System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及使用神经网络的图像识别方法,具体涉及一种高精度空间航天器域自适应检测方法。
技术介绍
1、对空间航天器进行高精度检测是完成在轨服务、碎片清理等重大航天任务的前提。然而,太空环境存在极端强弱光照、遮挡以及图像尺度差异大等因素,传统的目标检测方法难以实际应用到空间航天器的检测任务中。基于深度学习的位姿估计方法凭借精度高、鲁棒性强、适用性广等优点,在空间航天器检测领域有着广阔的研究前景,因此,研究基于深度学习的空间航天器高精度检测方法十分必要。
2、目前,基于深度卷积网络的目标检测主要分为两类:(1)基于区域的方法,利用两个网络分别实现分类和回归,也称之为两级检测器(two-stage),两级检测器首先产生候选区域(region proposals),之后在候选区域上进行目标的细粒度检测;这类方法的典型代表是r-cnn 系列,如 r-cnn、fast r-cnn、faster r-cnn。(2)基于回归的方法,在一个网络中完成目标的分类与定位,也称为一级检测器(one-stage),一级检测器通过整张图像的特征直接生成每个候选框的坐标、长宽、类别、置信度等,比较典型的算法如 yolo和 ssd;其中,yolo系列方法经过不断发展,可以达到几乎实时的水平,并保持与两级检测器相当的精度,在实际航天器目标检测网络中应用越来越广泛。
3、yolo首次提出将目标检测中的定位和分类问题作为整体进行回归,将输入图像划分为s×s个单元格,其中每个单元格会预测c个类别、b个边界框(位置、大小和置信度在内的5个元素)
4、然而,上述目标检测方法的高精度大多局限于训练集源域,在差异较大的目标域场景下进行测试时,会出现显著的性能下降。新的目标域场景包括不同的图像样式、照明条件、图像质量、相机视角等,这通常会在训练和测试数据之间带来相当大的域偏移。虽然可以通过收集更多的训练数据来缓解这一问题,但对于实际太空任务而言,获取空间实际航天器精确位姿标签是十分困难的。因此解决源训练数据集和目标测试数据集之间的域差,即实现域自适应目标检测(daod),是空间航天器检测任务的重点。通常,daod尝试使用来自源域的标记数据和来自目标域的未标记数据来训练鲁棒且可推广的检测器。chen首次提出域自适应faster r-cnn,其引入梯度反转层(grl)并首先设计实例级和图像级对齐,以提高目标域的性能。umt使用cyclegan生成伪训练图像以减轻域偏差。针对来自多个源域的标记数据,msda提出了分割和合并主轴网络(dmsn),以增强域不变性并保持鉴别能力。sigma将源数据和目标数据以图的形式进行表示,并将自适应重新表示为图匹配问题。目前域自适应目标检测方面的研究主要基于两级检测器faster r-cnn进行,检测精度与速度都较好的yolov5在域自适应方面的研究较少。最近的一些工作考虑到单级检测器的实时性优势,提出了基于单级检测器的域自适应检测方法,基于ssd的i3net设计了一个多标签分类器和两个域鉴别器来补偿图像级和像素级特征。基于yolov3的da-yolo提出了两个自适应模块ria和msia,使用三个域分类器分别执行图像和实例级自适应。
技术实现思路
1、本专利技术的目的是解决由于空间航天器所处的太空环境复杂,存在极端强弱光照、遮挡以及图像尺度差异大等因素,导致传统的检测方法存在计算量大、实时性差、设计的特征适用性较为单一等问题,难以实际应用到空间航天器检测任务中,以及目前域自适应目标检测方面的研究主要基于两级检测器faster r-cnn进行的,而对检测精度与速度都较好的yolov5在域自适应方面的研究较少的不足之处,而提供一种高精度空间航天器域自适应检测方法。
2、为了解决上述现有技术所存在的不足之处,本专利技术提供了如下技术解决方案:
3、一种高精度空间航天器域自适应检测方法,其特殊之处在于,包括如下步骤:
