(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 202210541629.1 (22)申请日 2022.05.17 (71)申请人 大连理工大 学 地址 116024 辽宁省大连市高新园区凌工 路2号 申请人 大连维视科技有限公司 (72)发明人 赵禹开　卢湖川　王一帆　何友　 (74)专利代理 机构 大连东方专利代理有限责任 公司 21212 专利代理师 吴婷婷　李洪福 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/40(2022.01) G06V 10/75(2022.01) G06V 10/764(2022.01)G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于yolov5的遥感图像检测方法、 装置 及存储介质 (57)摘要 本发明提供一种基于yolov5的遥感图像检 测方法、 装置及存储介质。 方法包括： S1、 获取统 一尺寸的遥感图像构成遥感图像数据集， 获取每 幅遥感图像的检测目标标注结果图像， 从而获得 遥感图像样 本集， 所述遥感图像样 本集中的样本 包括遥感图像和与遥感图像匹配的检测目标标 注结果图像； 对 所述遥感图像样 本集中的样本按 照预设比例随机划分为训练集和测试集； S2、 基 于训练集和测试集中的样本数据对改进的 yolov5模型的进行模型训练， 所述改进的yolov5 模型包括特征提取模块、 CBAM模块、 特征融合模 块以及分类输出模块； S3、 基于训练完成的改进 的yolov5模型对遥感图像进行目标检测。 本发明 采用改进的yolov5模型能够更好的实现特征融 合， 给出精准的检测分类结果。 权利要求书1页 说明书6页 附图3页 CN 114998756 A 2022.09.02 CN 114998756 A 1.一种基于yo lov5的遥感图像 检测方法， 其特 征在于， 包括以下步骤： S1、 获取统一尺寸的遥感图像构成遥感图像数据集， 获取每幅遥感图像的检测目标标 注结果图像， 从而获得遥感图像样本集， 所述遥感 图像样本集中的样本包括遥感 图像和与 遥感图像匹配的检测目标标注结果图像； 对所述遥感图像样本集中的样本按照预设比例随 机划分为训练集和 测试集； S2、 基于训练集和测试集中的样本数据对改进的yolov5模型的进行模型训练， 所述改 进的yolov5模型包括特 征提取模块、 CBAM模块、 特 征融合模块以及分类输出模块； S3、 基于训练完成的改进的yo lov5模型对遥感图像进行目标检测。 2.根据权利 要求1所述的一种基于yolov5的遥感图像检测方法， 其特征在于， 所述检测 方法还包括： S4、 对目标检测结果进行分类， 并将分类结果与目标检测结果同时输出。 3.根据权利 要求1所述的一种基于yolov5的遥感图像检测方法， 其特征在于， S1中获取 统一尺寸的遥感图像构成遥感图像数据集， 包括： 对获取的遥感图像进行基于尺寸变换， 翻转， 随机剪裁取样的增强操作， 并将得到的增 强图像加入所述遥感图像数据集。 4.根据权利 要求1所述的一种基于yolov5的遥感图像检测方法， 其特征在于， 所述改进 的yolov5模型被设置为： 在yolov5模型主干网络的BottleNeckCSP后增加注意力模块， 所述注意力模块包括空 间注意力子模块和通道注意力子模块， 所述空间注意力子模块用于在空间维度实现注意力 引导， 所述 通道注意力子模块用于在通道维度实现注意力引导。 5.根据权利 要求1所述的一种基于yolov5的遥感图像检测方法， 其特征在于， 所述改进 的yolov5模型被设置为： 将yolov5模型中的PANet模块替换为特征融合模块， 所述特征融合模块用于通过先向 下卷积并池化的操作进行特征融合， 并且再将得到的特征从下至上进 行卷积核上采样操作 进一步实现特 征融合。 