技术特征：
1.一种基于红外小样本扩增与yolov5的红外弱小目标检测方法，其特征在于：含有以下步骤，步骤1：生成对抗网络；步骤2：训练集图像采用labelimg工具进行标注；步骤3：采用迁移学习的方法，加入已有数据集的预训练权重文件训练自己的数据集；步骤4：定义损失函数loss：步骤5：加入自注意力机制，引入cbam模块；步骤6：准备工作完成开始训练数据集，将训练结果正确绘制在原始图像上；步骤7：将训练数据集的结果正确绘制在原始图像上并分割预测的图像，将红外图像测试数据集输入训练好的模型中，输出红外图像测试数据集目标预测边界框。2.根据权利要求1所述的基于红外小样本扩增与yolov5的红外弱小目标检测方法，其特征在于：所述步骤1中含有以下步骤，步骤1.1：生成对抗网络，采用未成对样本数据训练网络模型，给网络增加限制条件使得网络学习高维数据间的映射关系；将可见光域的图像转换为红外域的图像；步骤1.1.1：采用2个判别器和2个生成器构成循环的网络结构，2个生成器对可见光域和红外域的图像进行相互转换，2个判别器分别判别红外域和可见光红外域图像的真伪；步骤1.1.2：可见光域图像经过生成器后生成一幅红外域上的伪样本图像，网络模型在训练的过程中不断优化目标损失函数，学习到高维数据的特征分布，构建出可见光域至红外域的映射关系；步骤1.2：通过将2个单向的生成对抗网络耦合成一个环状网络结构，构建可见光域至红外域的映射关系，加入重构损失函数后，生成对抗网络在训练的过程中给生成伪样本的生成器添加强制性约束，即真实样本与通过连续的生成器所生成的伪样本间的差异应尽可能的小；步骤1.3：将注意力机制模型添加至生成对抗网络的生成器网络结构中；步骤1.3.1：网络模型是对称的结构，分别学习变换函数，实现两个数据域之间的映射，在loss设计时提出循环一致性损失，在注意力机制的网络结构中，注意力模块生成注意力掩码，然后将注意力掩码与输入图像进行融合，通过网络训练得到高质量的生成样本，生成器不仅要生成样本，还要生成注意力掩码，然后通过loss函数的设计以及网络生成器和判别器的博弈，网络的注意力将关注在目标上并生成质量比较好的样本；步骤1.3.2：生成器中注意力机制模型将输入的特征图经过全局平均池化和全局最大池化操作得到依托通道数的特征向量，将特征向量经过全连接层、拼接处理后送入分类器做源域和目标域的分类，反向传播学习到特征图对应的权值，最后，特征图对应的权值和特征图进行位乘得到经过注意力机制增强的特征图，使生成器着重于可见光域图像的关键区域信息以实现红外风格迁移。3.根据权利要求1所述的基于红外小样本扩增与yolov5的红外弱小目标检测方法，其特征在于：所述步骤2含有以下步骤：步骤2.1、训练集图像采用labelimg工具进行标注，对需要标注的图像打好标签后进行保存；步骤2.2、采用红外弱小目标数据集分辨率为1920
×
1080像素的红外弱小目标图像；
步骤2.3、使用不同复杂背景下的数据进行实验，训练集、验证集、测试集划分比例为7：2：1。4.根据权利要求1所述的基于红外小样本扩增与yolov5的红外弱小目标检测方法，其特征在于：所述步骤3含有以下步骤：采用已有的flir红外数据集的预训练模型，采用红外弱小目标数据集分辨率为1920
×
