CN110334645A - 一种基于深度学习的月球撞击坑识别方法 - Google Patents
一种基于深度学习的月球撞击坑识别方法 Download PDFInfo
- Publication number
- CN110334645A CN110334645A CN201910589841.3A CN201910589841A CN110334645A CN 110334645 A CN110334645 A CN 110334645A CN 201910589841 A CN201910589841 A CN 201910589841A CN 110334645 A CN110334645 A CN 110334645A
- Authority
- CN
- China
- Prior art keywords
- impact crater
- moon
- crater
- image
- impact
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 title claims abstract description 43
- 238000013135 deep learning Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 10
- 230000035939 shock Effects 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 230000007910 cell fusion Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 239000012141 concentrate Substances 0.000 claims description 2
- 230000009849 deactivation Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 241000209202 Bromus secalinus Species 0.000 claims 1
- 238000005549 size reduction Methods 0.000 claims 1
- 230000011218 segmentation Effects 0.000 abstract description 2
- 238000010276 construction Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种基于深度学习的月球撞击坑识别方法，用于解决天体撞击坑难以识别的情况。所述方法步骤如下：（1）由已有的撞击坑位置信息和月球DEM图像生成训练样本；（2）根据生成的图像构建适用的卷积神经网络，即Simple‑ResUnet网络模型；（3）利用生成的月球图像和撞击坑标注图像进行训练；（4）使用训练好的模型进行撞击坑边缘分割；（5）最后对撞击坑边缘进行提取，记录新发现的撞击坑。本方法与其它分类方法相比，该方法分类速度快，撞击坑识别概率高，撞击发现率高，适用于各种天体撞击坑的识别。
Description
技术领域
本发明涉及一种基于深度学习的月球撞击坑识别方法，属图像识别技术领域。
背景技术
月球是距离地球最近的天体，也是地球质量最大的卫星。月球表面存在大量的撞击坑，撞击坑是由陨石撞击天体形成的凹坑，与月海、高地等组成了典型月貌特征。嫦娥工程已经完成了月面的勘测任务，带回来大量的月表图片，并且绘制了全月的三维立体地图，有助于今后对月球的进一步研究。通过对撞击坑的研究，不仅能获知天体表面的相对地质年龄和地表特性，还能通过绘制天体表面图为今后太空探索中航天器导航的定位和障碍物躲避等提供数据分析。所以，撞击坑的提取和识别在太空探索领域中有着重要的意义。
目前最主要的撞击坑识别方法为人工识别，人工识别方法的优点是可以准确识别各种大型的撞击坑。人工识别的方法不仅费时费力，而且“可视性”的局限会导致识别结果的不完整，对于小型的撞击坑识别效果并不是很理想。目前关于如何快速准确的识别出月球的撞击坑依然是国内外月球探索领域的难题与焦点。
