一种应用卫星功能类型识别方法技术

本发明专利技术提供一种应用卫星功能类型识别方法，包括：获取目标卫星空间图像，并对获取到的目标卫星空间图像进行分辨率调整，得到目标图像；基于ResNet神经网络模型对所述目标图像进行数据处理，确定所述目标卫星对应的功能类型。本发明专利技术提供的应用卫星功能类型识别方法，通过对目标卫星空间图像进行分辨率调整，得到能够被ResNet神经网络模型识别的图像，通过ResNet神经网络模型在轨自主对应用卫星功能类型进行识别，不依赖于地面人工解读和判断，提高了识别效率，满足对先验信息匮乏的非合作空间目标进行实时服务和操作的需要。

A Method for Recognition of Satellite Function Types

The invention provides a method for identifying functional types of satellites, which includes acquiring target satellite spatial images, adjusting the resolution of the acquired target satellite spatial images, and processing the target images based on ResNet neural network model to determine the corresponding functional types of the target satellites. The method for recognizing functional types of applied satellites provided by the present invention can obtain images that can be recognized by ResNet neural network model by adjusting the resolution of space images of target satellites. The functional types of applied satellites can be independently recognized by ResNet neural network model in orbit, which does not depend on manual interpretation and judgment on the ground, thus improving the recognition efficiency and satisfying the lack of prior information. The need for real-time service and operation of non-cooperative space objectives.

