CN109657679B - 一种应用卫星功能类型识别方法 - Google Patents
一种应用卫星功能类型识别方法 Download PDFInfo
- Publication number
- CN109657679B CN109657679B CN201811556442.9A CN201811556442A CN109657679B CN 109657679 B CN109657679 B CN 109657679B CN 201811556442 A CN201811556442 A CN 201811556442A CN 109657679 B CN109657679 B CN 109657679B
- Authority
- CN
- China
- Prior art keywords
- satellite
- feature map
- map set
- convolution
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种应用卫星功能类型识别方法,包括:获取目标卫星空间图像,并对获取到的目标卫星空间图像进行分辨率调整,得到目标图像;基于ResNet神经网络模型对所述目标图像进行数据处理,确定所述目标卫星对应的功能类型。本发明提供的应用卫星功能类型识别方法,通过对目标卫星空间图像进行分辨率调整,得到能够被ResNet神经网络模型识别的图像,通过ResNet神经网络模型在轨自主对应用卫星功能类型进行识别,不依赖于地面人工解读和判断,提高了识别效率,满足对先验信息匮乏的非合作空间目标进行实时服务和操作的需要。
Description
技术领域
本发明涉及一种应用卫星功能类型识别方法,属于卫星识别技术领域。
背景技术
应用卫星是直接为国民经济、军事活动和文化教育服务的人造卫星,在各类人造卫星中,应用卫星发射数量最多,种类也最多。各种应用卫星按其工作基本特性,大致可以分为三大类,即对地观测类、无线电中继类和导航定位基准类。应用卫星在通信、导航、遥感等军用和民用领域发挥着重要作用。
对应用卫星开展在轨服务可延长卫星寿命、提高任务执行能力,是当前国内外的研究热点之一。在对应用卫星进行在轨服务的过程中,根据需要可对在轨卫星进行辅助变轨、燃料补给、姿态控制、卫星接管、故障修复等操作。在对失效或故障卫星进行在轨维修维护时,首先须安全接近被服务卫星。对于非合作目标来说,其星表特征、关键载荷、运动状态等很难提前获取,在接近过程中必须对目标功能类型、运动状态、操作部位等进行准确认知,以确定接近停靠或控制策略,并避免碰撞。
现有空间非合作目标类型认知通常是通过服务飞行器获取目标飞行器的空间图像并将图像传输给地面指控中心,地面指控中心根据图像信息采用边缘检测、特征拟合等图像识别方法人为确定非合作目标飞行器类型,并将确认的类型发送给服务飞行器。现有方法存在如下问题:星地回路存在大时延,无法满足对先验信息匮乏的非合作空间目标进行实时服务和操作的需要。
发明内容
针对现有技术中存在的问题,本发明提供一种应用卫星功能类型识别方法,该方法对在轨产生的空间目标可见光图像自主处理和分类识别,单目标功能类型分类速度小于100ms,准确率可达到90%。
本发明的技术解决方案是:
一种应用卫星功能类型识别方法,包括:
获取目标卫星空间图像,并对获取到的目标卫星空间图像进行分辨率调整,得到目标图像;
基于ResNet神经网络模型对所述目标图像进行数据处理,确定所述目标卫星对应的功能类型。
在一可选实施例中,所述ResNet神经网络模型包括初始卷积层、三个残差学习模块和全连接层,每个所述残差学习模块包括两个残差学习单元,所述初始卷积层输出特征图集给第一个残差学习模块,第一个所述残差学习模块输出新的特征图集给第二个所述残差学习模块,第二个所述残差学习模块输出新的特征图集给第三个所述残差学习模块,第三个所述残差模块输出新的特征图集给所述全连接层,其中:
所述初始卷积层,用于:
对所述目标图像进行一次二维卷积,得到特征图集;
所述残差学习模块的第一残差学习单元,用于:
对输入本单元的特征图集进行一次卷积操作,得到本单元的残差特征图集;对所述输入本单元的特征图集依次进行标准化操作、激活操作及一次卷积操作,得到一次卷积操作后的特征图集,对所述一次卷积操作后的特征图集依次进行标准化操作、激活操作及一次卷积操作,得到二次卷积后的特征图集;根据所述本单元的残差特征图集和本单元的所述二次卷积后的特征图集确定本单元输出的特征图集,并将所述本单元输出的特征图集输出给所述残差学习模块的第二残差学习单元;
所述残差学习模块的第二残差学习单元,用于:
对输入本单元的特征图集依次进行标准化操作、激活操作及一次卷积操作,得到一次卷积后的特征图集,对本单元的一次卷积后的特征图集依次进行标准化操作、激活操作及一次卷积操作,得到二次卷积后的特征图集;根据输入本单元的特征图集和本单元的所述二次卷积后的特征图集确定本单元的输出特征图集;
