【技术实现步骤摘要】
本专利技术涉及深度学习图像处理领域，特别是一种融合物理信息深度学习的卫星激光光斑质心定位方法和系统。
技术介绍
1、近年来，激光通信技术大量应用于卫星通信。受卫星通信远距离链路中大气湍流、空间干扰的影响，激光在激光传感器中的成像通常会受到畸变，自适应光学技术可以自主校正畸变准确定位光斑质心定位。通过准确的光斑质心定位从而计算出光束指向角，根据指向角转动激光终端建立稳定的通信链路。由于激光光束发散角极小，瞄准、捕获、跟踪(pat)系统是实现激光光束高精度指向的关键部分，在pat系统中利用光电探测器来捕获信标光，当终端探测器接收到来自另一终端的信标光后，通过计算机进行图像处理分析，并得到双方端机的俯仰和方位角偏差，实时地将其传递给伺服控制系统，通过相应的控制算法来快速地调整瞄准角度，直到满足系统的跟踪精度要求。因此高精度光斑定位是光束高精度指向控制的前提条件。
2、传统的图像处理算法大多都需要根据不同激光探测器所成不同类型激光光斑图像的具体特征进行算法参数调整，寻找最优的参数需要大量的时间和尝试。
技术实现思路
1、本专利技术解决的技术问题是：克服现有技术的不足，提供了一种融合物理信息深度学习的卫星激光光斑质心定位方法和系统，提高模型的可解释性和泛化性，提高激光光斑质心定位精度，进而提升激光链路跟踪精度。
2、本专利技术的技术解决方案是：一种融合物理信息深度学习的激光光斑质心定位方法，包括：
3、构建lstm模型和unet模型相结合的lstm-une
4、设计损失函数，所述损失函数同时包括质心校准损失和为分布校准损失；
5、生成带有时序特征的空间图像集作为训练数据，使用数据增强方法扩展训练数据；
6、在损失函数条件下，利用训练数据训练lstm-unet模型，得到训练完成的lstm-unet模型；
7、将连续多帧光斑图像输入训练完成的lstm-unet模型，得到光斑的质心位置。
8、进一步，所述lstm-unet模型的架构为lstm模型矩阵连接unet模型；所述lstm模型矩阵由n×n个lstm模型构成，矩阵中每一个lstm模型对应待处理光斑图像的每一个像素位置，每个lstm模型包含n/2个lstm基本单元；连续多帧n×n尺寸的光斑图像经过lstm模型矩阵后，输出1个n/2×n×n的时间依赖特征矩阵。
9、再进一步，所述unet模型编码端包括多个卷积层和下采样层，所述时间依赖特征矩阵经过1个卷积层后，输出n/2个尺寸为n×n的特征图，再经过多个下采样层和卷积层后，输出为4n个尺寸为n/16×n/16的特征图；所述unet模型解码端包括多个反卷积层和上采样层，所述4n个尺寸为n/16×n/16的特征图经过多个反卷积层和上采样层后，输出为n个尺寸为n×n的特征图，与编码端的n/2个尺寸为n×n的特征图进行拼接后，在经过最后1个反卷积层，最终输出为1帧尺寸为n×n的光斑图像；所述最后1个反卷积层包含一个1×1的卷积层和激活函数。
10、进一步，所述的损失函数为
11、l＝α·lc+β·ld
12、其中，α和β用于调和两部分损失函数起到的作用大小的系数，lc为质心校准损失，即利用lstm-unet模型计算得到的光斑质心和无噪声光斑质心的差异需满足的约束条件，ld为分布校准损失，即lstm-unet模型输出的光斑图像的灰度值分布需满足的约束条件。
13、再进一步，所述的质心校准损失，利用以下公式实现，
14、lc＝‖xo-xp‖2+‖yo-yp‖2
15、其中，xo，yo为无噪声光斑的质心坐标，xp，yp为利用lstm-unet模型计算得到的光斑质心坐标。
16、所述的分布校准损失，利用以下公式实现，
17、
18、其中，为对数据进行k-s检验的置信值，in为lstm-unet模型输出的图像灰度值。
19、进一步，生成带有时序特征的空间图像集作为训练数据的步骤包括：
20、以光斑的质心为中心构建灰度值分布满足高斯分布的a张样本图像；
21、对每张样本图像以光斑的质心为坐标原点按随机路径生成m张图像，得到m×a张样本图像；
22、对每张样本图像添加随机噪声。
23、再进一步，所述满足高斯分布的每张样本图像的长宽坐标范围为-3～3，光斑的质心位置在-2～2之间变化，光斑的直径在0.4～0.8之间变化；
24、所述添加的随机噪声包括白噪声和斜坡噪声，白噪声的标准差范围为0～0.3，斜坡噪声的最大强度范围为0～1，斜率范围为-0.5～0.5。
25、进一步，为了使样本数据符合光斑图像的成像特点，设计数据增强方法包括：选取一部分样本图像，随机进行灰度值的增减，模拟实际成像过程中光斑强度不同的情况；选取一部分样本图像，随机进行图像缩放，模拟实际成像过程中光斑大小不同的情况；选取一部分样本图像，随机扩大光斑质心位置的范围，模拟实际成像过程中光斑出现在图像边缘的情况。