为了提高天体撞击坑的识别效率，国内外许多研究人员尝试使用计算机来识别撞击坑，并且设计了各种各样的撞击坑自动识别算法。这些算法多半基于机器学习的方法。撞击坑识别被分为两类，一类为无监督学习，一类为有监督学习。无监督学习方法中，研究人员主要利用撞击坑多为圆形或椭圆形的几何特征，使用基于地形分析和数学形态学方法或者基于图像区域局部灰度等方法来匹配出图像中的撞击坑。有监督学习方法中，研究人员通常把已经标注好的撞击坑分为三种，训练样本、验证样本、测试样本，再使用神经网络、支持向量机、集成学习、迁移学习或连续可伸缩模版匹配算法等方法，在反复学习的过程中提升识别的正确率，然后在测试样本集中展示监督学习方法的识别效果。非监督学习的方法在特定的图像中识别的效果较好，但是光照和拍摄角度对识别效果的影响很大，这些原因导致这些方法很难投入正式的应用中。在监督学习中，通过输入对象(月表图像)获得一个期望的输出值(撞击坑边缘标注图像)，再通过输出值与真实的输出值(撞击坑真实标注图像)进行比较，不断调整分类器参数，将识别误差调整到最小。目前监督学习中通常使用人工标注的撞击坑图像做真实输出。人工标注在较小的撞击坑标注上并不完整，会对实际应用造成一些影响。
近年来，深度学习在计算机视觉领域取得了重大的成功。与传统机器学习方法不同，深度学习会自动找出解决问题所需要的重要特征，而传统的机器学习方法可能需要手工定义一些特征。随着数据量的增加，深度学习的表现比传统机器学习更好。基于卷积神经网络的算法在解决目标检测、分割和分类等问题中表现的十分优秀。卷积神经网络是一种多层神经网络，通过卷积、池化等操作，降低数据维度，逐步提取数据特征。最后，通过训练好的卷积神经网络权值来完成分类任务。在人脸识别任务中，深度学习的识别准确率已经超过了人眼。同时，深度学习也在自动驾驶、卫星图像识别等任务中取得了成功。除了在计算机视觉领域，深度学习在语音识别和自然语言处理等领域中也取得了很大的成功。
发明内容
本发明的目的是，针对月球撞击坑识别困难、效率低下的情况，本发明利用深度学习在图像识别上的优势，提出一种基于深度学习的月球撞击坑识别方法。
本发明实现的技术方案如下，一种基于深度学习的月球撞击坑识别方法，采用卷积神经网络来识别月球数字高程图(DEM)的撞击坑。所述方法根据已有的撞击坑位置信息和月球图像生成训练样本和测试样本；构建卷积神经网络，设置神经网络参数；使用生成的月球图像作为网络输入、撞击坑标注图像作为网络输出进行训练；使用训练好的神经网络模型进行撞击坑边缘识别；最后对撞击坑边缘进行提取，记录新发现的撞击坑。
一种基于深度学习的月球撞击坑识别方法的实现步骤如下：
(1)生成训练样本和测试样本，随机裁剪月球数字高程图，再根据现有的撞击坑标注信息绘制撞击坑图片；将输出图片与输入图片存入文件；
(2)构建神经网络，设置好网络训练的参数；使用生成好的图片与标注图片作为卷积神经网络的输入与输出进行训练，获得训练好的网络模型；
(3)使用训练好的网络模型进行月球撞击坑识别，获取撞击坑边缘识别图像；
(4)获取到撞击坑边缘识别图像后，使用模板匹配算法匹配出识别图像中近似撞击坑的位置信息；
(5)根据匹配出的撞击坑位置信息绘制撞击坑识别图像；
(6)与现有撞击坑标注信息进行对比，计算识别的准确率、精准率，并且保存新发现的撞击坑信息；
(7)如果模型的准确率和精准率满足要求，那么就使用该模型进行撞击坑识别；如果不满足要求，那么调整网络模型训练参数，重新进行训练。
所述步骤(6)与现有撞击坑标注信息进行对比，计算识别的准确率、精准率，并且保存新发现的撞击坑信息，过程如下：
(1)使用训练好的网络进行撞击坑边缘识别，再使用模板匹配的方法获取撞击坑边缘图片中类似撞击坑的位置(xi，yi，ri)；
(2)将撞击坑与现有撞击坑信息(xj，yj，rj)比较，如果同时满足公式((xi-xj)2+(yi-yj)2)2/min(ri，rj)＜Dx，y和abs(ri-rj)/min(ri，rj)＜Dr，
其中，xi、yi分别为网络检测出的撞击坑中心在图像上的横坐标值、纵坐标值；xj、yj分别为现有撞击坑中心位置在图像上的横坐标值、纵坐标值；ri、rj分别为检测出的撞击坑半径像素值、现有撞击坑半径像素值；Dx，y为位置信息误差阈值；Dr为半径误差阈值；abs为取绝对值；
那么将这个撞击坑作为正确识别的撞击坑，总数量记为Tp；未能成功匹配的撞击坑记为新发现的撞击坑，总数量记为Fp；标注集中剩余的撞击坑记为未检测出的撞击坑，总数量记为Fn；
(3)计算识别的准确率、精准率：
查准率：P＝Tp/(Tp+Fp)；
查全率：R＝Tp/(Tp+Fn)；
模型得分计算公式：F2＝5×P×R/(4×P+R)；
撞击坑发现率：DR1＝Fp/(Tp+Fp)，DR2＝Fp/(Tp+Fn+Fp)；
(4)将新发现的撞击坑由像素位置转化为月球经纬度，存入记录文件中，以供后续的人工验证；如果网络模型的性能评估满足设定的要求，那么该网络模型能够成功使用于月球撞击坑识别任务中；否则，调整网络训练参数，重新训练。
所述卷积神经网络实现步骤如下：
(1)特征提取过程：输入图像，通过卷积改变图像的通道数为起始通道数，再进行一次残差卷积，保持通道数不变；再进行一次下采样，将图像尺寸缩小一倍；此步骤执行三次，后两次的卷积操作将通道数改变为输入时的两倍；