所述全连接层,用于:
对第三个所述残差学***均池化,提取用于卫星类型识别的特征向量,并进行全连接操作,根据所述特征向量确定各卫星类型对应的特征累加向量,通过分类器进行分类概率统计,从而确定所述目标卫星对应的功能类型。
在一可选实施例中,所述目标图像的分辨率不低于256×256。
在一可选实施例中,所述的应用卫星功能类型识别方法,还包括:
建立卫星空间图像样本库,所述样本库中包含多个卫星类型及各所述卫星类型对应的图像样本集;
基于所述卫星空间图像样本库,对初始ResNet神经网络模型进行训练和测试,得到ResNet神经网络模型。
在一可选实施例中,所述建立卫星空间图像样本库,包括:
建立不同类型卫星的三维模型,并模拟空间环境,对建立的所述三维模型进行成像,得到一定数量的模拟空间图像样本,建立卫星类型与所述模拟空间图像样本的对应关系,生成卫星空间图像样本库。
在一可选实施例中,所述建立不同类型卫星的三维模型,包括:
根据各类型卫星的结构特点,建立不同类型卫星的结构三维模型;
根据所述各类卫星的表面纹理信息,渲染所述结构三维模型,得到不同类型卫星的三维模型。
在一可选实施例中,所述模拟空间环境,包括:
模拟光源为平行光,大气分子密度为地面大气分子密度的0~0.01倍,光照强度指数为地面日常光照强度的2~3倍,光源入射方向在所述三维模型的4 π空间内随机生成。
在一可选实施例中,所述对建立的所述三维模型进行成像,包括:
在除所述三维模型对天面法向夹角60°锥角的范围内随机对建立的所述三维模型进行成像,且成像时,光源光束方向与相机成像轴夹角小于45°。
在一可选实施例中,所述光源光束方向与相机成像轴夹角按照下式确定:
其中α<45°,为光源光束方向与相机成像轴夹角;
R1为光源到卫星的三维模型原点的距离,R2为相机到卫星的三维模型原点的距离,x1为光源x轴坐标,X2为相机x轴坐标,y1为光源y轴坐标,y2 为相机y轴坐标,z1为光源z轴坐标,z2为相机z轴坐标。
在一可选实施例中,所述得到一定数量的模拟空间图像样本之后,还包括:
对各所述模拟空间图像样本进行数据增强,得到样本数量扩充后的模拟空间图像样本集;
相应地,所述建立卫星类型与所述模拟空间图像的对应关系,包括:
建立所述卫星类型与所述扩充后的模拟空间图像样本集中的模拟空间样本的对应关系。
在一可选实施例中,所述基于所述卫星空间图像样本库,对初始ResNet 神经网络模型进行训练和测试,包括:
将所述卫星空间图像样本库中各样本由三通道彩色图像处理为一通道灰度图像,然后对初始ResNet神经网络模型进行训练和测试。
本发明与现有技术相比的有益效果是:
(1)本发明提供的应用卫星功能类型识别方法,通过对目标卫星空间图像进行分辨率调整,得到能够被ResNet神经网络模型识别的图像,通过ResNet 神经网络模型在轨自主对应用卫星功能类型进行识别,不依赖于地面人工解读和判断,提高了识别效率,满足对先验信息匮乏的非合作空间目标进行实时服务和操作的需要。
(2)本发明在轨进行应用卫星功能类型自主识别时,不需使用传统图像分割、识别及分类等一系列图像处理算法,操作简单、识别速度快、准确率高,可提高针对应用卫星功能类型的在轨自主识别速度。
(3)本发明可实现空间飞行器对在轨产生的空间目标可见光图像自主处理和分类识别,可同时适应三通道彩色图像和一通道灰度图像,可适应不同光照条件和拍摄角度的图像数据,对数据的适应性强。
(4)本发明模拟空间真空条件下可见光成像环境和星表材料反射特性,在不同光照和角度下生成具有真实可见光反射特性的图像样本,极大丰富了深度学习样本库,为空间目标分类识别的神经网络训练提供充足的训练和测试素材,提高了所得模型的可靠性。
(5)本发明可实现空间飞行器对在轨产生的空间目标可见光图像自主处理和分类识别,目标功能类型分类速度小于100ms,准确率可达到90%,可极大提高空间目标智能认知水平,增强飞行器在轨自主能力。
附图说明
图1为本发明实施例提供的一种应用卫星功能类型识别方法流程图;
图2为本发明实施例模拟空间环境对建立的所述三维模型进行成像示意图。
具体实施方式
以下将结合附图和具体实施例,对本发明的具体实施方式做进一步详细说明。
本发明实施例提供了一种应用卫星功能类型识别方法,包括以下步骤:
步骤101:获取目标卫星空间图像,并对获取到的目标卫星空间图像进行分辨率调整,得到目标图像;
步骤102:基于ResNet神经网络模型对所述目标图像进行数据处理,确定所述目标卫星对应的功能类型。
本发明提供的应用卫星功能类型识别方法,通过对目标卫星空间图像进行分辨率调整,得到能够被ResNet神经网络模型识别的图像,通过ResNet神经网络模型在轨自主对应用卫星功能类型进行识别,不依赖于地面人工解读和判断,提高了识别效率,满足对先验信息匮乏的非合作空间目标进行实时服务和操作的需要。