4、步骤1、对已有的数据集进行图像增强,并在数据集中的目标航天器表面选取多个关键点,通过最小化关键点重投影误差来计算各关键点的三维坐标,进一步得到各关键点的像素坐标作为后续训练中的标签,完成数据集的标注;
5、步骤2、基于cyclegan建立航天器图像生成网络,将数据集中的合成航天器图像、真实航天器图像分别作为航天器图像生成网络的输入,通过调整超参数训练航天器图像生成网络,以最小化航天器图像生成网络的总损失,得到训练后航天器图像生成网络;
6、步骤3、将步骤1得到的数据集中的合成航天器图像作为训练集,通过训练后航天器图像生成网络将训练集中部分合成航天器图像转化为具有真实风格的生成图像,并在原始的训练集的基础上,加入生成图像,得到增强后训练集;或者,通过训练后航天器图像生成网络将训练集中部分合成航天器图像转化为具有真实风格的生成图像,在不改变原始的训练集大小的前提下,利用生成图像替换对应的部分合成航天器图像,得到增强后训练集;
7、步骤4、建立航天器目标检测网络,航天器目标检测网络包括yolov5模块和dann模块,所述yolov5模块包括依次设置的主干网络、特征融合及预测网络,特征融合及预测网络的输入连接主干网络的输出用于进行目标预测,dann模块的输入连接主干网络的输出用于进行域自适应学习;将增强后训练集中带标签的合成航天器图像和生成图像,以及不带标签的真实航天器图像作为航天器目标检测网络的输入,对航天器目标检测网络进行训练,得到训练后航天器目标检测网络;
8、步骤5、将待检测航天器图像输入训练后航天器目标检测网络,完成高精度空间航天器域自适应检测。
9、进一步地,所述步骤1具体为:
10、步骤1.1、对已有的数据集进行图像增强;
11、步骤1.2、选取数据集中的目标航天器的8个角点以及3个天线本文档来自技高网...
【技术保护点】
1.一种高精度空间航天器域自适应检测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种高精度空间航天器域自适应检测方法,其特征在于,所述步骤1具体为:
3.根据权利要求2所述的一种高精度空间航天器域自适应检测方法,其特征在于:步骤1.1中,所述图像增强包括添加随机高斯白噪声、调整亮度及对比度、对图像进行随机翻转及旋转。
4.根据权利要求1所述的一种高精度空间航天器域自适应检测方法,其特征在于:步骤2中,所述航天器图像生成网络包括生成器、生成器、判别器和判别器;
5.根据权利要求1所述的一种高精度空间航天器域自适应检测方法,其特征在于,所述步骤3具体为:
6.根据权利要求1至5任一所述的一种高精度空间航天器域自适应检测方法,其特征在于:
7.根据权利要求6所述的一种高精度空间航天器域自适应检测方法,其特征在于:步骤4中,所述将增强后训练集中带标签的合成航天器图像和生成图像,以及不带标签的真实航天器图像作为航天器目标检测网络的输入,对航天器目标检测网络进行训练,得到训练后航天器目标检测网络具体为:
...【技术特征摘要】
1.一种高精度空间航天器域自适应检测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种高精度空间航天器域自适应检测方法,其特征在于,所述步骤1具体为:
3.根据权利要求2所述的一种高精度空间航天器域自适应检测方法,其特征在于:步骤1.1中,所述图像增强包括添加随机高斯白噪声、调整亮度及对比度、对图像进行随机翻转及旋转。
4.根据权利要求1所述的一种高精度空间航天器域自适应检测方法,其特征在于:步骤2中,所述航天器图像生成网络包括生成器、生成器、判别器和判别器;
5.根据权利要求1所述的一种高精度空...
【专利技术属性】
技术研发人员:张高鹏,王锋,张广栋,张哲,范二雷,陈卫宁,梅超,曹剑中,张海峰,董森,郭惠楠,路荣,
申请(专利权)人:中国科学院西安光学精密机械研究所,
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。