本發(fā)明公開基于spd-yolov8的遙感圖像船舶檢測方法，屬于衛(wèi)星遙感。

背景技術：

1、衛(wèi)星遙感技術以其覆蓋范圍廣、監(jiān)測能力強和實時性高的特點，在海洋監(jiān)控領域得到了廣泛應用。在船舶檢測方面，高分辨率光學圖像和合成孔徑雷達(sar)圖像各自具備獨特的優(yōu)勢。高分辨率光學圖像通過及時監(jiān)測和響應能力，能夠快速獲取和更新航行中的船舶信息，具有高時效性和精確的目標識別能力。其廣泛的數據覆蓋范圍使得能夠覆蓋大面積海域，支持長期變化的監(jiān)測和分析，特別適用于需要精細化觀測和高度詳情的應用場景。相對而言，合成孔徑雷達(sar)圖像則通過其獨特的三維成像能力和高靈敏度，能夠在全天候、惡劣天氣下實現對船舶的準確監(jiān)測。sar圖像不受天氣和光照條件限制，具備穿透云層、霧霾等優(yōu)勢，能夠提供高分辨率的圖像和多極化信息，有效地檢測小型船只和隱蔽目標。綜合考慮，高分辨率光學圖像在良好光照條件下能夠提供精準的目標識別和詳細特征展示，而sar圖像則在全天候監(jiān)測和復雜環(huán)境下的應用中更具優(yōu)勢。兩者結合使用可以提高船舶檢測準確性和魯棒性，提供更全面、可靠的船舶監(jiān)測和安全管理解決方案，有效應對各種海上監(jiān)測需求，從而實現更高水平的海上安全和管理能力。

2、遙感影像由于數據體量大、變化速度快、類型多、分辨率較低、地物類型復雜等特點，傳統(tǒng)圖像處理方法難以處理。隨著遙感衛(wèi)星成像分辨率的提升和目標檢測算法性能的提高，基于深度學習的艦船目標檢測算法成為趨勢，主要分為兩類：基于區(qū)域型檢測(two-stage)和基于回歸型檢測(one-stage)?；趨^(qū)域型檢測算法如r-cnn、fastr-cnn等，先提取特征，再進行預判和篩選候選區(qū)域，最后鑒別目標類別和位置。

3、盡管研究者對深度學習目標檢測算法進行了大量優(yōu)化，但由于海洋環(huán)境的復雜性和實驗海域的特殊需求，仍存在以下主要問題：(1)小目標檢測困難：網絡對小目標不敏感，降維后細節(jié)丟失，小目標數量少導致泛化特征難以學習，訓練時小目標參與少。(2)復雜背景和噪音干擾：復雜背景、噪音和云霧干擾易導致過擬合，削弱目標特征，導致漏檢和錯檢。(3)檢測模型復雜度高：實時監(jiān)測穩(wěn)定性差，推理時間長且受環(huán)境變化影響難以實時檢測，船舶遙感圖像數據集樣本量少、類別單一，導致訓練不足、魯棒性和泛化性差。

4、針對船舶小目標檢測效果差、抗干擾能力弱和檢測速度慢的問題，本發(fā)明提出了基于spd-yolov8的遙感圖像船舶檢測方法。該方法在yolov8基礎上，結合了spd-conv細粒化卷積模塊和cbam注意力機制模塊，顯著提升了低分辨率圖像和小目標的檢測效果。同時，引入特征金字塔網絡(gfpn)，通過增加相鄰層級間的跨尺度連接和同尺度下的跨層連接，進一步提高了檢測模型的準確性、實時性和響應速度。此外，本方法還針對自制數據集中大、中、小目標分布不均、樣本量有限以及類別單一的問題進行了專門優(yōu)化。通過充分利用數據集中的多樣本信息，使得模型能夠更有效地學習和泛化不同大小和類型的船舶目標，從而顯著提升了檢測算法的魯棒性和實用性。這種綜合創(chuàng)新的方法不僅有效解決了船舶檢測中的技術挑戰(zhàn)，還結合了ais(automatic?identification?system)船舶目標的時序信息，能夠對檢測到的船舶進行全面的位置、航向、航速和運動軌跡分析。通過實時監(jiān)控船舶的位置和狀態(tài)，本方法能夠更精確地理解船舶活動的規(guī)律和特征，進而實現對異常行為和非法活動的快速檢測和預警。這種多源數據融合和時空信息分析的綜合方法，為實驗海域的船舶檢測和海上安全管理提供了強有力的技術支持。

