本发明专利技术公开了一种地外天体表面小型撞击坑检测方法、系统、存储介质及设备，方法包括：构建小型撞击坑数据集；利用小型撞击坑数据集对YOLO‑Crater模型进行训练，得到小型撞击坑自动检测模型；其中，YOLO‑Crater模型为改进型YOLOX模型，对YOLOX模型的损失函数进行改进，利用Eff i c i ent‑I oU l oss和Var i Foca l l oss分别代替I oU l oss和BCE l oss；并且在YOLOX的主干网络CSPDarknet53与颈部网络PANet之间加入CBAM双通道注意力机制模块；利用小型撞击坑自动检测模型实现地外天体表面小型撞击坑的自动检测。本发明专利技术可实现在复杂天体环境下正确识别亚公里级小型撞击坑。
【技术实现步骤摘要】
本专利技术涉及地外天体表面撞击坑识别、目标检测，尤其涉及一种地外天体表面小型撞击坑检测方法、系统、存储介质及设备。
技术介绍
1、撞击坑作为最显著的地貌特征广泛分布于各个天体的表面。撞击坑对天体地层单元的年龄估计，天体地形特征及其演化历史的认知，行星地质矿产资源的勘察，探测器避障与着陆区选址等具有重大意义，因此撞击坑识别一直被作为研究的热点。
2、早期，撞击坑的识别主要利用天文望远镜观测手绘和遥感影像的目视判读，但这类方法易受主观因素影响、不稳定、效率低、局限性强。随着信息技术和航天技术不断发展，撞击坑自动检测方法(cda)得到快速发展，从基于传统机器学习的撞击坑识别到基于深度学习的撞击坑识别，极大地提高了撞击坑检测的效率，解决了手动识别的一致性、可复现性以及时间消耗问题。目前，基于深度学习的目标检测算法已成为撞击坑自动识别的主流方法，且深度网络提取的特征比手工制作的特征具有更重要的辨别和泛化能力，而yolo系列作为目标检测领域的主流算法之一，与之前的方法相比网络结构更加简单易于优化，且卷积神经网络直接完成目标类别的判定和边界的预测，意味着yolo网络是基于图像的全局信息进行预测，这可以提高模型的准确率，预测速度更快，并且随着yolo算法地不断改进，提升了对多尺度小目标的检测精度，可以将其应用于撞击坑的检测。
3、目前基于yolo的撞击坑识别模型，大多直接利用原始的yolo模型(yolov3、yolov4)检测撞击坑，且识别对象主要为公里级撞击坑，缺乏对小型撞击坑(亚公里级)的检测。
>技术实现思路1、本专利技术所要解决的技术问题是针对现有技术存在的问题，提供一种地外天体表面小型撞击坑检测方法、系统、存储介质及设备。
2、为解决上述技术问题，本专利技术提供一种地外天体表面小型撞击坑检测方法，包括：构建小型撞击坑数据集，其中，小型撞击坑指直径小于预设值的亚公里级撞击坑；利用小型撞击坑数据集对yolo-crater模型进行训练，得到小型撞击坑自动检测模型；其中，yolo-crater模型为改进型yolox模型，对yolox模型的损失函数进行改进，利用有效交并比损失efficient-iou loss和变焦损失varifocal loss分别代替交并比损失iou loss和二元交叉熵损失bce loss；并且在yolox模型的主干网络cspdarknet53与颈部网络panet之间加入cbam双通道注意力机制模块；利用小型撞击坑自动检测模型实现地外天体表面小型撞击坑的自动检测。
3、为解决上述技术问题，本专利技术还提供一种地外天体表面小型撞击坑检测系统，包括：数据集创建模块、模型训练模块和撞击坑检测模块。
4、数据集创建模块用于构建小型撞击坑数据集，其中，小型撞击坑指直径小于预设值的亚公里级撞击坑；模型训练模块用于利用小型撞击坑数据集对yolo-crater模型进行训练，得到小型撞击坑自动检测模型；其中，yolo-crater模型为改进型yolox模型，对yolox模型的损失函数进行改进，利用有效交并比损失efficient-iou loss和变焦损失varifocal loss分别代替交并比损失iou loss和二元交叉熵损失bce loss；并且在yolox模型的主干网络cspdarknet53与颈部网络panet之间加入cbam双通道注意力机制模块；撞击坑检测模块用于利用小型撞击坑自动检测模型实现地外天体表面小型撞击坑的自动检测。
5、为解决上述技术问题，本专利技术还提供一种计算机可读存储介质，包括指令，当指令在计算机上运行时，使计算机执行如上述技术方案提供的地外天体表面小型撞击坑检测方法。