1080像素的红外弱小目标图像；通过冻结网络层行迁移训练实现在新模型上快速进行重新训练，yolov5所有层的冻结通过设置其梯度为零来实现，执行train文件，在yaml文件中查看网络层，通过freeze冻结头部进行训练，冻结除了输出层以外的所有层进行训练。5.根据权利要求1所述的基于红外小样本扩增与yolov5的红外弱小目标检测方法，其特征在于：所述步骤4中用损失函数来度量神经网络预测信息与期望信息的距离，预测信息越接近期望信息，损失函数值越小，训练时包含三个方面的损失：矩形框损失、置信度损失和分类损失，定义为loss＝a*lossobj+b*lossrect+c*lossclc,其中yolov5使用ciou loss来衡量矩形框的损失，ciou loss的定义为：6.根据权利要求1所述的基于红外小样本扩增与yolov5的红外弱小目标检测方法，其特征在于：所述步骤5含有以下步骤：步骤5.1：cbam模块首先将给定特征图f送入通道注意力模块，通过平均池化和最大池化得到每个通道的信息，并将得到的参数通过多层感知器进行叠加，再经过sigmoid函数激活，从而得到通道注意力特征m
c
(f)；步骤5.2：将给定特征图f
x
送入空间注意力模块后，通过平均池化和最大池化沿通道维度汇聚空间信息，生成空间特征图f
avg
∈r
i
×
h
×
w
和f
max
∈r
i
×
h
×
w
，再通过1
×
1的卷积和sigmoid函数激活，得到空间注意力特征；接着与f
x
逐元素乘，最终得到空间注意力特征图f
s
；步骤5.3：在3个csp模块后分别引入cbam模块解决原网络无注意力偏好问题；步骤5.4：结合注意力机制需要的参数及自己模型的通道数，改写yaml配置文件；步骤5.5：运行yolo文件，查看是否加入了cbam注意力模块。7.根据权利要求1所述的基于红外小样本扩增与yolov5的红外弱小目标检测方法，其特征在于：所述步骤6含有以下步骤：步骤6.1：评价指标采用准确率、召回率和平均精度均值来衡量，其中precision和recall计算公式如下所示：式中：tp表示目标为真实目标，检测结果为真实目标；fp表示目标不是真实目标，检测结果不是真实目标；fn表示目标为真实目标，检测结果为不是真实目标；步骤6.2：precision表示在检测出为红外弱小目标的样本中有多少是真正的红外弱小目标，反映了检测结果是否准确的问题，recall表示在全部的红外弱小目标图像样本中，有多少红外弱小目标被正确检测出，反映了红外弱小目标是否齐全的问题，精度均值ap为以准确率precision和召回率recall所围成的曲线面积值，map为学习的所有类别精度均值的平均值，map@0.5表示将交并比iou设为0.5时，计算每一类的所有图像数据集的ap，然后所有类别求平均的值。
8.根据权利要求1所述的基于红外小样本扩增与yolov5的红外弱小目标检测方法，其特征在于：所述所述步骤7含将预测的图像分割成四张912
×
608，提升检测精度，将红外图像测试数据集载入训练好的基于改进yolov5的红外图像小目标检测模型，输出红外图像测试数据集目标预测边界框。
技术总结
本发明公开了一种基于红外小样本扩增与YOLOv5的红外弱小目标检测方法，针对现有技术中红外弱小目标检测效率仍须改善的问题。该发明含有以下步骤，1、生成对抗网络；2、对训练集图像进行标注；3、采用迁移学习的方法，加入已有数据集的预训练权重文件训练自己的数据集；4、定义损失函数loss；5、加入自注意力机制，引入CBAM模块；6、训练数据集，将训练结果正确绘制在原始图像上；7、将训练数据集的结果正确绘制在原始图像上并分割预测的图像，将红外图像测试数据集输入训练好的模型中，输出红外图像测试数据集目标预测边界框。该技术在预测阶段分割预测图像，使得在执行卷积操作时能够更加关注图像中的目标信息。关注图像中的目标信息。关注图像中的目标信息。
技术研发人员：赵毅 张志新 任获荣
受保护的技术使用者：西安镭映光电科技有限公司
技术研发日：2022.12.14
技术公布日：2023/3/28