147(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种面向无人艇的红外舰船目标检测方法 及装置 (57)摘要 一种面向无人艇的红外舰船目标检测方法 及装置， 该方法包括： 采集水面舰船目标图像， 构 建红外舰船目标数据集， 并将舰船目标进行像素 级标注； 将红外舰船目标数据集划分为训练集、 验证集和测试集； 建立基于堆叠特征提取单元的 堆叠网络模 型； 基于训练集对堆叠网络模型进行 训练， 得到训练不同步数时的网络模型权重； 将 各网络模型权重在验证集上进行测试， 分别计算 IoU和nIoU指标； 选择IoU和nIoU指标之和为最大 值时对应的网络模型权重记为最终模 型权重； 基 于最终模型权重在测试集上实现对红外舰船目 标的检测， 同时将最终模型权重部署到无人艇处 理平台上， 对实时采集的红外图像进行舰船目标 检测。 本发明检测精度高， 能适应目标不清晰、 模 糊时的场景。 权利要求书3页 说明书8页 附图6页 CN 115471782 A 2022.12.13 CN 115471782 A 1.一种面向无 人艇的红外舰船目标检测方法， 其特 征在于， 包括以下步骤： S1.无人艇搭载红外成像仪采集水面舰船目标图像， 构建红外舰船目标数据集， 并将红 外舰船目标 数据集中的舰船目标进行像素级标注； S2.对红外舰船目标数据集进行图像数据预处理， 将红外舰船目标数据集划分为训练 集、 验证集和 测试集； S3.建立基于堆叠特 征提取单元的堆叠网络模型； S4.基于训练集对堆叠网络模型进行训练， 得到训练不同步数时的网络模型权 重； S5.将各网络模型权 重在验证集上进行测试， 分别计算 IoU和nIoU指标； S6.比较各网络模型权重测试时得到的IoU和nIoU指标， 选择IoU和nIoU指标之和为最 大值时对应的网络模型权 重记为最终模型权 重； S7.基于最终模型权重在测试集上实现对红外舰船目标的检测， 同时将最终模型权重 部署到无人艇处理平台上进行实际应用， 对实时采集的红外图像进行舰船目标检测， 输出 红外舰船目标检测结果。 2.如权利要求1所述的面向无人艇的红外舰船目标检测方法， 其特征在于： 步骤S1中， 采集水面舰船目标图像10 50张， 构建红外舰船目标 数据集。 3.如权利要求2所述的面向无人艇的红外舰船目标检测方法， 其特征在于： 步骤S2中， 将1050张水面舰船目标图像按照5:2: 3的比例设置训练集、 验证集和测试集， 即训练集图像 525张， 验证集图像210张， 测试集图像315张。 4.如权利要求1所述的面向无人艇的红外舰船目标检测方法， 其特征在于： 步骤S3中， 所述堆叠网络模型的结构为： 所述堆叠网络模型共计有5层， 第一层有5个节点， 第二层有4 个节点， 第三层有3个节点， 第四层有2个节点， 第五层有1个节点； 连接规则为： 每个节点与 该节点所在层所有节点相连接， 特征图分辨率保持一致； 每个节点经过下采样后与相邻下 层的相邻节点相连接； 每个节点还与相邻上层的相邻节点的下一个节点经过上采样后相连 接； 每一层最后一个节点还与所有上层的最后一个节点经过上采样后相连接； 除第一层最 后一个节点， 其余每层最后一个节点的输出特征图经上采样提高输出特征图分辨率， 然后 所有层的最终输出 特征图进行融合， 得到红外舰船目标检测结果。 5.如权利要求4所述的面向无人艇的红外舰船目标检测方法， 其特征在于： 所述堆叠网 络模型的具体结构为： 叠网络模 型的第一层 共计有5个节点， 堆叠网络模型的输入图像送入 节点(1,1)， 节点(1,1)分别与节点(1,2)、 (1,3)、 (1,4)、 (1,5)相连接， 同时经过下采样后与 节点(2,1)相连接； 节点(1,2)分别 与节点(1,3)、 (1,4)、 (1,5)相连接， 同时经过下采样后与 节点(2,2)相连接； 节点(1,3)分别与节点(1,4)、 (1,5)相连接， 同时经过下采样后与节点 (2,3)相连接； 节点(1,4)与节点(1,5)相连接， 同时经过下采样后与节 点(2,4)相连接； 节点 (1,5)输出 特征图1， 为该层的最终输出 特征图； 堆叠网络模型的第二层共计有4个节点， 