基于改進YOLOv5的紅外目標檢測

陳超峰 趙陽 朱盛滔

摘要：針對紅外成像特性及其應用環境的差異導致的紅外目標檢測準確性不足等問題，文章提出了一種基于改進YOLOv5算法的紅外目標檢測方法。該方法引入了SIoU損失函數和多尺度擴張注意力機制，以增強模型對小尺寸目標和復雜背景中目標的檢測性能。實驗結果表明，與未改進的YOLOv5模型相比，改進模型在精確率、召回率和平均精確率等關鍵性能指標上均有顯著提升，證明了該改進方法的有效性。

關鍵詞：紅外目標檢測；SIoU損失函數；多尺度擴張注意力

中圖分類號：TP391文獻標志碼：A

0 引言

在軍事和民用領域，紅外目標檢測技術是夜間和低能見度環境中識別目標的關鍵技術^[1]。然而，傳統紅外目標檢測方法依賴復雜的圖像處理技術和手動特征提取，面臨計算成本高和環境適應性差的挑戰。隨著深度學習技術的發展，基于卷積神經網絡（Convolutional Neural Networks，CNN）的算法，尤其是YOLO系列，為提高檢測速度和性能提供了新的可能^[2]。但是，將YOLO算法直接用于紅外目標檢測，尤其是小目標和復雜背景下的檢測存在局限性。

為此，本文對YOLOv5網絡進行了改進，引入SIoU損失函數以替換原有的GIoU損失函數，并引入了多尺度擴張注意力機制。這些改進優化了模型對細小物體和小目標的檢測能力，顯著增強了模型在復雜背景下對目標的感知能力。

1 YOLOv5網絡介紹

YOLOv5檢測算法是一個輕量級的檢測模型，其結構如圖1所示，主要由4個部分組成：（1）多尺度輸入的輸入層；（2）用于特征提取的主干網絡；（3）由特征金字塔網絡和路徑聚合網絡結合的頸部網絡，這一設計加強了網絡特征融合的能力；（4）預測頭部分用于生成邊界框、置信度和類別概率，直接輸出檢測結果。這種結構設計使YOLOv5成為一個既快速又高效的目標檢測解決方案。

2 YOLOv5網絡的改進

在紅外圖像的目標檢測中，小目標通常更難檢測。因此，在改進的YOLOv5網絡中，使用SIoU損失替換原本的GIoU損失函數。與GIoU相比，SIoU損失函數在精細物體檢測和小目標檢測方面表現得更為出色。其通過融入角度考慮和規模敏感性，引入了一種更為復雜的邊界框回歸方法，解決了以往損失函數的局限性。SIoU損失函數由4個成本函數組成，分別為角度成本、距離成本、形狀成本和IoU成本。通過整合以上方法，模型可以實現更好的訓練速度和準確性的預測性能。

此外，在處理紅外圖像時，目標通常隱藏于復雜背景之中，系統難以識別目標。而多尺度擴張注意力機制^[3]通過采用多尺度擴張注意力以及滑動窗口擴張注意力的創新方法，有效地捕捉了圖像中局部和稀疏的補丁交互，顯著增強了模型對于目標的感知能力。所增強的感知力也進一步提高了YOLOv5在紅外圖像目標檢測任務中的性能。

2.1 SIoU損失函數

其中，Λ為角度損失，表示預測框和真實框之間的角度差異，c_h為真實框和預測框中心點在y 軸上的坐標差，σ為真實框與預測框中心點在x 軸上的坐標差，Δ為距離損失，重新定義距離成本并考慮了角度成本，γ=2-Λ，γ表示為時間優先的距離值，ρ表示預測和真實框中心的歐式距離。

其中，Ω為形狀損失，θ表示控制形狀成本的關注值，一般設置為2～6，ω表示目標框與預測框之間形狀不匹配的度量。最終，SIoU損失函數定義如下：

2.2 多尺度擴張注意力機制

多尺度擴張注意力機制的工作原理如圖2所示。在多尺度擴張注意力機制中，首先，將特征圖的通道分割成不同的頭部；然后，在每個頭部內部使用不同的擴張率執行滑動窗口膨脹注意力，此操作使得每個頭部的自注意力操作對應其擴張率和感受野；最后，模型在不同的尺度上捕捉圖像特征，這些特征隨后被連接在一起，送入一個線性層進行特征聚合。這種設計允許模型在不同的尺度上理解圖像，從而提高對圖像內容的整體理解。通過這種方法，多尺度擴張注意力機制不僅可以捕捉局部細節，還能夠感知更廣泛區域的上下文信息，增強了模型的表現力。

