摘要：停泊飛機目標檢測對機場交通管控、重點軍事基地部署掌握、監(jiān)控敵方實時軍事動態(tài)等軍民領(lǐng)域均具有重要意義。飛機目標檢測需要綜合考量檢測精度與檢測速度兩個方面，本文將YOLOv5骨干網(wǎng)絡(luò)中的C3模塊和部分卷積模塊替換成Ghost"Bottleneck，從而將Ghostnet引入YOLOv5s網(wǎng)絡(luò)中，取得很好的檢測效果。在檢測精度上，mAP0.5達到了95.34%，mAP0.5-0.95達到了61.6%，網(wǎng)絡(luò)的精度達到了96.89%，召回率達到了91.42%。在檢測速度上，網(wǎng)絡(luò)的FPS達到了66.67。

關(guān)鍵詞：光學飛機目標檢測；卷積神經(jīng)網(wǎng)絡(luò)；YOLOv5；Ghostnet

中圖分類號：TB"文獻標識碼：Adoi：10.19311/j.cnki.16723198.2025.01.082

0"引言

信息主導權(quán)是影響現(xiàn)代戰(zhàn)爭局勢走向的重要因素。面對海量的成像偵察數(shù)據(jù)，自動化的目標識別將大大提升獲取信息的速度和質(zhì)量。停泊飛機目標檢測對機場交通管控、重點軍事基地部署等軍民領(lǐng)域具有重要意義，因此，開展基于遙感圖像的飛機檢測方法研究意義深遠。

如何在復雜環(huán)境下快速、準確地檢測飛機目標點，是圖像檢測的熱點與難點。目前，主要存在以下問題：（1）光學遙感飛機數(shù)據(jù)集數(shù)量少且獲取難度大。（2）飛機目標大小不一，形態(tài)各異。（3）在分辨率較高的情況下，需要考慮的干擾因素較多。

本文利用YOLOv5網(wǎng)絡(luò)實現(xiàn)光學駐停飛機目標檢測，并能以優(yōu)秀的精度和較快的推理速度完成檢測任務(wù)。將Ghostnet引入YOLOv5網(wǎng)絡(luò)并進行全新訓練，在保證模型精度的情況下大大提升了模型的檢測速度，最終能夠出色地完成光學駐停飛機目標檢測任務(wù)。

1"Ghost-YOLOv5

1.1"Ghostnet

Ghostnet是由華為諾亞方舟實驗室于2020年提出的輕量級CNN，其目的是便于在有限的硬件資源、移動設(shè)備上部署神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)的速度與精度是一對矛盾的性能指標，Ghostnet最突出的亮點就是換取模型輕量化的同時，犧牲的精度變得更少了，這種改變不會對原始輸出特征圖的尺寸造成任何影響，這使Ghostnet可以與任意卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合

1.2"將Ghostnet引入YOLOv5

Ghostnet是一種分類網(wǎng)絡(luò)，而YOLOv5是一種檢測網(wǎng)絡(luò)。分類網(wǎng)絡(luò)是檢測網(wǎng)絡(luò)的基礎(chǔ)，在檢測網(wǎng)絡(luò)中通常包含著一個分類網(wǎng)絡(luò)，該分類網(wǎng)絡(luò)就是Backbone，要將Ghostnet引入YOLOv5，就需要將原有的Backbone（CSPDarknet）替換掉。Ghostnet主要由一系列Ghost"Bottleneck堆疊而成，Ghost"Bottleneck的作用與YOLOv5中BottleneckCSP的作用一樣，結(jié)構(gòu)類似，在新版的YOLOv5中，作者將BottleneckCSP模塊替換成了更先進的C3模塊。因此將YOLOv5中的部分C3模塊與卷積模塊替換成Ghost"Bottleneck即可將CSPDarkne替換為Ghostnet。將Ghostnet引入YOLOv5后，對應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)如圖1（a）所示。

