CN112489011A - 一种星敏感器光机组件智能装调方法 - Google Patents
一种星敏感器光机组件智能装调方法 Download PDFInfo
- Publication number
- CN112489011A CN112489011A CN202011358618.7A CN202011358618A CN112489011A CN 112489011 A CN112489011 A CN 112489011A CN 202011358618 A CN202011358618 A CN 202011358618A CN 112489011 A CN112489011 A CN 112489011A
- Authority
- CN
- China
- Prior art keywords
- point image
- star point
- star
- feature map
- image feature
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种星敏感器光机组件智能装调方法,包括:采用星敏感器中待装调的光机组件拍摄星点图像;采用卷积神经网络对所述星点图像进行特征提取,以得到第一星点图像特征图;根据所述第一星点图像特征图,采用区域建议网络生成目标建议窗口;根据所述目标建议窗口及所述第一星点图像特征图,得到第二星点图像特征图;对所述第二星点图像特征图进行分类,以得到所述第二星点图像特征图的分类结果;以及根据所述第二星点图像特征图的分类结果,对星敏感器中所述待装调的光机组件进行调整。本发明极大地提升了星敏感器中光机组件装调工作的智能化水平,显著地提高了星敏感器光机组件装调效率。
Description
技术领域
本发明涉及星敏感器智能制造技术领域,尤其涉及一种星敏感器光机组件智能装调方法。
背景技术
星敏感器是一种以恒星为观测基准的高精度姿态测量的敏感器,它是通过对恒星的观测、识别及计算得到航天器的高精度姿态信息。在星敏感器工作过程中,星敏感器光机组件(如图1所示,包括镜头、镜头座以及镜头和镜头座之间的垫片)的装调结果会影响星敏感器低频误差,而星敏感器低频误差则是星敏感器测量总误差的重要组成部分,因此星敏感器光机组件的装调结果对星敏感器完成空间飞行试验任务具有重要意义。
目前,星敏感器光机组件装调多为操作人员手工装调,操作人员完成一次装调后,依据星敏感器光机组件当前状态判断其中垫片的装调余量并再次进行调整,直到满足星敏感器光机组件装调的合格标准为止。然而上述星敏感器光机组件的装调方法不仅主要依赖操作人员经验,同时还会因人工判断垫片的装调余量耗时较长而导致星敏感器光机组件装调周期较长。
发明内容
本发明的目的在于提供一种星敏感器光机组件智能装调方法,以提高星敏感器光机组件的装调效率,并使星敏感器光机组件的装调过程更加智能化。
为了达到上述目的,本发明通过以下技术方案实现:
一种星敏感器光机组件智能装调方法,包括:
采用星敏感器中待装调的光机组件拍摄星点图像;
采用卷积神经网络对所述星点图像进行特征提取,以得到第一星点图像特征图;
根据所述第一星点图像特征图,采用区域建议网络生成目标建议窗口;
根据所述目标建议窗口及所述第一星点图像特征图,得到第二星点图像特征图;
对所述第二星点图像特征图进行分类,以得到所述第二星点图像特征图的分类结果;以及
根据所述第二星点图像特征图的分类结果,对星敏感器中所述待装调的光机组件进行调整。
优选地,所述卷积神经网络包括若干个卷积层和若干个全连接层;
所述星点图像经所有所述卷积层进行特征提取后得到所述第一星点图像特征图;且所述第一星点图像特征图包括若干个特征点。
优选地,所述根据所述第一星点图像特征图,采用区域建议网络生成目标建议窗口的步骤包括:
根据所述第一星点图像特征图中的所述特征点,生成若干个候选框集合;每一所述候选框集合包含若干种类型的候选框,且每一所述候选框集合中每一类型所述候选框对应一个所述特征点存在的概率和位置信息;
所有所述候选框集合中所有类型所述候选框按照其对应所述特征点存在的概率的大小从高到低排序,选取前300个所述候选框作为所述目标建议窗口。