6.一种基于yo lov5的遥感图像 检测装置， 其特 征在于， 包括： 数据提取单元， 获取统一尺寸的遥感图像构成遥感图像数据集， 获取每幅遥感图像的 检测目标标注结果图像， 从而获得遥感图像样本集， 所述遥感 图像样本集中的样本包括遥 感图像和与遥感图像匹配的检测目标标注结果图像； 对所述遥感图像样本集中的样本按照 预设比例随机划分为训练集和 测试集； 模型训练单元， 其用于基于训练集和测试集中的样本数据对改进的yolov5模型的进行 模型训练， 所述改进的yolov5模 型包括特征提取模块、 CBAM模块、 特征融合模块以及分类输 出模块； 检测模块， 其用于基于训练完成的改进的yo lov5模型对遥感图像进行目标检测。 7.一种存储介质， 其特征在于， 所述存储介质包括存储的程序， 其中， 所述程序运行时， 执行所述权利要求1至 5中任一项权利要求所述的方法。权　利　要　求　书 1/1 页 2 CN 114998756 A 2一种基于yo lov5的遥感图像检测方 法、 装置及存储介质 技术领域 [0001]本发明涉及 计算机视觉技术领域， 具体而 言， 尤其涉及一种基于yolov5  的遥感图 像检测方法、 装置及存 储介质。 背景技术 [0002]遥感图像目标检测与识别一直是遥感图像处理领域研究的热点课题， 近年来， 随 着对地观测技术的飞速发展， 遥感进入了一个前所未有的新阶段， 可利用的卫星遥感图像 数据呈指数级地增长， 如何快速准确地从海量遥感数据中 自动提取和识别出目标已成为当 前迫切需要解决的难题。 随着计算机算力的提高， 基于深度学习的目标检测方法在遥感 图 像检测中取 得了巨大的成功。 [0003]目标检测(object  detection)在计算机视觉中处于核心的地位， 伴随着卷积神经 网络的发展， 目标检测算法取得了极大的进步， Ross  Girshick提出的  RCNN开辟了two ‑ stage算法的先河， 并在该算法的基础上不断完善， 提出了  fast‑RCNN、 faster ‑RCNN。 与此 同时， one ‑stage系列的算法也在近几年取得了快速的发展， 代表算法有yolo系列、 retinanet等。 [0004]目前目标检测可以采用多种神经 网络检测方法， 比如当前热门的yolo系列网络模 型， 但是yolo网络模型对于大部分被遮挡的物体， 或者是本身体积就比较小的物体的检测 和定位精度仍然较差。 尤其是在遥感检测技术领域， 遥感图像通常具有背 景信息过多， 以及 存在相邻非常近的数目较多的小目标等特点， 采用现有的yolo网络模 型由于在特征提取的 过程中会存在特征损失， 从而造成目标检测精度不够。 而现有提高模 型检测精度的方法， 又 会造成模型本身体积过 大， 这样又会 对检测的速度造成比较大的影响。 [0005]因此， 如何提高目标检测精度是目前遥感图像目标检测领域亟待解决的技术问 题。 发明内容 [0006]针对现有的轻量化的yolov5网络模型由于在特征提取的过程中会存在特征损失， 从而造成目标检测精度不够的技术 问题， 本发明提供一种基于  yolov5的遥感图像检测方 法、 装置及存储介质。 本发明通过增加特征融合模块和引入CBAM注意力机制实现了特征的 高效融合， 进 而获得更好的检测效果。 [0007]本发明采用的技 术手段如下： [0008]一种基于yo lov5的遥感图像 检测方法， 包括以下步骤： [0009]S1、 获取统一尺寸的遥感图像构成遥感图像数据集， 获取每幅遥感图像 的检测目 标标注结果图像， 从而获得遥感图像样本集， 所述遥感 图像样本集中的样本包括遥感图像 和与遥感图像匹配的检测目标标注结果图像； 对所述遥感图像样本集中的样本按照预设比 例随机划分为训练集和 测试集； [0010]S2、 基于训练集和测试集中的样本数据对改进的yolov5模型的进行模型训练， 所说　明　书 1/6 页 3 CN 114998756 A 3