3 實驗及結果分析

3.1 數據集

本文采用的數據集是FLIR_ADAS_v2熱成像數據集，該數據集由安裝在車輛上的攝像頭采集而得，包含9711張紅外圖像，15個不同的對象類別，如人、自行車、汽車、交通燈等。其中，訓練集和驗證集的比例分別為90%、10%。此外，該數據集的標簽為JSON格式。因此，在使用之前，系統需要將其預處理為TXT文件，以便適應YOLO所需的標簽格式。

3.2 評價指標

為了評估模型的性能，本文使用精確率、召回率和平均精確率均值作為評價指標。

精確率（Precision）表示在所有被模型預測為紅外目標的樣本中，實際上為紅外目標的樣本所占的比例。其計算公式為：

召回率（Recall）表示在所有實際為紅外目標的樣本中，被模型正確識別為紅外目標的樣本所占的比例。其計算公式為：

平均精確率（Mean Average Precision， mAP）表示在不同召回率水平下，精確率的平均值，以精確度和召回率為橫縱坐標所圍成的面積，用于綜合評估模型在紅外目標檢測任務上的整體表現。其計算公式為：

3.3 實現細節

本文使用YOLOv5s模型并對其進行了改進，采用官方提供的預訓練權重在FLIR_ADAS_v2熱成像數據集上進行訓練，總共訓練300個Epoch，前50個Epoch采用凍結訓練方式，Batch size設置為16，隨后進行解凍訓練，Batch size設置為8，優化器選用SGD，初始學習率設定為0.01。所有實驗均在NIVIDIA GeForce RTX 4060、32GB RAM的PyTorch2.1.0環境下完成。為了更好地觀察網絡的訓練過程，將損失函數值和平均精確度進行了可視化，如圖3所示。隨著訓練的進行，算法的損失曲線逐漸收斂，平均精確率均值逐漸升高。

3.4 消融實驗

為了驗證本文所提出各項改進措施的有效性，通過進行消融實驗，比較不同改進模塊對算法性能的具體影響。實驗對比結果如表1所示。

可以看出，在改進后的YOLOv5模型中，采用替換SIoU損失函數和加入多尺度擴張注意力機制的方式，顯著提升了模型在精確率、召回率和平均精確率均值這3個關鍵性能指標上的表現。與原始的YOLOv5s模型相比，改進模型的精確度、召回率以及平均精確率均值分別提高了1.52%、1.39%、3.28%。這表明本文提出的改進措施有效地增強了網絡對紅外目標的檢測能力，滿足了高精度檢測的要求。

4 結語

針對紅外目標檢測的挑戰，本文提出了一種基于改進YOLOv5算法的檢測模型。通過引入SIoU損失函數和MSDA機制，本文的模型在處理小目標以及復雜背景中目標的檢測方面表現優異。實驗結果表明，與傳統YOLOv5模型相比，改進模型在精確度、召回率和平均精確率均值等關鍵性能指標上有明顯提升，驗證了本文所提改進措施的有效性。

參考文獻

[1]侯旺，孫曉亮，尚洋，等.紅外弱小目標檢測技術研究現狀與發展趨勢[J].紅外技術，2015（1）：1-10.

[2]羅元，王薄宇，陳旭.基于深度學習的目標檢測技術的研究綜述[J].半導體光電，2020（1）：1-10.

[3]JIAO J， TANG Y M， LIN K Y， et al. Dilateformer：multi-scale dilated transformer for visual recognition[J]. IEEE Transactions on Multimedia，2023（25）：8906-8919.

（編輯 王永超編輯）

Infrared target detection based on improved YOLOv5

Chen? Chaofeng， Zhao? Yang， Zhu? Shengtao

（Xijing University， Xian 710123， China）

Abstract： Aiming at the problems of insufficient accuracy of infrared target detection caused by differences in infrared imaging characteristics and their application environments， this paper proposes an infrared target detection method based on the improved YOLOv5 algorithm. The method introduces the SIoU loss function and the multi-scale expansion attention mechanism to enhance the models detection performance for small-size targets and targets in complex backgrounds. The experimental results show that compared with the unimproved YOLOv5 model， the improved model has significant improvement in key performance indicators such as precision rate， recall rate and average precision rate， which proves the effectiveness of the improved method.

Key words： infrared target detection; SIoU loss function; multiscale dilated attention