基于改进 YOLOv5 的光学遥感图像水坝检测研究

来源：计算机技术与发展杂志2023年第05期北京时间：

作者：薛继伟;孙宇锐

单位：东北石油大学 计算机与信息技术学院,黑龙江 大庆 163000 Author(s): XUE Ji-wei;SUN Yu-rui School of Computer and Information Technology,Northeast Petroleum University,Daqing 163000,China 关键词: 遥感图像;目标检测;水坝;注意力机制;YOLO Keywords: remote sensing image;object detection;dam;attention mechanism;YOLO 分类号: TP751;TP391. 4 DOI: 10. 3969 / j. issn. 1673-629X. 2023. 05. 011 摘要: 目标检测是计算机视觉领域的一个重要应用,针对光学遥感影像的目标检测任务也是当下的研究热点之一。 现阶段科技进步的同时带来了一系列环境问题,环境保护已经成为当下值得关注的重点问题。 水坝的建设是影响全球环境保护以及资源利用的一个重要因素,对水坝进行监测可以为环境保护工作提供参考依据。 为了环境保护后续工作的开展,分析水坝在图像中的位置,该文针对高分辨率光学遥感影像中的水坝目标检测方法进行研究,对比了深度学习三个阶段较为典型的目标检测模型,根据实验结果选用精度较高的 YOLOv5 通用目标检测模型,并根据遥感图像背景复杂的特性结合 CBAM 注意力机制提高网络对图像中水坝目标的重点关注。 在 DIOR 光学遥感目标检测数据集中提取含有水坝目标的图像并验证模型精度,实验表明 YOLOv5 -CBAM 在并不显著增加模型大小的情况下比 YOLOv5 运算能力强,并且 AP50可以达到 86. 4% ,比仅使用 YOLOv5 的模型 AP50 提高了 3. 2 百分点。 Abstract: Object detection is an important application in the field of computer vision,and the task of object detection for optical remotesensing images is also one of the current research hotspots.?At this stage,the progress of science and technology has brought a series ofenvironmental problems at the same time, so environmental protection has gradually become a key issue?worthy of attention. Theconstruction of dams has become an important factor affecting global environmental protection and resource utilization. Monitoring ofdams can provide reference for environmental protection work. In order to carry out the follow-up work of environmental protection andanalyze the position of the dam in the image,we study the dam target detection method in high-resolution optical remote sensing images,and compare the typical target detection models in three stages of deep learning. According to the experimental results the YOLOv5general target detection model with higher accuracy is selected,and according to the complex characteristics of the remote sensing imagebackground combined with the CBAM attention mechanism,　the network’s focus on the dam target in the image is improved. Extractimages containing dam targets in the DIOR optical remote sensing target detection dataset and verify the model accuracy. Experimentsshow that YOLOv5-CBAM has stronger computing power than YOLOv5 without significantly increasing the model size,and the AP50 ofYOLOv5 can reach 86. 4% ,　which is 3. 2 percentage points higher than that of the model using only YOLOv5.

摘要：目标检测是计算机视觉领域的一个重要应用,针对光学遥感影像的目标检测任务也是当下的研究热点之一。 现阶段科技进步的同时带来了一系列环境问题,环境保护已经成为当下值得关注的重点问题。 水坝的建设是影响全球环境保护以及资源利用的一个重要因素,对水坝进行监测可以为环境保护工作提供参考依据。 为了环境保护后续工作的开展,分析水坝在图像中的位置,该文针对高分辨率光学遥感影像中的水坝目标检测方法进行研究,对比了深度学习三个阶段较为典型的目标检测模型,根据实验结果选用精度较高的 YOLOv5 通用目标检测模型,并根据遥感图像背景复杂的特性结合 CBAM 注意力机制提高网络对图像中水坝目标的重点关注。 在 DIOR 光学遥感目标检测数据集中提取含有水坝目标的图像并验证模型精度,实验表明 YOLOv5 -CBAM 在并不显著增加模型大小的情况下比 YOLOv5 运算能力强,并且 AP50可以达到 86. 4% ,比仅使用 YOLOv5 的模型 AP50 提高了 3. 2 百分点。

关键词：遥感图像;目标检测;水坝;注意力机制;YOLO