[发明专利]一种基于轻量化神经网络模型的空间目标部件识别方法

权利要求书

1.一种基于轻量化神经网络模型的空间目标部件识别方法，其特征在于：首先进行空间目标图像数据的生成，即生成空间卫星的在轨图像，接着构建轻量化神经网络模型，然后利用生成的空间目标图像数据对构建的模型进行离线训练，最后将离线训练好的模型放入相应的星载平台自动进行空间目标部件的检测识别；所述的轻量化神经网络模型构建包括以下方面：a、基于实例分割模型Mask R-CNN框架，采用深度可分离卷积替代标准卷积，构建模型的基础卷积层和分类检测层；b、在标准的残差网络中，一个残差块通常由三个卷积层组成，即两个逐点卷积中间加一个3*3的卷积层，标准残差块处理过程可总结为“降维”-“卷积”-“升维”过程；取消标准残差模块中的降维卷积层，搭建“ 深度卷积”-“ 逐点卷积”的模块结构，构建残差模型并作为轻量化神经网络模型的基础卷积层；c、将深度卷积后的结果进行线性输出，将全通道的逐点卷积后的结果进行非线性输出。

2.根据权利要求1所述的基于轻量化神经网络模型的空间目标部件识别方法，其特征在于：所述空间目标部件包括帆板、本体和天线。

3.根据权利要求1或2所述的基于轻量化神经网络模型的空间目标部件识别方法，其特征在于，具体步骤如下：

步骤(1)、通过三维软件渲染仿真生成空间目标图片数据，并使用标注软件进行目标类别的标注，作为轻量化神经网络模型的训练数据集；

步骤(2)、构建轻量化神经网络模型，进行权重初始化和超参数的设置；加载训练数据集对轻量化神经网络模型进行训练，保留交叉验证损失最小的权重作为模型权重；

步骤(3)、根据步骤(2)训练保留的权重结果，作为测试时的模型权重，加载空间目标测试数据集，进行部件识别，得到识别结果。

4.根据权利要求3所述的基于轻量化神经网络模型的空间目标部件识别方法，其特征在于：步骤(1)的通过三维软件渲染的方法仿真出空间目标图片数据，处理过程包括：三维模型分割、材质添加、光照添加、星空背景添加和相机参数设置。