在圖像輸入Ghost-YOLOv5后，經(jīng)過圖像預處理、特征提取、預測框解碼與篩選等一系列流程后，最終得到預測結(jié)果，其算法流程圖如圖1（b）所示。將Ghostnet引入YOLOv5網(wǎng)絡(luò)后，在特征提取階段會變得更加簡單高效。

2"實驗與分析

2.1"數(shù)據(jù)集介紹

由于互聯(lián)網(wǎng)上現(xiàn)有光學飛機數(shù)據(jù)集數(shù)量太少，難以滿足神經(jīng)網(wǎng)絡(luò)訓練的大樣本要求，所以本文整合了RSOD、NWPU"VHR-10中的飛機部分以及美俄飛機標注第一版，通過標簽文件批量格式轉(zhuǎn)換、信息批量修改等操作，構(gòu)建出本文需要的光學飛機數(shù)據(jù)集。本文構(gòu)建的數(shù)據(jù)集中，有446張圖片來自RSOD，80張圖片來自NWPU"VHR-10，2556張圖片來自美俄飛機標注第一版，共計3082張圖片，本文數(shù)據(jù)集基本情況如表1所示。

2.2"訓練Ghost-YOLOv5網(wǎng)絡(luò)

為保證單一變量，Ghost-YOLOv5"網(wǎng)絡(luò)的訓練超參數(shù)與"YOLOv5"保持一致，但是考慮到訓練"YOLOv5"時使用了預訓練權(quán)重，先將Ghost-YOLOv5網(wǎng)絡(luò)訓練"60個Epoch，觀察網(wǎng)絡(luò)是否收斂，若趨近收斂則停止訓練，否則繼續(xù)訓練"20"個"Epoch"再做觀察。

當網(wǎng)絡(luò)訓練到"60"個"Epoch"時，對應(yīng)的訓練損失曲線如圖2所示。

由圖可知，網(wǎng)絡(luò)的訓練損失逐漸下降并趨于平穩(wěn)，再來觀察網(wǎng)絡(luò)在驗證集上的損失變化，Ghost-YOLOv5"的驗證損失如圖3所示。

由圖可知，網(wǎng)絡(luò)的驗證損失也逐漸下降并趨于平穩(wěn)，未出現(xiàn)過擬合現(xiàn)象，這說明Ghost-YOLOv5在從頭訓練的情況下依然能夠較快地趨于收斂，為了增強說服力，本文在Ghost-YOLOv5訓練至60代后不再繼續(xù)訓練。

接下來觀察Ghost-YOLOv5此時在驗證集上的性能表現(xiàn)，Ghost-YOLOv5的mAP0.5和mAP0.5-0.95變化曲線，精度（Precision）和（Recall）曲線如圖4所示。

最終網(wǎng)絡(luò)在驗證集上mAP0.5達到了95.34%，mAP0.5-0.95達到了61.6%，網(wǎng)絡(luò)的精度達到了96.89%，召回率達到了91.42%，與"YOLOv5"相比，Ghost-"YOLOv5模型大幅輕量化，精度指標只出現(xiàn)了輕微的下降。

2.3"使用Ghost-YOLOv5進行推理

同樣地，在訓練結(jié)束后，對訓練好的Ghost-YOLOv5進行推理，觀察其在陌生飛機圖片上的表現(xiàn)，Ghost-YOLOv5檢測相同文件夾下的圖片耗時情況如圖6所示。

由圖可知，Ghost-YOLOv5"每檢測一張圖片需要花費0.014s"左右的時間，相比于YOLOv5，Ghost-YOLOv5的檢測速度提高了3倍以上。

取檢測圖片中飛機數(shù)量最多的一張，觀察Ghost-YOLOv5"在飛機目標密集分布情況下實際檢測的表現(xiàn)，如圖7所示。從圖中可知，Ghost-YOLOv5具備優(yōu)秀的多尺度檢測能力，而YOLOv5中出現(xiàn)的誤檢情況，Ghost-YOLOv5沒有出現(xiàn)。Ghost-YOLOv5模型在輕量化的改進上無疑是成功的。