(2)桥接过程：对特征提取过程中最后一步下采样得到的特征图，进行一次卷积操作，特征图通道数不改变；之后再进行一次残差卷积；
(3)图像还原过程：首先将桥接层输出的特征图进行一次反卷积，特征图的大小扩大一倍；再与特征提取过程中残差卷积后大小相同的特征图进行融合，融合后特征图的通道数翻倍；再进行一次卷积，将通道数减少一半，再进行一次残差卷积；此步骤执行三次，得到最终大小与输入图像相同，通道数和起始通道数相同的特征图；再进行一次Sigmoid操作，将通道数变为1；最后得到与输入图像大小通道数一致的特征图作为网络的输出。
所述特征提取过程和图像还原过程中对应的特征图进行一次融合操作，将两个特征图进行拼接；拼接后执行进行一次随机失活操作。
所述下采样过程使用的是最大池化操作，并且池化大小为2×2，特征图的大小缩小为输入时的二分之一；上采样过程使用的是反卷积操作，卷积核大小为3×3，步长为2，将特征图大小放大为输入时的两倍。
所述残差卷积的残差单元中包含两个的卷积层，第一个卷积操作完成后进行一个批归一化操作和一个修正线性单元操作；第二个卷积操作完成后，将输出特征图和与输入的特征图进行叠加操作，即特征图对应元素相加；所述特征提取过程中每个残差单元之前进行一次卷积操作将滤波器数量扩大一倍，每个残差单元之后进行一次下采样；图像还原过程中每个残差单元之前进行一次卷积操作将滤波器数量缩小一倍，残差单元之后进行一次上采样；每个残差单元之前进行一次卷积操作，将滤波器缩小一倍或者扩大一倍。
所述卷积操作中，除了最后输出的卷积层中卷积核为1×1，再进行sigmoid操作；网络中其他的卷积层中卷积核大小均3×3，步长为1，填充策略为的是补零填充，保证输入输出图像的大小一致。
所述设置神经网络参数包括滤波器数量和随机失活的值，网络起始过滤器数量设为112，随机失活的概率设为0.15；网络的优化器为Adam优化器；网络使用的损失计算函数为二分类的交叉熵。
本发明的有益效果是，本发明方法使用卷积神经网络识别月表图像的撞击坑边缘，降低了撞击坑识别的复杂度、提升了撞击坑识别的速度和准确率。本方法与其它分类方法相比，本方法分类速度快，撞击坑识别概率高，撞击发现率高，适用于各种天体撞击坑的识别。
附图说明
图1是本发明进行基于深度学习的月球撞击坑识别的整体流程图；
图2是本发明使用的卷积神经网络模型实例图。
具体实施方式
本实施例一种基于深度学习的月球撞击坑识别方法，步骤如下：
(1)生成训练样本和测试样本，随机裁剪DEM图像；
(2)再根据现有的撞击坑标注信息绘制撞击坑边缘图像；将输出图像与输入图像存入文件，加快读取速度；
(3)构建网络，设置好网络训练的参数；使用生成好的图像与标注图像作为卷积神经网络的输入与输出进行训练，获得训练好的网络模型；
(4)使用训练好的网络模型进行月球撞击坑识别，获取撞击坑边缘识别图像；
(5)获取到撞击坑边缘识别图像后，使用模板匹配算法匹配出识别图像中近似撞击坑的位置信息；
(6)根据匹配出的撞击坑位置信息绘制撞击坑识别图像；
(7)与现有撞击坑标注信息进行对比，计算网络效率，计算识别的准确率、精准率，并且保存新发现的撞击坑信息；
(8)如果模型的准确率和精准率满足要求，那么就使用该模型进行撞击坑识别；如果不满足要求，那么调整网络模型训练参数，重新进行训练。
如图1所示，基于深度学习的月球撞击坑识别方法，本实施例实现代码为Python，包括以下具体步骤：
(1)准备好实验图片数据；在此过程中，首先，设置全月表面数字高程图像路径、标注信息路径、生成图片大小、生成训练图片数量、测试图片数量、验证图片数量，图像生成经纬度，将月球图片和绘制好的撞击坑图片存储转为numpy数组为hdf5文件。使用hdf5存储图片实现快速读取图片。这里使用的全月数字高程图像为美国国家航空航天局的月球侦察轨道飞行器相机拍摄图片绘制的月球数字高程模型图像，图片尺寸为92160×30720，位深度为8位，分辨率为512像素每英寸。标注信息使用的是2010年James W和2017年R.Z.Povilaitis等人检测出的撞击坑位置信息。图像大小为256×256，训练图片数量为30000张，验证图片为3000张，训练图片为3000张，图像处理过程使用的是python中的PIL类。
(2)构建如图2所示的卷积神经网络，设置图片大小、训练图片数量、测试图片数量、验证图片数量、训练批次大小、训练次数、模型存储位置。进行训练。神经网络构建使用的是Keras框架，网络的学习率为0.0001。训练批次大小为每批次三张图片，训练次数设置为五次，其他的参数设置和步骤(1)中相同。
(3)开始训练，训练中途保存损失值；训练完成后保存模型。
