[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

说明书

本发明公开了一种基于轻量化神经网络模型的空间目标部件识别方法，该方法步骤包括：首先使用三维软件生成空间目标的图像数据、并进行人工标注作为训练数据集；然后构建轻量化神经网络模型，并使用训练数据集对模型进行训练；最后使用训练好的轻量化神经网络模型进行空间目标部件识别，得到最终的识别结果。本发明所述方法能够解决空间环境复杂多变情况下目标特征提取困难、星载平台计算资源有限等情况下的部件识别，具有内存占用少、计算量小、识别准确的特点，能够实现典型部件帆板、本体和天线的有效识别。

技术领域

本发明涉及空间目标识别领域，具体地说，是一种基于轻量化神经网络模型的空间目标部件识别方法。

背景技术

随着空间技术的飞速发展，人类在空间宇宙中的活动越来越频繁，各国相继向太空中发射了各种功能的卫星。然而由于空间环境的特殊性，以及本身设计、制造上的不足，难免会出部分卫星的电池板脱落、燃料耗尽等问题，从而导致卫星降级使用或者直接失效成为太空垃圾。为了避免和减少浪费，空间在轨服务应用而生。空间目标的部件识别是空间在轨服务的关键技术之一。由于载人空间活动代价大、风险高及应变能力差等弊端，在轨服务技术逐渐向自主化、智能化方向迈进。空间自主在轨服务技术实现抓捕、对接、维护等操作时需要对目标飞行器进行观测，且观测的结果决定最终的服务操作能否成功。因此研究成像目标识别技术意义重大。

目前检测识别的主要目的是从图像中提取出感兴趣目标所在区域并对该区域进行类别的判定。现有方法的处理步骤一般分两步，首先对输入图像进行特征提取，然后对提取的特征进行分类识别。而在太空场景下，存在遮挡、光照不均匀、光照不充分等常见问题，因此对特征的提取具有一定的难度。而随着卷积神经网络在图像处理领域的广泛使用，其在特征提取方面的优势也越发明显。针对空间场景下的目标识别问题，采基于深度学习模型的卫星部件识别方法，首先通过深层卷积神经网络对输入图像进行特征提取，利用提取的特征进行感兴趣目标区域提取，最后通过分类网络对提取的目标进行分类识别。该过程通过输入一张原始图像，经过深度卷积神经网络模型处理最后输出检测识别的结果，实现了端到端的处理过程。然而星载平台内存空间有限以及处理效率等方面的要求较高，现有的一些高精度的检测分割模型较大，占内存资源较多且检测效率不高，因此不能直接将该些模型直接用于空间背景下的目标部件识别应用中。

发明内容

本发明提供了一种基于轻量化神经网络模型的空间部件识别方法，其占计算资源及内存资源小且检测识别的精度高。

实现本发明目的的技术解决方案为：一种基于轻量化神经网络模型的空间部件识别方法，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。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。

上述步骤(1)中的通过三维软件渲染的方法仿真出高保真的空间目标图片，主要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、相机参数设置。使用LabelMe图片标注软件进行图像的标签类别标注。

上述步骤(2)的轻量化网络的构建，主要包括以下方面：

a、基于实例分割模型Mask R-CNN框架,采用计算量小的深度可分离卷积构建模型的基础卷积层和分类检测层。

b、采用“深度卷积”-“逐点通道组合卷积”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。