随着近海经济的发展,近海船只的数量和种类也急剧增长,而对船只的正确检测识别有助于近海岸的有效监管。传统港口监测设备的探测范围狭小、视野固定,而无人机航拍图像视野开阔,不存在遮挡,因此基于无人机航拍图像的近海船只检测具有良好的应用前景。但是近海岸船只种类多样,分布密集,且存在尺度多变、朝向不定的问题,导致航拍图像中船只目标的特征提取困难,所以基础的目标检测方法难以达到近海岸船只监控任务的高检测速度和高检测精度要求。本文选用检测速度与精度都较好的YOLOv5目标检测模型作为航拍图像下船只检测任务的基本模型。首先,为了应对航空图像的数据不均衡问题,本文通过损失反馈机制构建动态数据增强方法,并对高分辨率的输入图像进行分割,将切割后的图像用于模型训练,以此减小设备的计算压力。此外,针对船只目标旋转问题,提出了带有角度分类模块和改进交并比损失的YOLOv5-ACMP模型,将旋转目标的角度范围划分区间进行分类,并通过角度距离权重优化像素级交并比损失,以此构建更有效的损失函数。进一步,针对旋转特征不对齐问题,提出了基于角度通道切换和特征得分图的旋转特征对齐模块RSACS-Align,并利用角度通道切换调整特征提取区域,从而构建特征得分图和损失权重,为检测模型提供更精确的旋转特征。最后,针对航拍图像下船只目标尺度多变的问题,构建多通道特征金字塔来融合检测目标的多尺度特征,并将注意力机制引入到特征提取网络中,提出了多尺度航空图像旋转目标检测模型YOLOv5-AMARD,实现对航拍图像下船只目标的有效识别。为验证所提出船只检测方法的有效性,本文使用包含船只航空图像的公开数据集和自建数据集对构建的目标检测模型和网络模块进行实验验证,并将所提出的方法应用在不同配置的YOLOv5模型上进行对比实验。以YOLOv5l模型为基础,在公开数据集上针对本文提出的方法进行了消融实验,其中YOLOv5l-ACMP模型、YOLOv5l-ACMP+RSACS-Align模型和YOLOv5l-AMARD模型分别比基准模型提升了4.3%、5.6%和6.2%的平均检测精度。此外,将本文基于YOLOv5构建的多尺度航空图像旋转目标检测模型与当前主流目标检测模型进行了对比实验,实验结果表明,本文所提出的方法能够在航拍图像下船只检测任务中实现良好的检测效果,并且满足实时性要求。