0 引　言

随着航空遥感影像技术的发展，舰船影像检测目标更加清晰，能够准确检测舰船的颜色、纹理和几何结构，并且检测结果不会受到相机拍摄角度、光照条件等因素的影响。对于舰船弱小目标检测而言，航空遥感影像中经常会包含众多弱小目标，受图像背景、复杂构造物等干扰因素影响，增加了弱小目标的精准检测难度。基于此，本文提出一种改进的YOLOv3模型用于航空遥感影像中的弱小目标检测。

1 舰船弱小目标检测

舰船目标多具备尖形舰首，梯形或方形舰尾，这种几何结构是区别于海上其他检测目标的重要特征。基于航空遥感影像的舰船弱小目标检测流程如图1所示，先进行直线段检测，再采用直线段聚类求得K均值，接着运用有效类分析计算出每个类内直线段数据，最终得到舰船目标信息。

1.1 直线段检测

直线段检测适用于几何特征明显的舰船弱小目标检测，利用直线段检测方法能够在短时间内获得高精度检测结果。在检测过程中，先计算图像梯度和方向，确定相邻点，连接相邻点呈连通状态，依据每一个区域的矩形度对多个矩形度较大域进行分析判断，接着筛选出所有的域范围，按照预设的条件剔除不符合要求的域，得出最终检测结果。直线段检测法具备检测速度快、准确度高的特点，可以有效控制错误^[1-3]。

1.2 直线段聚类

舰船弱小目标经过直线段检测后会出现密集分布的直线段，需采用密集聚类算法来分析直线段。常用的聚类算法为K均值密度聚类算法，此算法具备聚类好、收敛速度快的优点。算法步骤为：第1步，随机从多条直线段中选出一条，确定直线段中心点，将该点作为初始聚类的中心点^[4-6]。第2步，随机从多条直线段中选出一条直线段，计算出聚类中心点与直线段中心之间的距离，按照最小距离原则确定最近聚类。将距离小于预先设定距离阈值的直线段归入到聚类中，将该直线段的中心点作为已归入聚类集合的中心点。如果距离超出预设阈值，则要重新建立聚类，并且重新确定聚类中心点。第3步，当所有直线段检测完毕后，重复第2步，直到所有直线段都完成聚类。

1.3 有效类画框

统计所有类内的直线段，当直线段数目超出预设数目阈值后，将直线段判断为有效类，画出最小外接矩形。检测直线类K均值密度聚类和有效类画框，合并处理重叠区域矩形框，最终检测框用重叠区域矩形框表述。输出有效类画框中的舰船目标信息，此类信息涵盖舰船弱小目标的宽度、长度、面积以及坐标信息。

2 应用航空遥感影像的舰船弱小目标检测算法 2.1 YOLOv3算法

YOLOv3算法通过融合2个不同深度的输出特征图，从而提升目标检测的敏感度，提高目标检测效率，此算法采用多尺度目标检测方法和Darknet-53网络，构建起特征金字塔，完成多尺度目标检测。当特征值处于较浅层的网络中时，经过卷积层处理可以得到信息含量少的图像，导致图像中的信息清晰度不足。当特征值处于较深层的网络中时，经过卷积神经网络处理后可以得到丰富的目标位置信息。为弥补较浅层网络对舰船弱小目标检测带来的不利影响，本文提出YOLOv3算法的改进方案，通过改进后的算法增加检测尺寸，构建起改进网络模型，满足数据集的对比分析所需。

2.2 YOLOv3算法改进

YOLOv3算法改进主要包括以下4个部分：

增加检测尺度。YOLOv3算法改进要增加检测尺度，以满足弱小目标检测的敏感性要求，增加的检测尺度为104×104。YOLOv3算法原本共有3种检测尺度，分别为13×13，26×26，52×52，增加104×104后能够提高YOLOv3算法改进模型对舰船小目标的检测能力。在航空遥感图像数据集中，舰船目标对于整个检测区域而言属于弱小目标，增加新检测尺度后重新构建网络结构图，在不同敏感度B下，YOLOv3算法改进后的网络结构模型图如图2所示。

设定锚框尺寸。检测尺度与锚框尺寸相对应，在YOLOv3模型构建中采用K-means聚类算法对数据进行描述。该算法通过检测样本之间的距离，间接评估样本之间的相似度。具体流程如下：首先通过坐标系对各个样本的直线距离进行计算，然后对比分析初始样本点与参考样本点之间的相对坐标；经过比较，将样本点调整到形成簇的中心位置，重复上述操作，直到样本点不会出现移动。运用聚类算法建立起9个尺寸锚框，根据感受野的大小匹配相应的锚框尺寸，如13×13感受野匹配的锚框尺寸包括373×326，156×198，116×90。

设定锚框参数。在检测舰船弱小目标时采用航空遥感数据集，设定所有样本的图片尺寸为1024×1024，根据图片尺寸调整锚框个数，对所有样本进行聚类分析，评价样本重合程度。为提高YOLOv3模型的检测力，引入IoU评价重合度，计算公式为：

