一种轻量化的深空未知目标检测方法

本发明属于航天检测，具体涉及一种轻量化的深空未知目标检测方法。

背景技术：

1、深空探测是人类探索宇宙起源与演化、开发利用深空资源、拓展生存空间的必然途径。相比一般航天任务，面临环境更加复杂且不确定、距离更加遥远且测控时延更大等问题。深远空间未知目标检测是指对月球及月球以外空间的未知目标检测，为后续的航天任务提供信息。所述深远空间未知目标包括非合作航天器和天体。在深空复杂环境的场景下，传统的天地大回路方式无法满足深空未知目标检测任务需求。传统的目标检测方法速度慢、鲁棒性差，而人工智能的兴起使得在计算机视觉领域，尤其是目标检测领域有着很好的效果，深空未知目标检测也随之得到改善。

2、近年来，人工智能技术研究逐渐深入，为实现深空未知目标检测提供了良好支撑。但是现有的人工智能算法训练时间长、模型大、算力负担重。对于深空未知目标检测任务中，由于星载计算机的算力有限，模型大、算力需求高的算法难以运行。因此有必要提出一种实时性与准确率高、抗干扰能力强的轻量化的深空未知目标检测方法，保证检测的实时性与准确率。

技术实现思路

1、本发明主要目的在于提供一种轻量化的深空未知目标检测方法，能够在计算资源有限条件下提高对深空未知目标的检测精度和效率。本发明具有模型轻量化，检测实时性与准确率高、抗干扰能力强的优点，有利于在星载计算机算力有限的设备上部署，提升深空未知目标检测的实时性、准确率和鲁棒性。

2、为实现上述目的，本发明采用的技术方案如下:

3、本发明公开的一种轻量化的深空未知目标检测方法，通过对深空目标进行三维建模，然后根据深空目标的轨道信息设置位置和运动规律，同时设置虚拟相机的位置和运动规律，并获得相应视角下的目标图像，构建深空目标数据集；对深空目标数据集进行强化数据增强以加强后续yolov5-mpc模型的泛化能力和鲁棒性，并将数据增强后的深空目标图像进行标注，将标注后的图像划分为训练集，验证集和测试集；构建包括将moblienet网络中的模块与yolo网络中的csp模块相融合的特征提取网络cspm，综合利用moblienet网络轻量化的优点和yolo网络识别准确率高的优点，在深空探测计算资源有限条件下提高精度和效率；多尺度特征融合网络在特征融合网络前使用注意力模块，对提取的目标特征进行多尺度融合预测，得到多个尺度的融合特征，提高多尺度特征融合网络对深空目标特征的提取能力，增强深空未知目标检测模型的表征能力，提升对深空未知目标的检测精度和效率，进而提高后续yolov5-mpc模型的抗干扰能力；检测头网络使用yolo head；基于所述特征提取网络、多尺度特征融合网络与检测头网络构建轻量化目标检测网络yolov5-mpc模型，在通用数据集上对所述轻量化目标检测网络模型进行预训练，获得通用数据集预训练模型。使用迁移学习方法，将预训练模型设置迭代次数和学习率，在所述深空目标数据集上进行训练，训练后得到最优轻量化目标检测网络yolov5-mpc模型；将待识别的深空未知目标数据图像输入到预先训练好的最优yolov5-mpc模型中，利用所述最优yolov5-mpc模型实现实时性与准确率高、抗干扰能力强的轻量化高效深空未知目标检测。利用本发明具有模型轻量化，检测实时性与准确率高、抗干扰能力强的优点，有利于在星载计算机算力有限的设备上部署，提升深空未知目标检测的实时性、准确率和鲁棒性。

4、本发明公开的一种轻量化的深空未知目标检测方法，包括如下步骤：

5、步骤一：通过对深空目标进行三维建模，然后根据深空目标的轨道信息设置位置和运动规律，同时设置虚拟相机的位置和运动规律，并获得相应视角下的目标图像，构建深空目标数据集，深空未知目标包括非合作航天器和小天体。

6、非合作航天器的轨道运动认为是二体运动，即在惯性空间中，位置矢量满足如下关系：

7、

8、其中，μ为引力常量。

9、步骤二：对深空目标数据集进行强化数据增强以加强后续yolov5-mpc模型的泛化能力和鲁棒性，并将数据增强后的深空目标图像进行标注，将标注后的图像划分为训练集，验证集和测试集。

10、针对深空光照、噪声和环境复杂的特点，对数据集使用光度畸变、几何畸变两种数据增强方法进行处理对数据集进行扩充。对于光度畸变，对图像的亮度、饱和度和噪声并进行强化，以适应太空中光照、噪声的影响。在处理几何畸变时，添加了随机缩放、裁剪、平移、剪切和旋转；

