[发明专利]一种基于SMCA-YOLOv5的轻量化军事目标检测方法

说明书

一种基于SMCA‑YOLOv5的轻量化军事目标检测方法，属于目标检测技术领域。首先，获取多种类别的军事目标图像，利用labelimg软件按照yolo格式对图像数据进行标注，建立含有七类的军事图像目标数据集，并对军事图像数据集按照目标类别以7:2:1分别划分到训练集、验证集和测试集中；其次，利用Stemblock结构和嵌入坐标注意力机制的MobileNetV3结构对YOLOv5s的主干网络进行重新设计，得到改进后的SMCA‑YOLOv5算法；最后，将军事目标数据集的训练集和验证集输入到SMCA‑YOLOv5的网络中进行100次迭代训练，反复调整参数，得到训练后的权重文件，检测输出结果。本发明实现模型在移动端设备上的嵌入，不仅降低了系统软硬件要求和设备成本，还可以自动检测七类军事目标，降低了人为识别的错误，提高了检测效率。

技术领域

本发明属于目标检测技术领域，具体涉及一种基于SMCA-YOLOv5的轻量化军事目标检测方法。

背景技术

基于手工提取特征的军事目标检测算法和基于深度学习的军事目标检测算法基本未考虑计算机资源的限制。特别是基于深度学习的战场目标检测算法对计算机软硬件的需求远超目前武器装备上计算机的资源配置，要实现此类技术在武器装备系统中的工程应用，需要继续对模型进行适当的简化和优化。

近年来，随着深度学习的快速发展，计算机视觉技术已广泛应用到视频监控、无人机驾驶、军事情报分析等各个行业。在军事应用领域，目标检测技术是提高战场态势生成、侦查、监视与指挥决策的基础和关键，是现代化战争赢得胜利的重要因素。实时精准地检测战场目标有助于我方更快地掌握战场环境并对敌方单元进行搜索与跟踪，了解敌方动态，以求在战争中抢占先机，处于主导地位。

传统的视觉目标检测技术大多是基于手工设计特征进行目标的检测，难以从复杂的战场环境中全面、快速、准确地获取目标的信息。基于深度学习的军事目标检测，许多学者提出了改进的方案。例如：对卷积神经网络进行结构改进；引入其它网络结构进行网络拼接；利用智能算法对网络结构进行寻优等。这些神经网络的改进方案为提取更高层次的特征信息而使用更深的网络结构，在一定程度上提高了模型的平均精度，但随着网络模型性能的不断提高，模型参数和计算量的增加制约了其在资源受限的武器装备上的嵌入。因此，设计轻量化网络模型降低系统软硬件要求和设备成本是值得深入研究的问题。

相近方法的技术方案