(4)使用保存好的模型在测试图片上进行撞击坑边缘预测，得到预测图像矩阵后使用图像处理包scikit-image中的模板匹配算法匹配出类似撞击坑的位置和半径，撞击坑匹配阈值设为0.5，撞击坑半径为5像素到40像素。
(5)将获取到的撞击坑位置信息与已经标注好的撞击坑信息进行对比，计算模型的查准率、查全率、模型得分、新撞击坑发现概率，并且将发现的撞击坑位置信息转为经纬度信息存入csv文件中。
Claims (9)
1.一种基于深度学习的月球撞击坑识别方法，其特征在于，所述方法根据已有的撞击坑位置信息和月球图像生成训练样本和测试样本；构建卷积神经网络，设置神经网络参数；使用生成的月球图像作为网络输入、撞击坑标注图像作为网络输出进行训练；使用训练好的神经网络模型进行撞击坑边缘识别；最后对撞击坑边缘进行提取，记录新发现的撞击坑。
2.根据权利要求1所述的一种基于深度学习的月球撞击坑识别方法，其特征在于，所述方法实现步骤如下：
(1)生成训练样本和测试样本，随机裁剪月球数字高程图，再根据现有的撞击坑标注信息绘制撞击坑图片；将输出图片与输入图片存入文件；
(2)构建神经网络，设置好网络训练的参数；使用生成好的图片与标注图片作为卷积神经网络的输入与输出进行训练，获得训练好的网络模型；
(3)使用训练好的网络模型进行月球撞击坑识别，获取撞击坑边缘识别图像；
(4)获取到撞击坑边缘识别图像后，使用模板匹配算法匹配出识别图像中近似撞击坑的位置信息；
(5)根据匹配出的撞击坑位置信息绘制撞击坑识别图像；
(6)与现有撞击坑标注信息进行对比，计算识别的准确率、精准率，并且保存新发现的撞击坑信息；
(7)如果模型的准确率和精准率满足要求，那么就使用该模型进行撞击坑识别；如果不满足要求，那么调整网络模型训练参数，重新进行训练。
3.根据权利要求1所述的一种基于深度学习的月球撞击坑识别方法，其特征在于，所述卷积神经网络实现步骤如下：
(1)特征提取过程：输入图像，通过卷积改变图像的通道数为起始通道数，再进行一次残差卷积，保持通道数不变；再进行一次下采样，将图像尺寸缩小一倍；此步骤执行三次，后两次的卷积操作将通道数改变为输入时的两倍；
(2)桥接过程：对特征提取过程中最后一步下采样得到的特征图，进行一次卷积操作，特征图通道数不改变；之后再进行一次残差卷积；
(3)图像还原过程：首先将桥接层输出的特征图进行一次反卷积，特征图的大小扩大一倍；再与特征提取过程中残差卷积后大小相同的特征图进行融合，融合后特征图的通道数翻倍；再进行一次卷积，将通道数减少一半，再进行一次残差卷积；此步骤执行三次，得到最终大小与输入图像相同，通道数和起始通道数相同的特征图；再进行一次Sigmoid操作，将通道数变为1；最后得到与输入图像大小通道数一致的特征图作为网络的输出。
4.根据权利要求3所述的一种基于深度学习的月球撞击坑识别方法，其特征在于，所述下采样过程使用的是最大池化操作，并且池化大小为2×2，特征图的大小缩小为输入时的二分之一；上采样过程使用的是反卷积操作，卷积核大小为3×3，步长为2，将特征图大小放大为输入时的两倍。
5.根据权利要求3所述的一种基于深度学习的月球撞击坑识别方法，其特征在于，所述残差卷积的残差单元中包含两个的卷积层，第一个卷积操作完成后进行一个批归一化操作和一个修正线性单元操作；第二个卷积操作完成后，将输出特征图和与输入的特征图进行叠加操作，即特征图对应元素相加；所述特征提取过程中每个残差单元之前进行一次卷积操作将滤波器数量扩大一倍，每个残差单元之后进行一次下采样；图像还原过程中每个残差单元之前进行一次卷积操作将滤波器数量缩小一倍，残差单元之后进行一次上采样；每个残差单元之前进行一次卷积操作，将滤波器缩小一倍或者扩大一倍。
6.根据权利要求3所述的一种基于深度学习的月球撞击坑识别方法，其特征在于，所述特征提取过程和图像还原过程中对应的特征图进行一次融合操作，将两个特征图进行拼接；拼接后执行进行一次随机失活操作。
7.根据权利要求3所述的一种基于深度学习的月球撞击坑识别方法，其特征在于，所述卷积操作中，除了最后输出的卷积层中卷积核为1×1，再进行sigmoid操作；网络中其他的卷积层中卷积核大小均3×3，步长为1，填充策略为的是补零填充，保证输入输出图像的大小一致。
8.根据权利要求1所述的一种基于深度学习的月球撞击坑识别方法，其特征在于，所述设置神经网络参数包括滤波器数量和随机失活的值，网络起始过滤器数量设为112，随机失活的概率设为0.15；网络的优化器为Adam优化器；网络使用的损失计算函数为二分类的交叉熵。
9.根据权利要求2所述的一种基于深度学习的月球撞击坑识别方法，其特征在于，所述步骤(6)与现有撞击坑标注信息进行对比，计算识别的准确率、精准率，并且保存新发现的撞击坑信息，过程如下：