表1 ResNet神经网络模型的具体结构参数表
其中,Conv0为初始卷积层、ConV1_x为第一个残差学习模块、ConV2_x 为第二个残差学习模块、ConV3_x为第三个残差学习模块、Full connection为全连接层。
如表1所示,在一可选实施例中,所述ResNet神经网络模型包括初始卷积层、三个残差学习模块和全连接层,每个所述残差学习模块包括两个残差学习单元,所述初始卷积层输出特征图集给第一个残差学习模块,第一个所述残差学习模块输出新的特征图集给第二个所述残差学习模块,第二个所述残差学习模块输出新的特征图集给第三个所述残差学习模块,第三个所述残差模块输出新的特征图集给所述全连接层,其中:
所述初始卷积层,用于:
对所述目标图像进行一次二维卷积,得到第一特征图集,其中,优选卷积核数目16、卷积核尺寸3×3、卷积操作步长为1;
第一个残差学习模块的第一残差学习单元,用于:
对所述第一特征图集进行卷积操作,得到第二特征图集,其中,优选卷积核数目16,卷积核尺寸1×1,卷积操作步长为1;对所述第一特征图集依次进行标准化(归一化)操作、激活操作及一次卷积操作,得到第三特征图集,其中,优选卷积核数目16,卷积核尺寸3×3,卷积操作步长为1;对所述第三特征图集依次进行标准化操作、激活操作及一次卷积操作,得到第四特征图集,其中,优选卷积核数目16,卷积核尺寸3×3,卷积操作步长为1;根据所述第二特征图集和第四特征图集确定第五特征图集,具体地,将所述第二特征图集和第四特征图集中各图像的对应的特征值相加,得到第五特征图集中的图像;
第一个残差学习模块的第二残差学习单元,用于:
对所述第五特征图集依次进行标准化操作、激活操作及一次卷积操作,得到第六特征图集,其中,优选卷积核数目16,卷积核尺寸3×3,卷积操作步长为1;对所述第六特征图集依次进行标准化操作、激活操作及一次卷积操作,得到第七特征图集,其中,优选卷积核数目16,卷积核尺寸3×3,卷积操作步长为1;根据所述第五特征图集和第七特征图集确定第八特征图集;
第二个残差学习模块的第一残差学习单元,用于:
对第八特征图集进行卷积操作,得到第九特征图集;
对第八特征图集依次进行标准化操作、激活操作及一次卷积操作,得到第十特征图集,对第十特征图集依次进行标准化操作、激活操作及一次卷积操作,得到第十一特征图集,根据第十一特征图集与所述第九特征图集确定第十二特征图集;
第二个残差学习模块的第二残差学习单元,用于:
对第十二特征图集依次进行标准化操作、激活操作及一次卷积操作,得到第十三特征图集,对第十三特征图集依次进行标准化操作、激活操作及一次卷积操作,得到第十四特征图集;根据第十四特征图集与第十二特征图集确定第十五特征图集;
第三个残差学习模块的第一残差学习单元,用于:
对第十五特征图集进行卷积操作,得到第十六特征图集;
对第十五特征图集依次进行标准化操作、激活操作及一次卷积操作,得到第十七特征图集,对第十七特征图集依次进行标准化操作、激活操作及一次卷积操作,得到第十八特征图集;根据第十八特征图集与第十五特征图集确定第十九特征图集;
第三个残差学习模块的第二残差学习单元,用于:
对第十九特征图集依次进行标准化操作、激活操作及一次卷积操作,得到第二十特征图集,对第二十特征图集依次进行标准化操作、激活操作及一次卷积操作,得到第二十一特征图集;根据第二十一特征图集与第十九特征图集确定第二十二特征图集。
本发明实施例中,第二个残差学习模块中优选卷积操作的卷积核数目32,卷积步长为2;第三个残差学习模块中优选卷积操作的卷积核数目64,卷积步长为2。
所述全连接层,用于:
对第二十二特征图集进行平均池化,提取用于卫星类型识别的特征向量,并进行全连接操作,根据所述特征向量确定各卫星类型对应的特征累加向量,通过分类器进行分类概率统计,从而确定所述目标卫星对应的功能类型。
具体地,全连接层根据下式确定各卫星类型对应的特征累加向量,通过 softmax多分类器进行类别确定:
其中a1,a2,…aT为全连接层输出的各卫星类型对应的特征累加向量,W为特征权值矩阵,x为全连接层特征向量输入,b为全连接层偏置参数,T为目标类别数,N为输入全连接层的特征向量个数。
全连接层完成了分布式特征表示到样本标记空间的转换,是进行目标分类的关键一步;全连接层将在之前卷积和池化层得到的局部特征向量通过权值矩阵进行综合,可较大保留模型的表示能力,有利于后续模型微调和迁移学习的进行。
本发明的ResNet深度神经网络的模型基于深度学习理论,可模拟人类大脑的神经连接结构,在处理图像信号时,通过多个变换阶段分层对数据特征进行描述,进而给出数据的解释。其图像数据处理流程符合灵长类动物视觉***认知规律,即首先检测边缘、初始形状,然后再逐步形成更复杂的视觉形状。该应用卫星功能类型认知神经网络模型可通过组合低层特征形成更加抽象的高层表示、属性类别或特征,最终给出图像数据的分层特征表示。
