[发明专利]一种基于深度学习的小天体陨石坑检测方法

说明书

本发明公开的一种基于深度学习的小天体陨石坑检测方法，属于深空探测领域。本发明实现方法为：首先，为有效增强和保留陨石坑特征，采用局部方差均衡算法对数据集进行优化，并利用仿射变换、均值滤波等方法增强数据集，经过深度学习网络训练得到小天体环境下的陨石坑检测模型；其次，对于高分辨率图像中小陨石坑漏检问题，将预测图像自适应切分成若干个有重叠区域的子图像并分别送入检测网络；最后，利用非极大值抑制的方法去除冗余框，合并预测结果。所述方法克服了传统目标检测方法速度慢、识别率低等问题，优于目前主流的目标检测网络，能够更好的完成小天体陨石坑检测任务。

技术领域

本发明属于深空探测领域，特别适用于小天体探测着陆过程中的陨石坑检测，具体涉及一种基于深度学习的小天体陨石坑检测方法。

背景技术

小天体探测有助于人类了解太阳系的形成和演化，探索地球生命和水的起源，是当前及未来主要航天国家深空探测任务的重点研究问题之一。而陨石坑作为小天体表面最为丰富的地形特征，具有规则的几何形状、受光照影响较小等特点，常被当作理想的导航陆标，另外也是小天体着陆过程中障碍检测和规避的主要对象之一。

针对深空探测任务的需要，国内外的研究学者们对陨石坑检测开展了诸多相关研究工作。根据陨石坑检测原理不同，当前的检测算法可以分为基于陨石坑形态特征的检测方法和基于深度学习的陨石坑检测方法。在先技术[1](Cheng Y,Johnson A E,Matthies LH,et al.Optical landmark detection for spacecraft navigation[J].Ad-vances inthe Astronautical Sciences,2003,114(3):1785-1803.),Cheng等人结合光照方向与陨石坑边缘信息，通过定位点检测与边缘分组来选取椭圆弧，最终利用椭圆拟合实现了陨石坑的检测；在先技术[2](Zuo W,Li C L,Yu L J,et al.Shadow–highlight featurematching automatic small crater recognition using high-resolution digitalorthophoto map from Chang'E Missions[J].Acta Geochimica,2019,38(04):541-554.),Zuo等人基于IGF(The Image Gray Frequency)算法分割和提取光照条件下陨石坑的高光和阴影信息区域，从而实现对陨石坑的自动识别。以上算法都属于基于陨石坑形态特征的陨石坑检测算法，虽然有较好的检测效果，但检测速度慢，对陨石坑形状及大小有一定的要求，不能有效的检测到形状不规则的小陨石坑。除此之外，对于太阳光照变化、地表形状崎岖不平造成的遮挡等问题，很容易产生误识别，从而导致识别率偏低。

近年来，随着大数据和计算能力不断发展，深度学习突飞猛进，卷积神经网络在计算机视觉的各领域开始得到了广泛应用。在先技术[3](Xin X,Di K,Wang Y,etal.Automated detection of new impact sites on Martian surface from HiRISE im-ages[J].Advances in Space Research,2017,60(7):1557-1569.),Xin等人在火星图像上结合暗区提取与AdaBoost机器学习算法，陨石坑平均检测率达到84.5％；在先技术[4](Emami E,Ahmad T,Bebis G,et al.Lunar Crater Detec-tion via Region-basedConvolutional Neural Net-works[C].The 49th Lunar and Planetary Science Con-ference,Texas,USA,March 19-23,2018.),Emami等人采用Faster-RCNN(Faster-RegionConvolutional Neural Network)网络进行陨石坑检测，在月球勘测轨道器拍摄的图像上陨石坑识别率达到92％。这些基于深度学习的陨石坑检测算法实现了陨石坑的自动识别，具有较高的准确性和鲁棒性，检测速度快，发展潜力巨大。