[发明专利]一种基于智能学习网络模型压缩的陨坑检测方法

说明书

本发明公开的基于智能学习网络模型压缩的陨坑检测方法，属于深空探测技术领域。本发明实现方法：通过数据增强方法扩充先前探测任务获取的陨坑图像来构建陨坑数据集，为陨坑检测模型训练提供基础。通过设计出陨坑检测卷积神经网络模型和定义合适的损失函数，使陨坑检测卷积神经网络实现陨坑检测的功能。采用通道剪枝方法显著减少陨坑检测卷积神经网络中冗余卷积核的数量，成倍减少陨坑检测神经网络模型的参数量；采用深度可分离卷积替换普通卷积，将陨坑检测卷积神经网络中的标准卷积过程分解为逐通道卷积和逐点卷积，实现卷积过程在空间结构与通道方面的解耦。本发明能够降低陨坑检测神经网络模型的参数量和检测时间，提升陨坑图像检测效率。

技术领域

本发明涉及一种基于智能学习网络模型压缩的陨坑检测方法，属于深空探测技术领域。

背景技术

着陆探测是开展地外天体表面原位探测与科学研究的必要前提，并且着陆探测任务需要兼顾工程安全性与科学价值，其中，陨坑检测是提高着陆安全性和评估着陆区科学价值的关键技术。一方面，陨石坑会对着陆探测器的安全性带来威胁，基于陨坑检测的障碍规避是保障着陆探测器着陆安全的关键途径。另一方面，陨石坑还蕴含着科学研究价值信息，陨坑检测对于探测器着陆区的选取具有重要参考意义。除此之外，陨石坑在地外天体表面分布范围广，特征明显，是重要的导航信标。基于陨坑检测和匹配的地形相对导航是提高导航精度的重要途径，能够提高未来地外天体着陆探测器的定点着陆能力。因此，实现陨石坑的快速准确检测对于提高探测器着陆精度和安全性以及评估着陆区科学研究价值具有重要意义。

目前，陨坑检测算法主要可以分为两类，基于传统图像处理的方法和基于深度学习的方法。传统图像处理方法通常根据边缘、阴影等陨坑特征完成检测，计算量较小。但是，会受到亮度变化、图像噪声等干扰因素的影响，在复杂环境条件下的检测查全率偏低。随着深度学习算法的发展，基于卷积神经网络的智能学习方法被应用于陨坑检测，这类算法能够实现特征自动提取，避免了复杂的人工特征设计流程。与传统陨坑检测方法相比，基于智能学习的陨坑检测方法在准确性和鲁棒性方面有了明显的提升，但陨坑检测速度却因为神经网络结构的复杂性受到限制，难以应用于工程实践。

发明内容

为了解决当前基于智能学习网络模型的陨坑检测方法算法复杂度高、检测时间长的问题，本发明的主要目的是提供一种基于智能学习网络模型压缩的陨坑检测方法，通过数据增强方法扩展陨坑图像数据集，以弥补高质量陨坑图像数量不足的问题；通过模型剪枝和卷积替换的方式对复杂神经网络结构模型进行轻量化模型压缩，在保证网络模型陨坑检测准确性的前提下，提升陨坑检测效率。利用基于智能学习网络模型压缩的陨坑检测方法能够大幅度降低智能学习网络结构的复杂度，减少陨坑检测时间，满足着陆探测任务中的高实时性要求。

本发明的目的是通过下述技术方案实现的。

本发明公开的基于智能学习网络模型压缩的陨坑检测方法，通过数据增强方法扩充先前探测任务获取的陨坑图像来构建陨坑数据集，为陨坑检测模型训练提供基础。通过设计出陨坑检测卷积神经网络模型和定义合适的损失函数，使陨坑检测卷积神经网络实现陨坑检测的功能。采用通道剪枝方法显著减少陨坑检测卷积神经网络中冗余卷积核的数量，进而成倍减少陨坑检测神经网络模型的参数量；采用深度可分离卷积替换普通卷积，将陨坑检测卷积神经网络中的标准卷积过程分解为逐通道卷积和逐点卷积，实现卷积过程在空间结构与通道方面的解耦。该方法能够大幅降低陨坑检测神经网络模型的参数量和检测时间，显著提升陨坑图像检测的效率。

本发明公开的一种基于智能学习网络模型压缩的陨坑检测方法，包括如下步骤：

步骤一、通过数据增强方法扩充先前探测任务获取的陨坑图像来构建陨坑图像数据集，以弥补高质量陨坑图像数量不足的问题，随机将扩充后的陨坑图像数据集按预定比例划分为训练集和验证集。