11、作为优选，对图像的亮度、饱和度和噪声并进行强化按照如下方法实现：

12、步骤a：

13、曝光量：exposure＝1.5(通过调整曝光量从1到1.5倍生成更多训练样本)；

14、步骤b：

15、饱和度：saturation＝1.5(通过调整饱和度从1到1.5倍生成更多训练样本)；

16、步骤c：

17、噪声：通过给图片增加高斯、泊松噪声进行强化。

18、步骤三：构建轻量化的深空未知目标检测模型，所述轻量化目标检测网络模型包括特征提取网络、多尺度特征融合网络以及检测头网络，将moblienet网络中的模块与yolo网络中的csp模块相融合的特征提取网络cspm，综合利用moblienet网络轻量化的优点和yolo网络识别准确率高的优点，在深空探测计算资源有限条件下提高精度和效率；多尺度特征融合网络在特征融合网络前使用注意力模块，对提取的目标特征进行多尺度融合预测，得到多个尺度的融合特征，提高多尺度特征融合网络对深空目标特征的提取能力，增强深空未知目标检测模型的表征能力，提升对深空未知目标的检测精度和效率，进而提高后续yolov5-mpc模型的抗干扰能力。

19、检测头网络使用yolo head，yolo head的损失函数包括置信度损失函数lobject、边界框损失函数lbox和分类损失函数lclass三类损失，损失函数为三个损失加权求和所得，如式所示：

20、l＝λ1lobject+λ2lbox+λ3lclass

21、基于所述特征提取网络、多尺度特征融合网络与检测头网络构建轻量化目标检测网络yolov5-mpc模型。

22、作为优选，注意力模块选用如下se注意力模块、cbam注意力模块或ca注意力模块：

23、se注意力模块，提升模型对于通道的敏感性，仅需要增加较少的计算量可以带来性能的提升；

24、cbam注意力模块，分为通道注意力和空间注意力，经过cbam后，新的特征图将得到通道和空间维度上的注意力权重，显著提高各个特征在通道和空间上的联系，更有利于提取目标的有效特征；

25、ca注意力模块，将位置信息嵌入到通道注意力，将其互补地应用于输入特征图，以增强关注对象的表示。

26、步骤四：在通用数据集上对所述轻量化目标检测网络模型进行预训练，获得通用数据集预训练模型。使用迁移学习方法，将预训练模型设置迭代次数和学习率，在所述深空目标数据集上进行训练，训练后得到最优轻量化目标检测网络yolov5-mpc模型。

27、步骤五：将待识别的深空未知目标数据图像输入到预先训练好的最优yolov5-mpc模型中，利用所述最优yolov5-mpc模型实现实时性与准确率高、抗干扰能力强的轻量化高效深空未知目标检测。

28、还包括步骤六：根据步骤五所述最优yolov5-mpc模型得到的检测结果，在星载计算机这样算力有限的设备上部署，有利于提升深空未知目标检测感知能力，并能够提高目标检测的实时性、准确率和鲁棒性。

29、有益效果：

30、1、本发明公开的一种轻量化的深空未知目标检测方法，采用将moblienet网络中的模块与yolo网络中的csp模块相融合，构建轻量化特征提取网络cspm，综合利用moblienet网络轻量化的优点和yolo网络识别准确率高的优点，在深空探测计算资源有限条件下提高精度和效率。

31、2、本发明公开的一种轻量化的深空未知目标检测方法，采用多尺度特征融合网络，在特征融合网络前使用注意力模块，对提取的目标特征进行多尺度融合预测，得到多个尺度的融合特征，提高多尺度特征融合网络对深空目标特征的提取能力，增强深空未知目标检测模型的表征能力，提升对深空未知目标的检测精度和效率。

32、3、本发明公开的一种轻量化的深空未知目标检测方法，采用深空目标数据集构建方法，通过对深空目标进行三维建模，然后根据深空目标的轨道信息设置位置和运动规律，同时设置虚拟相机的位置和运动规律，并获得相应视角下的目标图像，构建更贴近真实情况的深空目标数据集。

33、4、本发明公开的一种轻量化的深空未知目标检测方法，通过对曝光度、饱和度和噪声的增强对数据集进行扩充，加强模型对深空未知目标检测的准确率、泛化性和鲁棒性。

34、5、本发明公开的一种轻量化的深空未知目标检测方法，采用轻量化的主干网络，计算所需的计算量小，对硬件要求相对比较低，使用较低性能的硬件就能够完成深空未知目标的检测。