买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安电子科技大学申请的专利基于掩码网络融合图像特征的SAR舰船目标检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115965862B 。

龙图腾网通过国家知识产权局官网在2025-07-29发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211567684.4，技术领域涉及：G06F16/50；该发明授权基于掩码网络融合图像特征的SAR舰船目标检测方法是由雷杰;郭怡;杨埂;谢卫莹;李云松设计研发完成，并于2022-12-07向国家知识产权局提交的专利申请。

本基于掩码网络融合图像特征的SAR舰船目标检测方法在说明书摘要公布了：本发明提出了一种基于掩码网络融合图像特征的SAR舰船目标检测方法，其步骤为：利用舰船目标与背景的亮度梯度差生成自适应的SAR图像舰船语义分割标签；构建掩码特征融合子网络与掩码特征融合目标检测网络；利用构建的损失函数对目标检测网络进行迭代训练；获取测试样本的目标包围框坐标和置信度。本发明通过生成自适应的SAR图像舰船掩码标签使数据集缺少掩码标签时也能将目标检测与分割任务结合起来；构建了一个掩码特征融合子网络，突出舰船目标特征，抑制背景信息，提升了目标检测精度；为网络设计损失函数，解决了图像前景背景不平衡和训练过程不稳定的问题。

本发明授权基于掩码网络融合图像特征的SAR舰船目标检测方法在权利要求书中公布了：1.一种基于掩码网络融合图像特征的SAR舰船目标检测方法，其特征在于，利用船舶和背景亮度梯度差生成自适应的SAR图像舰船语义分割标签，构建掩码特征融合目标检测网络，构建带权重的交叉熵损失函数；该目标检测方法的步骤包括如下： 步骤1，生成样本集： 步骤1.1，收集至少900张尺度大于320×320像素的SAR船舶图像样本，每个样本至少包含一个船舶目标； 步骤1.2，为每个样本标注目标检测标签文件，每个目标检测标签文件中包含对应样本中的所有船舶目标的包围盒坐标； 步骤1.3，将所有SAR船舶图像样本及其对应的目标检测标签文件组成样本集； 步骤2，利用船舶和背景亮度梯度差生成自适应的SAR图像舰船语义分割标签： 步骤2.1，将样本集中的每个样本的目标检测标签中每个包围盒的坐标放大1.5倍，得到放大后的每个包围盒的坐标； 步骤2.2，依据放大后的坐标位置，从每个样本中裁剪出该样本包含的所有舰船目标，组成该样本的目标切片图； 步骤2.3，依次采用双边滤波与自适应中值滤波，对每张目标切片图进行滤波；双边滤波选用的滤波核大小为5，滤波范围为10；根据滤波器窗口覆盖区域的灰度值动态地调整滤波器窗口大小； 步骤2.4，利用最大类间方差法OTSU，对滤波后每张目标切片图进行自适应处理，得到每张目标切片图对应的二值目标切片图； 步骤2.5，对每张二值目标切片图依次执行腐蚀膨胀与膨胀腐蚀操作，得到处理后的二值目标切片图； 步骤2.6，按照步骤1.1包围盒的大小坐标，对每张处理后的二值目标切片图进行裁剪，将裁剪后的二值目标切片图贴在与样本尺度大小相同且像素值全为0的全黑图像上，得到舰船目标像素值为255，背景像素值为0的语义分割掩码标签； 步骤3，生成训练集： 步骤3.1，对训练样本集中的每个样本执行自适应SAR图像舰船语义分割标签生成操作，得到训练样本集语义分割标签； 步骤3.2，对训练样本集中的每个样本以及其对应的语义分割掩码标签进行预处理，得到预处理后的训练样本、语义分割标签和目标检测标签； 步骤3.3，将预处理后的所有训练样本、语义分割标签和目标检测标签组成训练集； 步骤4，构建由掩码特征融合子网络、特征提取子网络、多尺度特征融合子网络及其检测头组成的掩码特征融合目标检测网络： 