该应用卫星功能类型认知神经网络模型可通过对原始信号进行逐层特征变换,将样本在原空间的特征表示变换到新的特征空间,自动地学习得到层次化的特征表示,从而更有利于分类或特征的可视化。该模型具有层次性,参数比较多并且容量足够大,因而可以更好的将数据特征表示出来。针对图像识别比较困难的问题,可以在大量训练数据的基础上取得好的结果。
该模型所采用的卷积神经网络其前端输入采用了若干卷积核用于提出图像信息,充分考虑了图像目标在空间中符合的平移、旋转和缩放不变性,其卷积核结构相同、权值共享,使得神经网络既保持较大的前端规模,同时具有较少可变调整参数,大大降低了计算量和参数优化的负担。该模型在输入图像信号规模不变的同时保持了相对低的计算量,相比于传统的人工设定的图像预处理滤波及卷积过程,其前端处理过程经过了性能优化,特征的自动提取具有针对图像内容的特异性,因此性能上好于人工设定的预处理过程。
相对于传统图像分类算法,该模型使用相对较少的预处理,其不需要依赖于先验知识,可最大程度避免传统图像分类算法中的手工特征设计难题,而通过滤波器进行自动特征提取,可快速准确进行未知目标的分类和识别。
本模型所采用的ResNet神经网络结构允许保留原始输入信息到特征提取结果中,有效保护了信息的完整性,并消除了神经网络随层数不断加深导致训练集上误差增大的现象,可以极快地加速超深神经网络的训练,模型的准确度也有非常大的提升,并具有较好的可移植性。
在一可选实施例中,所述目标图像的分辨率不低于256×256。
在一可选实施例中,所述的应用卫星功能类型识别方法,还包括:
建立卫星空间图像样本库,所述样本库中包含多个卫星类型及各所述卫星类型对应的图像样本集;
基于所述卫星空间图像样本库,对初始ResNet神经网络模型进行训练和测试,得到ResNet神经网络模型。
在一可选实施例中,所述建立卫星空间图像样本库,包括:
建立不同类型卫星的三维模型,并模拟空间环境,对建立的所述三维模型进行成像,得到一定数量的模拟空间图像样本,建立卫星类型与所述模拟空间图像样本的对应关系,生成卫星空间图像样本库。
在一可选实施例中,所述建立不同类型卫星的三维模型,包括:
根据各类型卫星的结构特点,建立不同类型卫星的结构三维模型;
根据所述各类卫星的表面纹理信息,渲染所述结构三维模型,得到不同类型卫星的三维模型。
在一可选实施例中,所述模拟空间环境,包括:
模拟光源为平行光,大气分子密度为地面大气分子密度的0~0.01倍,光照强度指数为地面日常光照强度的2~3倍,光源入射方向在所述三维模型的4 π空间内随机生成。
在一可选实施例中,所述对建立的所述三维模型进行成像,包括:
在除所述三维模型对天面法向夹角60°锥角的范围内随机对建立的所述三维模型进行成像,且成像时,光源光束方向与相机成像轴夹角小于45°。
在一可选实施例中,所述光源光束方向与相机成像轴夹角按照下式确定:
其中α<45°,为光源光束方向与相机成像轴夹角;
R1为光源到卫星的三维模型原点的距离,R2为相机到卫星的三维模型原点的距离,x1为光源x轴坐标,X2为相机x轴坐标,y1为光源y轴坐标,y2 为相机y轴坐标,z1为光源z轴坐标,z2为相机z轴坐标。
在一可选实施例中,所述得到一定数量的模拟空间图像样本之后,还包括:
对各所述模拟空间图像样本进行数据增强,得到样本数量扩充后的模拟空间图像样本集;
相应地,所述建立卫星类型与所述模拟空间图像的对应关系,包括:
建立所述卫星类型与所述扩充后的模拟空间图像样本集中的模拟空间样本的对应关系。
在一可选实施例中,所述基于所述卫星空间图像样本库,对初始ResNet 神经网络模型进行训练和测试,包括:
将所述卫星空间图像样本库中各样本由三通道彩色图像处理为一通道灰度图像,然后对初始ResNet神经网络模型进行训练和测试。
以下为本发明的一个具体实施例:
(1)建立卫星空图像样本库:
搜集整理各类公开资料的卫星图片,选择能完整展示卫星外形且至少部分体现三类应用卫星各自星表特征(例如对地观测类卫星的相机载荷、无线电中继类卫星的通信天线)的三类卫星图片;
首先根据每幅卫星图片所显示的卫星外部信息进行卫星轮廓、高度等几何比例数据测算,并按照测算比例以三维坐标系原点为卫星本体形心,构建卫星三维白模(无表面纹理数据);
根据每幅卫星图片所显示的星表特征为卫星三维白模按比例添加太阳帆板、相机镜头、敏感器、推力器、星箭对接环、测控天线、数传天线等设备和部件,得到卫星的结构三维模型(无表面纹理数据);
根据星表实际材质反射特性对确定三类卫星的表面纹理信息,本实施例中星表主要部位的材质对可见光反射特性符合真实材质反射特性要求,主要部位包括太阳帆板正面(覆盖太阳电池)、太阳帆板背面、镀铝热控多层、镀金热控多层、二次表面镜与白漆、及星表其它部位等;后续根据所述表面纹理信息对卫星的结构三维模型进行渲染,以得到三类卫星的三维模型;