优选地,所述候选框采用矩形框,且所述候选框的类型根据所述候选框的面积和长宽比进行划分。
优选地,所述根据所述目标建议窗口及所述第一星点图像特征图,得到第二星点图像特征图的步骤包括:
将所述目标建议窗口映射到所述第一星点图像特征图上,以在所述第一星点图像特征图上形成所述目标建议窗口映射区域;
根据预设输出图像大小,对所述目标建议窗口映射区域内的所述第一星点图像特征图进行池化,得到所述第二星点图像特征图;且所述第二星点图像特征图与所述预设输出图像大小一致。
优选地,所述对所述第二星点图像特征图进行分类的步骤包括:
所述第二星点图像特征图通过所述卷积神经网络中的所述全连接层分别输出至分类层和回归层;
所述分类层采用Softmax损失函数对所述第二星点图像特征图进行分类,以得到所述第二星点图像特征图中的目标概率;以及
所述回归层采用Smooth L1损失函数得到所述目标建议窗口的边框回归值。
优选地,所述根据所述第二星点图像特征图的分类结果,对星敏感器中所述待装调的光机组件进行调整的步骤包括:
根据所述第二星点图像特征图中的所述目标概率获取所述待装调的光机组件中垫片的调整方向;
根据所述目标建议窗口的所述边框回归值获取所述待装调的光机组件中所述垫片的调整值。
优选地,所述卷积神经网络采用AlexNet网络。
本发明与现有技术相比至少具有以下优点之一:
本发明提供的一种星敏感器光机组件智能装调方法,可以根据星敏感器中待装调的光机组件拍摄的星点图像,利用卷积神经网络和区域建议网络得到待装调的光机组件中垫片位置的调整量,从而完成光机组件装调工作,极大地提升了星敏感器中光机组件装调工作的智能化水平。
本发明可以克服传统星敏感器中光机组件装调工作主要依赖操作人员经验的局限,显著得提高了星敏感器光机组件的装调效率。
附图说明
图1是本发明一实施例提供的一种星敏感器光机组件的结构示意图;
图2是本发明一实施例提供的一种星敏感器光机组件智能装调方法的流程图;
图3是本发明一实施例提供的一种星敏感器光机组件智能装调方法的卷积神经网络的示意图;
图4是本发明一实施例提供的一种星敏感器光机组件智能装调方法的区域建议网络的示意图。
具体实施方式
以下结合附图和具体实施方式对本发明提出的一种星敏感器光机组件智能装调方法作进一步详细说明。根据下面说明,本发明的优点和特征将更清楚。需要说明的是,附图采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂,请参阅附图。须知,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合附图2~4所示,本实施例提供一种星敏感器光机组件智能装调方法,包括:步骤S101、采用星敏感器中待装调的光机组件拍摄星点图像;步骤S102、采用卷积神经网络对所述星点图像进行特征提取,以得到第一星点图像特征图;步骤S103、根据所述第一星点图像特征图,采用区域建议网络生成目标建议窗口;步骤S104、根据所述目标建议窗口及所述第一星点图像特征图,得到第二星点图像特征图;步骤S105、对所述第二星点图像特征图进行分类,以得到所述第二星点图像特征图的分类结果;以及步骤S106、根据所述第二星点图像特征图的分类结果,对星敏感器中所述待装调的光机组件进行调整。
请同时参考图2和图3,所述卷积神经网络包括若干个卷积层和若干个全连接层;所述星点图像经所有所述卷积层进行特征提取后得到所述第一星点图像特征图;且所述第一星点图像特征图包括若干个特征点。
可以理解的是,在一些其他的实施例中,所述卷积神经网络采用AlexNet网络。
具体的,在对所述星敏感器中的光机组件进行装调过程中,可以采用所述待装调的光机组件拍摄所述星点图像,并将所述星点图像作为输入图像输入至所述卷积神经网络(Convolutional Neural Network,CNN)。利用所述卷积神经网络具有位移、缩放及其他形式扭曲不变性的特点,可以对输入的所述星点图像进行特征提取。更具体的,基于AlexNet结构的所述卷积神经网络则包括五个所述卷积层和三个所述全连接层,即依次为第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一全连接层、第二全连接层和第三全连接层;此外,基于AlexNet结构的所述卷积神经网络还包括三个池化层,即第一池化层、第二池化层和第三池化层;且所述第一池化层设置于所述第一卷积层和所述第二卷积层之间,所述第二池化层设置于所述第二卷积层和所述第三卷积层之间,所述第三池化层设置于所述第五卷积层和所述第一全连接层之间,但本发明不以此为限。
