一种天体光学图像小目标的智能检测方法技术

一种天体光学图像小目标的智能检测方法，属于天文图像处理及目标检查技术领域。它包括以下步骤：1、对天体光学图像的FITS格式文件进行读取，处理后转换格式文件；2、训练、测试数据集制作；3、采用Yolov5网络模型，使用训练集对Yolov5网络模型进行模型训练；4、使用测试集对训练好的Yolov5模型进行检测；5、将采集到的天体光学图像输入模型中，输出目标检测框与置信度。本发明专利技术基于Yolov5目标检测算法建立神经网络模型，利用深度学习，对神经网络模型进行训练，从而代替传统方法进行天体光学图像目标检测，避免人工进行简单重复性工作，实现自动化、智能化的同时，提升检测精度和速度。提升检测精度和速度。提升检测精度和速度。

【技术实现步骤摘要】
一种天体光学图像小目标的智能检测方法


[0001]本专利技术属于天文图像处理及目标检查
，具体涉及一种天体光学图像小目标的智能检测方法。

技术介绍

[0002]在空间科学和探测任务中，对航天器的人工智能控制、自主导航与控制、实时在轨处理速度、存储数据吞吐率、海量数据处理、复杂科学计算、天文图像处理等方面有着迫切的技术需求。
[0003]天文数据往往都是FITS格式，FITS(Flexible Image Transport System)是国际天文学会(IAU)1982年确定的世界各天文台之间用于数据传输、交换的统一标准格式。它描述了数据的定义和数据编码的一般方法。它是与机器无关的,用磁带作为标准传输介质的独立方法。它提供了图像的单值转换,精度包括符号在内可以达到32位。对一维、二维、三维、甚至多维的数据类型都提供了合适的转换。
[0004]天文图像来源于利用地基或天基平台对空间目标进行光学观测或其它手段的监测。对于由星空观测相机获得的序列星图，不同图像下的目标亮度差异巨大，背景噪声大，目标仅仅占有灰度图像上几个或是十几个像素，无纹理、结构、色彩等信息可以利用，且图像中的目标星点会偶尔伴有“拖尾”情况，使用经典的图像处理、检测方法往往效果不佳。但是由于天文图像的冗杂、数量大，如果人工进行分析、处理，往往会需要完成大量简单的重复性工作。因此，如何高效、智能地在天体光学图像中实现小目标的有效探测是一项复杂而又十分重要的工作。

