一种红外弱小目标检测方法、系统、电子设备及存储介质

本发明属于目标检测，尤其涉及一种红外弱小目标检测方法、系统、电子设备及存储介质。

背景技术：

1、随着计算机视觉的快速发展，目标检测技术不断取得突破。yolo系列模型以其高效性和实时性，成为实际检测任务中的主流选择。然而，随着应用场景的多样化和复杂性增加，传统的卷积神经网络架构在处理复杂背景、噪声干扰以及红外弱小目标检测等问题时显得力不从心。因此，进一步提升yolov8在红外弱小目标检测中的性能，具有重要的应用价值和研究意义。

2、尽管yolo系列模型在目标检测领域取得了显著成果，尤其在实时性和检测精度方面表现优异，但在处理复杂背景和弱小目标检测时仍存在不足。传统卷积神经网络因局部感受野的限制，难以有效捕捉远距离或全局特征依赖，导致模型在红外弱小目标检测任务中难以充分利用全局信息进行精准识别。红外图像中的弱小目标通常信号微弱，容易被复杂背景中的噪声掩盖，传统卷积操作在这类场景下的检测精度往往不高，容易出现漏检和误检。此外，yolov8的基础特征提取网络在生成高维非线性特征时存在表达能力的局限。尽管增加特征宽度或深度能部分提升模型的特征表达，但当面对复杂背景或高噪声环境时，传统卷积难以生成细致的目标特征，尤其在处理细节丰富或信号微弱的红外目标时，模型表现不足。

技术实现思路

1、针对现有技术中的上述不足，本发明提供的一种红外弱小目标检测方法、系统、电子设备及存储介质，本发明通过为yolov8模型提供了更强的红外弱小目标检测能力，有效解决了传统模型在复杂场景下的目标检测精度瓶颈问题。

2、为了达到以上目的，第一方面，本发明提供了一种红外弱小目标检测方法，包括以下步骤：

3、s1、针对红外弱小目标图像的特征，对yolov8模型进行改进；

4、s2、利用改进后的yolov8模型对红外弱小目标图像进行目标检测。

5、进一步地，所述步骤s1包括以下步骤：

6、s101、针对红外弱小目标图像的特征，在yolov8模型的骨干网络中，引入非局部注意力机制；

7、s102、在yolov8模型的特征提取模块中，引入星型卷积，并设计损失函数，完成对yolov8模型的改进。

8、再进一步地，所述改进后的yolov8模型的包括：

9、非局部注意力机制模块，用于通过在红外弱小目标特征图的所有位置上建立全局依赖关系，并通过计算红外弱小目标特征图的不同位置之间的相似度权重，获取远距离特征之间的关系；

10、星型卷积模块，用于将经主干特征提取模块处理后的红外弱小目标特征图映射至高维度的非线性特征空间中；

11、目标检测模块，用于根据映射结果，得到检测的红外弱小目标。

12、再进一步地，所述通过在红外弱小目标特征图的所有位置上建立全局依赖关系，并通过计算红外弱小目标特征图的不同位置之间的相似度权重，获取远距离特征之间的关系，其具体为：

13、输入红外弱小目标特征图；

14、对输入的红外弱小目标特征图进行线性映射处理，分别得到特征θ、特征特征g；

15、在特征θ分支上，对输入的红外弱小目标特征图进行卷积操作，得到降维后的第一红外弱小目标特征图；

16、在特征分支上，对输入的红外弱小目标特征图进行卷积操作，得到降维后的第二红外弱小目标特征图；

17、在特征g分支上，对输入的红外弱小目标特征图进行卷积操作，得到降维后的第三红外弱小目标特征图，其中，降维后的第一红外弱小目标特征图、第二红外弱小目标特征图以及第三红外弱小目标特征图的大小均一致；

18、将特征θ分支和特征分支的输出结果进行矩阵相乘，得到红外弱小目标特征图的所有位置之间的相似性关系；

19、将相似性关系进行归一化处理，生成注意力权重矩阵；

20、将注意力权重矩阵与特征g分支的输出结果相乘，得到加权的全局特征表示，以构建全局依赖关系；

21、将加权的全局特征表示，经卷积操作恢复至原始的通道数，并与输入的红外弱小目标特征图进行残差处理，得到经残差处理后的红外弱小目标特征图，其中，经残差处理后的红外弱小目标特征图包括了远距离特征之间的关系。

22、再进一步地，所述将经主干特征提取模块处理后的红外弱小目标特征图映射至高维度的非线性特征空间中，其具体为：

23、使用一卷积层作为输入层，并构建星块，其中，每个星块包含两个线性变换和一个星操作；

24、根据经主干特征提取模块处理后的红外弱小目标特征图，分别经权重矩阵w1和权重矩阵w2进行线性处理，一一对应得到经线性处理后的红外弱小目标特征图w1x和红外弱小目标特征图w2x；

