[发明专利]一种基于深度学习的月球撞击坑识别方法

权利要求书

1.一种基于深度学习的月球撞击坑识别方法，其特征在于，所述方法根据已有的撞击坑位置信息和月球图像生成训练样本和测试样本；构建卷积神经网络，设置神经网络参数；使用生成的月球图像作为网络输入、撞击坑标注图像作为网络输出进行训练；使用训练好的神经网络模型进行撞击坑边缘识别；最后对撞击坑边缘进行提取，记录新发现的撞击坑；

所述方法实现步骤如下：

(1)生成训练样本和测试样本，随机裁剪月球数字高程图，再根据现有的撞击坑标注信息绘制撞击坑图片；将输出图片与输入图片存入文件；

(2)构建神经网络，设置好网络训练的参数；使用生成好的图片与标注图片作为卷积神经网络的输入与输出进行训练，获得训练好的网络模型；

(3)使用训练好的网络模型进行月球撞击坑识别，获取撞击坑边缘识别图像；

(4)获取到撞击坑边缘识别图像后，使用模板匹配算法匹配出识别图像中近似撞击坑的位置信息；

(5)根据匹配出的撞击坑位置信息绘制撞击坑识别图像；

(6)与现有撞击坑标注信息进行对比，计算识别的准确率、精准率，并且保存新发现的撞击坑信息；

(7)如果模型的准确率和精准率满足要求，那么就使用该模型进行撞击坑识别；如果不满足要求，那么调整网络模型训练参数，重新进行训练。

2.根据权利要求1所述的一种基于深度学习的月球撞击坑识别方法，其特征在于，所述卷积神经网络实现步骤如下：

(1)特征提取过程：输入图像，通过卷积改变图像的通道数为起始通道数，再进行一次残差卷积，保持通道数不变；再进行一次下采样，将图像尺寸缩小一倍；此步骤执行三次，后两次的卷积操作将通道数改变为输入时的两倍；

(2)桥接过程：对特征提取过程中最后一步下采样得到的特征图，进行一次卷积操作，特征图通道数不改变；之后再进行一次残差卷积；

(3)图像还原过程：首先将桥接层输出的特征图进行一次反卷积，特征图的大小扩大一倍；再与特征提取过程中残差卷积后大小相同的特征图进行融合，融合后特征图的通道数翻倍；再进行一次卷积，将通道数减少一半，再进行一次残差卷积；此步骤执行三次，得到最终大小与输入图像相同，通道数和起始通道数相同的特征图；再进行一次Sigmoid操作，将通道数变为1；最后得到与输入图像大小通道数一致的特征图作为网络的输出。

3.根据权利要求2所述的一种基于深度学习的月球撞击坑识别方法，其特征在于，所述下采样过程使用的是最大池化操作，并且池化大小为2×2，特征图的大小缩小为输入时的二分之一；上采样过程使用的是反卷积操作，卷积核大小为3×3，步长为2，将特征图大小放大为输入时的两倍。

4.根据权利要求2所述的一种基于深度学习的月球撞击坑识别方法，其特征在于，所述残差卷积的残差单元中包含两个的卷积层，第一个卷积操作完成后进行一个批归一化操作和一个修正线性单元操作；第二个卷积操作完成后，将输出特征图和与输入的特征图进行叠加操作，即特征图对应元素相加；所述特征提取过程中每个残差单元之前进行一次卷积操作将滤波器数量扩大一倍，每个残差单元之后进行一次下采样；图像还原过程中每个残差单元之前进行一次卷积操作将滤波器数量缩小一倍，残差单元之后进行一次上采样；每个残差单元之前进行一次卷积操作，将滤波器缩小一倍或者扩大一倍。

5.根据权利要求2所述的一种基于深度学习的月球撞击坑识别方法，其特征在于，所述特征提取过程和图像还原过程中对应的特征图进行一次融合操作，将两个特征图进行拼接；拼接后执行进行一次随机失活操作。

6.根据权利要求2所述的一种基于深度学习的月球撞击坑识别方法，其特征在于，所述卷积操作中，除了最后输出的卷积层中卷积核为1×1，再进行sigmoid操作；网络中其他的卷积层中卷积核大小均3×3，步长为1，填充策略为的是补零填充，保证输入输出图像的大小一致。

7.根据权利要求1所述的一种基于深度学习的月球撞击坑识别方法，其特征在于，所述设置神经网络参数包括滤波器数量和随机失活的值，网络起始过滤器数量设为112，随机失活的概率设为0.15；网络的优化器为Adam优化器；网络使用的损失计算函数为二分类的交叉熵。

8.根据权利要求1所述的一种基于深度学习的月球撞击坑识别方法，其特征在于，所述步骤(6)与现有撞击坑标注信息进行对比，计算识别的准确率、精准率，并且保存新发现的撞击坑信息，过程如下：

(1)使用训练好的网络进行撞击坑边缘识别，再使用模板匹配的方法获取撞击坑边缘图片中类似撞击坑的位置(x_i，y_i，r_i)；

(2)将撞击坑与现有撞击坑信息(x_j，y_j，r_j)比较，如果同时满足公式((x_i-x_j)²+(y_i-y_j)²)²/min(r_i，r_j)＜D_x，y和abs(r_i-r_j)/min(r_i，r_j)＜D_r，

其中，x_i、y_i分别为网络检测出的撞击坑中心在图像上的横坐标值、纵坐标值；x_j、y_j分别为现有撞击坑中心位置在图像上的横坐标值、纵坐标值；r_i、r_j分别为检测出的撞击坑半径像素值、现有撞击坑半径像素值；D_x，y为位置信息误差阈值；D_r为半径误差阈值；abs为取绝对值；

那么将这个撞击坑作为正确识别的撞击坑，总数量记为T_p；未能成功匹配的撞击坑记为新发现的撞击坑，总数量记为F_p；标注集中剩余的撞击坑记为未检测出的撞击坑，总数量记为F_n；

(3)计算识别的准确率、精准率：

查准率：P＝T_p/(T_p+F_p)；

查全率：R＝T_p/(T_p+F_n)；

模型得分计算公式：F₂＝5×P×R/(4×P+R)；

撞击坑发现率：DR1＝F_p/(T_p+F_p)，DR2＝F_p/(T_p+F_n+F_p)；

(4)将新发现的撞击坑由像素位置转化为月球经纬度，存入记录文件中，以供后续的人工验证；如果网络模型的性能评估满足设定的要求，那么该网络模型能够成功使用于月球撞击坑识别任务中；否则，调整网络训练参数，重新训练。