在本实施例中,所述第一卷积层利用第一卷积核对输入的所述星点图像进行卷积运算即特征提取,得到第一特征提取结果并输出至所述第一池化层;所述第一池化层通过对所述第一特征提取结果进行池化(即下采样)可以得到第二特征提取结果并输出至所述第二卷积层;所述第二卷积层利用第二卷积核对所述第二特征提取结果进行卷积运算,得到第三特征提取结果并输出至所述第二池化层;所述第二池化层通过对所述第三特征提取结果进行池化(即下采样)可以得到第四特征提取结果并输出至所述第三卷积层;所述第三卷积层利用第三卷积核对所述第四特征提取结果进行卷积运算,得到第五特征提取结果并输出至所述第四卷积层;所述第四卷积层利用第四卷积核对所述第五特征提取结果进行卷积运算,得到第六特征提取结果并输出至所述第五卷积层;所述第五卷积层利用第五卷积核对所述第六特征提取结果进行卷积运算,得到所述第一星点图像特征图并输出至所述区域建议网络(Regional Proposal Network,RPN);所述区域建议神经网络进行后续的运算得到所述第二星点图像特征图,并输出至所述第一全连接层;再经由所述第一全连接层、所述第二全连接层和所述第三全连接层将所述第二星点图像特征图分别输出至所述分类层和所述回归层。
在本实施例中,所述第一卷积层中有96个所述第一卷积核,且每一所述第一卷积核的大小为11×11×3,步长为4;所述第二卷积层中有256个所述第二卷积核,且每一所述第二卷积核的大小为5×5×96,步长为1;所述第三卷积层中有384个所述第三卷积核,且每一所述第三卷积核的大小为3×3×256,步长为1;所述第四卷积层中有384个所述第四卷积核,且每一所述第四卷积核的大小为3×3×384,步长为1;所述第五卷积层中有256个所述第五卷积核,且每一所述第五卷积核的大小为3×3×384,步长为2。所述第一池化层和所述第二池化层均可以采用最大池化,每一所述池化层皆可以降低特征提取结果的空间分辨率,从而有利于提取主要特征。所述第一全连接层、所述第二全连接层及所述第三全连接层则分别包含4096、4096及1000个神经元。
请同时参考图2和图4,所述步骤S103包括:根据所述第一星点图像特征图中的所述特征点,生成若干个候选框集合;每一所述候选框集合包含若干种类型的候选框,且每一所述候选框集合中每一类型所述候选框对应一个所述特征点存在的概率和位置信息;所有所述候选框集合中所有类型所述候选框按照其对应所述特征点存在的概率的大小从高到低排序,选取前300个所述候选框作为所述目标建议窗口,或者选取前10%~30%的所述候选框作为所述目标建议窗口。
可以理解的是,在一些其他的实施例中,所述候选框采用矩形框,且所述候选框的类型根据所述候选框的面积和长宽比进行划分。
具体的,在本实施例中,所述区域建议网络设置于所述卷积神经网络的所述第五卷积层和所述第三池化层之间;由于从所述第五卷积层输入至所述区域建议网络的所述第一星点图像特征图包括若干个所述特征点(即n个所述特征点),且每一所述特征点可以对应生成一个所述候选框集合,则所述区域建议网络中可以生成若干个所述候选框集合(即n个所述候选框集合);每一所述候选框集合中可以包含9种类型的所述候选框,其中按所述候选框的面积划分有3种类型(例如面积分别为128、256和512),相同面积的所述候选框则有3种长宽比(例如长宽比分别为1:1、2:1和1:2);所述区域建议网络中所有所述候选框的数量(即9n个)则为所述候选框集合数量与每一所述候选框集合中所述候选框类型数量的乘积,每一所述候选框则对应一个所述特征点存在的概率和位置信息;根据所有所述候选框按照其对应所述特征点存在的概率的大小从高到低的排序结果,可以选取前300个所述候选框作为所述目标建议窗口,也可以选取前10%~30%的所述候选框作为所述目标建议窗口,但本发明不以此为限。
