技术特征：
1.一种基于遥感图像的目标检测系统，其特征在于，包括本地端和云服务端，其中：所述本地端，用于依据预设时间间隔获取原始遥感图像，针对每一原始遥感图像，识别该原始遥感图像中的预定区域是否为空白区域，若否，则将该原始遥感图像中预定区域的图像确定为目标图像并发送给云服务端；所述云服务端，用于将所述目标图像输入预先训练得到的改进型yolov3网络中，利用密集连接形式的主干网络对所述目标图像进行特征提取，得到x个不同尺度的特征图；利用改进型fpn网络对所述x个不同尺度的特征图进行自顶向下、密集连接方式的特征融合，得到各尺度对应的预测结果；将所有预测结果经由分类网络和非极大值抑制模块进行处理，得到所述目标图像中的目标检测结果；其中，所述改进型yolov3网络包括顺次连接的所述密集连接形式的主干网络、所述改进型fpn网络、所述分类网络和所述非极大值抑制模块；所述改进型yolov3网络是在yolov3网络基础上，将主干网络中的残差模块更换为密集连接模块、增加特征提取尺度、优化fpn网络的特征融合方式后形成的；所述改进型yolov3网络是根据样本目标图像，以及所述样本目标图像的目标检测结果训练得到的，x为大于等于4的自然数。2.根据权利要求1所述的系统，其特征在于，所述本地端包括mcu。3.根据权利要求2所述的系统，其特征在于，所述mcu加载有tensorflow lite深度学习框架。4.根据权利要求1或3所述的系统，其特征在于，所述识别该原始遥感图像中的预定区域是否为空白区域，包括：利用轻量级神经网络获得该原始遥感图像中的预定区域为空白区域的第一置信度和为非空白区域的第二置信度；计算所述第一置信度与所述第二置信度的差值；判断所述差值是否大于或等于预先设定的置信度差值阈值，如果是，则判定该原始遥感图像中的预定区域为空白区域；其中，所述轻量级神经网络包括mobilenet、shufflenet、squeezenet、mcu
‑
net。5.根据权利要求1所述的系统，其特征在于，所述密集连接形式的主干网络，包括：间隔串接的密集连接模块和过渡模块；所述密集连接模块的数量为y；所述密集连接模块包括串行连接的卷积网络模块和密集连接单元组；所述卷积网络模块包括串行连接的卷积层、bn层、leaky relu层；所述密集连接单元组包括m个密集连接单元；每个密集连接单元包括多个采用密集连接形式连接的所述卷积网络模块，并采用级联方式融合多个卷积网络模块输出的特征图；其中，y为大于等于4的自然数，m为大于1的自然数。6.根据权利要求5所述的系统，其特征在于，所述过渡模块为所述卷积网络模块。7.根据权利要求5所述的系统，其特征在于，所述过渡模块包括所述卷积网络模块和最大池化层；所述卷积网络模块的输入和所述最大池化层的输入共用，所述卷积网络模块输出的特征图和所述最大池化层输出的特征图采用级联方式融合。8.根据权利要求7所述的系统，其特征在于，所述过渡模块包括的所述卷积网络模块的数量为两个或三个，且各个卷积网络模块之间采用串接方式。9.根据权利要求5或8所述的系统，其特征在于，所述改进型fpn网络包括尺度依次增大的x个预测支路y1～y
x
；其中，所述预测支路y1～y
x
的尺度与所述x个特征图的尺度一一对
应；所述对所述x个不同尺度的特征图进行自顶向下、密集连接方式的特征融合，得到各尺度对应的预测结果，包括：针对预测支路y
i
，从所述x个特征图中，获取对应尺度的特征图并进行卷积处理，将卷积处理后的特征图，与预测支路y
i
‑1～y1分别经上采样处理后的特征图进行级联融合；其中，预测支路y
i
‑
j
的上采样倍数为2
j
；i＝2、3，
…
，x；j为小于i的自然数。10.根据权利要求1所述的系统，其特征在于，所述目标检测结果，包括：目标的位置和类别。
技术总结
本发明公开了一种基于遥感图像的目标检测系统，包括：本地端用于依据预设时间间隔获取原始遥感图像，针对每一原始遥感图像，识别其中的预定区域是否为空白区域，若否将该原始遥感图像中预定区域的图像确定为目标图像并发送给云服务端；云服务端用于将目标图像输入预先训练得到的改进型YOLOv3网络中，利用密集连接形式的主干网络对目标图像进行特征提取，得到x个不同尺度的特征图；利用改进型FPN网络对x个不同尺度的特征图进行自顶向下、密集连接方式的特征融合，得到各尺度对应的预测结果；将所有预测结果经由分类网络和非极大值抑制模块进行处理，得到目标图像中的目标检测结果。本发明能够降低设备功耗，并提高目标检测精度。精度。精度。
技术研发人员：张树东 郝成亮 吕洋 王志钢 丛犁 张艳 姜华 窦增
受保护的技术使用者：国网吉林省电力有限公司信息通信公司
技术研发日：2021.09.10
技术公布日：2022/1/3