【技术实现步骤摘要】
本专利技术涉及天文学、空间科学，天文及空间目标检测领域。更具体的说，涉及一种能够在空间目标检测领域中自适应天文观测设备和观测模式的空间目标检测方法。
技术介绍
1、随着我国航天事业的发展，我国已经针对不同天文或空间目标观测任务建设了包括地基望远镜和天基卫星在内的各类光学观测系统，对宇宙中的天文及空间目标已经实施了长期观测。但由于观测选用的光学系统构型各异，导致其点扩散函数具有不同形态。同时，随着光电系统观测模式不断多样化，所获得的空间目标图像也随之变化，这些因素导致图像中的目标呈现出不同的形态和结构。由于常规基于神经网络的目标检测算法需要对特定观测设备和观测模式下的数据进行人为处理以获取标签，进而训练神经网络，多样化的观测数据就给常规智能算法适配带来了很大困难，迫切需要一种能够适应多种观测模式和设备的新型目标检测方法。
技术实现思路
1、针对现有技术存在的不足，本专利技术的目的在于提供一种能够自适应观测设备和观测模式的空间目标检测方法，该专利技术能够实现对多种观测模式和设备获取的目标图像进行检测并提取目标特征信息，为天文及空间科学研究和应用提供一种新的数据处理手段。
2、为实现上述目的，本专利技术提供了如下技术方案：
3、一种能够自适应观测设备和观测模式的空间目标检测方法，其特征在于，所述目标检测方法使用的目标检测网络包括基于多模态网络架构的特征融合网络和多模式目标检测网络两部分；目标检测网络同时接收观测图像的点扩散函数、观测图像和观测模式的信息，并通过特征
4、步骤1.获取点扩散函数：利用光电系统模拟技术和数字孪生技术，建立探测目标的数字孪生模型，并建立光学系统数据库，存储观测光学系统状态信息及其对应的性能指标参数，利用基于强化学习及数字孪生的光电系统失调状态感知方法确定光学系统状态与性能指标参数之间的映射关系，根据观测图像提取当前光学系统的性能指标参数，获取观测图像的点扩散函数；
5、步骤2.搭建基于多模态网络架构的特征融合网络：特征融合网络包括抽取特征的卷积神经网络和带有自注意力机制的融合特征神经网络danet；将待观测的目标图像利用卷积神经网络卷积来获取深层特征；将深层特征与光学系统的点扩散函数通过带有自注意力机制的神经网络danet在不同维度的特征中寻找目标图像与光学系统成像之间的相关信息，进而获得融合后的特征向量；
6、步骤3.搭建多模式目标检测网络：多模式目标检测网络将融合特征神经网络danet生成的特征向量传入一个由transformer编码器搭建的共享层，并根据当前所选定的观测模式，将共享层的特征数据及当前的观测模式输入到模式选择器，模式选择器根据当前的观测模式将共享层的特征数据传递到对应的目标检测子网络进行检测，实现在不同观测模式下，对不同设备所获取图像内的多个目标的检测和定位；
7、步骤4.利用步骤1中所获得的数字孪生模型生成的观测图像、点扩散函数信息与观测信息，训练优化特征融合网络及目标检测网络，实现网络对不同观测模式下、不同设备获取图像内多个空间目标检测和精确定位任务。
8、进一步，步骤4中，训练优化自适应观测设备和观测模式的目标检测系统步骤如下：
9、步骤4.1通过步骤1所获取的不同模式下的空间目标的观测图像、光学设备的点扩散函数生成目标数据集，利用目标数据集对全局目标检测网络进行训练，从步骤1中的光学系统数据库中读取目标的类别、位置作为标签用于训练；
10、步骤4.2以标签中目标检测位置精度和预测类别与真实类别间的交叉熵为损失函数，训练神经网络权重；
11、步骤4.3重复步骤4.2，直至网络损失函数的值达到最小值，即神经网络对于验证集查全率和查准率均达到90％以上时，结束神经网络权重的训练，此时获得适用于不同观测模式下，对不同观测设备所获取的目标图像进行定位、分类的神经网络。
12、进一步，步骤4.2中，训练神经网络权重，包括对四部分权重进行调整：对目标图像特征提取部分的网络权重、特征提取后的图像与点扩散函数使用danet进行特征融合部分的网络权重、共享层部分的网络权重和为实现对不同观测模式下目标进行检测的目标检测子网络权重。
13、进一步，多模式目标检测网络包括共享层、模式选择器、目标检测子网络，其中共享层的特征数据可以供给对应模式的目标检测子网络部分共同学习和使用，实现不同任务之间进行信息传递和共享。
14、进一步，步骤2中，待观测的目标图像预处理包括数据去噪和数据增强处理，并利用卷积神经网络的3层卷积层和池化层进行3次重复卷积和池化操作，以提取出深层特征供给后续特征融合使用。
15、进一步，transformer编码器作为共享层，从所有观测模式的输入中提取相关联的特征，保留模式特定信息的同时学习模式之间的共性和相关性。
16、进一步，每个目标检测子网络均包括一个独立的transformer解码器，每个特定子网络在transformer解码器的输出上都有两个头部，一个用于分类任务，另一个用于目标检测任务，用于分类的头部将提取的特征映射到相应的类别空间，并输出分类概率；用于目标检测的头部在特征上进行目标框的回归和分类。
17、进一步，目标检测子网络之间相互独立，不同模式的子网络处理对应模式下的特征数据。
18、综上所述，专利技术具有以下有益效果：
19、本专利技术使用基于多模态的网络架构，同时处理多种输入信息，首先接收空间目标检测图像及相应光学系统的点扩散函数信息，将空间目标检测图像进行去噪、图像增强处理，确保输入图像适合后续目标检测。
20、本专利技术引入点扩散函数特征，对预处理后的图像用卷积神经网络进行特征提取并与相应光学系统的点扩散函数信息利用danet进行特征融合，使用自注意力机制在这些不同维度特征中寻找信息之间的关联信息，从而实现特征放大化，提升网络对于空间目标的识别和检测能力。将自注意力机制形成的特征向量和观测模式向量同时送入transformer网络，能够在不同观测模式下处理目标检测任务，为每个任务对应一个解码器，每个解码器负责一个特定的任务，实现在共用共享层特征的情况下对不同观测模式下目标进行检测，从而提高整体性能并适应多样化的应用场景。
21、本专利技术的检测方法鲁棒性强且适用于不同观测数据的目标，本专利技术利用图像的点扩散函数信息以及观测模式信息，实现对不同观测模式下获取图像的目标进行准确的检测和分类，能够同时适用于不同观测任务所获取的图像，具有本文档来自技高网...