技术实现思路

[0005]针对现有技术中存在的上述问题，本专利技术的目的在于提供一种基于目标检测算法及深度学习的天体光学图像小目标的智能检测方法，实现了检测的智能化，并提高了检测精度。
[0006]本专利技术提供如下技术方案：一种天体光学图像小目标的智能检测方法，包括以下步骤:步骤1，对天体光学图像的FITS格式文件进行读取，并对读取的天体光学图像进行对比度、亮度调节处理，转换为计算机存储的图片格式文件；步骤2，训练、测试数据集制作：对天体光学图像进行标注，并将获取的天体光学图像数据划分为训练集和测试集；步骤3，采用Yolov5网络模型，设置训练参数，使用训练集对Yolov5网络模型进行模型训练；步骤4，使用测试集对训练好的Yolov5模型进行检测，检验识别性能，当识别效果达到指标要求，则保存并输出模型文件；若不满足指标要求，调整训练参数，重新训练，直至模型的识别效果达到指标要求；
步骤5，得到模型文件，然后采集需要检测的天体光学图像，输入到训练好的模型文件中，输出目标检测框与置信度，实现智能化、自动化天体目标识别。
[0007]优选的，所述步骤3中，Yolov5模型采用深度最大、特征图的宽度最大的Yolov5x网络，Yolov5模型的网络算法流程如下：3.1、将训练集图片放入输入端，通过Mosaic数据增强、自适应锚定框、自适应图片缩放等处理以后输入到主干网络Backbone中；3.2、输入的图片经过Focus结构，进行切片操作形成特征图之后，再经过Yolov5x结构卷积核的卷积操作后输入CSP结构，形成图像特征；3.3、将形成图像特征后的图像输入Neck，对图像特征进行混合和组合，生成特征金字塔，最后在Head中完成对图像特征的预测；3.4、应用锚定框，生成带有类概率、对象得分和边界框的最终输出向量。
[0008]优选的，所述步骤4中的指标要求包括目标召回率要求及精确度要求。
[0009]通过采用上述技术，与现有技术相比，本专利技术的有益效果如下：本专利技术基于Yolov5目标检测算法建立神经网络模型，利用深度学习，对神经网络模型进行训练，从而代替传统方法进行天体光学图像目标检测，避免人工进行简单重复性工作，实现自动化、智能化的同时，提升检测精度。
附图说明
[0010]图1为本专利技术的方法流程图；图2为本专利技术的单目标人造卫星天体图像检测输入图；图3为本专利技术的多目标人造卫星天体图像检测输入图；图4为本专利技术单目标人造卫星天体图像检测输入图对应的检测输出结果图；图5为本专利技术多目标人造卫星天体图像检测输入图对应的检测输出结果图；图6为图5中的局部放大示意图。
具体实施方式
[0011]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合说明书附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0012]相反，本专利技术涵盖任何由权利要求定义的在本专利技术的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本专利技术有更好的了解，在下文对本专利技术的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本专利技术。
[0013]请参阅图1
‑
6，一种天体光学图像小目标的智能检测方法，包括如下步骤：步骤1，将采集、处理所得的天体图像按照4:6的比例划分为训练集和测试集。由于存在漏标、误标的问题，以及标注策略的不同会影响最终的召回率、精确率，需要针对以上问题进行检查、调整。
[0014]步骤2，设置相应的训练参数，将训练集输入Yolov5网络进行训练，得到模型文件，全部训练过程在NVIDIA GTX3060 GPU下的Windows环境训练所得。
[0015]步骤3，将测试集中的图片输入训练好的模型文件中，评价模型的检测性能，当检测效果达到目标召回率、精确度，则保存并输出模型文件；若不满足要求，调整训练参数，重新训练。
[0016]Yolov5网络算法主要流程如下：将训练图片放入输入端，通过Mosaic数据增强、自适应锚定框、自适应图片缩放等处理以后输入到主干网络（Backbone）中，经过Focus结构，进行切片操作形成特征图之后，再经过Yolov5x结构的80个卷积核的卷积操作后输入CSP结构，形成图像特征后输入Neck，对图像特征进行混合和组合，生成特征金字塔，最后在Head中完成对图像特征的预测，应用锚定框，生成带有类概率、对象得分和边界框的最终输出向量。
[0017]其中，Yolov5网络主要有以下特征点：1、Mosaic数据增强：将训练集中随机选取四张图片，经过剪裁、翻转、缩放、色域变化等处理后进行拼接，形成新的训练图像，丰富了训练集背景的同时，变相提高了batch
‑
size，使得网络模型在小目标的识别上表现得更加优秀。
[0018]2、自适应锚定框（Auto Learning Bounding Box Anchors）：设定初始的锚框的长宽，在网络训练中，网络在初始锚框的基础上输出预测框，进而和真实框（groundtruth）进行比对，计算两者差距，再反向更新，迭代网络参数。Yolov5中将此功能嵌入到代码中，每次训练时，自适应的计算不同训练集中的最佳锚框值。
[0019]3、CSPNet（Cross Stage Partial Network）结构：先将基础层的特征映射划分为两部分，然后通过跨阶段层次结构将它们合并，在减少了计算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种天体光学图像小目标的智能检测方法，其特征在于：包括以下步骤:步骤1，对天体光学图像的FITS格式文件进行读取，并对读取的天体光学图像进行对比度、亮度调节处理，转换为计算机存储的图片格式文件；步骤2，训练、测试数据集制作：对天体光学图像进行标注，并将获取的天体光学图像数据划分为训练集和测试集；步骤3，采用Yolov5网络模型，设置训练参数，使用训练集对Yolov5网络模型进行模型训练；步骤4，使用测试集对训练好的Yolov5模型进行检测，检验识别性能，当识别效果达到指标要求，则保存并输出模型文件；若不满足指标要求，调整训练参数，重新训练，直至模型的识别效果达到指标要求；步骤5，得到模型文件，然后采集需要检测的天体光学图像，输入到训练好的模型中，输出目标检测框与置信度，实现智能化、自动化天体目标识别。2.根据权利要...

【专利技术属性】
技术研发人员：唐轶峻，庄德文，蒋云霄，应琛琛，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：