参见图2,以卫星的三维模型坐标原点为中心,建立半径为R的球面,将球面用N条经线和N条纬线划分出(N+1)×(N+1)个点,则每个点的X坐标为x (i,j),Y坐标为y(i,j),Z坐标为z(i,j),其中i和j分别为纬线和经线的编号,其范围分别为1~N。设模拟太阳光的平行光源与卫星三维模型原点的距离为R1,则平行光源在半径为R1的球面上,随机选择纬线i=a,经线j=b值,此时光源坐标为(x1(a,b),y1(a,b),z1(a,b));
同理设对三维卫星模型成像的相机与卫星三维模型原点的距离为R2,则成像相机在半径为R2的球面上,随机选择纬线编号i=c,经线编号j=d值,此时相机坐标为(x2(c,d),y2(c,d),z2(c,d))。
由于应用卫星大多数应用载荷主要对地球,因此为在仿真成像过程中尽可能体现卫星表面关键载荷和特征部位,避免对卫星顶面单调成像,且为尽可能增加卫星样本的多样性和丰富性,卫星成每幅卫星光学成像图像的视角方向在排除卫星对天面法向夹角60°锥角的范围内随机生成。所以纬线编号i在选择时避免选择60°锥角范围内纬线,即i>(60°/180°)×N。
又由于空间真空环境没有空气散射因子影响,光线照射到的星表部位与被遮挡的星表部位成像对比度非常大,因此可见光相机成像角度与平行光源夹角过大时,会导致大部分遮挡不可见情况,成像效果较差,不能正常反应星表特性和卫星外形特征,无法作为有效样本进行神经网络训练,因此光源光束方向与相机成像轴夹角应小于45°,光源与相机的夹角α的计算公式如下:
且α<45°。
当光源位置和相机位置满足上述要求时,将光源和相机位置坐标带入三维建模软件(3D MAX),对三维模型进行成像渲染。根据需要可设置多组相机和光源位置,以丰富样本多样性,增加样本数量,增强神经网络学习能力。
在模型构建软件中设置成像尺寸为1920×1080,进行成像效果渲染。样本总数不少于5000幅,均匀覆盖三类应用卫星。
统计每类卫星样本数量,按照比例将每类卫星样本数量进行扩充,主要采取旋转、平移、翻转等图像处理方式,对样本数量进行增强。其中旋转为0~ 360度随机角度,平移距离不超过图像长或宽的1/32,以避免将卫星主体平移至图像以外;
根据扩充后的样本生成三类卫星的空间图像样本库,空间图像样本库中三类卫星样本数量相当,从每类卫星样本中随机挑选1/3图片作为测试样本,其余图片作为训练样本。
(2)采用Tensorflow平台进行深度卷积神经网络学***台所接受的TFRecord格式文件,该类文件后缀为“.tfrecords”。在格式文件的生成过程中,将所有样本图片大小调整为360×640,且将所有三通道彩色图像数据转换为单通道灰度图像数据;
设置深度卷积网络批处理图像个数Batch_size=10,所有训练样本学习一次为一个epoch,训练总时长为250个epoch。完成一个epoch使用测试样本完成一次评估。初始学习率learning_rate为0.1,100个epoch后调整为0.01, 150个epoch后调整为0.001,200个epoch后调整为0.0001。识别类别数为 3类;
依据深度学***均池化后利用全连接进行输出,利用 softmax多分类器进行预测,优化算法采用Momentum算法;
使用步骤(1)产生的空间图像样本库及表1所示的深度卷积神经网络模型进行应用卫星功能类型自主识别训练和测试。训练过程中的批量图片训练数 batch_size取值为10,每次随机选取训练样本库的10幅图片送入神经网络进行处理,直到全部样本训练完毕,为一个epoch。三类卫星功能类型自主识别训练共完成250个epoch。每10个epoch进行一次测试,即使用全部测试样本带入神经网络进行识别,识别分类结果与标签进行比对后得到识别准确率。神经网络训练的初始学习率设置为0.1。
神经网络训练完成后,利用训练好的网络模型进行应用卫星功能类型自主识别测试,对测试正确率进行统计。应用卫星功能类型自主识别测试可分为无标签样本测试和有标签(标签为应用卫星类型)样本测试两类。
进行无标签样本测试时,即无先验样本类型信息时,使用经过训练的神经网络模型对样本图像进行识别后得到三类应用卫星识别概率,由人工进行判断是否识别正确,由人工进行所有图片识别准确率的统计。
进行有标签样本测试时,即事先知道待测试样本为哪类卫星时,使用经过训练的神经网络模型对样本图像进行识别后取概率最大的卫星类别与样本标签进行自动比对,判断是否识别正确。在进行大量有标签样本测试时,可得到识别准确率的统计结果。
当识别准确率达到90%时,认为训练的模型为最终模型,在轨测试时,获取目标卫星空间图像,并对获取到的目标卫星空间图像进行分辨率调整,得到目标图像,利用得到的最终模型对所述目标图像进行数据处理,确定所述目标卫星对应的功能类型。
