【技术实现步骤摘要】
基于深度残差U-Net的月球陨石坑识别方法、设备及存储介质
本专利技术涉及图像识别
，具体涉及基于深度残差U-Net的月球陨石坑识别方法、设备及存储介质。
技术介绍
目前，随着深度学习技术的不断发展和进步，卷积神经网络(ConvolutionalNeuralNetworks，CNN)已经被广泛应用于图像处理领域，在目标检测、分类识别等方面发挥着重要的作用，在遥感图像领域，它的出现也为高效地识别陨石坑提供了一种新的方法。目前，针对陨石坑的识别分为目视识别和自动识别算法，有通过模板匹配实现陨石坑的检测、基于Canny方法及边缘配对完成陨石坑识别等，这些传统的基于图像处理及图像配准的陨石坑识别方法，虽然有效地对陨石坑进行了较为准确地识别，但工作量大、任务繁琐且缺乏实时性，而使用深度卷积网络，能够在数据量充足的情况下，对目标区域进行大范围标记识别，可以统计数据集内所涵盖大小范围的陨石坑，并且能够检测出一些未被目视识别的陨石坑数据。当前存在的一些月球陨石坑识别算法一般都基于部分区域的影像数据集，即在数据集方面存在...
【技术保护点】
1.一种基于深度残差U-Net的月球陨石坑识别方法，其特征在于，包括：/n构建基于残差单元的U-Net网络模型；/n将第一历史数据与第二历史数据映射组合构建训练集；/n将所述训练集输入所述U-Net网络模型中进行训练，获得第一预测值；/n对所述第一预测值筛选去重，获得第二预测值；/n计算所述第二预测值与输入数据真实值之间的误差损失，更新所述U-Net网络模型的权重参数，并采用随机梯度下降算法将所述U-Net网络模型训练至收敛；/n利用所述误差损失满足预设阈值的训练好的U-Net网络模型识别月球陨石坑图像。/n
【技术特征摘要】 【专利技术属性】
1.一种基于深度残差U-Net的月球陨石坑识别方法，其特征在于，包括：
构建基于残差单元的U-Net网络模型；
将第一历史数据与第二历史数据映射组合构建训练集；
将所述训练集输入所述U-Net网络模型中进行训练，获得第一预测值；
对所述第一预测值筛选去重，获得第二预测值；
计算所述第二预测值与输入数据真实值之间的误差损失，更新所述U-Net网络模型的权重参数，并采用随机梯度下降算法将所述U-Net网络模型训练至收敛；
利用所述误差损失满足预设阈值的训练好的U-Net网络模型识别月球陨石坑图像。
2.根据权利要求1所述的一种基于深度残差U-Net的月球陨石坑识别方法，其特征在于，所述残差单元包括：
两个3×3的卷积单元和一个恒等映射。
3.根据权利要求1所述的一种基于深度残差U-Net的月球陨石坑识别方法，其特征在于，所述将第一历史数据与第二历史数据映射组合构建训练集包括：
所述第一历史数据为全幅DEM月球影像；
所述第二历史数据为陨石坑记录数据；
通过python脚本将所述全幅DEM月球影像和所述陨石坑记录数据汇总并统一格式，获得修正后全幅DEM月球影像和修正后陨石坑记录数据；
通过投影与数据映射将所述修正后陨石坑记录数据标记到所述修正后全幅DEM月球影像上。
4.根据权利要求1所述的一种基于深度残差U-Net的月球陨石坑识别方法，其特征在于，所述将所述训练集输入所述U-Net网络模型中进行训练包括：
利用U-Net网络模型编码器的卷积层和池化层对所述训练集进行下采样；
对下采样后的数据通过解码器进行上采样；
对上采样后的数据利用Sigmoid激活函数提取第一预测值。
5.根据权利要求1-4任意一项所述的一种基于深度残差U-Net的月球陨石坑识别方法，其特征在于，所述计算所述第二预测值与输入数据真实值之间的误差损失，更新所述U-Net网络模型的权重参数，并采用随机梯度下降算法将所述U-Net网络模型训练至收敛，具体包括：
计算所述第二预测值与输入数据真实值之间的误差损失，通过参数更新公式更新所述U-Net网络模型的权重参数，并采用随机梯度下降算法将所述U-Net网络模型训练至收敛；
其中，所述参数更新公式为：
技术研发人员：董玉森，张帮政，王力哲，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。