节点(2,1)分别与节点(2,2)、 (2,3)、 (2,4)相 连接， 同时经过下采样后与节点(3,1)相连接， 经过上采样后与节点(1,2)相连接； 节点(2, 2)分别与节点(2,3)、 (2,4)相连接， 同时经过下采样后与节点(3,2)相连接， 经过上采样后 与节点(1,3)相连接； 节点(2,3)与节点(2,4)相连接， 同时经过下采样后与节点(3,3)相连 接， 经过上采样后与节点(1,4)相连接； 节点(2,4)经过上采样后与节点(1,5)相连接， 节点 (2,4)的输出 特征图经过上采样后得到特 征图2， 为该层的最终输出 特征图；权　利　要　求　书 1/3 页 2 CN 115471782 A 2堆叠网络模型的第三层共计有3个节点， 节点(3,1)分别与节点(3,2)、 (3,3)相连接， 同 时经过下采样后与节 点(4,1)相连接， 经过上采样后与节点(2,2)相连接； 节点(3,2)与节点 (3,3)相连接， 同时经过下采样后与节点(4,2)相连接， 经过上采样后与节点(2,3)相连接； 节点(3,3)经过上采样后与节点(2,4)、 (1,5)相连接， 节点(3,3)的输出特征图经过上采样 后得到特 征图3， 为该层的最终输出 特征图； 堆叠网络模型的第四层共计有2个节点， 节点(4,1)与节点(4,2)相连接， 同时经过下采 样后与节点(5,1)相连接， 经过上采样后与节 点(3,2)相连接； 节 点(4,2)经过上采样后与节 点(3,3)、 (2,4)、 (1,5)相连接， 节点(4,2)的输 出特征图经过上采样后得到特征图4， 为该层 的最终输出 特征图； 堆叠网络模型的第五层共计有1个节点， 节点(5,1)经过上采样后与节点(4,2)、 (3,3)、 (2,4)、 (1,5)相连接， 节点(5,1)的输出特征图经过上采样后得到特征图5， 为该层的最终特 征图； 每一层的最终输出特征图即特征图1、 特征图2、 特征图3、 特征图4、 特征图5进行相加融 合后输出红外舰船目标检测结果。 6.如权利要求4所述的面向无人艇的红外舰船目标检测方法， 其特征在于： 所述堆叠网 络模型的节点对图片的处理过程为： 设对于节点有n个输入特征图， 输入特征图大小为M × M， 在进行处理前， 将n个输入特征图进行相加， 相加后的输入特征图， 首先经过卷积层进行 处理， 输出特征图P， 分辨率为M ×M， 然后依次经过BN层、 ReLU层， 然后经过两个 分支， 第一个 分支经过水平方向卷积， 输出分辨率为M ×1的特征图， 另外一个分支经过垂直方向卷积后 再转置， 输出分辨率为M ×1的特征图， 将 两个分支得到的特征图进 行拼接， 得到分辨率为2M ×1的特征图， 再依次经过卷积层和BN层， 输出分辨率为2M ×1的特征图； 然后， 经过两个分 支进行特征图分离， 经第一个分支得到水平方向特征图， 分辨率为M ×1， 再经过卷积层， 输 出分辨率为M ×1的特征图； 经另外一个 分支得到垂 直方向特征图并转置， 分辨率为 1×M， 再 经过卷积层， 输出分辨率为1 ×M的特征图； 然后将两个分支得到的M ×1的特征图和1 ×M的 特征图进 行矩阵相乘， 得到 分辨率为M ×M的特征图， 再将分辨率为M ×M的特征图与特征图P 进行矩阵相乘， 得到该节点的最终输出 特征图， 分辨 率为M×M。 7.如权利要求6所述的面向无人艇的红外舰船目标检测方法， 其特征在于： 对于第 一层 的节点M＝256， 对于第二层的节 点M＝128， 对于第三层的节点M＝64， 对于第四层的节 点M＝ 32， 对于第五层的节点M＝16 。 8.如权利要求1所述的面向无人艇的红外舰船目标检测方法， 其特征在于： 步骤S4中， 在对堆叠网络模型进行训练时， 训练步数上限设置为200， 每10步保存一次网络模型权重， 共保存20个网络模型权 重。 9.如权利要求1所述的面向无人艇的红外舰船目标检测方法， 其特征在于： 步骤S5中， 所述IoU和nIoU指标的计算方法为： 其中， TP， FP， TN和FN分别表示所有图像对应的真正样本， 假正样本， 真负样本和假负样权　利　要　求　书 2/3 页 3 CN 115471782 A 3