以上所述,仅为本发明最佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
本发明未详细说明部分属本领域技术人员公知常识。
Claims (5)
1.一种应用卫星功能类型识别方法,其特征在于,包括:
获取目标卫星空间图像,并对获取到的目标卫星空间图像进行分辨率调整,得到目标图像;
基于ResNet神经网络模型对所述目标图像进行数据处理,确定所述目标卫星对应的功能类型;
深度卷积神经网络模型采用ResNet残差网络结构,包括初始卷积层、三个残差学习模块和全连接层,每个所述残差学习模块包括两个残差学习单元,每个残差学习单元包括两次卷积操作;
所述初始卷积层,用于:
对所述目标图像进行一次二维卷积,得到第一特征图集,其中,卷积核数目16、卷积核尺寸3×3、卷积操作步长为1;
第一个残差学习模块的第一残差学习单元,用于:
对所述第一特征图集进行卷积操作,得到第二特征图集,其中,卷积核数目16,卷积核尺寸1×1,卷积操作步长为1;对所述第一特征图集依次进行标准化操作、激活操作及一次卷积操作,得到第三特征图集,其中,卷积核数目16,卷积核尺寸3×3,卷积操作步长为1;对所述第三特征图集依次进行标准化操作、激活操作及一次卷积操作,得到第四特征图集,其中,卷积核数目16,卷积核尺寸3×3,卷积操作步长为1;将所述第二特征图集和第四特征图集中各图像的对应的特征值相加,得到第五特征图集中的图像;
第一个残差学习模块的第二残差学习单元,用于:
对所述第五特征图集依次进行标准化操作、激活操作及一次卷积操作,得到第六特征图集,其中,卷积核数目16,卷积核尺寸3×3,卷积操作步长为1;对所述第六特征图集依次进行标准化操作、激活操作及一次卷积操作,得到第七特征图集,其中,卷积核数目16,卷积核尺寸3×3,卷积操作步长为1;根据所述第五特征图集和第七特征图集确定第八特征图集;
第二个残差学习模块的第一残差学习单元,用于:
对第八特征图集进行卷积操作,得到第九特征图集;
对第八特征图集依次进行标准化操作、激活操作及一次卷积操作,得到第十特征图集,对第十特征图集依次进行标准化操作、激活操作及一次卷积操作,得到第十一特征图集,根据第十一特征图集与所述第九特征图集确定第十二特征图集;
第二个残差学习模块的第二残差学习单元,用于:
对第十二特征图集依次进行标准化操作、激活操作及一次卷积操作,得到第十三特征图集,对第十三特征图集依次进行标准化操作、激活操作及一次卷积操作,得到第十四特征图集;根据第十四特征图集与第十二特征图集确定第十五特征图集;
第三个残差学习模块的第一残差学习单元,用于:
对第十五特征图集进行卷积操作,得到第十六特征图集;
对第十五特征图集依次进行标准化操作、激活操作及一次卷积操作,得到第十七特征图集,对第十七特征图集依次进行标准化操作、激活操作及一次卷积操作,得到第十八特征图集;根据第十八特征图集与第十五特征图集确定第十九特征图集;
第三个残差学习模块的第二残差学习单元,用于:
对第十九特征图集依次进行标准化操作、激活操作及一次卷积操作,得到第二十特征图集,对第二十特征图集依次进行标准化操作、激活操作及一次卷积操作,得到第二十一特征图集;根据第二十一特征图集与第十九特征图集确定第二十二特征图集;
第二个残差学习模块中卷积操作的卷积核数目32,卷积步长为2;第三个残差学习模块中卷积操作的卷积核数目64,卷积步长为2;
所述全连接层,用于:
对第二十二特征图集进行平均池化,提取用于卫星类型识别的特征向量,并进行全连接操作,根据所述特征向量确定各卫星类型对应的特征累加向量,通过分类器进行分类概率统计,从而确定所述目标卫星对应的功能类型;
深度卷积网络批处理图像个数为10,总训练周期为250,初始学习率为0.1,100个周期后调整为0.01,150个周期后调整为0.001,200个周期后调整为0.0001;
建立卫星空间图像样本库,所述样本库中包含多个卫星类型及各所述卫星类型对应的图像样本集;
基于所述卫星空间图像样本库,对初始ResNet神经网络模型进行训练和测试,得到ResNet神经网络模型;
所述建立卫星空间图像样本库,包括:
建立不同类型卫星的三维模型,并模拟空间环境,对建立的所述三维模型进行成像,得到一定数量的模拟空间图像样本,建立卫星类型与所述模拟空间图像样本的对应关系,生成卫星空间图像样本库;
所述建立不同类型卫星的三维模型,包括:
根据每幅卫星图片所显示的卫星外部信息进行卫星轮廓、高度测算,并按照测算比例以三维坐标系原点为卫星本体形心,构建卫星三维白模;
根据每幅卫星图片所显示的星表特征为卫星三维白模按比例添加太阳帆板、相机镜头、敏感器、推力器、星箭对接环、测控天线、数传天线,得到不同类型应用卫星的结构三维模型;
根据星表实际材质反射特性确定卫星的表面纹理信息,星表主要部位的材质对可见光反射特性符合真实材质反射特性要求,部位包括太阳帆板正面、太阳帆板背面、镀铝热控多层、镀金热控多层、二次表面镜与白漆、及星表其它部位;
