买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京理工大学

摘要：本发明公开的基于智能学习网络模型压缩的陨坑检测方法，属于深空探测技术领域。本发明实现方法：通过数据增强方法扩充先前探测任务获取的陨坑图像来构建陨坑数据集，为陨坑检测模型训练提供基础。通过设计出陨坑检测卷积神经网络模型和定义合适的损失函数，使陨坑检测卷积神经网络实现陨坑检测的功能。采用通道剪枝方法显著减少陨坑检测卷积神经网络中冗余卷积核的数量，成倍减少陨坑检测神经网络模型的参数量；采用深度可分离卷积替换普通卷积，将陨坑检测卷积神经网络中的标准卷积过程分解为逐通道卷积和逐点卷积，实现卷积过程在空间结构与通道方面的解耦。本发明能够降低陨坑检测神经网络模型的参数量和检测时间，提升陨坑图像检测效率。

主权项：1.一种基于智能学习网络模型压缩的陨坑检测方法，其特征在于：包括如下步骤，步骤一、通过数据增强方法扩充先前探测任务获取的陨坑图像来构建陨坑图像数据集，以弥补高质量陨坑图像数量不足的问题，随机将扩充后的陨坑图像数据集按预定比例划分为训练集和验证集；基于地外天体探测任务过程中获取的陨坑图像，随机选取目标着陆场区的陨石坑灰度图像，采用数据增强方法来扩充陨坑图像样本数据集；考虑到探测器在着陆阶段陨坑图像检测场景的多样性，通过对陨坑图像进行垂直翻转、水平翻转、转置、旋转处理，模拟着陆时不同的光照角度和拍摄角度；将增加和减少陨坑图像的亮度，模拟着陆时不同的光照强度；在陨坑图像中加入高斯噪声，模拟光学相机由于温度过高或者着陆环境亮度偏低产生的成像噪声；随机的将陨坑图像按预定比例划分为训练集和验证集；调整图像亮度的原理可以表示如下，其中a式表示增加陨坑图像的亮度，b式表示减少陨坑图像的亮度； 式中，Ix,y表示图像中位置坐标x,y处的像素值，n表示陨坑图像亮度增加或减少的幅度，255表示灰度图像的最大像素值；在陨坑图像中加入高斯噪声如下式Ix,y＝maxminIx,y+z,255,0,z～Nμ,σ2式中，Ix,y表示图像中位置坐标x,y处的像素值，z表示均值为μ，标准差为σ的正态分布噪声，255表示灰度图像的最大像素值；步骤二、通过设计出陨坑检测卷积神经网络模型，在编码网络中使用卷积和池化操作提取陨坑图像的浅层特征，得到陨坑图像的不同特征图，使用卷积进行特征提取时，随着卷积训练推进卷积核的感受野不断扩大，使陨坑检测卷积神经网络不仅能够检测出图像中面积较大的陨坑，还能获取陨坑和背景之间关系的特征；在解码网络中采用多次卷积和最近邻插值进行特征提取和上采样，缓解神经网络训练过程中的梯度消失问题；通过定义损失函数，计算陨坑检测网络的预测结果和标注结果之间的误差，并根据误差使用反向传播算法调整陨坑检测网络中的参数，从而使陨坑检测卷积神经网络实现陨坑检测的功能；网络结构由编码网络和解码网络两个部分组成；在编码网络中，输入陨坑灰度图像，使用多次卷积和池化操作进行输入图像和特征图的特征提取和下采样，可以得到一系列不同尺寸和通道数的特征图；编码网络在训练过程中调整卷积核的参数，自动提取出图像中陨坑的浅层特征，包括陨坑边缘、轮廓、纹理信息；随着下采样的进行，使用卷积进行特征提取时，卷积核的感受野不断扩大，网络不仅能够检测出图像中面积较大的陨坑，还能获取陨坑在整个图像中的陨坑和背景之间关系的特征；在解码网络中，输入为编码网络中尺寸最小、通道数最多的特征图，经过多次卷积和最近邻插值进行特征提取和上采样，得到尺寸和通道数与编码网络特征一致的特征