(1)使用训练好的网络进行撞击坑边缘识别，再使用模板匹配的方法获取撞击坑边缘图片中类似撞击坑的位置(xi，yi，ri)；
(2)将撞击坑与现有撞击坑信息(xj，yj，rj)比较，如果同时满足公式((xi-xj)2+(yi-yj)2)2/min(ri，rj)＜Dx，y和abs(ri-rj)/min(ri，rj)＜Dr，
其中，xi、yi分别为网络检测出的撞击坑中心在图像上的横坐标值、纵坐标值；xj、yj分别为现有撞击坑中心位置在图像上的横坐标值、纵坐标值；ri、rj分别为检测出的撞击坑半径像素值、现有撞击坑半径像素值；Dx，y为位置信息误差阈值；Dr为半径误差阈值；abs为取绝对值；
那么将这个撞击坑作为正确识别的撞击坑，总数量记为Tp；未能成功匹配的撞击坑记为新发现的撞击坑，总数量记为Fp；标注集中剩余的撞击坑记为未检测出的撞击坑，总数量记为Fn；
(3)计算识别的准确率、精准率：
查准率：P＝Tp/(Tp+Fp)；
查全率：R＝Tp/(Tp+Fn)；
模型得分计算公式：F2＝5×P×R/(4×P+R)；
撞击坑发现率：DR1＝Fp/(Tp+Fp)，DR2＝Fp/(Tp+Fn+Fp)；
(4)将新发现的撞击坑由像素位置转化为月球经纬度，存入记录文件中，以供后续的人工验证；如果网络模型的性能评估满足设定的要求，那么该网络模型能够成功使用于月球撞击坑识别任务中；否则，调整网络训练参数，重新训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910589841.3A CN110334645B (zh) | 2019-07-02 | 2019-07-02 | 一种基于深度学习的月球撞击坑识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910589841.3A CN110334645B (zh) | 2019-07-02 | 2019-07-02 | 一种基于深度学习的月球撞击坑识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110334645A true CN110334645A (zh) | 2019-10-15 |
| CN110334645B CN110334645B (zh) | 2022-09-30 |
Family
ID=68143041
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910589841.3A Expired - Fee Related CN110334645B (zh) | 2019-07-02 | 2019-07-02 | 一种基于深度学习的月球撞击坑识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110334645B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111612789A (zh) * | 2020-06-30 | 2020-09-01 | 征图新视(江苏)科技股份有限公司 | 一种基于改进的U-net网络的缺陷检测方法 |
| CN113139592A (zh) * | 2021-04-14 | 2021-07-20 | 中国地质大学（武汉） | 基于深度残差U-Net的月球陨石坑识别方法、设备及存储介质 |
| CN115272769A (zh) * | 2022-08-10 | 2022-11-01 | 中国科学院地理科学与资源研究所 | 基于机器学习的月球撞击坑自动提取方法和装置 |
| CN115393730A (zh) * | 2022-07-15 | 2022-11-25 | 南京林业大学 | 一种火星陨石坑精确识别方法、电子设备及存储介质 |
| CN117809190A (zh) * | 2024-02-23 | 2024-04-02 | 吉林大学 | 基于深度学习的撞击坑溅射物识别方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102567701A (zh) * | 2010-12-08 | 2012-07-11 | 中国科学院地理科学与资源研究所 | 一种利用霍夫变换在嫦娥dem数据上自动提取环形撞击坑的方法 |
| CN103927543A (zh) * | 2014-04-24 | 2014-07-16 | 山东大学（威海） | 一种基于dem的月表撞击坑自动识别和边界提取方法 |
| CN104036234A (zh) * | 2014-05-23 | 2014-09-10 | 中国科学院国家天文台 | 一种环形坑的图像识别方法 |