【技术实现步骤摘要】
一种应用卫星功能类型识别方法
本专利技术涉及一种应用卫星功能类型识别方法，属于卫星识别

技术介绍
应用卫星是直接为国民经济、军事活动和文化教育服务的人造卫星，在各类人造卫星中，应用卫星发射数量最多，种类也最多。各种应用卫星按其工作基本特性，大致可以分为三大类，即对地观测类、无线电中继类和导航定位基准类。应用卫星在通信、导航、遥感等军用和民用领域发挥着重要作用。对应用卫星开展在轨服务可延长卫星寿命、提高任务执行能力，是当前国内外的研究热点之一。在对应用卫星进行在轨服务的过程中，根据需要可对在轨卫星进行辅助变轨、燃料补给、姿态控制、卫星接管、故障修复等操作。在对失效或故障卫星进行在轨维修维护时，首先须安全接近被服务卫星。对于非合作目标来说，其星表特征、关键载荷、运动状态等很难提前获取，在接近过程中必须对目标功能类型、运动状态、操作部位等进行准确认知，以确定接近停靠或控制策略，并避免碰撞。现有空间非合作目标类型认知通常是通过服务飞行器获取目标飞行器的空间图像并将图像传输给地面指控中心，地面指控中心根据图像信息采用边缘检测、特征拟合等图像识别方法人为确定非合作目标飞行器类型，并将确认的类型发送给服务飞行器。现有方法存在如下问题：星地回路存在大时延，无法满足对先验信息匮乏的非合作空间目标进行实时服务和操作的需要。
技术实现思路
针对现有技术中存在的问题，本专利技术提供一种应用卫星功能类型识别方法，该方法对在轨产生的空间目标可见光图像自主处理和分类识别，单目标功能类型分类速度小于100ms，准确率可达到90％。本专利技术的技术解决方案是：一种应用卫星功能类型识别方法，包括：获取目标卫星空间图像，并对获取到的目标卫星空间图像进行分辨率调整，得到目标图像；基于ResNet神经网络模型对所述目标图像进行数据处理，确定所述目标卫星对应的功能类型。在一可选实施例中，所述ResNet神经网络模型包括初始卷积层、三个残差学习模块和全连接层，每个所述残差学习模块包括两个残差学习单元，所述初始卷积层输出特征图集给第一个残差学习模块，第一个所述残差学习模块输出新的特征图集给第二个所述残差学习模块，第二个所述残差学习模块输出新的特征图集给第三个所述残差学习模块，第三个所述残差模块输出新的特征图集给所述全连接层，其中：所述初始卷积层，用于：对所述目标图像进行一次二维卷积，得到特征图集；所述残差学习模块的第一残差学习单元，用于：对输入本单元的特征图集进行一次卷积操作，得到本单元的残差特征图集；对所述输入本单元的特征图集依次进行标准化操作、激活操作及一次卷积操作，得到一次卷积操作后的特征图集，对所述一次卷积操作后的特征图集依次进行标准化操作、激活操作及一次卷积操作，得到二次卷积后的特征图集；根据所述本单元的残差特征图集和本单元的所述二次卷积后的特征图集确定本单元输出的特征图集，并将所述本单元输出的特征图集输出给所述残差学习模块的第二残差学习单元；所述残差学习模块的第二残差学习单元，用于：对输入本单元的特征图集依次进行标准化操作、激活操作及一次卷积操作，得到一次卷积后的特征图集，对本单元的一次卷积后的特征图集依次进行标准化操作、激活操作及一次卷积操作，得到二次卷积后的特征图集；根据输入本单元的特征图集和本单元的所述二次卷积后的特征图集确定本单元的输出特征图集；所述全连接层，用于：对第三个所述残差学习模块输出的特征图集进行平均池化，提取用于卫星类型识别的特征向量，并进行全连接操作，根据所述特征向量确定各卫星类型对应的特征累加向量，通过分类器进行分类概率统计，从而确定所述目标卫星对应的功能类型。在一可选实施例中，所述目标图像的分辨率不低于256×256。在一可选实施例中，所述的应用卫星功能类型识别方法，还包括：建立卫星空间图像样本库，所述样本库中包含多个卫星类型及各所述卫星类型对应的图像样本集；基于所述卫星空间图像样本库，对初始ResNet神经网络模型进行训练和测试，得到ResNet神经网络模型。在一可选实施例中，所述建立卫星空间图像样本库，包括：建立不同类型卫星的三维模型，并模拟空间环境，对建立的所述三维模型进行成像，得到一定数量的模拟空间图像样本，建立卫星类型与所述模拟空间图像样本的对应关系，生成卫星空间图像样本库。在一可选实施例中，所述建立不同类型卫星的三维模型，包括：根据各类型卫星的结构特点，建立不同类型卫星的结构三维模型；根据所述各类卫星的表面纹理信息，渲染所述结构三维模型，得到不同类型卫星的三维模型。在一可选实施例中，所述模拟空间环境，包括：模拟光源为平行光，大气分子密度为地面大气分子密度的0～0.01倍，，光照强度指数为地面日常光照强度的2～3倍，光源入射方向在所述三维模型的4π空间内随机生成。在一可选实施例中，所述对建立的所述三维模型进行成像，包括：在除所述三维模型对天面法向夹角60°锥角的范围内随机对建立的所述三维模型进行成像，且成像时，光源光束方向与相机成像轴夹角小于45°。在一可选实施例中，所述光源光束方向与相机成像轴夹角按照下式确定：其中α<45°，为光源光束方向与相机成像轴夹角；R1为光源到卫星的三维模型原点的距离，R2为相机到卫星的三维模型原点的距离，x1为光源x轴坐标，X2为相机x轴坐标，y1为光源y轴坐标，y2为相机y轴坐标，z1为光源z轴坐标，z2为相机z轴坐标。在一可选实施例中，所述得到一定数量的模拟空间图像样本之后，还包括：对各所述模拟空间图像样本进行数据增强，得到样本数量扩充后的模拟空间图像样本集；相应地，所述建立卫星类型与所述模拟空间图像的对应关系，包括：建立所述卫星类型与所述扩充后的模拟空间图像样本集中的模拟空间样本的对应关系。在一可选实施例中，所述基于所述卫星空间图像样本库，对初始ResNet神经网络模型进行训练和测试，包括：将所述卫星空间图像样本库中各样本由三通道彩色图像处理为一通道灰度图像，然后对初始ResNet神经网络模型进行训练和测试。本专利技术与现有技术相比的有益效果是：(1)本专利技术提供的应用卫星功能类型识别方法，通过对目标卫星空间图像进行分辨率调整，得到能够被ResNet神经网络模型识别的图像，通过ResNet神经网络模型在轨自主对应用卫星功能类型进行识别，不依赖于地面人工解读和判断，提高了识别效率，满足对先验信息匮乏的非合作空间目标进行实时服务和操作的需要。(2)本专利技术在轨进行应用卫星功能类型自主识别时，不需使用传统图像分割、识别及分类等一系列图像处理算法，操作简单、识别速度快、准确率高，可提高针对应用卫星功能类型的在轨自主识别速度。(3)本专利技术可实现空间飞行器对在轨产生的空间目标可见光图像自主处理和分类识别，可同时适应三通道彩色图像和一通道灰度图像，可适应不同光照条件和拍摄角度的图像数据，对数据的适应性强。(4)本专利技术模拟空间真空条件下可见光成像环境和星表材料反射特性，在不同光照和角度下生成具有真实可见光反射特性的图像样本，极大丰富了深度学习样本库，为空间目标分类识别的神经网络训练提供充足的训练和测试素材，提高了所得模型的可靠性。(5)本专利技术可实现空间飞行器对在轨产生的空间目标可见光图像自主处理和分类识别，目标功能类型分类速度小于100ms，准确率可达到90％，可极大提高空间本文档来自技高网...

