[发明专利]光学天文望远镜智能维护方法、系统及设备

权利要求书

1.一种光学天文望远镜智能维护方法，其特征在于，包括:

将望远镜终端仪器获得的图片作为输入，使用预设的随机深林算法对输入的图片进行分类，保留望远镜正常工作且包含亮星的图片，作为第一星像图像；

对所述第一星像图像进行星像提取，获得第二星像图像，所述第二星像图像为只包含单颗亮星的小图片；使用预设的卷积神经网络获得所述第二星像图像中星像的像斑形状，作为第二星像图像的第一图像特征；获取第二星像图像的像斑大小，作为第二星像图像的第二图像特征；

输出成像质量数据，作为目标图像特征；所述成像质量数据用所述第二星像图像的第一图像特征、第二星像图像的第二图像特征表示。

2.根据权利要求1所述的光学天文望远镜智能维护方法，其特征在于，所述获取第二星像图像的像斑大小为计算所述第二星像图像的半高全宽。

3.根据权利要求1所述的光学天文望远镜智能维护方法，其特征在于，还包括：在所述成像质量数据偏离预设的正常阈值时发出警报。

4.根据权利要求1所述的光学天文望远镜智能维护方法，其特征在于，所述随机深林算法和卷积神经网络通过以下方式训练得到：

对所述望远镜终端仪器获得的图片进行分类，得到图片与望远镜运行状态之间的对应关系；

使用K邻近聚类算法对第二星像图像的第一图像特征进行自动分类，根据预设的规则对自动分类结果进行评估，第二星像图像的第一图像特征与故障原因之间的对应关系；

根据所述望远镜终端仪器获得的图片与望远镜运行状态的关系、第二星像图像的第一图像特征和故障原因之间的对应关系，利用望远镜故障和故障原因的数据库中的历史数据获得故障对应的星像，对望远镜终端仪器获得的图片以及第二星像图像进行定标，构造训练集；使用训练集训练随机深林算法和卷积神经网络算法，得到预设的随机深林算法以及卷积神经网络算法。

5.根据权利要求1所述的光学天文望远镜智能维护方法，其特征在于，还包括：

将所述目标图像特征作为望远镜成像质量实体，在预设的望远镜维护知识图谱中查询该望远镜成像质量实体，获得与该望远镜成像质量实体匹配的节点，根据预设的匹配深度，得到指向该节点的知识图谱子图，即获得该望远镜成像质量实体对应的知识图谱子图；

将所述知识图谱子图转化为节点链表示的事件，所述事件为导致出现所述目标图像特征偏离正常阈值的所有可能的故障原因；

利用望远镜的传感器获得节点链上节点的属性[x1₁,x1₂…,x1_m]，其中，m为该节点特征的数目，将属性作为节点特征，将一条节点链的所有节点的特征做为节点链的特征向量[x1₁,x1₂,…x1_m,x2₁,x2₂…xn₁,xn₂…xn_m]，输出给预设的全连接神经网络，其中，n为一条节点链上节点的个数，由全连接神经网络给出节点链所表示的事件的成立概率，输出节点链及其概率。

6.根据权利要求5所述的光学天文望远镜智能维护方法，其特征在于，所述预设的望远镜维护知识图谱的构造方法包括：

将所述目标图像特征作为成像质量实体，将望远镜维护相关实体进行分类整理，获得望远镜维护相关实体之间的关系，并将望远镜维护相关实体之间关系整理为主语-谓语-宾语的形式；其中，主语、宾语由望远镜维护相关实体表示，谓语由望远镜维护相关实体之间的关系表示。

7.根据权利要求5所述的光学天文望远镜智能维护方法，其特征在于，所述将知识图谱子图转化为节点链表示的事件包括，将知识图谱子图由网状结构转化为树形结构，并保留节点之间的关系，所有叶子节点到根节点路径包含的各节点构成一个节点链。