(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 202211074246.4 (22)申请日 2022.09.02 (71)申请人 华南师范大学 地址 510006 广东省广州市中山大道西5 5 号 (72)发明人 方坤　黄旭光　 (74)专利代理 机构 深圳市创富知识产权代理有 限公司 4 4367 专利代理师 冯炜国 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 20/10(2022.01) (54)发明名称 一种基于ESR-YOLOv5的光学遥感图像目标 检测方法 (57)摘要 本发明公开了一种基于ESR ‑YOLOv5的光学 遥感图像目标检测方法， 该方法包括： 获取光学 遥感影像数据集并输入至超分辨率生成对抗网 络模型进行预处理， 生成预处理后的光学遥感影 像数据集； 构建改进的YOLOv5网络模型； 基于预 处理后的光学遥感影像数据集对改进的YOLOv5 网络模型进行训练， 得到训练后的ESR ‑YOLOv5模 型； 将待检测的遥感影像数据集输入至训练后的 ESR‑YOLOv5模型， 得到遥感影像目标检测结果。 通过使用本发 明， 不仅能够对光学遥感图像的质 量进行了提高还能够提高ESR ‑YOLOv5网络整体 的检测精度和普适性的程度。 本发 明作为一种基 于ESR‑YOLOv5的光学遥感图像目标检测方法， 可 广泛应用于光学遥感图像处 理技术领域。 权利要求书2页 说明书7页 附图3页 CN 115331078 A 2022.11.11 CN 115331078 A 1.一种基于 ESR‑YOLOv5的光学遥感图像目标检测方法， 其特 征在于， 包括以下步骤： 获取光学遥感影像数据集并输入至超分辨率生成对抗网络模型进行预处理， 生成预处 理后的光学遥感影 像数据集； 构建改进的YOLOv5网络模型； 基于预处理后的光学遥感影像数据集对改进的YOLOv5 网络模型进行训练， 得到训练后 的ESR‑YOLOv5模型； 将待检测的遥感影像数据 集输入至训练后的ESR ‑YOLOv5模型， 得到遥感影像目标检测 结果。 2.根据权利要求1所述一种基于ESR ‑YOLOv5的光学遥感图像目标检测方法， 其特征在 于， 所述获取光学遥感影像数据集并输入至超分辨率生成对抗网络模型进行预处理， 生成 预处理后的光学遥感影 像数据集 这一步骤， 其具体包括： 获取光学遥感影 像数据集； 通过双三 次插值方法对光学遥感图像数据集进行缩小处理， 得到低分辨率图像数据集 并输入至超分辨 率生成对抗网络模型； 所述超分辨 率生成对抗网络模型包括 生成器和判别器； 基于超分辨率生成对抗网络模型的生成器， 对低分辨率图像数据集进行放大处理， 生 成初步的超分辨 率图像数据集； 基于超分辨率生成对抗网络模型的判别器， 对初步的超分辨率图像数据集进行判别处 理， 生成超分辨 率图像数据集； 对低分辨率图像数据集和超分辨率图像数据集进行合并， 得到预处理后的遥感影像数 据集。 3.根据权利要求2所述一种基于ESR ‑YOLOv5的光学遥感图像目标检测方法， 其特征在 于， 所述基于超分辨率生成对抗网络模型 的判别器， 对初步的超分辨率图像数据集进行判 别处理， 生成超分辨 率图像数据集 这一步骤， 其具体包括： 超分辨率生成对抗网络模型的判别器对超分辨率生成对抗网络模型的生成器生成的 初步的超分辨率图像数据集与光学遥感影像数据集之 间的的相似度进 行计算与判断， 直至 满足预设的精度条件， 输出超分辨 率图像数据集。 4.根据权利要求1所述一种基于ESR ‑YOLOv5的光学遥感图像目标检测方法， 其特征在 于， 所述构建改进的YOLOv5网络模型这 一步骤， 其具体包括： 基于原始的YOLOv5网络模型， 对原始的YOLOv5网络模型中锚框数值的长宽比进行重新 设定处理， 得到改进的YOLOv5网络模型。 5.根据权利要求4所述一种基于ESR ‑YOLOv5的光学遥感图像目标检测方法， 其特征在 于， 所述基于预处理后的光学遥感影像数据集对改进的YOLOv5网络模型进行训练， 得到训 练后的ESR ‑YOLOv5模型这 一步骤， 其具体包括： 对预处理后的光学遥感影 像数据集进行划分处 理， 得到训练集、 验证集和 测试集； 基于训练集对改进的YOLOv5网络模型进行训练， 得到 遥感影像权重模型； 基于验证集和测试集对遥感影像权重模型调参与测试， 得到训 练后的ESR ‑YOLOv5模 型。 6.根据权利要求5所述一种基于ESR ‑YOLOv5的光学遥感图像目标检测方法， 其特征在权　利　要　求　书 1/2 页 2 CN 115331078 A 2于， 所述基于训练集对改进的Y OLOv5网络模 型进行训练， 得到遥感影像权重模型这一步骤， 其具体包括： 将训练集输入至改进的YOLOv5网络模型进行训练， 所述改进的YOLOv5网络模型包括输 入层、 下采样层、 卷积层、 CS Player层、 S PPBottleneck层、 上采样层和输出层； 基于改进的YOLOv5网络模型的输入层对训练集进行图像矩阵化处理， 得到图像矩阵化 后的训练集； 基于改进的YOLOv5网络模型的下采样层对图像矩阵化后的训练集中的遥感影像尺寸 进行降维和抽象处 理， 得到降维后的训练集； 基于改进的YOLOv5网络模型的卷积层对降维后的训练集进行卷积核计算处理， 得到训 练集的特 征信息； 基于改进的YOLOv5网络模型的CSPlayer层对训练集的特征信息进行卷积计算与矩阵 归一化处理， 得到归一 化后的训练集； 基于改进的YOLOv5网络模型的SPPBottleneck层对归一化后的训练集进行卷积核计算 处理， 得到计算结果； 基于改进的YOLOv5网络模型的上采样层对计算结果中的遥感影像的尺寸进行还原处 理， 得到矩阵化遥感影 像； 基于改进的YOLOv5网络模型的输出层将矩阵化遥感影像输出， 构建遥感影像权重模 型。 7.根据权利要求5所述一种基于ESR ‑YOLOv5的光学遥感图像目标检测方法， 其特征在 于， 所述基于验证集和测试集对遥感影像权重模型调参与测试， 得到训练后的ESR ‑YOLOv5 模型这一步骤， 其具体包括： 将验证集输入至遥感影像权重模型进行验证处理， 得到初步的遥感影像目标检测结 果； 根据初步的遥感影像目标检测结果对遥感影像权重模型的超参数进行调整处理， 得到 调整后的遥感影 像权重模型； 将测试集输入至调整后的遥感影像权重模型进行测试， 得到训 练后的ESR ‑YOLOv5模 型。权　利　要　求　书 2/2 页 3 CN 115331078 A 3