本发明涉及计算机视觉领域，特别涉及一种基于yolo_lwa模型的遥感图像舰船旋转目标检测方法。
背景技术：
1、随着遥感技术和计算机视觉技术的迅猛发展，舰船目标识别已成为军事侦察、海洋安全、交通管理等多个领域的关键技术。舰船目标识别技术的准确性和实时性直接关系到后续决策和行动的成败。因此，遥感图像下舰船目标的精确检测任务变得至关重要。
2、目前，随着遥感技术的快速发展，多种类型的遥感图像源已被广泛应用于舰船检测领域，每种图像源都具有其独特的特点和优势：
3、(1)可见光图像以高分辨率和清晰度著称，但受光照限制，隐蔽目标识别和抗干扰能力有限。
4、(2)红外图像作为一种直观的温度分布展示工具，具备高灵敏度与安全使用的优势但对比度低，难以识别透明障碍物后的目标。
5、(3)高光谱图像分辨率高，识别能力强，但数据量大，高维性复杂，需降维和精确分类器处理。
6、(4)sar图像，作为遥感图像的一种，因其能提供广阔的海域监测范围、实现全天候和近实时的舰船动态跟踪，并且不受天气条件限制，已成为当前舰船数据集中的主要图像来源。然而，舰船目标的多样性，包括尺寸、类型和姿态的差异，以及云层遮挡和光照阴影的干扰，增加了舰船目标检测和识别的复杂性。
7、当前，遥感图像的目标检测技术主要分为两大类：基于手工特征的传统计算机视觉算法和基于卷积神经网络(cnn)的深度学习方法。
8、基于遥感图像传统目标检测方法依赖手工设计的特征，主要基于舰船结构和形状，但因图像特征表达能力不足，需辅以复杂特征和加速技巧。即便使用最优非线性分类器，检测精度仍不足。此外，通过特征变换提升遥感图像信噪比的传统技术，适应性差，难以应对多样舰船形态和复杂背景。
9、深度学习技术的迅猛发展极大地推动了目标检测算法性能的显著进步。但其仍存在以下问题：
10、传统水平检测框在处理宽高比大的舰船目标时准确度不足，尤其在舰船靠港密集或角度特殊情景下背景干扰导致精度降低。
11、目前关于遥感目标检测的研究通常忽略环境上下文信息，过分依赖物体本身特征，未充分利用邻近物体类型、位置关系等上下文信息，影响检测准确性和鲁棒性。
12、检测头在分类和回归任务中使用相同权重，可能限制模型性能，分类与回归任务目标不同未分别优化。
13、遥感图像中尺寸小、占比高、与背景信息对比度低并且经常出现相互遮挡的情况，这给舰船目标检测带来了一定的挑战性。
14、综上，如何提高检测的准确率，并降低计算量和参数量，成为本领域技术人员亟待解决的问题。
技术实现思路
1、鉴于此，本发明提供了一种遥感舰船目标检测方法，以解决现有技术存在的问题。
2、本发明提供了一种遥感舰船目标检测方法，包括：
3、获取遥感图像舰船目标数据集并利用其制作遥感图像舰船目标检测数据集；
4、对所述遥感图像舰船目标检测数据集进行划分，得到训练集、验证集和测试集；
5、构建舰船目标检测模型，其中，所述舰船旋转目标检测模型基于yolov8模型构建，构建过程中，对yolov8模型中的backbone特征提取主干网络进行轻量化处理并基于已经进行轻量化处理的模型，对检测头部进行改进，得到yolo_lwa模型；
6、利用dota数据集对所述yolo_lwa模型进行预训练，得到预训练后的yolo_lwa模型；
7、使用所述训练集对所述预训练后的yolo_lwa模型进行训练并分别在所述验证集和测试集上进行验证和测试，得到训练好的舰船目标检测模型；
8、利用所述训练好的舰船目标检测模型对待检测的遥感图像进行舰船目标检测，得到检测结果。
9、优选，获取遥感图像舰船目标数据集并利用其制作遥感图像舰船目标检测数据集的步骤如下：
10、(1)基于获取的遥感图像舰船目标数据集，先对其进行超分辨率重建，得到高分辨率的遥感图像舰船目标数据集；
11、(2)设定数据集尺寸，使用统一的标准调整得到的高分辨率的遥感图像舰船目标数据集尺寸大小；
12、(3)对统一尺寸后的数据集进行旋转目标的标注，得到遥感图像舰船目标检测数据集。
13、进一步优选，对yolov8模型中的backbone特征提取主干网络进行轻量化处理的方法如下：
14、引入包含大核选择性注意力机制模块的lsk块并利用其替换yolov8的backbone特征提取主干网络中的所有cbs模块，其中，所述大核选择性注意力机制模块包括：
15、大核卷积序列，其用于将一个卷积核分解成一系列大尺度的卷积核，然后这些卷积核根据不同类型的目标所需的背景信息，提取出输入图像不同感受野的特征图；
16、空间选择机制，其用于在空间的维度上从不同尺度的大卷积核中对大核卷积序列提取出的特征图进行空间选择。