6、为解决上述技术问题，本专利技术提供一种计算设备，包括：存储器、处理器及存储在存储器上的并可在处理器上运行的计算机程序，处理器执行程序时实现如上述技术方案提供的地外天体表面小型撞击坑检测方法。
7、本专利技术的有益效果是：采用yolox模型为主体模型，鲁棒性和泛化性高，对小目标的检测性能强，解决了目标检测的多尺度问题，且该模型检测头简单，极大地改善了网络的收敛速度，模糊样本数量少，提高了模型的预测精度；并且利用efficient-iou loss和varifocal loss分别代替iou loss和bce loss，有效解决了当iou＝0时梯度消失模型无法优化和iou相等时无法精确反映两者重合度大小的问题；并且在yolox的主干网络cspdarknet与颈部网络panet之间加入cbam双通道注意力机制模块，有效解决了训练过程中撞击坑小目标样本不平衡问题，使网络学习了特征和空间位置的重要性，增强了模型对撞击坑的特征学习能力，有利于模型在复杂天体环境下正确识别亚公里级小型撞击坑。
8、本专利技术附加的方面及其优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术实践了解到。
本文档来自技高网...
【技术保护点】
1.一种地外天体表面小型撞击坑检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述利用所述小型撞击坑数据集对YOLO-Crater模型进行训练之前，还包括对所述小型撞击坑数据集进行预处理，具体包括：
3.根据权利要求1所述的方法，其特征在于，所述Efficient-IoU loss为在IoU Loss的基础上增加预测框与真实框之间中心距离损失和宽高损失，所述Efficient-IoU loss包含重叠损失、中心距离损失和宽高损失。
4.根据权利要求3所述的方法，其特征在于，所述Efficient-IoU loss的惩罚项公式如式(1)(2)所示：
5.根据权利要求1所述的方法，其特征在于，所述VariFocal Loss的计算模型训练过程中的置信度预测损失，其定义如式(3)：
6.根据权利要求1至5任一项所述的方法，其特征在于，所述CBAM双通道注意力机制模块包括：通道注意力机制和空间注意力机制，所述CBAM双通道注意力机制模块用于对输入的特征层分别进行通道维度和空间维度注意力机制的处理。
7.根据权利要求6所述的方法，其特征在于，所述利用所述小型撞击坑自动检测模型实现地外天体表面小型撞击坑的自动检测，包括：
8.一种地外天体表面小型撞击坑检测系统，其特征在于，包括：
9.一种计算机可读存储介质，包括指令，其特征在于，当所述指令在计算机上运行时，使所述计算机执行如权利要求1至7任一项所述的地外天体表面小型撞击坑检测方法。
10.一种计算设备，其特征在于，包括：存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述的地外天体表面小型撞击坑检测方法。
...
【技术特征摘要】
1.一种地外天体表面小型撞击坑检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述利用所述小型撞击坑数据集对yolo-crater模型进行训练之前，还包括对所述小型撞击坑数据集进行预处理，具体包括：
3.根据权利要求1所述的方法，其特征在于，所述efficient-iou loss为在iou loss的基础上增加预测框与真实框之间中心距离损失和宽高损失，所述efficient-iou loss包含重叠损失、中心距离损失和宽高损失。
4.根据权利要求3所述的方法，其特征在于，所述efficient-iou loss的惩罚项公式如式(1)(2)所示：
5.根据权利要求1所述的方法，其特征在于，所述varifocal loss的计算模型训练过程中的置信度预测损失，其定义如式(3)：
6.根据权利要求1至5...
【专利技术属性】
技术研发人员：牟伶俐，鲜丽娜，李立红，张伟，
申请(专利权)人：中国科学院空间应用工程与技术中心，
类型：发明
国别省市：
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。