技術實現思路

1、本發(fā)明的目的在于提供基于spd-yolov8的遙感圖像船舶檢測方法，以解決現有技術中，船舶小目標檢測效果差、抗干擾能力弱和檢測速度慢的問題。

2、基于spd-yolov8的遙感圖像船舶檢測方法，包括：

3、s1.獲取實驗海域衛(wèi)星遙感圖像船舶數據集，根據實驗海域的范圍，對高分辨率衛(wèi)星遙感圖像進行裁剪，并對高分辨率衛(wèi)星遙感圖像進行輻射校正和幾何校正；

4、s2.將獲取的實驗海域衛(wèi)星遙感圖像船舶數據集劃分為訓練集、測試集和驗證集；

5、s3.對獲取的實驗海域衛(wèi)星遙感圖像船舶數據集進行圖像增強，突出船舶特征；

6、s4.基于yolov8架構，結合spd-conv細?；矸e模塊、cbam注意力機制模塊和特征金字塔網絡gfpn，構建spd-yolov8船舶目標檢測模型；

7、s5.利用構建的spd-yolov8船舶目標檢測模型進行船舶目標檢測，得到船舶檢測結果；

8、s6.進行參數調優(yōu)和結果評估；

9、s7.將構建的spd-yolov8船舶目標檢測模型部署到服務器上；

10、s8.結合ais船舶目標的時序信息進行運動軌跡分析，檢測和預警異常行為和活動。

11、s1包括選擇sar衛(wèi)星和光學遙感衛(wèi)星，訪問衛(wèi)星對應的數據提供平臺，根據實驗海域的范圍，申請并下載高分辨率sar衛(wèi)星圖像和光學遙感衛(wèi)星圖像，將兩種圖像融合，創(chuàng)建綜合的數據集以利用兩種衛(wèi)星的優(yōu)勢進行船舶目標檢測；將下載的衛(wèi)星圖像使用解壓縮工具進行解壓，并解包多波段圖像數據，對多波段圖像數據進行輻射校正，調整圖像的亮度值以反映圖像中真實的地面反射特性，將原始dn值轉換為反射率值；對多波段圖像數據進行幾何矯正，加載輻射校正后的多波段圖像數據，應用地理參考點gcps校準圖像的地理位置以確保多波段圖像數據與實際地理坐標匹配并與地圖投影系統(tǒng)對齊；使用圖像處理工具arcgis加載幾何校正后的多波段圖像數據，根據實驗海域的地理坐標定義裁剪區(qū)域為多邊形或矩形邊界框，并裁剪出感興趣的區(qū)域aoi。

12、s2包括收集和整理實驗海域衛(wèi)星遙感圖像船舶數據集，確保每個樣本都有船舶目標的標注信息，對整個實驗海域衛(wèi)星遙感圖像船舶數據集進行隨機化處理以確保數據的隨機性和代表性；將實驗海域衛(wèi)星遙感圖像船舶數據集按照比例7:1.5:1.5劃分為訓練集、測試集和驗證集；驗證和調整劃分后的實驗海域衛(wèi)星遙感圖像船舶數據集。

13、s3包括對實驗海域的衛(wèi)星遙感圖像船舶數據集進行預處理，包括去噪和歸一化；應用直方圖均衡化或自適應直方圖均衡化增強衛(wèi)星圖像的對比度，直方圖均衡化增強衛(wèi)星圖像的全局對比度，自適應直方圖均衡化增強對比度的同時限制增強的范圍；使用邊緣檢測算法檢測出衛(wèi)星圖像中的邊緣信息，突出船舶的輪廓；將衛(wèi)星圖像轉換到hsv顏色空間，調整飽和度和值，調整光學遙感圖像顏色平衡和色彩飽和度。