17、进一步优选，yolov8模型中共包含三部分：cbs模块、c2f模块以及sppf模块，替换规则如下：将cbs模块替换成包含高效的大核选择性注意力机制模块的lsk块，lsk块是主干网络中的一个可重复堆叠的块，每个lsk块包括两个残差子块，即大核选择子块和前馈网络子块，大核选择子块根据需要动态地调整网络的感受野，由一个全连接层、一个gelu激活函数、一个大核选择性注意力机制模块以及第二个全连接层组成；前馈网络子块用于通道混合和特征细化，由一个全连接层、一个深度卷积、一个gelu激活和第二个全连接层组成。
18、进一步优选，对检测头部进行改进的方法如下：将检测头部负责回归ciou loss替换为wiou loss；最后的loss值由分类损失bce loss、边框回归损失的dfl loss和改进后的wiou loss三个loss加权计算得来。
19、进一步优选，利用dota数据集对所述yolo_lwa模型进行预训练的步骤如下：
20、获取公开的dota数据集；
21、在dota数据集中提取出包含舰船目标的图片并按照统一的标准进行裁剪；
22、利用的得到的数据集对所述yolo_lwa模型进行预训练，并保存模型训练得到的权重文件，以作为后续模型训练的初始权重。
23、进一步优选，使用所述训练集对所述预训练后的yolo_lwa模型进行训练并分别在所述验证集和测试集上进行验证和测试的步骤如下：
24、将所述训练集输入预训练后的yolo_lwa模型进行训练，在训练的同时利用损失函数进行迭代使模型不断收敛；
25、每轮迭代训练时，对模型进行微调；
26、每轮训练结束后用验证集对模型精度进行验证，调整网络权重；
27、设置训练的batch size，进行预设数量的epoch训练，最终获得网络的最优权重；
28、使用测试集来评估训练完成的模型的性能表现。
29、进一步优选，微调方法包括：学习率微调、数据增强、正则化。
30、进一步优选，利用所述训练好的舰船目标检测模型对待检测的遥感图像进行舰船目标检测具体包括如下步骤：
31、将待检测的遥感图像按照统一尺寸进行滑窗分块操作；
32、设置重叠率，将图像裁剪为多个图像块并分别送入训练好的舰船目标检测模型进行推理预测；
33、将得到的预测结果进行拼接；
34、针对重叠区域的预测框进行soft-nms处理，滤除冗余的预测框。
35、进一步优选，待检测的遥感图像的尺寸设置为640×640，重叠率设置为10％。
36、本发明提供的遥感舰船目标检测方法，首先，制作遥感图像舰船目标数据集并对其进行划分；其次，构建以yolov8为基础模型的用于检测舰船目标的模型，对负责特征提取的主干网络进行轻量化处理，在降低模型参数量和计算量的同时提高模型对多尺度特征的提取，同时基于前述进行轻量化处理的模型进行检测头部的改进，使模型可以更有效地提高模型在不平衡数据集上的性能，从而提高对多尺度多姿态舰船目标检测的准确性。
1.一种遥感舰船目标检测方法，其特征在于，包括：
2.根据权利要求1所述遥感舰船目标检测方法，其特征在于：获取遥感图像舰船目标数据集并利用其制作遥感图像舰船目标检测数据集的步骤如下：
3.根据权利要求1所述遥感舰船目标检测方法，其特征在于：对yolov8模型中的backbone特征提取主干网络进行轻量化处理的方法如下：
4.根据权利要求3所述遥感舰船目标检测方法，其特征在于：yolov8模型中共包含三部分：cbs模块、c2f模块以及sppf模块，替换规则如下：将cbs模块替换成包含高效的大核选择性注意力机制模块的lsk块，lsk块是主干网络中的一个可重复堆叠的块，每个lsk块包括两个残差子块，即大核选择子块和前馈网络子块，大核选择子块根据需要动态地调整网络的感受野，由一个全连接层、一个gelu激活函数、一个大核选择性注意力机制模块以及第二个全连接层组成；前馈网络子块用于通道混合和特征细化，由一个全连接层、一个深度卷积、一个gelu激活和第二个全连接层组成。
5.根据权利要求1所述遥感舰船目标检测方法，其特征在于：对检测头部进行改进的方法如下：将检测头部负责回归ciou loss替换为wiou loss；最后的loss值由分类损失bceloss、边框回归损失的dfl loss和改进后的wiou loss三个loss加权计算得来。
6.根据权利要求1所述遥感舰船目标检测方法，其特征在于：利用dota数据集对所述yolo_lwa模型进行预训练的步骤如下：
7.根据权利要求1所述遥感舰船目标检测方法，其特征在于：使用所述训练集对所述预训练后的yolo_lwa模型进行训练并分别在所述验证集和测试集上进行验证和测试的步骤如下：
8.根据权利要求7所述遥感舰船目标检测方法，其特征在于：微调方法包括：学习率微调、数据增强、正则化。
9.根据权利要求1所述遥感舰船目标检测方法，其特征在于：利用所述训练好的舰船目标检测模型对待检测的遥感图像进行舰船目标检测具体包括如下步骤：
10.根据权利要求9所述遥感舰船目标检测方法，其特征在于：待检测的遥感图像的尺寸设置为640×640，重叠率设置为10％。