【技术保护点】
1.一种应用卫星功能类型识别方法，其特征在于，包括：获取目标卫星空间图像，并对获取到的目标卫星空间图像进行分辨率调整，得到目标图像；基于ResNet神经网络模型对所述目标图像进行数据处理，确定所述目标卫星对应的功能类型。

【技术特征摘要】
1.一种应用卫星功能类型识别方法，其特征在于，包括：获取目标卫星空间图像，并对获取到的目标卫星空间图像进行分辨率调整，得到目标图像；基于ResNet神经网络模型对所述目标图像进行数据处理，确定所述目标卫星对应的功能类型。2.根据权利要求1所述的应用卫星功能类型识别方法，其特征在于，所述ResNet神经网络模型包括初始卷积层、三个残差学习模块和全连接层，每个所述残差学习模块包括两个残差学习单元，所述初始卷积层输出特征图集给第一个残差学习模块，第一个所述残差学习模块输出新的特征图集给第二个所述残差学习模块，第二个所述残差学习模块输出新的特征图集给第三个所述残差学习模块，第三个所述残差模块输出新的特征图集给所述全连接层，其中：所述初始卷积层，用于：对所述目标图像进行一次二维卷积，得到特征图集；所述残差学习模块的第一残差学习单元，用于：对输入本单元的特征图集进行一次卷积操作，得到本单元的残差特征图集；对所述输入本单元的特征图集依次进行标准化操作、激活操作及一次卷积操作，得到一次卷积操作后的特征图集，对所述一次卷积操作后的特征图集依次进行标准化操作、激活操作及一次卷积操作，得到二次卷积后的特征图集；根据所述本单元的残差特征图集和本单元的所述二次卷积后的特征图集确定本单元输出的特征图集，并将所述本单元输出的特征图集输出给所述残差学习模块的第二残差学习单元；所述残差学习模块的第二残差学习单元，用于：对输入本单元的特征图集依次进行标准化操作、激活操作及一次卷积操作，得到一次卷积后的特征图集，对本单元的一次卷积后的特征图集依次进行标准化操作、激活操作及一次卷积操作，得到二次卷积后的特征图集；根据输入本单元的特征图集和本单元的所述二次卷积后的特征图集确定本单元的输出特征图集；所述全连接层，用于：对第三个所述残差学习模块输出的特征图集进行平均池化，提取用于卫星类型识别的特征向量，并进行全连接操作，根据所述特征向量确定各卫星类型对应的特征累加向量，通过分类器进行分类概率统计，从而确定所述目标卫星对应的功能类型。3.根据权利要求1所述的应用卫星功能类型识别方法，其特征在于，所述目标图像的分辨率不低于256×256。4.根据权利要求1所述的应用卫星功能类型识别方法，其特征在于，还包括：建立卫星空间图像样本库，所述样本库中包含多个卫星类型及各所述卫星类型对应的图像样本集；基于所述卫星空间图像样本库，对初始R...

【专利技术属性】
技术研发人员：庞羽佳，李志，蒙波，黄龙飞，张志民，王尹，韩旭，黄剑斌，
申请(专利权)人：中国空间技术研究院，
类型：发明
国别省市：北京,11