| CN104268593A (zh) * | 2014-09-22 | 2015-01-07 | 华东交通大学 | 一种小样本情况下多稀疏表示的人脸识别方法 |
| US20170235996A1 (en) * | 2015-07-28 | 2017-08-17 | Chiman KWAN | Method and system for collaborative multi-satellite remote sensing |
| CN107119657A (zh) * | 2017-05-15 | 2017-09-01 | 苏州科技大学 | 一种基于视觉测量基坑监测方法 |
| CN108068479A (zh) * | 2017-12-31 | 2018-05-25 | 西安立东行智能技术有限公司 | 一种抗3d打印伪造的匹配人工智能识别的防伪******及***制作方法 |
| CN108734219A (zh) * | 2018-05-23 | 2018-11-02 | 北京航空航天大学 | 一种基于全卷积神经网络结构的端到端撞击坑检测与识别方法 |
| CN109166141A (zh) * | 2018-08-10 | 2019-01-08 | Oppo广东移动通信有限公司 | 危险提醒方法、装置、存储介质及移动终端 |
| CN109255294A (zh) * | 2018-08-02 | 2019-01-22 | 中国地质大学（北京） | 一种基于深度学习的遥感图像云识别方法 |
-
2019
- 2019-07-02 CN CN201910589841.3A patent/CN110334645B/zh not_active Expired - Fee Related
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102567701A (zh) * | 2010-12-08 | 2012-07-11 | 中国科学院地理科学与资源研究所 | 一种利用霍夫变换在嫦娥dem数据上自动提取环形撞击坑的方法 |
| CN103927543A (zh) * | 2014-04-24 | 2014-07-16 | 山东大学（威海） | 一种基于dem的月表撞击坑自动识别和边界提取方法 |
| CN104036234A (zh) * | 2014-05-23 | 2014-09-10 | 中国科学院国家天文台 | 一种环形坑的图像识别方法 |
| CN104268593A (zh) * | 2014-09-22 | 2015-01-07 | 华东交通大学 | 一种小样本情况下多稀疏表示的人脸识别方法 |
| US20170235996A1 (en) * | 2015-07-28 | 2017-08-17 | Chiman KWAN | Method and system for collaborative multi-satellite remote sensing |
| CN107119657A (zh) * | 2017-05-15 | 2017-09-01 | 苏州科技大学 | 一种基于视觉测量基坑监测方法 |
| CN108068479A (zh) * | 2017-12-31 | 2018-05-25 | 西安立东行智能技术有限公司 | 一种抗3d打印伪造的匹配人工智能识别的防伪******及***制作方法 |
| CN108734219A (zh) * | 2018-05-23 | 2018-11-02 | 北京航空航天大学 | 一种基于全卷积神经网络结构的端到端撞击坑检测与识别方法 |
| CN109255294A (zh) * | 2018-08-02 | 2019-01-22 | 中国地质大学（北京） | 一种基于深度学习的遥感图像云识别方法 |
| CN109166141A (zh) * | 2018-08-10 | 2019-01-08 | Oppo广东移动通信有限公司 | 危险提醒方法、装置、存储介质及移动终端 |
Non-Patent Citations (3)
| Title |
|---|
| YANG MU 等: "Biologically inspired model for crater detection", 《THE 2011 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS》 * |
| 李奂谌: "基于增强卷积神经网络的路面裂纹检测", 《电脑与电信》 * |