25、通过将红外弱小目标特征图w1x应用激活函数后和红外弱小目标特征图w2x进行元素级乘法处理，以实现星操作；

26、将星操作的结果与经主干特征提取模块处理后的红外弱小目标特征图进行融合处理，得到融合后的红外弱小目标特征图；

27、对融合后的红外弱小目标特征图进行特征提取，其中，每个阶段重复使用多个星块提取高层次的特征，且每个阶段结束时，使用深度可分离卷积进行下采样处理；

28、在最后一阶段利用全局平均池化，将提取的特征图转换为一维特征向量；

29、利用全连接层将一维特征向量映射至类别数，完成高维度的非线性特征空间的映射处理。

30、再进一步地，所述改进后的yolov8模型的损失函数的表达式如下：

31、

32、其中，mpdiou表示损失函数，iou表示预测框与真实框的交集与并集的比，h表示边框的高度，w表示边框的宽度，d1表示预测框与真实框左上角坐标的直线距离，d2表示表示预测框与真实框右下角坐标的直线距离，b表示边界框，bgt表示真实边界框，表示预测框左上角横坐标，表示真实框左上角横坐标，表示预测框左上角纵坐标，表示真实框左上角纵坐标，表示预测框右下角横坐标，表示真实框右下角横坐标，表示预测框右下角纵坐标，表示真实框右下角纵坐标，prd表示预测值，gt表示真实值。

33、再进一步地，所述步骤s2包括以下步骤：

34、s201、获取红外数据集，并将红外数据集进行划分，其中，训练集用于对改进后的yolov8模型进行训练，测试集用于在未知数据上对训练后的yolov8的泛化能力进行评估，验证集用于在训练过程中对yolov8进行评估以及调整超参数；

35、s202、利用划分后的数据集对yolov8模型进行训练，并选取训练过程中最优的权重参数；

36、s203、利用最优权重参数的yolov8模型，对红外数据集中的弱小目标图像进行检测。

37、第二方面，本发明提供了一种红外弱小目标检测系统，用于执行红外弱小目标检测方法，包括：

38、第一处理模块，用于针对红外弱小目标图像的特征，对yolov8模型进行改进；

39、第二处理模块，用于利用改进后的yolov8模型对红外弱小目标图像进行目标检测。

40、第三方面，本发明提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现任一所述的红外弱小目标检测方法的步骤。

41、第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，执行所述计算机程序时实现任一项所述的红外弱小目标检测方法的步骤。

42、本发明的有益效果是：

43、本发明提出了非局部注意力机制和星型卷积结合的目标检测方法。非局部注意力机制突破了局部感受野的限制，通过捕获全局上下文信息，有效定位微小目标，即便在复杂场景下也能保持较高的检测精度。而星型卷积通过对特征通道的非线性组合，在较低计算开销下增强了特征表达能力，提升了yolov8模型对细节和复杂背景的表征效果。这种改进为yolov8模型提供了更强的红外弱小目标检测能力，有效解决了传统模型在复杂场景下的精度瓶颈。本发明通过非局部注意力机制和星型卷积，来增强yolov8模型的特征提取能力和适应能力。

44、本发明通过非局部注意力机制的引入旨在克服传统卷积操作只能捕捉局部特征的限制。卷积神经网络在逐层提取特征时，往往依赖局部卷积核，因此较难捕获长距离依赖的全局特征。而非局部注意力机制通过计算特征图中任意位置之间的全局关系，捕捉到丰富的全局上下文信息，使得yolov8模型可以更精准地聚焦于目标区域。具体来说，该机制在弱小目标检测中具有显著的优势。当目标体积较小、信号微弱且易被背景噪声干扰时，非局部注意力机制可以通过增强上下文信息的利用，使模型在定位弱小目标时更加精准，减少误检和漏检的概率。这在红外图像检测中尤为重要，因为红外目标通常表现为低对比度、低分辨率的微弱信号，易被复杂背景掩盖。

45、本发明中星型卷积模块是一种新颖的特征组合方式。该模块通过星操作(element-wise multiplication)对输入数据进行非线性映射，将其转换到更高维的特征空间，从而生成更加丰富的特征表达。与传统的卷积操作不同，星型卷积并不是简单地增加网络的通道宽度或深度，而是通过对特征通道的非线性组合，实现了在较低计算成本下的特征增强。尤其在处理细节丰富或复杂场景的红外图像时，星型卷积能够在有限的计算资源内，显著提升特征提取的效果。相比于直接增加通道数量，星型卷积在复杂背景下也能有效分离目标和背景，进一步提高了模型对弱小目标的检测精度。

46、通过在yolov8的骨干网络中引入非局部注意力机制和星型卷积，本发明有效地提升了模型的特征表达能力，使其在弱小目标检测中具有更强的鲁棒性和泛化性。这两项改进不仅提升了检测精度，还使yolov8模型在处理复杂场景和多尺度目标时表现更加优越。综合来看，非局部注意力机制和星型卷积模块的引入为yolov8的改进提供了全新的技术路线，使得模型能够更高效、准确地完成红外弱小目标检测任务。这些改进点增强了yolov8在弱小目标检测中的实用性和可靠性，为实际应用提供了坚实的技术支持。