步骤4.1，搭建一个8层的掩码特征融合子网络，该子网络包括：第一GateC模块、第一CSP模块、第二GateC模块、第二CSP模块、卷积层、sigmoid层、第一卷积采样层、第二卷积采样层；其中，第一GateC模块，第一CSP模块，第二GateC模块，第二CSP模块，卷积层，sigmoid层串联；第一卷积采样层与第一GateC模块串联；第二卷积采样层与第二GateC模块串联；将第一、第二CSP模块的输入通道分别设置为64和32，输出通道分别设置为64和32，BottleNeck模块个数均设置为1，均关闭残差结构；所述第一、第二卷积采样层的网络结构相同，均由一个卷积层和一个上采样层串联组成；将第一、第二卷积采样层中的卷积层的输入通道分别设置为128和256，输出通道均设置为1，卷积核大小均设置为1×1，步长均设置为1；第一、第二个卷积采样层中的上采样层均设置为640×640像素； 所述第一、第二CSP模块结构相同，每个CSP模块包括：第一CBS模块、BottleNeck模块、第二CBS模块、拼接层、第三CBS模块；所述CSP模块的网络结构为：第一CBS模块，BottleNeck模块，拼接层，第三CBS模块串联，第二CBS模块与第一CBS模块、BottleNeck模块在拼接层并联； 所述第一、第二GateC模块的结构相同，每个GateC模块的结构依次为：第一拼接层，第一批量标准化层，第一卷积层，ReLU激活层，第二卷积层，第二批量标准化层，sigmoid层，相乘层，相加层，第三卷积层；将第一GateC模块中的第一至三卷积层的输入通道分别设置为65，65，64，输出通道分别设置为65，1，64；将第二GateC模块中的第一至三卷积层的输入通道分别设置为33，33，32，输出通道分别设置为33，1，32；两个GateC模块中的所有卷积层的卷积核大小均设置为1×1，步长均设置为1； 步骤4.2，搭建一个特征提取子网络，其结构依次为：第一CBS模块，第二CBS模块，第一CSP模块，第三CBS模块，第二CSP模块，第四CBS模块，第三CSP模块，第五CBS模块，ASPPF模块，第四CSP模块；将第一至第五CBS模块的输入通道数分别设置为1，32，64，128，256，输出通道数分别设置为32，64，128，256，512，步长分别设置为1，2，2，2，2，卷积核尺寸均设置为3×3；将第一至第四CSP模块的输入通道数分别设置为64，128，256，512，输出通道数分别设置为64，128，256，512，BottleNeck模块数分别设置为1，2，2，2，2个；第一至第三CSP模块的结构为开启残差结构，第四CSP模块的结构为关闭残差结构； 所述第一至第三CSP模块的结构与步骤4.1中的CSP模块相同；所述第一至第五CBS模块的结构相同，每个CBS模块的网络由卷积层，批量标准化层，SiLU激活层串联组成； 所述ASPPF模块包括：第一CBM模块，第一最大池化层，第二最大池化层，第三最大池化层，拼接层和第二CBM模块；其中，第一CBM模块、第一最大池化层、第二最大池化层和第三最大池化层串联；拼接层与第二CBM模块串联；第一CBM模块、第一最大池化层、第二最大池化层和第三最大池化层在拼接层并联；将第一至第三最大池化层的卷积核尺寸均设置为5×5；所述第一、第二CBM模块的结构相同，每个CBM模块由卷积层，批量标准化层，MetaAcon自适应激活层串联组成；将第一、第二CBM模块的输入通道数分别设置为512，1024，输出通道数分别设置为256，512；卷积层的卷积核尺寸均设置为1×1，步长均设置为1； 