【技术保护点】
1.一种能够自适应观测设备和观测模式的空间目标检测方法，其特征在于，所述目标检测方法使用的目标检测网络包括基于多模态网络架构的特征融合网络和多模式目标检测网络两部分；目标检测网络同时接收观测图像的点扩散函数、观测图像和观测模式的信息，并通过特征融合网络提取点扩散函数与目标图像间的相关信息实现特征融合，多模式目标检测网络接收融合后的特征向量及观测模式信息，多模式目标检测网络使用一个共享的Transformer编码器作为共享层，共享层用于从不同观测模式的输入信息中提取特征信息，并根据输入的模式类型将共享层中的特征信息传递给对应模式的目标检测子网络，针对不同观测任务、不同设备和不同观测模式，得到目标位置、类别和检测的置信度，提高目标检测准确率，具体包括以下步骤：
2.根据权利要求1所述的能够自适应观测设备和观测模式的空间目标检测方法，其特征在于，所述步骤4中，训练优化自适应观测设备和观测模式的目标检测系统步骤如下：
3.根据权利要求2所述的能够自适应观测设备和观测模式的空间目标检测方法，其特征在于，所述步骤4.2中，训练神经网络权重，包括对四部分权重进行调整：对
4.根据权利要求1所述的能够自适应观测设备和观测模式的空间目标检测方法，其特征在于，所述多模式目标检测网络包括共享层、模式选择器、目标检测子网络，其中共享层的特征数据可以供给对应模式的目标检测子网络部分共同学习和使用，实现不同任务之间进行信息传递和共享。
5.根据权利要求1所述的能够自适应观测设备和观测模式的空间目标检测方法，其特征在于，所述步骤2中，待观测的目标图像预处理包括数据去噪和数据增强处理，并利用卷积神经网络的3层卷积层和池化层进行3次重复卷积和池化操作，以提取出深层特征供给后续特征融合使用。
6.根据权利要求1所述的能够自适应观测设备和观测模式的空间目标检测方法，其特征在于，所述Transformer编码器作为共享层，从所有观测模式的输入中提取相关联的特征，保留模式特定信息的同时学习模式之间的共性和相关性。
7.根据权利要求1所述的能够自适应观测设备和观测模式的空间目标检测方法，其特征在于，每个目标检测子网络均包括一个独立的Transformer解码器，每个特定子网络在Transformer解码器的输出上都有两个头部，一个用于分类任务，另一个用于目标检测任务，用于分类的头部将提取的特征映射到相应的类别空间，并输出分类概率；用于目标检测的头部在特征上进行目标框的回归和分类。
8.根据权利要求1或7所述的能够自适应观测设备和观测模式的空间目标检测方法，其特征在于，所述目标检测子网络之间相互独立，不同模式的子网络处理对应模式下的特征数据。
...【技术特征摘要】
1.一种能够自适应观测设备和观测模式的空间目标检测方法，其特征在于，所述目标检测方法使用的目标检测网络包括基于多模态网络架构的特征融合网络和多模式目标检测网络两部分；目标检测网络同时接收观测图像的点扩散函数、观测图像和观测模式的信息，并通过特征融合网络提取点扩散函数与目标图像间的相关信息实现特征融合，多模式目标检测网络接收融合后的特征向量及观测模式信息，多模式目标检测网络使用一个共享的transformer编码器作为共享层，共享层用于从不同观测模式的输入信息中提取特征信息，并根据输入的模式类型将共享层中的特征信息传递给对应模式的目标检测子网络，针对不同观测任务、不同设备和不同观测模式，得到目标位置、类别和检测的置信度，提高目标检测准确率，具体包括以下步骤：
2.根据权利要求1所述的能够自适应观测设备和观测模式的空间目标检测方法，其特征在于，所述步骤4中，训练优化自适应观测设备和观测模式的目标检测系统步骤如下：
3.根据权利要求2所述的能够自适应观测设备和观测模式的空间目标检测方法，其特征在于，所述步骤4.2中，训练神经网络权重，包括对四部分权重进行调整：对目标图像特征提取部分的网络权重、特征提取后的图像与点扩散函数使用danet进行特征融合部分的网络权重、共享层部分的网络权重和为实现对不同观测模式下目标进行检测的目标检测子网络权重。
4.根据权利要求1所述的能够自适应观测设备和观测模式的空间目标...
【专利技术属性】
技术研发人员：贾鹏，李凯阳，李格，白泽宇，张衡，徐胭艳，
申请(专利权)人：太原理工大学，
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。