根据各类型卫星的表面纹理信息,渲染所述结构三维模型,得到不同类型卫星的三维模型;
所述模拟空间环境,包括:
模拟光源为平行光,大气分子密度为地面大气分子密度的0~0.01倍,光照强度指数为地面日常光照强度的2~3倍,光源入射方向在所述三维模型的4π空间内随机生成;
在光源与相机位置设置中,以卫星的三维模型坐标原点为中心,建立半径为R的球面,将球面用N条经线和N条纬线划分出(N+1)×(N+1)个点,则每个点的X坐标为x(i,j),Y坐标为y(i,j),Z坐标为z(i,j),其中i和j分别为纬线和经线的编号,其范围分别为1~N;设模拟太阳光的平行光源与卫星三维模型原点的距离为R1,则平行光源在半径为R1的球面上,随机选择纬线i=a,经线j=b值,此时光源坐标为(x1(a,b),y1(a,b),z1(a,b));同理设对三维卫星模型成像的相机与卫星三维模型原点的距离为R2,则成像相机在半径为R2的球面上,随机选择纬线编号i=c,经线编号j=d值,此时相机坐标为(x2(c,d),y2(c,d),z2(c,d));卫星成每幅卫星光学成像图像的视角方向在排除卫星对天面法向夹角60°锥角的范围内随机生成;纬线编号i>(60°/180°)×N。
2.根据权利要求1所述的应用卫星功能类型识别方法,其特征在于,所述目标图像的分辨率为360×640。
4.根据权利要求1所述的应用卫星功能类型识别方法,其特征在于,所述得到一定数量的模拟空间图像样本之后,还包括:
对各所述模拟空间图像样本进行数据增强,得到样本数量扩充后的模拟空间图像样本集;
相应地,所述建立卫星类型与所述模拟空间图像的对应关系,包括:
建立所述卫星类型与所述扩充后的模拟空间图像样本集中的模拟空间样本的对应关系。
5.根据权利要求1所述的应用卫星功能类型识别方法,其特征在于,所述基于所述卫星空间图像样本库,对初始ResNet神经网络模型进行训练和测试,包括:
将所述卫星空间图像样本库中各样本由三通道彩色图像处理为一通道灰度图像,然后对初始ResNet神经网络模型进行训练和测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811556442.9A CN109657679B (zh) | 2018-12-19 | 2018-12-19 | 一种应用卫星功能类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811556442.9A CN109657679B (zh) | 2018-12-19 | 2018-12-19 | 一种应用卫星功能类型识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109657679A CN109657679A (zh) | 2019-04-19 |
CN109657679B true CN109657679B (zh) | 2020-11-20 |
Family
ID=66114842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811556442.9A Active CN109657679B (zh) | 2018-12-19 | 2018-12-19 | 一种应用卫星功能类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109657679B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127360B (zh) * | 2019-12-20 | 2023-08-29 | 东南大学 | 一种基于自动编码器的灰度图像迁移学习方法 |
CN112093082B (zh) * | 2020-09-25 | 2022-03-18 | 中国空间技术研究院 | 高轨卫星抓捕机构的在轨抓捕导引方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101788817A (zh) * | 2010-01-29 | 2010-07-28 | 航天东方红卫星有限公司 | 一种基于星载总线的故障识别与处理方法 |
US20150094056A1 (en) * | 2013-10-01 | 2015-04-02 | Electronics And Telecommunications Research Institute | Satellite communication system and method for adaptive channel assignment |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101814107A (zh) * | 2010-05-06 | 2010-08-25 | 哈尔滨工业大学 | 基于卫星动力学模型库的卫星动力学仿真***及仿真方法 |
