(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 202210874032.9 (22)申请日 2022.07.20 (71)申请人 中国科学院西安 光学精密机 械研究 所 地址 710119 陕西省西安市高新区新型工 业园信息大道17号 (72)发明人 张海峰　艾汗　董森　任龙　冯佳　 (74)专利代理 机构 西安智邦专利商标代理有限 公司 6121 1 专利代理师 杨引雪 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于改进YOLOX网络模 型的空间目标检 测方法 (57)摘要 本发明涉及一种图像检测方法， 具体涉及一 种基于改进YOLOX网络模型的空间目标检测方 法， 解决传统空间目标检测方法算法复杂度， 且 在极其复杂的空间环境下检测率低， 泛化能力差 的技术问题。 该基于改进YOLOX网络模型的空间 目标检测方法， 包括以下步骤： 步骤S1： 获取带有 标注和标签的空间目标检测数据集； 步骤S2： 构 建YOLOX网络模型； 步骤S3、 将步骤S1获取的训练 集和验证集， 输入到步骤S2构建的YOLOX网络模 型中， 进行训练和验证， 得到空间目标检测模型 及其预测权重， 通过前向传播与反向传播对预测 权重不断进行迭代优化， 得到训练好的YOLOX网 络模型； 步骤S4、 将测试集中的空间目标图像输 入到训练好的YOLOX网络模型中进行空间目标检 测。 实现空间目标的高精度检测。 权利要求书4页 说明书12页 附图4页 CN 115471670 A 2022.12.13 CN 115471670 A 1.一种基于改进YOLOX网络模型的空间目标检测方法， 其特 征在于， 包括以下步骤： 步骤S1： 获取带有标注和标签的空间目标检测数据集， 并将空间目标检测数据集分为 训练集、 验证集和 测试集； 步骤S2： 构建YOLOX网络模型， YOLOX网络模型包括主干特征提取模块Backbone网络、 加 强特征提取模块Di lated Encoder网络及解耦输出模块Yo loHead网络； 步骤S3、 将步骤S1获取的训练集和验证集， 输入到步骤S2构建的YOLOX网络模型中， 进 行训练和验证， 得到空间目标检测模型及其预测权重， 通过前向传播与反向传播对预测权 重不断进行迭代优化， 得到训练好的YOLOX网络模型； 步骤S4、 将测试集中的空间目标图像输入到训练好的YOLOX网络模型中进行空间目标 检测。 2.根据权利要求1所述的一种基于改进YOLOX网络模型的空间目标检测方法， 其特征在 于， 步骤S1具体为： S11、 获取具有空间目标的图像， 对图像进行Copy ‑Reduce‑Paste数据增强， 获得增强图 像； S12、 对步骤S11中获得的增强图像进行标注， 获取增强图像对应的空间目标位置及其 种类的XML标注文件； 并将增强图像与其对应的XML标注文件建立空间目标检测数据集； S13、 将步骤S12中获取的空间目标检测数据集， 按8： 1： 1随机分为训练集、 验证集和测 试集。 3.根据权利要求1或2所述的一种基于改进YOLOX网络模型的空间目标检测方法， 其特 征在于， 步骤S2具体为： S21： 构建主干特 征提取模块Backbo ne网络； S22： 构建加强特 征提取模块Di lated Encoder网络； S23： 构建解耦输出模块Yo loHead网络， 完成YOLOX网络模型构建。 4.根据权利要求3所述的一种基于改进YOLOX网络模型的空间目标检测方法， 其特征在 于， 步骤S21中所述主干特征提取模块Backbone网络包括Focus模块、 深度可分离卷积层、 残 差模块与S PPBottleneck模块； 所述深度可分离卷积层包括第一个深度可分离卷积层、 第二个深度可分离卷积层、 第 三个深度可分离卷积层、 第四个深度可分离卷积层与第五个深度可分离卷积层； 所述残差模块包括第一个CspLayer模块、 第二个CspLayer模块、 第三个CspLayer模块 以及第四个CspLayer模块； 所述Focus模块、 第一个深度可分离卷积层、 第二个深度可分离卷积层、 第一个 CspLayer模块、 第三个深度可分离卷积层、 第二个CspLayer模块、 第 四个深度可分离卷积 层、 第三个CspLayer模块、 第五个深度可分离卷积层、 SPPBottleneck模块、 第四个CspLayer 模块依次连接； 所述第二个CspLayer模块产生第一特征层； 第三个CspLayer模块产生第二特征层， 第 四个CspLayer模块产生第三特 征层。 5.根据权利要求4所述的一种基于改进YOLOX网络模型的空间目标检测方法， 其特征在 于， 步骤S22中所述加强特征提取模块Dilated  Encoder网络包括1个初始卷积层模块、 Z个 扩张残差块及Z ‑1个注意力机制反馈模块CBAM， Z为 正整数；权　利　要　求　书 1/4 页 2 CN 115471670 A 2步骤S22具体为： S221： 构建初 始卷积层模 块， 将步骤S21得到的第一特征层m1， 作为初始卷积层模 块的输 入， 使用1 ×1卷积层降低通道维度， 添加3 ×3卷积层来细化语义上下文， 获得初始卷积层 模 块的输出x1： x1＝conv2(conv1(m1)) 式中， conv1为1×1卷积层， co nv2为3×3卷积层； S222： 构建扩张残差块， 对步骤S221获得的初始卷积层模块的输出x1进行卷积层操作， 获得扩张残差块的输出 Xi： Xi＝xi+conv5(conv4(conv3(xi))) 式中， xi为第i扩张残差块的输入， conv3、 conv5均为1×1卷积层， conv4为3×3卷积层， Xi 为第i个扩张残差块的输出， S223： 构建注意力机制反馈模 块CBAM， 将步骤S222中扩张残 差块的输 出Xi输入注意力机 制反馈模块CBAM， 获得通道注意力输出特征图 与空间注意力输出特征图 并将空 间注意力输出 特征图 作为注意力机制反馈模块CBAM的输出 特征图Yi； S224： 建立递归的加强特 征提取模块Di lated Encoder网络： xi+1＝Yi 通过步骤S222至步骤S223， 获得第Z ‑1次的注意力机制反馈模块CBAM的输出特征图 YZ‑1， 即得到第Z扩张残差块的输入xZ， 将xZ代入步骤S222中扩张残差块的输出Xi＝xi+conv5 (conv4(conv3(xi)))， 获得第一特征层对应的加强特征提取模块Dilated  Encoder网络的加 强特征层； S225： 重复步骤S221至步骤S224的方法， 获得第二特征层、 第三特征层对应加强特征提 取模块Dilated  Encoder网络输出的加强特征层， 完成加强特征提取模块Dilated  Encoder 网络的构建。 6.根据权利要求5所述的一种基于改进YOLOX网络模型的空间目标检测方法， 其特征在 于， 步骤S23中所述解耦输出模块YoloHead网络包括动态卷积层、 层注 意力机制及预测参数 层； 步骤S23具体为： S231： 计算 解耦输出模块Yo loHead网络的任务交 互特征， 获得的动态卷积层 为： X∈R×H×W×C 其中， X为步骤S225中获得的其中一个加强特征层， R、 H、 W和C分别表示每次输入YOLOX 网络模型的图像数量batchSize、 图像高度、 图像宽度和通道数， δ指r elu激活函数， convk指 第k个卷积层, S232： 使用层注意力机制， 利用步骤S231中获得的动态卷积层 计算分类和回归任 务的特征层 w＝σ(fc2( δ(fc1(xinter))))权　利　要　求　书 2/4 页 3 CN 115471670 A 3