步骤4.3，构建多尺度特征融合子网络，其结构包括：第一CBS模块、第一上采样层、第一拼接层、第一CSP模块、第二CBS模块、第二上采样层、第二拼接层、第二CSP模块、第三CBS模块、第三拼接层、第三CSP模块、第四CBS模块、第四拼接层、第四CSP模块、Fusion模块；其中，第一CBS模块，第一上采样层，第一拼接层，第一CSP模块，第二CBS模块，第二上采样层，第二拼接层，第二CSP模块，第三CBS模块，第三拼接层，第三CSP模块，第四CBS模块，第四拼接层，第四CSP模块依次串联；Fusion模块串联与第二拼接层串联；第一CBS模块与第四拼接层并联；第一CSP模块与第三拼接层并联；第一至第二上采样层分别设置为80×80像素和160×160像素；第一至第四CBS模块的输入通道数分别设置为512，256，128，256，输出通道分别设置为256，128，128，256，卷积核大小分别设置为1×1，1×1，3×3，3×3，步长分别设置为1，1，2，2；第一至第四CSP模块的输入通道数分别设置为512，256，256，256，输出通道分别设置为256，128，512，512，BottleNeck模块的个数均设置为1，均关闭残差结构； 所述Fusion模块的结构依次为下采样层，拼接层，第一卷积层，第一批量标准化层，第一ReLU激活层，随机丢弃层，第二卷积层，第二个批量标准化层，第二ReLU激活层；所述Fusion模块有两个输入，分别为掩码特征输入与主干特征输入；将下采样层设置为160×160像素；将第一、第二卷积层的输入通道分别设置为288，320，输出通道分别设置为320，256，卷积核尺寸均设置为3，步长均设置为1；随机丢弃层的丢弃率设置为0.1； 步骤4.4，将特征提取子网络中的第一CSP模块与掩码特征融合子网络中的第一GateC模块相连，作为第一GateC模块的选通输入；将掩码特征融合子网络的第一卷积采样层、第二卷积采样层分别与特征提取子网络中的第二CSP模块、第三CSP模块相连；将特征提取子网络中的第四CBS模块与多尺度特征融合子网络中的Fusion模块相连，作为Fusion模块的主干特征输入；将特征提取子网络中的第五CBS模块、第四CSP模块，分别与多尺度特征融合子网络中的第一拼接层、第一CBS模块相连；多尺度特征融合子网络的第二、第三、第四CSP模块的输出分别与检测头1、检测头2、检测头3相连，得到掩码特征融合目标检测网络； 步骤5，生成目标检测损失函数Lossall如下： 其中，Losstarger表示目标检测任务的损失值，Losstarger表示传统的Yolov5网络的损失函数；Lossbce表示带权重的交叉熵损失函数值，σ1，σ2分别表示网络训练过程中自动为Losstarget和Losstarget分配的权重系数，log表示以自然常数e为底的对数操作； 所述带权重的交叉熵损失函数Lossbce如下： ωp＝nnegnpos+nneg ωn＝nposnpos+nneg 其中，N表示当前网络迭代训练中语义分割掩码标签的图片总数，yi表示第i张语义分割掩码标签的像素值，pi表示第i张语义分割掩码标签经网络模型的输出，ωp和ωn分别表示舰船目标和背景分配的权重值，nneg与npos分别表示语义分割掩码标签中舰船目标像素的总数与背景像素的总数； 步骤6.训练掩码特征融合目标检测网络： 将训练集中图片输入到掩码特征融合目标检测网络中，使用SGD优化算法，迭代更新网络权重值，直到损失函数收敛为止，得到训练好的掩码特征融合目标检测网络； 步骤7.检测SAR图像中舰船目标的位置： 将待检测的SAR舰船目标图像采样到640×640像素后输入到训练好的掩码网络特征融合目标检测网络中，输出待检测图像中每个舰船目标的目标框坐标和置信度。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安电子科技大学，其通讯地址为：710071 陕西省西安市太白南路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。