-
2018
- 2018-12-19 CN CN201811556442.9A patent/CN109657679B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101788817A (zh) * | 2010-01-29 | 2010-07-28 | 航天东方红卫星有限公司 | 一种基于星载总线的故障识别与处理方法 |
US20150094056A1 (en) * | 2013-10-01 | 2015-04-02 | Electronics And Telecommunications Research Institute | Satellite communication system and method for adaptive channel assignment |
Also Published As
Publication number | Publication date |
---|---|
CN109657679A (zh) | 2019-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596101B (zh) | 一种基于卷积神经网络的遥感图像多目标检测方法 | |
CN106356757B (zh) | 一种基于人眼视觉特性的电力线路无人机巡检方法 | |
CN110189304B (zh) | 基于人工智能的光学遥感图像目标在线快速检测方法 | |
CN110889324A (zh) | 一种基于yolo v3面向末端制导的热红外图像目标识别方法 | |
CN106570253B (zh) | 一种实时天基红外视景仿真方法 | |
CN111797676A (zh) | 一种高分辨率遥感图像目标在轨轻量化快速检测方法 | |
CN114972617B (zh) | 一种基于可导渲染的场景光照与反射建模方法 | |
CN110221360A (zh) | 一种电力线路雷暴预警方法及*** | |
CN109241902A (zh) | 一种基于多尺度特征融合的山体滑坡检测方法 | |
CN111581884A (zh) | 一种星载多分辨率目标光学辐射图像仿真方法 | |
CN104154919A (zh) | 一种非合作航天器上太阳能帆板三角架结构的位姿自主测量方法 | |
CN109657679B (zh) | 一种应用卫星功能类型识别方法 | |
CN108680165A (zh) | 基于光学图像的目标飞行器姿态确定方法和装置 | |
CN116933567B (zh) | 一种天基复杂多场景空间目标仿真数据集构建方法 | |
CN116311078A (zh) | 一种林火分析及监测方法、*** | |
CN112580407A (zh) | 一种基于轻量化神经网络模型的空间目标部件识别方法 | |
CN113902663A (zh) | 一种自动适应天气的空中小目标动态红外仿真方法及装置 | |
CN111046756A (zh) | 高分辨率遥感影像目标尺度特征的卷积神经网络检测方法 | |
CN115205467A (zh) | 一种基于轻量化和注意力机制的空间非合作目标部件识别方法 | |
Long et al. | Object detection research of SAR image using improved faster region-based convolutional neural network | |
CN111523392B (zh) | 一种基于卫星正射影像全姿态的深度学习样本制备方法及识别方法 | |
Piccinin et al. | ARGOS: Calibrated facility for Image based Relative Navigation technologies on ground verification and testing | |
Lewis et al. | Determination of spatial and temporal characteristics as an aid to neural network cloud classification | |
CN114491694B (zh) | 一种基于虚幻引擎的空间目标数据集构建方法 | |
JP2000275338A (ja) | 目標識別装置および目標識別方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |