随着对地观测技术的不断发展,传统卫星“获取数据、下传数据、处理数据”的工作模式逐渐显露出时效性差、人工依赖度高的缺点,对目标的检测与识别还滞留在简单数据处理和人眼观测的方式,处理效率十分缓慢,这也是现今制约空间遥感技术应用的主要矛盾。本文提出以国产AI芯片为星载平台、以深度学习检测技术为星载算法的在轨船舰检测模式,实现在轨智能处理遥感图像,获得目标信息后通过卫星组网或中继卫星快速将结果发送到地面终端,该模式可大幅提高卫星数据的实时性,促进遥感技术的实际应用。本文以星载算法为主要研究对象,展开对遥感图像中船舰检测任务的研究,在自制船舰数据集上针对在轨处理的难点以及遥感图像船只目标的特点,设计了基于卷积神经网络的深度学习检测模型,本文研究工作主要包含以下三部分内容:一、本文收集制作了588张遥感船舰数据集,通过对船舰目标进行分析总结,得出大幅宽、小目标和稀疏分布三个特点。针对大幅宽特点,本文在切片的基础上提出应适当提高切片大小来降低重叠率,并通过实验设计了相应的切片大小计算公式;针对小目标特点,本文提出在主干网络中选取特征图时应当选择浅层的大尺寸特征来进行预测,更适合检测小尺寸目标;针对稀疏分布特点,本文通过对一阶段和两阶段检测算法的检测流程分析,得出两阶段检测更适合遥感图像中的稀疏目标检测任务。二、本文设计提出了增强型两阶段目标检测算法,相较于普通的两阶段检测算法,该模型有“一点弱化三点增强”的特点。“一点弱化”指的是在第一阶段特征提取主干网络中减少了网络深度和通道维度,弱化了第一阶段的特征提取能力;“三点增强”分别是使用浅层特征增强对小目标的检测能力、使用YOLOv5算法作为候选框提取网络增强候选框生成质量、优化R-CNN结构增强第二阶段的特征提取能力。三、以AI芯片作为验证测试平台,将训练好的模型权重文件进行转化,生成对应的C++工程代码。在预处理中加入切片操作、后处理中加入坐标还原,最终实现以遥感图像为输入、以遥感像素坐标为输出的算法设计。最终改进后的两阶段检测模型在自制数据集上实现了98.3%的检测精度,处理2528×2528尺寸的图片只需要24ms,相较于YOLOv5s在精度上提高了5个百分点,速度上提高了22%。实验结果验证了本文模型算法在遥感船舰目标检测场景下的有效性,在精度和速度上都表现优异。