图；编码网络中的特征图在每次进行最近邻插值操作后，都会与编码网络中尺寸和通道数均相同的特征图在通道维度上进行拼接，再使用卷积操作进行特征提取；在解码网络上采样的过程中，由于使用了编码网络中的浅层特征，有效缓解神经网络训练过程中的梯度消失问题；同时，编码网络中的浅层特征能够提供较为准确的陨坑位置和边缘信息，进一步提升对陨坑图像分割的精度；解码网络的特征图随着上采样的进行，特征图的尺寸将逐渐恢复至输入陨坑图像的尺寸；网络最后的输出层是一个卷积层，通过对解码网络输出的特征图进行降维，得到尺寸与输入图像一致的特征图；对输出特征图进行降维后，使用sigmoid激活函数将网络的输出进行转换，表征陨坑灰度图像中各像素点属于陨坑的预测概率；卷积过程如下式所示： 式中，Cω,h表示二维卷积结果，ω和h分别表示图像上的宽度轴和高度轴，K表示核函数矩阵，s和t分别表示卷积核在图像宽度和高度轴上的坐标，I表示图像矩阵，k表示卷积核矩阵的尺寸；池化的机理描述为M＝maxp×p{Fh×h}式中，M表示通过最大池化层后得到的特征图像矩阵，F表示输入的特征图像矩阵，h表示该特征图像矩阵的尺寸，p表示池化区域的视野尺寸；通过定义损失函数，计算陨坑检测网络的预测结果和标注结果之间的误差；根据误差使用反向传播算法调整陨坑检测网络中的参数，从而使网络实现陨坑检测的功能；步骤三、采用通道剪枝和深度可分离卷积替换的方法对步骤二设计出的陨坑检测卷积神经网络模型进行轻量化处理，即对陨坑检测卷积神经网络模型轻量化压缩，降低陨坑检测卷积神经网络模型结构的参数量和复杂度，提升陨坑检测卷积神经网络模型检测陨坑图像的效率；使用通道剪枝方法，显著减少陨坑检测卷积神经网络中冗余卷积核的数量，进而成倍减少陨坑检测神经网络模型的参数量；采用深度可分离卷积替换普通卷积，将陨坑检测卷积神经网络中的标准卷积过程分解为逐通道卷积和逐点卷积，实现卷积过程在空间结构与通道方面的解耦，进一步降低陨坑检测卷积神经网络模型参数量；步骤3.1：采用通道剪枝方法，减少陨坑检测卷积神经网络中冗余卷积核的数量，进而成倍减少陨坑检测神经网络模型的参数量；网络模型中的多个卷积核会提取相同的特征，卷积层的输出中存在大量相似的特征图，说明陨坑检测网络中存在功能冗余的卷积核；定义剪枝参数n，直接将陨坑检测网络中除输出层外所有卷积层的卷积核数量减少为原来的1；然后，将剪枝得到的网络进行随机初始化，在训练数据上重新训练；最后，根据剪枝模型在测试集上的检测效果确定最佳的剪枝参数nopt；步骤3.2：采用深度可分离卷积替换普通卷积，实现卷积过程在空间结构与通道方面的解耦，进一步降低陨坑检测卷积神经网络模型参数量；深度可分离卷积将标准卷积在空间结构与通道方面进行解耦，分解为逐通道卷积和逐点卷积；逐通道卷积使用N个DK×DK×1的卷积核在输入图像或特征图的N个通道上进行卷积，得到DF×DF×N的特征图；逐点卷积是在逐通道卷积的基础上，使用M个1×1×N的卷积核在DF×DF×N的特征图上进行卷积，最终得到DF×DF×M的输出特征图；逐通道卷积和逐点卷积的参数量分别为DK×DK×1×N和1×1×N×M；深度可分离卷积和标准卷积参数量的比值为： 式中，DF表示输入输出图像或特征图的宽高，DK表示卷积核的宽高，N表示输入图像或特征图的通道数，M表示输出特征图的通道数；由上式知，经过深度可分离卷积处理后，陨坑检测卷积神经网络模型的参数量进一步降低。

全文数据：

权利要求：

百度查询： 北京理工大学 一种基于智能学习网络模型压缩的陨坑检测方法