一种应用卷积神经网络的空间碎片检测方法

本申请涉及图像处理领域，特别是涉及一种应用卷积神经网络的空间碎片检测方法。

背景技术：

1、空间碎片被定义为不起作用的人造物品，包括碎片和部分。频繁的航天活动也给太空带来了巨大的负担，大量在太空中漂浮的空间碎片给航天器的安全运行和太空活动造成严重威胁。空间碎片以较高的飞行速度在太空中移动，即使体积较小也具有较大的动能，一旦与航天器发生碰撞则会造成非常严重的损坏。

2、已知的检测方法已经被验证对明亮、长条纹的空间碎片检测是成功的，而对于暗弱和短条纹的空间碎片检测则存在准确率不高的问题。此类方法大多专为信噪比高和有限杂波的低噪声环境开发的，而在天文观测时面临的是有大量噪声与杂波的复杂环境，并不能实现。

技术实现思路

1、本申请的目的是提供一种应用卷积神经网络的空间碎片检测方法，能够弥补复杂观测环境中出现的检测问题，提高空间碎片检测精确度。

2、为实现上述目的，本申请提供了如下方案：

3、本申请提供了一种应用卷积神经网络的空间碎片检测方法，包括：

4、获取待检测空间的图像数据；

5、构建碎片检测模型；所述碎片检测模型为以卷积神经网络为架构，融合有轻量级跨尺度特征融合模块和内容感知特征重组模块的神经网络模型；所述卷积神经网络包括输入端、骨干网络、颈部网络和头部网络；

6、将所述待检测空间的图像数据输入至所述碎片检测模型，得到空间碎片检测结果。

7、可选地，构建碎片检测模型，具体包括：

8、在所述卷积神经网络的架构中，输入端被设置为用于对输入图像进行自适应设置；基于cspdarknet框架构建骨干网络，基于所述轻量级跨尺度特征融合模块和所述内容感知特征重组模块构建颈部网络。

9、可选地，所述骨干网络包括密集块和过渡层；所述密集块和所述过渡层形成特征通道；每一密集块由多个密集层组成；当前密集层的输出与自身的输入进行连接，连接后的结果作为下一密集层的输入；所述骨干网络中，通过梯度流截断的方式对经过每一条特征通道的特征图进行单独积分。

10、可选地，在基于所述轻量级跨尺度特征融合模块和所述内容感知特征重组模块构建颈部网络的过程中，将所述轻量级跨尺度特征融合模块中的融合模块替换为c2f模块，并将所述轻量级跨尺度特征融合模块中的上采样替换为所述内容感知特征重组模块。

11、可选地，所述c2f模块包括：两个卷积核、残差处理模块、多个bottleneck模块和连接模块；

12、在所述c2f模块中，特征数据先经过一个卷积核，再经过残差处理模块和多个bottleneck模块后进行concat拼接，然后经过一个卷积核处理后，得到输出特征数据。

13、可选地，在所述颈部网络中，将尺寸为h×w×c的特征图输入至所述轻量级跨尺度特征融合模块中，并设定上采样比率为u，所述轻量级跨尺度特征融合模块输出一个新的尺寸为uh×uw×c的特征图；

14、所述轻量级跨尺度特征融合模块的核预测模块根据输入特征图的内容生成位置特定的核，所述内容感知特征重组模块使用这些位置特定的核重组特征。

15、可选地，在输入端对输入图像进行自适应设置的过程中，以输入图像的短边为基准，将所述输入图像缩放至设定尺寸。

16、根据本申请提供的具体实施例，本申请公开了以下技术效果：

17、本申请提供了一种应用卷积神经网络的空间碎片检测方法，通过以卷积神经网络为架构，融合轻量级跨尺度特征融合模块和内容感知特征重组模块构建得到碎片检测模型，能够增强模型对于尺度变化的适应性和对小尺度对象的检测能力，在背景复杂的环境中保证更高的重建质量和更多的细节保留，以弥补复杂观测环境中出现的检测问题。将待检测空间的图像数据输入至碎片检测模型，就可以实现空间碎片的精确检测。

技术特征：

1.一种应用卷积神经网络的空间碎片检测方法，其特征在于，所述应用卷积神经网络的空间碎片检测方法包括：

2.根据权利要求1所述的应用卷积神经网络的空间碎片检测方法，其特征在于，构建碎片检测模型，具体包括：

3.根据权利要求2所述的应用卷积神经网络的空间碎片检测方法，其特征在于，所述骨干网络包括密集块和过渡层；所述密集块和所述过渡层形成特征通道；每一密集块由多个密集层组成；当前密集层的输出与自身的输入进行连接，连接后的结果作为下一密集层的输入；所述骨干网络中，通过梯度流截断的方式对经过每一条特征通道的特征图进行单独积分。

4.根据权利要求2所述的应用卷积神经网络的空间碎片检测方法，其特征在于，在基于所述轻量级跨尺度特征融合模块和所述内容感知特征重组模块构建颈部网络的过程中，将所述轻量级跨尺度特征融合模块中的融合模块替换为c2f模块，并将所述轻量级跨尺度特征融合模块中的上采样替换为所述内容感知特征重组模块。

5.根据权利要求4所述的应用卷积神经网络的空间碎片检测方法，其特征在于，所述c2f模块包括：两个卷积核、残差处理模块、多个bottleneck模块和连接模块；

6.根据权利要求5所述的应用卷积神经网络的空间碎片检测方法，其特征在于，在所述颈部网络中，将尺寸为h×w×c的特征图输入至所述轻量级跨尺度特征融合模块中，并设定上采样比率为u，所述轻量级跨尺度特征融合模块输出一个新的尺寸为uh×uw×c的特征图；

7.根据权利要求2所述的应用卷积神经网络的空间碎片检测方法，其特征在于，在输入端对输入图像进行自适应设置的过程中，以输入图像的短边为基准，将所述输入图像缩放至设定尺寸。

技术总结
本申请公开了一种应用卷积神经网络的空间碎片检测方法，涉及图像处理领域，该方法包括获取待检测空间的图像数据；以卷积神经网络为架构，融合轻量级跨尺度特征融合模块和内容感知特征重组模块构建得到碎片检测模型；将待检测空间的图像数据输入至碎片检测模型，得到空间碎片检测结果。本申请能够弥补复杂观测环境中出现的检测问题，提高空间碎片检测精确度。

技术研发人员：郭阳,殷宪龙,赵正旭,杨旭,陈成军,代成刚,李东年
受保护的技术使用者：青岛理工大学
技术研发日：
技术公布日：2025/2/10