卫星多局部构件检测及低照度图像增强方法

作     者：陈榆琅 

作者单位：北京信息科技大学 

学位级别：硕士

导师姓名：高晶敏;刘仲馨

授予年度：2021年

学科分类：08[工学] 080203[工学-机械设计及理论] 082503[工学-航空宇航制造工程] 0802[工学-机械工程] 0825[工学-航空宇航科学与技术] 

主      题：卫星局部构件检测 低照度图像增强 实例分割 生成对抗网络 

摘      要：卫星局部构件检测技术是卫星间进行例如自主交会对接等交互任务时的关键技术之一,基于深度学习的局部构件检测方法逐渐成为了研究热点,在检测精度方面取得了很大提升。本文调研分析了国内外卫星局部构件检测方法,并深入研究了目标检测、实例分割及低照度图像增强技术,最终基于深度学习方法实现卫星局部构件检测、分割及低照度图像增强。本文主要工作总结如下:1.由于在卫星局部构件检测领域中缺少公开的卫星数据集,本文在仿真图像的基础上构建了信息丰富的卫星局部构件数据集,可用于局部构件检测及分割模型的训练及测试,通过提出的多视角、多轨道位置的卫星外观采样方法,采集的仿真图像能更充分地模拟真实空间背景下的卫星外观,从而获得更丰富有效的样本,为模型的训练学习及性能测试提供更有力的支撑。2.针对传统卫星局部构件检测精度低的问题,本文提出了一种基于卷积神经网络的卫星多局部构件检测方法,将残差连接结构、特征金字塔结构及密集连接结构进行融合,并引入到Mask R-CNN中进行改进优化,提高了对构件检测的精准率及召回率。在此基础上,针对样本数量少引起基于深度学习的模型检测/分割精度低及泛化能力差的问题,本文在FCOS和CenterMask的基础上,从目标检测器、注意力机制及损失函数三方面进行改进,提出了卫星多局部构件分割方法,在小样本的训练条件下实现对目标构件的自主精准检测及分割。实验结果表明,所提出的局部构件检测及分割方法较原始网络模型在检测精度及速度上具有更优的性能表现。3.针对空间低照度成像条件引起的成像图像质量低的问题,本文提出了一种基于生成对抗网络的空间卫星低照度图像增强方法,将设计的信息传输加强的U-Net结构引入EnlightenGAN网络模型中,通过非配对样本即可实现模型的训练优化。实验结果表明,该增强方法不仅可更好地提高低照度图像的亮度及对比度,还可更好地恢复图像细节信息。