$ d(box,centroid) = 1 - IoU(box,centroid) \text{。} $

式中，box为检测样本； $ centroid $ 为簇的中心。K-means聚类算法中样本距离判断相似性的流程图如图3所示。根据距离计算公式对自制数据集进行聚类分析，分析结果如图4所示。在自制数据集上，锚框尺寸为20×16，14×12，80×74，54×46，84×102，118×110，244×296，132×238。不同锚框尺寸对应不同的特征图尺寸。

损失函数改进。当YOLOv3模型中的参数数据和特殊图信息较多时，会明显提高网络的拟合能力，造成弱小目标检测敏感性过高，无法总结出样本数据规律，YOLOv3改进模型中缩小目标检测网络过拟合现象示例图如图5所示。为解决这一问题，需引入损失函数，建立起拟合数据模型，为控制拟合的敏感性，应促使 $ {\theta _3} $ 、 $ {\theta _4} $ 趋于0。

$ f(x) = {\theta _0} + {\theta _1}*{x^{}} + {\theta _2}*{x^2} + {\theta _3}*{x^3} + {\theta _4}*{x^4} \text{。} $

2.3 自制数据集

本文提出的YOLOv3改进模型中采用自制数据集，包括My Plane和My Ship数据集，其中My Plane数据集从DOTA数据集中获取数据，My Ship数据集对获取的数据进行适当改动。My Plane数据集仅含有舰船样本图片，通过编写Python代码筛除无效图片，并筛选出TXT标注文件，将所有筛选出的样本建立起数据集，数据集的名称为My Plane_1。原DOTA数据集中的样本图片较大，需将图片转换为1024×1024统一尺寸，避免图片传输中出现信息丢失。My Plane_1数据集中需裁剪原始大图片，针对待测目标分割情况确定是否保留目标。通过分割图片，找到适合网络训练的数据集，确定为My Plane_2临时样本，其中包含至少2张舰船弱小目标图片。根据数据集中确定的标准文件类型，设定目标位置坐标，生成矩形方框。用TXT文件替换XML文件，删除舰船目标以外的图像信息，完成目标检测的前期处理工作。在扩增My Plane数据集的过程中，可以采用旋转角度和翻转镜像的方式增加样本数量，将数据集收入到文件夹中。My Ship数据集的制作方式与My Plane数据集的制作方式基本一致。

3 仿真实验 3.1 仿真实验设计

为验证本文提出的YOLOv3改进模型在舰船弱小目标检测中的有效性，采用仿真实验对比分析本文提出模型与Faster R-CNN+Resnet101（简称“模型1”）、Faster R-CNN+VGG16（简称“改进模型”）的检测效果，客观评价2种检测模型的检测能力。在实验过程中，对特定目标数据集进行4次网络训练检测，选取My Plane数据集和My Ship数据集，网络模型训练过程设计如下：共50轮训练，分2个训练阶段，第1阶段训练20轮，第2阶段训练30轮。基于My Plane数据集的改进模型损失函数关系图如图6所示。从图中可知，改进模型的收敛速度更快，产生这一现象的主要原因在于第1阶段的训练网络处于欠拟合状态，导致损失函数增大。而进入到第2阶段的训练后，网络过拟合现象得以缓解，造成网络损失函数大幅度下降。

3.2 实验结果

选取舰船弱小目标检测4项评价指标，判断2种模型的检测能力，4项指标包括检测精准率、召回率、虚警率和漏警率。在仿真实验中，My Plane数据集中提供一张舰船遥感图像，该图像中有很多干扰物体，背景昏暗。本文提出的改进模型能够检测出14个舰船目标，无误检情况。

本文提出的改进模型在检测实验中共准确检测出7056个目标，检测精准数量多出80个，误检数量少203个。这是因为在检测流程中改进模型增加了104×104检测尺寸，让检测模型获取更多的特征图信息，提高改进后模型对舰船缩小目标的检测能力。同时，改进模型中采用整体损失函数解决数据过拟合问题，有助于降低误检数量。2种航空遥感影像检测模型在My Plane数据集上的检测结果如图7所示。

根据检测数据得出检测指标如下：模型1、改进模型在My Plane数据集上的检测错误率分别为32%，34%。根据检测数据可知，本文提出的改进后模型的4项检测指标的检测结果更好。由此证明本文提出的改进模型比其他模型的舰船目标综合检测能力、舰船弱小目标检测能力更强。

4 结　语

在航空遥感影像检测中，建议推广采用YOLOv3模型进行舰船弱小目标检测，利用增加的检测尺寸提高检测精准度和敏感性，合理设置锚框尺寸和参数，并借助损失函数降低误检率，从而提高YOLOv3模型对舰船整体目标的检测能力以及弱小目标的检测有效性。