改进YOLOv5的国产光学影像辐射异常检测方法

doi:10.13474/j.cnki.11-2246.2024.0811

测绘通报 ›› 2024, Vol. 0 ›› Issue (8): 60-65,72.doi: 10.13474/j.cnki.11-2246.2024.0811

• 学术研究 • 上一篇

改进YOLOv5的国产光学影像辐射异常检测方法

石一剑^1,2, 谭海², 钟旭辉^1,2

1. 辽宁工程技术大学测绘与地理科学学院, 辽宁阜新 123000;
2. 自然资源部国土遥感卫星应用中心, 北京 100048

收稿日期:2023-11-28 发布日期:2024-09-03
通讯作者: 谭海。E-mail:tanh@lasac.cn
作者简介:石一剑(1997—),男,硕士,主要研究方向为遥感影像信息提取。E-mail:1156713371@qq.com
基金资助:
高分辨率对地观测系统重大专项(42-Y30B04-9001-19121)

Improving YOLOv5's domestic optical image radiation anomaly detection method

SHI Yijian^1,2, TAN Hai², ZHONG Xuhui^1,2

1. School of Surveying, Mapping and Geographic Sciences, Liaoning Technical University, Fuxin 123000, China;
2. National Land Remote Sensing Satellite Application Center of the Ministry of Natural Resources, Beijing 100048, China

Received:2023-11-28 Published:2024-09-03

摘要/Abstract

摘要： 随着国产光学卫星数量不断增多,获取的卫星影像数据大规模增加,卫星获取并通过传感器校正处理的影像中存在大量的影像辐射异常问题, 影像辐射质量是决定影像质量检验等级评价的重要因子,目前检查主要采用人机交互方式。针对目前光学影像质检存在影像辐射问题,本文提出了利用改进的YOLOv5深度学习网络对辐射异常区域进行目标识别的方法,将改进后的Light-BiFPN特征融合网络和ShuffleNetV2主干网络融入YOLOv5s。通过探索影像辐射异常原理,此网络能够精确判断辐射异常影像目标的范围,训练出的模型能通过锚框较好地检测出辐射问题的范围,为进一步模型的部署应用做好准备工作。

关键词: 深度学习, 轻量化, 遥感图像, 辐射异常, 目标检测

Abstract: With the continuous increase in the number of domestic optical satellites, the obtained satellite image data has shown a large-scale increase. There is a considerable proportion of image radiation anomalies in the images obtained by satellites and processed through sensor correction. Image radiation quality is an important factor determining the evaluation of image quality inspection level. Currently, its inspection mainly adopts human-computer interaction. In response to the current radiation problem in optical image quality inspection, an improved YOLOv5 deep learning network is proposed to identify targets in radiation abnormal areas. Integrate the improved light BiFPN feature fusion network and ShuffleNetV2 backbone network into YOLOv5s. By exploring the principle of image radiation anomalies, this network can accurately determine the range of targets in radiation anomaly images. The trained model can effectively detect the range of radiation issues through anchor frames, lay the foundation for further model deployment and application.

Key words: deep learning, light weight, remote sensing images, radiation anomaly, object detection

中图分类号:

P237

石一剑, 谭海, 钟旭辉. 改进YOLOv5的国产光学影像辐射异常检测方法[J]. 测绘通报, 2024, 0(8): 60-65,72.

SHI Yijian, TAN Hai, ZHONG Xuhui. Improving YOLOv5's domestic optical image radiation anomaly detection method[J]. Bulletin of Surveying and Mapping, 2024, 0(8): 60-65,72.

