CN118314477B 一种面向无人机红外探测的小目标实时识别方法及系统 （中国科学院国家空间科学中心）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN118314477B(45)授权公告日2025.07.11

(21)申请号202410413937.5

(22)申请日2024.04.08

(65)同一申请的已公布的文献号申请公布号CN118314477A

(43)申请公布日2024.07.09

(73)专利权人中国科学院国家空间科学中心

地址100190北京市海淀区中关村南二条1

号

(72)发明人张倩倩周莉安军社

(74)专利代理机构北京方安思达知识产权代理有限公司11472

专利代理师杨小蓉陈琳琳

(51)Int.CI.

GO6V20/17(2022.01)

GO6V10/52(2022.01)

GO6V10/764(2022.01)

GO6V10/766(2022.01)

GO6V10/80(2022.01)

GO6V10/82(2022.01)

GO6N3/045(2023.01)

GO6N3/0464(2023.01)

GO6N3/084(2023.01)

(56)对比文件

CN115661611A,2023.01.31

CN116168033A,2023.05.26

CN115496733A,2022.12.20

ChengCui等.PP-LCNet:ALightweightCPUConvolutionalNeuralNetwork.《arXiv:2109.15099v1[cs.CV]》.2021,第1-8页.

审查员韩亚楠

权利要求书2页说明书8页附图3页

(54)发明名称

一种面向无人机红外探测的小目标实时识别方法及系统

(57)摘要

CN118314477B本发明属于视觉检测技术领域，具体涉及一种面向无人机红外探测的小目标实时识别方法及系统。该方法包括：将无人机采集的红外图像输入训练好的识别模型，输出检测结果；识别模型包括：基于LCNet改进的特征提取主干网络、基于LCPAN改进的特征融合颈部网络以及目标检测网络；其中，特征提取主干网络引入SE模块，用于提取输入图像中不同尺度的小目标特征；特征融合颈部网络，通过将特征金字塔结构融入更低层特征，以及改进特征图空间维度上的下采样率，用于将不同尺度的小目标特征进行融合以生成多尺度特征；目标检测网络，用于进行目标分类

CN118314477B

度。

CN118314477B权利要求书1/2页

2

1.一种面向无人机红外探测的小目标实时识别方法，包括：

将无人机采集的红外图像输入训练好的识别模型，输出检测结果；

所述识别模型包括：基于LCNet改进的特征提取主干网络、基于LCPAN改进的特征融合颈部网络以及目标检测网络；其中，

所述特征提取主干网络引入SE模块，用于提取输入图像中不同尺度的小目标特征；

所述特征融合颈部网络，通过将特征金字塔结构融入更低层特征，以及改进特征图空间维度上的下采样率，用于将不同尺度的小目标特征进行融合以生成多尺度特征；

所述目标检测网络，用于进行目标分类和回归并输出小目标检测结果；

所述特征提取主干网络包括6个Block,分别为Block1～Block6,每个Block内部采用深度可分离卷积和可选的SE模块来提取特征，并通过前向传播函数输出不同层级的多尺度特征图；其中，

Block1包括1个Conv2D卷积层、1个BatchNorm2D批量归一化层以及一个Hard_Swish激活函数；

Block2包括1层深度可分离卷积层，卷积核为3×3,输入通道数为16,输出通道数为32;

Block3包括2层3×3深度可分离卷积层，其中第1层输入通道数为32,输出通道数为64,步长为2;第2层输入通道数为64,输出通道数为64,步长为1;

Block4包括2层3×3深度可分离卷积层，其中第1层输入通道数为64,输出通道数为128,步长为2;第2层输入通道数为128,输出通道数为128,步长为1;

Block5包括1层3×3深度可分离卷积层和5层5×5深度可分离卷积层，其中3×3卷积层和前3层5×5卷积层均不使用SE模块，后2层5×5深度可分离卷积层加入SE模块；

Block6包括2层5×5深度可分离卷积，各层均使用SE模块；

所述特征融合颈部网络将LCPAN中的用于特征金字塔网络的特征图层级由3