本发明属于舰船检测，尤其涉及的是一种基于轻量化yolov8的红外舰船识别方法。
背景技术：
1、随着海上船舶数量和种类的快速增加，现代海上监控面临着日益复杂的挑战。开发高效且准确的舰船识别技术变得尤为关键。传统的可见光图像识别技术受到天气条件和光照影响较大，易受到天气变化、云层遮挡等因素影响，导致识别准确率大幅下降。并且在夜间或恶劣天气条件下，可见光图像识别技术表现不佳，难以实现对舰船的准确检测与识别。相比之下，红外传感器能够接收目标发出的热辐射，因此不受光照条件限制，可以在白天和夜晚均实现稳定的舰船检测与识别。
2、为了实现舰船的实时检测需求，轻量化目标检测模型成为了一种必要选择。轻量化的目标检测模型能够在保持高精度的同时，减少模型的计算复杂度和参数量，从而提升在资源有限的设备上的运行效率和实时性能。特别是基于轻量化yolov8的技术，在保证目标检测精度的同时，能够显著提高实时性能，适应复杂的海上监控环境和应对安全挑战。
技术实现思路
1、本发明要解决的技术问题在于，降低计算复杂度和优化资源利用，实现高效实时的船舶监控。
2、为实现上述目的，本发明提供如下技术方案：一种基于轻量化yolov8的红外舰船识别方法，包括以下步骤：
3、s1.收集海上红外舰船数据集并整理成数据集，并对数据集中的舰船目标进行标注；
4、s2.对数据集中的红外舰船图像进行预处理；
5、可选地，对数据集中的红外舰船图像进行预处理包括：对数据集中的红外舰船图像利用反锐化掩膜技术，对红外舰船图像进行预处理，通过高斯模糊，在保持低频信息不变的同时，突出图像的边缘和细节信息。
6、可选地，对数据集中的红外舰船图像利用反锐化掩膜技术包括：首先对原始图像进行空间滤波等模糊预处理，通过抑制图像中的高频成分，得到一个钝化模糊图像；然后将输入图像与模糊图像相减得到原始图像中的高频分量，再将高频分量用一个增益因子放大与原始图像叠加，从而得到增强后的图像。
7、可选地，高斯滤波能保留较多的图像结构，能够在不过度增强噪声的情况下较好地增强图像细节。
8、s3.将数据集的格式转换为yolo格式，并按照8:1:1划分为训练集、验证集和测试集；
9、s4.构建轻量化yolov8识别模型；
10、可选地，构建轻量化yolov8识别模型包括：将yolov8网络结构中的骨干特征提取网络替换为mobilenetv4网络，添加mllattention(mamba-like linear attention)模块。
11、可选地，所述mobilenetv4网络引入了通用反转瓶颈(universal invertedbottleneck，uib)搜索块和移动版多头注意力(mobile mqa)，其中，所述uib搜索块包括了反转瓶颈(inverted bottleneck，ib)、convnext、前馈网络(ffn)以及一种新颖的额外深度(extradw)变体。
12、可选地，所述mllattention模块结合了mamba模型和线性注意力transformer的优势，通过特定的设计改进，具备高效的计算和推断速度。其中，所述mllattention模块为把mamba两个最为关键的优点遗忘门(forget gate)和块设计(block design)融合到线性注意力模型transformer当中。
13、s5.利用训练集和验证集对所述改进后的yolov8识别模型进行训练和验证，得到红外舰船目标识别模型；
14、可选地，利用训练集和验证集对所述轻量化yolov8识别模型进行训练和验证过程包括：设置轻量化yolov8识别模型的超参数包括训练的批大小、训练轮数和初始学习率等。将预处理后的训练集输入所述轻量化yolov8识别模型进行训练，得到训练后的轻量化yolov8识别模型，将预处理后的验证集输入所述训练后的轻量化yolov8识别模型进行验证，得到测试结果，使用平均精度均值map对测试结果的精度进行评价，判断测试结果的精度是否达到最优。若所述测试结果的精度达到最优，则停止训练，得到轻量化yolov8识别模型；若所述测试结果的精度未达到最优，则调整所述轻量化yolov8识别模型的超参数，直至所述所述测试结果的精度达到最优，获得模型超参数，进而获得训练后的轻量化yolov8识别模型；最后基于调整后的测试集对训练后的轻量化yolov8识别模型进行测试。
15、s6.利用所述红外舰船识别模型对测试集进行测试，输出识别结果。
16、本发明的有益效果是：
17、1.利用反锐化掩膜技术对红外舰船图像进行预处理，通过高斯模糊，在保持低频信息不变的同时，突出图像的边缘和细节信息，提高图像的清晰度，降低噪声的影响。
18、2.以yolov8作为准，在模型构建阶段，使用轻量化的网络mobilenetv4替换yolov8网络结构中骨干网络，可以在空间和通道混合之间进行临时权衡并且根据需要扩大感受野已最大化计算利用率。
19、3.加入mllattention模块，可以提高多尺度下的泛化能力。
1.一种基于轻量化yolov8的红外舰船识别方法，其特征在于，该方法的步骤包括：
2.根据权利要求1所述的一种基于轻量化yolov8的红外舰船识别方法，其特征在于，s1所述方法进一步包括对于数据集中的每张红外船舶图像，通过labelimg程序对船舶区域进行标注。
3.根据权利要求1所述的一种基于轻量化yolov8的红外舰船识别方法，其特征在于，s2中对数据集中的红外舰船图像使用高斯模糊和线性增益因子对图像进行预处理和锐化增强，增益因子k为1.5。
4.根据权利要求1所述的一种基于轻量化yolov8的红外舰船识别方法，其特征在于，s3中所述轻量化yolov8识别模型包括骨干、注意力机制两部分；所述轻量化yolov8检测模型的骨干部分具体结构为：包括mobilenetv4模块，所述mobilenetv4模块的输出端连接sppf模块的输入端，其中，所述mobilenetv4模块采用mobilenetv4convmedium类型，所述sppf模块的输出通道数为1024，所述sppf模块的池化核大小为5×5；所述轻量化yolov8检测模型的注意力机制具体结构为：在颈部网络中添加mllattention模块。
5.根据权利要求1所述的一种基于轻量化yolov8的红外舰船识别方法，其特征在于，所述改进型yolov8识别模型的注意力部分具体结构为：包括依次连接的上采样模块1、张量拼接模块1、cf2模块1、上采样模块2、张量拼接模块2、cf2模块2、mllattention模块1、conv模块1、张量拼接模块3、cf2模块3、mllattention模块2、conv模块2、张量拼接模块4、cf2模块4和mllattention模块3；所述第一cf2模块的输出端与张量拼接模块3连接；所述sppf模块的输出端与张量拼接模块4连接；所述mllattention模块1、mllattention模块2、mllattention模块3的输出端分别与检测头0、检测头1、检测头2连接。
