[发明专利]一种基于实例分割网络的航天器多局部构件检测方法

说明书

本发明提供一种基于实例分割网络的航天器多局部构件检测方法，包括如下步骤：对航天器输入图像进行特征提取，得到特征图S₃～S₅；将S₃～S₅输入到主干网络FPN结构中，得到多尺度的特征图P₃～P₆；将所述多尺度特征图P₃～P₆输入到目标检测头部进行航天器局部构件检测,从而获得对目标的类别、边界框以及中心度的预测结果；通过所述类别及中心度信息对所述边界框进行优化，得到优化后的边界框；将所述优化后的边界框输入到掩码生成分支进行实例分割，得到航天器局部构件的掩码信息，进一步可获得构件的轮廓信息。本发明所提出的局部构件检测及分割方法较现有网络模型在检测精度及速度上具有更优的性能表现。

技术领域

本发明属于计算机视觉领域，特别涉及一种基于实例分割网络的航天器多局部构件检测方法。

背景技术

获得航天器间的相对位置及相对姿态(以下简称，相对位姿)是保证航天器指向跟踪等空间交互任务顺利进行的重要前提，而航天器局部构件(太阳翼、天线等)的检测与识别技术是其中的关键。精确识别出目标构件的类别，并有效检测出航天器局部构件的边缘轮廓、角点、尺寸等局部构件的高级特征信息，可为航天器间相对位姿精确估计提供有力的数据支持。

在空间中对航天器进行目标检测任务时，存在两个主要的特点及难点：1.在轨航天器处于实时、高速运动状态，其姿态不断变化，往往会存在航天器整体/构件轮廓形状和尺寸变化大以及构件被部分遮挡等问题。2.空间光照条件的不断变化、成像载荷的抖动、成像系统像质退化等影响，会导致空间图像成像图像存在严重噪声污染、对比度低、平均亮度低等问题。以上问题均会很大程度地限制航天器局部构件的检测精度。

参见图1，现有一种CenterMask的检测模型，它由特征提取器、目标检测头部以及掩码生成头部组成。特征提取器的骨干网络是VoVNetV2，它将残差结构以及eSE(EffectiveSqueeze-Excitation)注意力模块融入到VoVNet中，目标检测头部由类别预测分支、中心度预测分支以及边界框回归分支组成；同时，CenterMask的作者还提出了空间注意力机制SAM，用于引导掩码生成分支突出具有有效信息的像素，并且抑制无有效信息的像素。在CenterMask中，特征提取器首先对输入图像进行6层下采样，并输出特征图(P3～P7)。然后，检测器对每层输出的特征图均进行类别预测、边界框回归以及中心度预测。最后，通过掩码生成头部可获得图像分割结果。然而，CenterMask虽然在掩码生成头部中引入了注意力机制，但是它仍然对通道间信息的注意力不足，进而影响检测的精度。

因此，提供一种改进的检测模型实为必要。

发明内容

本发明的目的是提供一种基于实例分割网络的航天器多局部构件检测方法，可更精准地获得目标构件的类别信息，边界框信息以及轮廓信息，进而提高部件检测的精度及速度。

为实现上述目的，本发明提供一种基于实例分割网络的航天器多局部构件检测方法，包括如下步骤：

步骤一：对航天器输入图像进行特征提取，得到特征图S3～S5；

步骤二；将S3～S5输入到主干网络FPN结构中，得到多尺度的特征图P3～P6，该过程定义如下：

P₅＝Conv_1×1(S₅)

P₆＝Maxpooling(P₅)

P_i＝Upsample(S_i+1)+Conv_1×1(S_i),i＝3,4

其中，Conv1×1代表卷积核尺寸为1×1的卷积层,Upsample代表非线性上采样层；