北京航空航天大学学报 ›› 2020, Vol. 46 ›› Issue (5): 994-1004.doi: 10.13700/j.bh.1001-5965.2019.0342

• 论文 • 上一篇    下一篇

基于深度学习的大型陨石坑识别方法研究

郑磊1, 胡维多1, 刘畅2   

  1. 1. 北京航空航天大学 宇航学院, 北京 100083;
    2. 中国科学院深圳先进技术研究院, 深圳 518055
  • 收稿日期:2019-06-28 发布日期:2020-05-19
  • 通讯作者: 胡维多 E-mail:08109@buaa.edu.cn
  • 作者简介:郑磊 男,硕士研究生。主要研究方向:基于深度学习的图像识别和目标检测方法;胡维多 男,博士,教授,博士生导师。主要研究方向:轨道动力学、航天器姿态控制、图像处理;刘畅 男,博士,副研究员。主要研究方向:图像分割算法、基于计算机视觉的目标三维重建、三维姿态估计与实时跟踪。
  • 基金资助:
    国家自然科学基金(61703017)

Large crater identification method based on deep learning

ZHENG Lei1, HU Weiduo1, LIU Chang2   

  1. 1. School of Astronautics, Beihang University, Beijing 100083, China;
    2. Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, Shenzhen 518055, China
  • Received:2019-06-28 Published:2020-05-19

摘要: 陨石坑是天体表面最为显著的地形特征,传统陨石坑识别方法主要是对小型陨石坑正负样本的二分类问题研究,且效率和精度均不高。以星体宏观视角下的大型陨石坑作为研究对象,结合图像处理和神经网络等方面的知识,创建了来自不同数据源的陨石坑样本数据库,研究了数据源对网络模型泛化能力的影响,提出了一种效率更高的陨石坑多分类识别方法。在非极大值抑制(NMS)算法基础上,提出了一种精度更高的陨石坑检测算法。经过参数优化和实验验证,构建的基于深度学习的多尺度多分类陨石坑自动识别网络框架取得了较高的准确率,在同源验证集上识别率可达0.985,在异源验证集上识别率可达0.863,并且有效改善了目标检测时检测框冗余及误检测的问题。

关键词: 深度学习, 卷积神经网络, 陨石坑识别, 非极大值抑制(NMS)算法, 目标检测

Abstract: Craters are the most significant topographic features on the surface of celestial bodies. The traditional method of craters identification is mainly to study the dichotomy of positive and negative samples of small craters, with low efficiency and accuracy. This paper takes large craters under the macroscopic view of the planet as the research object, combines the knowledge of digital image processing and neural network, creates a crater sample library of different data sources to study the influence of data source on network model generalization ability, and proposes a more efficient crater multi-classification identification method. Based on the Non-Maximum Suppression (NMS) algorithm, a higher precision crater detection algorithm is proposed. Through parameter optimization and experimental verification, the multi-scale and multi-classification craters automatic recognition network framework based on deep learning constructed in this paper achieves a high accuracy rate, with the recognition rate up to 0.985 on homologous verification set and 0.863 on heterogeneous verification set, and effectively improves the redundancy of detection box and false detection in target detection.

Key words: deep learning, convolutional neural network, crater identification, Non-Maximum Suppression (NMS) algorithm, object detection

中图分类号: 


版权所有 © 《北京航空航天大学学报》编辑部
通讯地址:北京市海淀区学院路37号 北京航空航天大学学报编辑部 邮编:100191 E-mail:jbuaa@buaa.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发