| 胡玉林: "月表撞击坑形貌融合特征的提取与分类方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111612789A (zh) * | 2020-06-30 | 2020-09-01 | 征图新视(江苏)科技股份有限公司 | 一种基于改进的U-net网络的缺陷检测方法 |
| CN113139592A (zh) * | 2021-04-14 | 2021-07-20 | 中国地质大学（武汉） | 基于深度残差U-Net的月球陨石坑识别方法、设备及存储介质 |
| CN115393730A (zh) * | 2022-07-15 | 2022-11-25 | 南京林业大学 | 一种火星陨石坑精确识别方法、电子设备及存储介质 |
| CN115393730B (zh) * | 2022-07-15 | 2023-05-30 | 南京林业大学 | 一种火星陨石坑精确识别方法、电子设备及存储介质 |
| CN115272769A (zh) * | 2022-08-10 | 2022-11-01 | 中国科学院地理科学与资源研究所 | 基于机器学习的月球撞击坑自动提取方法和装置 |
| CN117809190A (zh) * | 2024-02-23 | 2024-04-02 | 吉林大学 | 基于深度学习的撞击坑溅射物识别方法 |
| CN117809190B (zh) * | 2024-02-23 | 2024-05-24 | 吉林大学 | 基于深度学习的撞击坑溅射物识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110334645B (zh) | 2022-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110334645A (zh) | 一种基于深度学习的月球撞击坑识别方法 | |
| CN113065558B (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
| CN111259930B (zh) | 自适应注意力指导机制的一般性目标检测方法 | |
| CN107748895B (zh) | 基于dct-cnn模型的无人机着陆地貌图像分类方法 | |
| CN106407986B (zh) | 一种基于深度模型的合成孔径雷达图像目标识别方法 | |
| CN110532859A (zh) | 基于深度进化剪枝卷积网的遥感图像目标检测方法 | |
| CN106446930A (zh) | 基于深层卷积神经网络的机器人工作场景识别方法 | |
| CN108416755A (zh) | 一种基于深度学习的图像去噪方法及*** | |
| CN109740413A (zh) | 行人重识别方法、装置、计算机设备及计算机存储介质 | |
| CN106991368A (zh) | 一种基于深度卷积神经网络的指静脉验证身份识别方法 | |
| CN105512680A (zh) | 一种基于深度神经网络的多视sar图像目标识别方法 | |
| CN107316001A (zh) | 一种自动驾驶场景中小且密集的交通标志检测方法 | |
| CN106845529A (zh) | 基于多视野卷积神经网络的影像特征识别方法 | |
| CN106096538A (zh) | 基于定序神经网络模型的人脸识别方法及装置 | |
| CN105868769A (zh) | 图像中的人脸关键点定位方法及装置 | |
| CN106599994A (zh) | 一种基于深度回归网络的视线估计方法 | |
| CN109785344A (zh) | 基于特征重标定的双通路残差网络的遥感图像分割方法 | |
| CN106778796A (zh) | 基于混合式协同训练的人体动作识别方法及*** | |
| CN112364719A (zh) | 一种遥感图像目标快速检测方法 | |
| CN108447057A (zh) | 基于显著性和深度卷积网络的sar图像变化检测方法 | |
| CN109801225A (zh) | 基于多任务全卷积神经网络的人脸网纹污迹去除方法 | |
| CN107844760A (zh) | 基于曲面法向分量图神经网络表示的三维人脸识别方法 | |
| CN111462230A (zh) | 一种基于深度强化学习的台风中心定位方法 | |
| CN110245587B (zh) | 一种基于贝叶斯迁移学习的光学遥感图像目标检测方法 | |
| CN113592007B (zh) | 一种基于知识蒸馏的不良图片识别***、方法、计算机及存储介质 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220930 |