14、spd-yolov8包括骨干網絡、連接部和任務頭；

15、骨干網絡包括步長為2的3×3卷積核、交替模塊和快速空間金字塔層，其中交替模塊包括4組串聯的細粒化卷積模塊和c2f模塊，4個c2f模塊分別包含了3、6、6、3個瓶頸模型，快速空間金字塔層的池化核大小為5；

16、連接部包括三個串聯的向上處理模型和三個串聯的向下處理模塊，向上處理模塊包括上采樣層、特征融合層和c2f模塊，向下處理模塊包括c2f模塊、細?；矸e模塊和特征融合層，快速空間金字塔層連接向上處理模塊的首個上采樣層，向上處理模塊的最后一個c2f模塊是向下處理模塊的首個c2f模塊，向下處理模塊最后連接一個通道數為1024的c2f模塊；

17、任務頭包括四個卷積層，大小依次為160×160×45、80×80×45、40×40×45、20×20×45，向下處理模塊的4個c2f模塊分別連接4個卷積層。

18、骨干網絡的第二個c2f模塊連接向上處理模塊的第二個特征融合層，骨干網絡的第三個c2f模塊連接向上處理模塊的第一個特征融合層，向上處理模塊的第一個c2f模塊連接向下處理模塊的第二個特征融合層，向上處理模塊的第二個c2f模塊連接向下處理模塊的第一個特征融合層，快速空間金字塔層還連接通道數為1024的c2f模塊。

19、細?；矸e模塊包括步長為2的3×3卷積核和spd模塊。

20、s5包括輸入待檢測的航拍或衛(wèi)星遙感圖像，經過預處理和圖像增強后，使用spd-yolov8船舶目標檢測模型進行目標檢測，輸出船舶的位置信息、類別預測和置信度分數；

21、s6包括調整模型的超參數和訓練策略，超參數包括學習率、批量大小、訓練周期；通過驗證集或交叉驗證評估模型在不同數據集上的泛化能力和穩(wěn)定性；使用評估指標量化模型的性能，評估指標包括精度、召回率、f1分數和平均精度均值map，并進行持續(xù)的迭代和改進以提高模型的魯棒性和準確性。

22、s7包括將訓練好的模型轉換為推理時的模型格式，并設置服務器環(huán)境以支持模型的高效運行和調用；建立api接口或集成到數據處理管道中，從圖像數據流中獲取輸入，并將檢測結果輸出到應用或數據庫中，自動和實時的監(jiān)測和管理船舶。

23、s8包括利用spd-yolov8船舶目標檢測模型從航拍或衛(wèi)星圖像中檢測船舶的位置和船舶類型信息，檢測到的船舶位置通過圖像像素坐標映射到地理空間坐標系，獲得船舶在地理位置上的坐標；ais系統(tǒng)提供的船舶時序信息包括船舶的位置、速度、航向、船名，通過船舶的唯一標識或船名實現將每一次圖像識別的船舶目標與ais數據進行匹配和關聯；通過分析和整合圖像檢測數據和ais時序數據，分析船舶的運動軌跡；根據連續(xù)的檢測結果和ais數據，繪制出船舶的實際位置和運動軌跡，確認船舶的起始點、終點、速度變化以及航道選擇信息，分析船舶行駛軌跡；通過分析船舶在特定位置停留的時間和頻率，識別出船舶的常用停留點或活動區(qū)域，分析船舶的運營模式和活動特征；根據歷史軌跡數據，評估船舶選擇的航線和航行路徑，優(yōu)化航線規(guī)劃以提高航運效率和節(jié)約燃料成本；檢測和追蹤未開啟ais或故意關閉ais的船只，監(jiān)控海域活動。

24、相對比現有技術，本發(fā)明具有以下有益效果：提升了低分辨率圖像和小目標的檢測效果，提高了檢測模型的準確性、實時性和響應速度，能夠更有效地學習和泛化不同大小和類型的船舶目標，提升了檢測算法的魯棒性和實用性。