(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 202211055549.1 (22)申请日 2022.08.30 (71)申请人 大连大学 地址 116622 辽宁省大连市经济技 术开发 区学府大街10号 (72)发明人 杜秀丽　宋林凯　吕亚娜　邱少明　 (74)专利代理 机构 大连智高专利事务所(特殊 普通合伙) 2123 5 专利代理师 马庆朝 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/764(2022.01) G06N 3/04(2006.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于SMCA -YOLOv5的轻量化军事目标检 测方法 (57)摘要 一种基于SMCA ‑YOLOv5的轻量化军事目标检 测方法， 属于目标检测技术领域。 首先， 获取多种 类别的军事目标图像， 利用labelimg软件按照 yolo格式对图像数据进行标注， 建立含有七类的 军事图像目标数据集， 并对军事图像数据集按照 目标类别以7:2:1分别划分到训练集、 验证集和 测试集中； 其次， 利用Stemblock结构和嵌入 坐标 注意力机制的MobileNetV3结构对YOLOv5s的主 干网络进行重新设计， 得到改进后的SMCA ‑ YOLOv5算法； 最后， 将军事目标数据集的训练集 和验证集输入到SMCA ‑YOLOv5的网络中进行100 次迭代训练， 反复调整参数， 得到训练后的权重 文件， 检测输出结果。 本发明实现模型在移动端 设备上的嵌入， 不仅降低了系统软硬件要求和设 备成本， 还可 以自动检测七类军事目标， 降低了 人为识别的错 误， 提高了 检测效率。 权利要求书3页 说明书6页 附图3页 CN 115424091 A 2022.12.02 CN 115424091 A 1.一种基于SM CA‑YOLOv5的轻量 化军事目标检测方法， 其特 征在于， 包括如下步骤： 步骤1、 获取多种类别的军事目标图像， 并利用l abelimg软件按照yolo格式对图像数据 进行标注， 建立军事图像目标 数据集； 步骤2、 对军事图像数据集按照目标类别以7:2:1分别划分到训练集、 验证集和测试集 中； 步骤3、 利用Stem  block结构和嵌入坐标注意力机制的MobileNetV3结构对YOLOv5s的 主干网络进行重新设计， 得到SM CA‑YOLOv5算法； 步骤4、 使用步骤2中得到的训练集和验证集输入到步骤3中的模型中进行100次迭代训 练， 反复调整参数， 得到训练后的权 重文件； 步骤5、 将步骤2中得到的测试集输入到步骤3中的模型中， 用步骤4得到的权重文件检 测结果。 2.根据权利要求1所述的基于SMCA ‑YOLOv5的轻量化军事目标检测方法， 其特征在于， 所述步骤3中， YOLOv5s结构包 含四个部分， 分别是输入端、 主干网络、 特 征融合层、 输出端； 输入端对原始图片数据进行预处理， 包含Mosaic数据增 强， 随机裁剪及自适应图像填 充， 在输入端集成自适应瞄框计算以适应不同的目标 数据集； 主干网络通过深度残差结构提取图像不同层次的特征信息， 主干网络结构含有CSP结 构和空间金字塔池化SPP， CSP结构减少计算量、 提高推理速度， 空间金字塔池化SPP对相同 的特征图进行不同尺度的特 征提取， 提高检测性能； 特征融合层包含特征金字塔和路径聚合网络， 特征金字塔在网络 中自上而下传递语义 信息， 路径 聚合网络是自上而下传递定位信息， 对主干网络中的不同网络层的信息进行融 合， 提升检测性能； 输出端将特征融合层提取到的特征信 息通过非极大值抑制来筛选最佳的检测框， 并生 成检测框对目标进行类别预测。 3.根据权利要求2所述的基于SMCA ‑YOLOv5的轻量化军事目标检测方法， 其特征在于， 所述步骤3中， 采用Stem  block结构和嵌入坐标注意力机制的MobileNetV3结构共同搭建 YOLOv5的主干网络SMCA ‑YOLOv5， 将YOLOv5算法的主干网络的第一层Focus模块替换成Stem 模块； 将YOLOv5算法主干网络其余部分用嵌入坐标注意力机制的MobileNetV3结构进行重 新设计。 4.根据权利要求3所述的基于SMCA ‑YOLOv5的轻量化军事目标检测方法， 其特征在于， 所述Stem  block结构的搭建如下： Stemblock结构首先对输入的特征图先进行一个步长为2， 卷积核大小为3的卷积操作 扩充通道数； 其次， 进行分支路操作， 其中一条支路对扩充后的特征图先进行通道数减半的操作， 再 以步长为2， 卷积核大小为3的卷积操作进行下采样， 另一条支路对扩充后的特征图进行步 长为1， 卷积核大小为2的最大池化操作， 进一 步提取特征； 最后， 将两分支得到的特 征图获得的语义信息进行融合。 5.根据权利要求1所述的基于SMCA ‑YOLOv5的轻量化军事目标检测方法， 其特征在于， 所述坐标注意力机制将位置信息嵌入到通道注意力中， 再将通道注意力分解成沿两个空间 方向聚合特征的一 维的编码过程； 然后， 产生方向感知和位置敏感的一对特征图， 共同应用权　利　要　求　书 1/3 页 2 CN 115424091 A 2到输入特征图中以增强感兴趣目标的表示； 坐标注意力模块分为协同信息的嵌入和协同注意的生成； 首先， 任取两个中间特征张量X＝[X1,X2,…XC]∈RC×H×W和Υ＝[Υ1,Υ2,…,ΥC]∈RC ×H×W， 其中X作为输入， Υ作为输出； 协同信息的嵌入通过给定输入X， 使用池化核为(H,1)和 (1,W)分别沿水平方向和垂直方向对每个信道进行编码； 高度为h和第c个通道的输出可以 表示为： 同理， 宽度为h和第c个通道的输出 可以表示 为： 公式(1)和公式(2)两种变换分别沿着两个空间方向聚合特征； 协同注意的生成是对两 种变换的拼接， 然后送给一个共享1 ×1卷积的变换 F1， 可表示为： 公式(3)中[zh,zw]为沿空间维数的拼接运算， δ为非线性激活函数， f∈RC/r×(H+W)为在水 平方向和垂 直方向上对空间信息进行编 码的中间特征映射， r是缩减比； 然后沿着空间维度 将f分成两个单独的张量fh∈RC/r×W和fw∈RC/r×W； 另外， 利用两个1 ×1卷积变换Fh和Fw分别将 fh和fw变换为对输入X 具有相同通道数的张量， 得到 gh＝ δ(Fh(fh))    (4) gw＝ δ(Fw(fw))    (5) δ 是一个sigmo id型函数， 对输出gh和gw进行扩展； 最后， Υ的输出 可以写成： 6.根据权利要求4所述的基于SMCA ‑YOLOv5的轻量化军事目标检测方法， 其特征在于， 轻量化的MNtV3 ‑CA网络结构对YOLOv5算法的主干网络进行重新设计， 该结构是在 MobliNetV3  block的基础上嵌入了轻量化CA模块， 保证网络结构轻量化的基础上提高模 型 的检测性能。 7.根据权利要求6所述的基于SMCA ‑YOLOv5的轻量化军事目标检测方法， 其特征在于， 评价指标包括平均精度均值mAP、 模 型参数量、 模 型运算量及检测速度FPS， 平均查准率AP是 单个目标的检测准确率， 由召回率R和准确率P所围成的面积构成， 其中mAP的具体计算 公式 如下： 权　利　要　求　书 2/3 页 3 CN 115424091 A 3