(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 202211265767.8 (22)申请日 2022.10.17 (71)申请人 江苏思远集成电路与智能技 术研究 院有限公司 地址 213100 江苏省常州市武进区常武中 路18号常州科教城江南现代工业研究 院5楼 (72)发明人 于淼　孙莉　宋政伟　张元淳　 侯俊　郑培清　张国和　 (74)专利代理 机构 常州市英 诺创信专利代理事 务所(普通 合伙) 32258 专利代理师 张秋月 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/82(2022.01)G06V 10/764(2022.01) G06V 10/26(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 5/04(2006.01) (54)发明名称 一种基于卫星图像 机场目标毁伤检测方法 (57)摘要 本发明涉及机场毁伤检测技术领域， 尤其涉 及一种基于卫星图像机场目标毁伤检测方法， 包 括构建机场设施目标检测数据集； 对CSPNet进行 改造； 改进训练优化策略； 采用DoReFa ‑Net多值 量化方法对YOLOv5网络进行优化， 同时量化权 重、 特征值和梯度； 基于YOLOv5网络的超大图像 推理部署； 对油罐毁伤、 机堡毁伤、 飞机及跑道毁 伤进行分类毁伤 检测。 本发明提供基于结构重参 数化与8bit量化的深度学习网络 结构、 分步对高 精度卫星遥感图像中机场各目标毁伤的检测； 针 对跑道毁伤是利用最小起降窗口与跑道分别从 不同的角度进行逐点卷积， 根据弹坑分布计算最 小起降窗口的面积， 从而判断跑道毁伤后飞机能 否起飞。 权利要求书2页 说明书8页 附图5页 CN 115546659 A 2022.12.30 CN 115546659 A 1.一种基于卫星图像机场目标毁伤检测方法， 其特 征在于， 包括以下步骤： 步骤一、 构建机场设施目标检测数据集， 包括构建飞机、 机堡、 机堡弹坑及跑道弹坑的 卫星图像数据集； 步骤二、 利用结构重参数化思想， 结合单路模型以轻量化的YOLOv5网络为基础对 CSPNet进 行改造， 并采用解耦训练 时和推理 时架构； 针对卫星图像小目标的识别， 改进训练 优化策略； 步骤三、 采用DoReFa ‑Net多值量化方法对YOLOv5网络进行优化， 同时量化权重、 特征值 和梯度， 反向传播时更新权重的全精度 表示， 推断时使用权重的量化表示； 在权重的量化过 程中利用直 通估计方式规避0梯度； 步骤四、 基于 YOLOv5网络的超大图像 推理部署； 步骤五、 对油罐毁伤、 机堡毁伤、 飞机及跑道毁伤进行分类毁伤检测。 2.根据权利 要求1所述的基于卫星图像机场目标毁伤检测方法， 其特征在于， 对CSPNet 进行改造， 并采用解耦训练时和推理时架构， 具体包括： 将Identity转换为1x1卷积， 构造出一个以单位矩阵为卷积核的1x1卷积； 将1x1卷积等价转换为3x3卷积并用0填充， 将1x1卷积等价转换为3x3卷积并用0填充， 其中， 3x3卷积的参数是4个3x3矩阵， 1x1卷积的参数是1个2x2矩阵； 三个分支都有BN层， 参 数包括累积得到的均值及标准差、 学习得到的缩放因子及bias， 推理时的卷积层和BN层等 价转换为一个带bias的卷积层； 将CSPNet中的3 ×3卷积进行结构重参数化改造， 重新嵌入到YOLOv5网络中， 作为训练 时的网络架构， 而在推理时， 将旁支融合到 3×3卷积模块中。 3.根据权利要求1所述的基于卫星图像机场目标毁伤检测方法， 其特征在于， 改进训练 优化策略， 具体包括： 对损失函数的优化和对激活函数的适应性改进。 4.根据权利要求3所述的基于卫星图像机场目标毁伤检测方法， 其特征在于， 损失函数 的优化包括： 采用S ‑IOU损失函数， 分别计算角度成本、 距离成本、 形状成本和IoU成本， 得到 IOU损失函数。 5.根据权利要求3所述的基于卫星图像机场目标毁伤检测方法， 其特征在于， 激活函数 的适应性改进包括： 将3 *3卷积与ReLU函数合并为基本算子， 将sw ish函数替换为ReLU函数。 6.根据权利要求1所述的基于卫星图像机场目标毁伤检测方法， 其特征在于， DoReFa ‑ Net多值量化的公式为：   （12） 对特征值的量 化采用截断的方式：    （13） 其中，ri是范围为0到1之间的实数， ro是范围为0到1之间的 k位量化数值， 为激活函 数。 7.根据权利要求1所述的基于卫星图像机场目标毁伤检测方法， 其特征在于， 步骤四具 体包括：权　利　要　求　书 1/2 页 2 CN 115546659 A 2采用opencv ‑python的方式进行图像读取并格式转换， 再进行归一 化； 得到每个目标框的位置和置信度， 进行非极大值抑制， 通过OpenCV  cv2.dnn.NMSBoxes 函数， 根据置信度阈值和IOU阈值进行筛 选得到单张图像 推理结果； 采用步长切割的方式将超大图像切割成能小尺寸图像， 选定步长， 计算每个小尺寸图 像在超大图像中的位置 。 8.根据权利要求1所述的基于卫星图像机场目标毁伤检测方法， 其特征在于， 油罐毁 伤、 机堡毁伤的检测方法包括： 将毁伤前的超大图像进行油罐和机堡目标的推理识别， 获得油罐和机堡的实际地理坐 标； 将毁伤后的同一 区域超大图像进行推理识别， 根据实际地理坐标检查同一位置是否有 预测框， 从而判断油罐和机堡是否毁伤； 对毁伤前后两张图像中的油罐和机堡预测框进行计数， 得出区域油罐和机堡类目标的 毁伤数目。 9.根据权利要求1所述的基于卫星图像机场目标毁伤检测方法， 其特征在于， 飞机及跑 道毁伤的检测方法， 包括： 根据机场跑道的四个角坐标对跑道定位， 并将毁伤后的超大图像进行跑道区域内弹坑 的推理识别， 得 出弹坑地理坐标； 利用最小起降窗口与 跑道分别从不同的角度进行逐点卷积， 当不存在弹坑 时卷积结果 为最小起降窗口 的面积， 记录起降窗口 的位置。 10.根据权利要求9所述的基于卫星图像机场目标毁伤检测方法， 其特征在于， 飞机及 跑道的毁伤检测方法具体包括： 输入最小起降窗口的宽、 高， 跑道四个角的坐标和弹坑的坐标， 计算跑道的两条直角边 的长度并根据长边求斜率； 计算跑道中心坐标及跑道的高和宽， 求跑道的倾斜角度以确定 旋转矩阵， 将跑道摆正， 将原图中弹坑的坐标处理为只有跑道摆正后的矩形中的坐标， 计算 最小起降窗口； 以跑道为中心进行扩展， 穷举搜索最小起降窗口的角度范围和步进， 扩展后的跑道逆 时针旋转， 保持扩展后的跑道矩阵大小不变； 旋转后的矩阵与最小起降窗口卷积； 在 满足最 小起降窗口的条件下， 如果更宽的窗口依然没有弹坑， 则增加窗口的宽度， 记录起降窗口的 横坐标、 纵坐标、 宽、 高； 在起降窗的宽度相同时， 如果更高的窗口依然没有弹坑， 则增加窗 口的高度； 最后根据原图中起降窗口四个角的位置 输出坐标。权　利　要　求　书 2/2 页 3 CN 115546659 A 3