2.4"與其他監(jiān)測網(wǎng)絡(luò)的對比實驗

為了驗證"Ghost-YOLOv5"性能的優(yōu)越性，本文在相同條件下對另一種單階段經(jīng)典網(wǎng)絡(luò)"SSD（Single"Shot"MultiBox"Detector），目標監(jiān)測的新秀SwinTransformer-YOLOv5以及"Convnext-YOLOv5進行訓練和推理，在本文中，上述的3種網(wǎng)絡(luò)均采用遷移學習，凍結(jié)訓練的策略。在訓練過程中，發(fā)現(xiàn)SSD網(wǎng)絡(luò)收斂較慢，訓練至80代趨于收斂，因此在該實驗中3種網(wǎng)絡(luò)均訓練至80代后停止，將本文使用到的所有網(wǎng)絡(luò)進行綜合對比，如表1所示。

通過對比不難看出，Ghost-YOLOv5相比于原始的YOLOv5以輕微的精度下降為代價，換取了顯著的輕量化效果，在改進前，YOLOv5s的參數(shù)量為7053910，模型計算量為"16.3"GFLOPs，引入Ghostnet后，網(wǎng)絡(luò)的參數(shù)量下降至5471170，降低了22.44%。模型計算量下降至8.2"GFLOPs，降低了49.7%，便于后續(xù)模型在嵌入式設(shè)備上的部署。而相對其他網(wǎng)絡(luò)，Ghost-YOLOv5s的精度更高，速度更快，在各方面的表現(xiàn)都很優(yōu)秀。

3"結(jié)論

本文通過整理多個光學數(shù)據(jù)集中的飛機部分，構(gòu)建出滿足實驗需求的數(shù)據(jù)集。將Ghostnet引入YOLOv5網(wǎng)絡(luò)，對新模型進行訓練測試，在模型評估方法上主要采用Precision、"Recall、mAP0.5、mAP0.5-0.95以及FPS來綜合評估模型性能，通過與不同模型的性能表現(xiàn)進行對比，Ghost-YOLOv5相比于YOLOv5，以輕微的精度下降為代價換取了推理速度3倍以上的提升，與其他網(wǎng)絡(luò)比較，其精度更高，速度更快，能夠出色地完成光學駐停飛機目標檢測任務(wù)。

參考文獻

［1］楊一丁.光學遙感圖像復雜機場背景下的飛機檢測算法研究[D].北京理工大學，2018.

[2]王文勝.寬幅光學遙感圖像艦船飛機目標檢測識別技術(shù)研究[D].中國科學院大學，2018.

[3]Uijlings"J"R，Van"De"Sande"K"E，Gevers"T，et"al.Selective"search"for"object"recognition[J].International"Journal"of"Computer"Vision，2013，104（2）：154171.

[4]Ding"P，Zhang"Y，Deng"WJ，et"al.A"light"and"faster"regional"convolutional"neural"network"for"object"detection"in"optical"remote"sensing"images[J].ISPRS"Journal"of"Photogrammetry"and"Remote"Sensing，2018，141：208218.

[5]Redmon"J，Divvala"S，Girshick"R，et"al.You"only"look"once：Unified，realtime"object"detection[C].Proceedings"of"the"IEEE"Conference"on"Computer"Vision"and"Pattern"Recognition，2016：779788.

[6]Liu"W，Anguelov"D，Erhan"D，et"al.Ssd：Single"shot"multibox"detector[C].European"Conference"on"Computer"Vision.Springer，Cham，2016：21"37.

[7]李翰夫.光學遙感圖像停泊飛機目標檢測方法研究[D].哈爾濱工業(yè)大學，2021.

[8]Han"K，Wang"Y，Tian"Q，et"al.Ghostnet：More"features"from"cheap"operations[C].Proceedings"of"the"IEEE/CVF"conference"on"computer"vision"and"pattern"recognition，2020：15801589.