参考文献

[1] 马单丹. 高光谱遥感影像异常目标检测的关键问题研究[D]. 西安: 中国科学院大学(中国科学院西安光学精密机械研究所), 2019.
[2] 马晓晓. 基于表示学习的高光谱遥感影像异常检测[D]. 西安: 西安电子科技大学, 2021.
[3] 谭海,张荣军,樊文锋,等. 融合多尺度特征的国产光学影像辐射异常分类检测[J]. 自然资源遥感,2022,34(4): 97-104.
[4] 邵延华,张铎,楚红雨,等. 基于深度学习的YOLO目标检测综述[J]. 电子与信息学报,2022,44(10): 3697-3708.
[5] ZHANG Xiangyu,ZHOU Xinyu,LIN Mengxiao,et al. ShuffleNet: an extremely efficient convolutional neural network for mobile devices[C]//Proceedings of 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.[S.l.]:IEEE.2017.
[6] MA Ningning,ZHANG Xiangyu,ZHENG Haitao,et al. ShuffleNet V2: practical guidelines for efficient CNN architecture design[M]//Proceedings of Computer Vision-ECCV 2018. Cham: Springer International Publishing,2018: 122-138.
[7] SANDLER M,HOWARD A,ZHU Menglong,et al. MobileNetV2: inverted residuals and linear bottlenecks[C]//Proceedings of 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake City,UT:IEEE,2018.
[8] DENG Jia,DONG Wei,SOCHER R,et al. ImageNet: a large-scale hierarchical image database[C]//Proceedings of 2009 IEEE Conference on Computer Vision and Pattern Recognition.Miami,FL:IEEE,2009.
[9] LI,Z,PENG, C,YU,G,et al. Light-head R-CNN: in defense of two-stage object detector[J].Computer Science,2017:20405715.
[10] IOANNOU Y,ROBERTSON D,CIPOLLA R,et al.Deep roots: improving cnn efficiency with hierarchical filter groups[C]//Proceedings of 2017 IEEE Conference on Computer Vision and Pattern Recognition.Honolulu,HI:IEEE,2017.
[11] 潘桂霞,赖惠成,王同官,等. 一种Yolov5颈部细化的小交通标志检测算法[J]. 现代电子技术,2023,46(14): 56-62.
[12] 许德刚,王露,李凡. 深度学习的典型目标检测算法研究综述[J]. 计算机工程与应用,2021,57(8): 10-25.
[13] 谈世磊,别雄波,卢功林,等. 基于YOLOv5网络模型的人员口罩佩戴实时检测[J]. 激光杂志,2021,42(2): 147-150.
[14] 马琳琳,马建新,韩佳芳,等. 基于YOLOv5s目标检测算法的研究[J]. 电脑知识与技术,2021,17(23): 100-103.
[15] 李阿娟. YOLOv5算法改进及其现实应用[D]. 太原: 中北大学,2021.
[16] 邱天衡,王玲,王鹏,等. 基于改进YOLOv5的目标检测算法研究[J]. 计算机工程与应用,2022,58(13): 63-73.
[17] 谭显东,彭辉. 改进YOLOv5的SAR图像舰船目标检测[J]. 计算机工程与应用,2022,58(4): 247-254.
[18] 李一鸣,王潇. 基于YOLOv5s模型的轧钢表面缺陷检测[J]. 制造业自动化,2021,43(11): 117-119.

改进YOLOv5的国产光学影像辐射异常检测方法

Improving YOLOv5's domestic optical image radiation anomaly detection method

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	杨晓峰, 魏浩翰, 张强, 向云飞. 融合孤立森林和深度学习的GNSS-IR土壤湿度反演[J]. 测绘通报, 2024, 0(7): 88-94.
[2]	田亚林, 连增增, 王鹏辉, 王孟奇, 陆力. 基于KF-LSTM的UWB室内定位算法[J]. 测绘通报, 2024, 0(7): 95-99,151.
[3]	刘兵, 刘宇, 金凤学, 邹一波, 葛艳, 赵林林. 针对浒苔目标检测的全局背景强化的位置蒸馏方法[J]. 测绘通报, 2024, 0(6): 19-23.
[4]	高墨通, 杨维芳, 刘祖昱, 曹小双, 张瑞琪, 侯宇豪. 结合卷积神经网络和注意力机制的LSTM采空区地表沉降预测方法[J]. 测绘通报, 2024, 0(6): 53-58,170.
[5]	张伟, 张朝龙, 王本林, 蔡安宁. 基于深度学习的多尺度无人机遥感图像道路提取[J]. 测绘通报, 2024, 0(6): 77-81.
[6]	钟青岑, 吴晨昊, 向隆刚, 姚鹏. 顾及路网约束的深度地图匹配方法[J]. 测绘通报, 2024, 0(6): 96-102,133.
[7]	尹泽中, 李功权. 三维场叠加视频流的电子围栏越界检测方法[J]. 测绘通报, 2024, 0(6): 103-108.
[8]	王丽霞, 喜文飞, 史正涛, 赵子龙, 钱堂慧, 赵磊, 马奕捷. 深度学习滑坡识别算法中样本不平衡问题的研究[J]. 测绘通报, 2024, 0(5): 12-18.
[9]	贺彪, 唐骜巍, 蒯希, 徐海, 肖佳栋. 融合IFC语义信息与几何相似性的BIM构件实例信息提取方法[J]. 测绘通报, 2024, 0(5): 96-102.
[10]	姚楚羡, 蔡皓楠, 张远波, 唐可懿, 詹璐, 周宝定. 基于轻量化车载设备的道路病害检测方法[J]. 测绘通报, 2024, 0(5): 147-150.
[11]	张楠, 张蕴灵. 基于深度学习模型的复杂困难路网提取方法[J]. 测绘通报, 2024, 0(5): 155-159.
[12]	林泊锟, 丁勇, 李登华. 一种基于深度学习与图像局部特征提取的边坡异常监测技术[J]. 测绘通报, 2024, 0(4): 23-28.
[13]	庞敏. 基于深度学习的国产卫片图斑提取[J]. 测绘通报, 2024, 0(4): 124-128,134.
[14]	陈昶, 张岩, 李坤衡, 杨润泽, 张俊彬, 梁彦荣. 基于高分七号影像自动提取东北黑土区侵蚀沟的方法[J]. 测绘通报, 2024, 0(3): 1-7.
[15]	张兰兰, 王红雷. 基于深度学习的耕地非农化遥感监测与时空分析——以开阳县为例[J]. 测绘通报, 2024, 0(3): 13-18.