26、本专利技术还提供一种激光通信卫星星载处理系统，所述系统中封装了如前所述的训练完成的lstm-unet模型，在系统收到信标光后，利用该模型提取光斑图像的光斑质心位置。
27、本专利技术与现有技术相比的优点在于：
28、(1)本专利技术针对星载激光光斑探测器成像特点，提出时空深度学习网络架构结合的算法模型，在时间空间两个维度提取光斑图像序列时空特征，采用全尺寸模型架构提出了用于针对光斑质心计算的神经网络架构；
29、(2)本专利技术根据激光光斑质心计算方法与图像分布特征设计了基于物理信息引导的损失函数，提升了模型的可解释性和泛化性；
30、(3)本专利技术训练时采用了数据增强方法，更好地适用于在轨实际应用场景，可实现在复杂噪声背景下激光光斑质心的精确定位；
31、(4)本专利技术操作实施简单、计算方便，适合于工程的使用。
本文档来自技高网...【技术保护点】
1.一种融合物理信息深度学习的激光光斑质心定位方法，其特征在于包括：
2.根据权利要求1所述的融合物理信息深度学习的激光光斑质心定位方法，其特征在于：所述LSTM-Unet模型的架构为LSTM模型矩阵连接Unet模型；所述LSTM模型矩阵由n×n个LSTM模型构成，矩阵中每一个LSTM模型对应待处理光斑图像的每一个像素位置，每个LSTM模型包含n/2个LSTM基本单元；连续多帧n×n尺寸的光斑图像经过LSTM模型矩阵后，输出1个n/2×n×n的时间依赖特征矩阵。
3.根据权利要求2所述的融合物理信息深度学习的激光光斑质心定位方法，其特征在于：所述Unet模型编码端包括多个卷积层和下采样层，所述时间依赖特征矩阵经过1个卷积层后，输出n/2个尺寸为n×n的特征图，再经过多个下采样层和卷积层后，输出为4n个尺寸为n/16×n/16的特征图；所述Unet模型解码端包括多个反卷积层和上采样层，所述4n个尺寸为n/16×n/16的特征图经过多个反卷积层和上采样层后，输出为n个尺寸为n×n的特征图，与编码端的n/2个尺寸为n×n的特征图进行拼接后，再经过最后1个反卷积层
4.根据权利要求1所述的融合物理信息深度学习的激光光斑质心定位方法，其特征在于：所述的损失函数为
5.根据权利要求4所述的融合物理信息深度学习的激光光斑质心定位方法，其特征在于：所述的质心校准损失，利用以下公式实现，
6.根据权利要求4所述的融合物理信息深度学习的激光光斑质心定位方法，其特征在于：所述的分布校准损失，利用以下公式实现，
7.根据权利要求1所述的融合物理信息深度学习的激光光斑质心定位方法，其特征在于，生成带有时序特征的空间图像集作为训练数据的步骤包括：
8.根据权利要求7所述的融合物理信息深度学习的激光光斑质心定位方法，其特征在于：
9.根据权利要求1所述的融合物理信息深度学习的激光光斑质心定位方法，其特征在于，为了使样本数据符合光斑图像的成像特点，设计数据增强方法包括：
10.一种激光通信卫星星载处理系统，其特征在于：所述系统中封装了如权利要求1所述的训练完成的LSTM-Unet模型，在系统收到信标光后，利用该模型提取光斑图像的光斑质心位置。
...【技术特征摘要】
1.一种融合物理信息深度学习的激光光斑质心定位方法，其特征在于包括：
2.根据权利要求1所述的融合物理信息深度学习的激光光斑质心定位方法，其特征在于：所述lstm-unet模型的架构为lstm模型矩阵连接unet模型；所述lstm模型矩阵由n×n个lstm模型构成，矩阵中每一个lstm模型对应待处理光斑图像的每一个像素位置，每个lstm模型包含n/2个lstm基本单元；连续多帧n×n尺寸的光斑图像经过lstm模型矩阵后，输出1个n/2×n×n的时间依赖特征矩阵。
3.根据权利要求2所述的融合物理信息深度学习的激光光斑质心定位方法，其特征在于：所述unet模型编码端包括多个卷积层和下采样层，所述时间依赖特征矩阵经过1个卷积层后，输出n/2个尺寸为n×n的特征图，再经过多个下采样层和卷积层后，输出为4n个尺寸为n/16×n/16的特征图；所述unet模型解码端包括多个反卷积层和上采样层，所述4n个尺寸为n/16×n/16的特征图经过多个反卷积层和上采样层后，输出为n个尺寸为n×n的特征图，与编码端的n/2个尺寸为n×n的特征图进行拼接后，再经过最后1个反卷积层，最终输出为1帧尺寸为n×n...
【专利技术属性】
技术研发人员：刘爱冬，杨清龙，刘慧梁，陈小群，李殷乔，姚远，范晨，孙茜，
申请(专利权)人：中国空间技术研究院，
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。