请继续参考图2和图4,所述步骤S104包括:将所述目标建议窗口映射到所述第一星点图像特征图上,以在所述第一星点图像特征图上形成所述目标建议窗口映射区域;根据预设输出图像大小,对所述目标建议窗口映射区域内的所述第一星点图像特征图进行池化,得到所述第二星点图像特征图;且所述第二星点图像特征图与所述预设输出图像大小一致。
具体的,在本实施例中,通过所述卷积神经网络中的所述第三池化层可以对所述目标建议窗口映射区域内的所述第一星点图像特征图进行最大池化,得到所述第二星点图像特征图并输出至所述第一全连接层;此时得到的所述第二星点图像特征图的数量与所述目标建议窗口中所述候选框的数量相同,且所述第二星点图像特征图的大小与所述预设输出图像大小相同,以便于后续对所述第二星点图像特征图进行处理,但本发明不以此为限。
请继续参考图2和图4,所述步骤S105包括:所述第二星点图像特征图通过所述卷积神经网络中的所述全连接层分别输出至分类层和回归层;所述分类层采用Softmax损失函数对所述第二星点图像特征图进行分类,以得到所述第二星点图像特征图中的目标概率;以及所述回归层采用Smooth L1损失函数得到所述目标建议窗口的边框回归值。
具体的,在本实施例中,所述第二星点图像特征图依次经所述第一全连接层、所述第二全连接层和所述第三全连接层后分别输出至所述分类层和所述回归层;通过所述分类层可以得到所述第二星点图像特征图中的所述目标概率(即星点的概率);通过所述回归层则可以得到所述目标建议窗口的所述边框回归值,所述边框回归值包括所述目标建议窗口的平移量和尺度缩放量,但本发明不以此为限。
请继续参考图2,所述步骤S106包括:根据所述第二星点图像特征图中的所述目标概率获取所述待装调的光机组件中垫片的调整方向;根据所述目标建议窗口的边所述框回归值获取所述待装调的光机组件中所述垫片的调整值。
具体的,在本实施例中,根据所述分类层得到的所述第二星点图像特征图中的所述目标概率(即星点的概率)可以确定所述待装调的光机组件中所述垫片的调整方向;根据所述回归层得到的所述目标建议窗口的平移量可以作为所述待装调的光机组件中所述垫片在其调整方向上的调整值,从而完成对星敏感器中所述待装调的光机组件的第一次调整工作;随后采用经过第一次调整后的光机组件拍摄新的星点图像,若根据所述新的星点图像得到的所述目标概率和所述边框回归值满足预设要求,则表示星敏感器中光机组件的装调工作完成;若根据所述新的星点图像得到的所述目标概率和所述边框回归值不满足预设要求,继续根据所述新的星点图像得到的所述目标概率和所述边框回归值对星敏感器的光机组件中的所述垫片进行继续调整,直至根据调整后的光机组件重新拍摄的星点图像得到的所述目标概率和所述边框回归值满足预设要求,但本发明不以此为限。
综上所述,本实施例提供的一种星敏感器光机组件智能装调方法,采用星敏感器中待装调的光机组件拍摄星点图像后,可以采用卷积神经网络对星点图像进行特征提取并得到第一星点图像特征图;根据第一星点图像特征图,则可以采用区域建议网络生成目标建议窗口;根据目标建议窗口及第一星点图像特征图则可以得到第二星点图像特征图;对第二星点图像特征图进行分类后,可以根据第二星点图像特征图的分类结果对星敏感器中待装调的光机组件进行调整,从而完成星敏感器中光机组件的装调工作。本实施例提供的一种星敏感器光机组件智能装调方法,通过卷积神经网络和区域建议网络相结合对星敏感器中待装调的光机组件的垫片位置进行调整,克服了传统星敏感器中光机组件装调工作主要依赖操作人员经验的局限,极大地提升了星敏感器中光机组件装调工作的智能化水平,显著地提高了星敏感器光机组件装调效率。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (8)
1.一种星敏感器光机组件智能装调方法,其特征在于,包括:
采用星敏感器中待装调的光机组件拍摄星点图像;
采用卷积神经网络对所述星点图像进行特征提取,以得到第一星点图像特征图;
根据所述第一星点图像特征图,采用区域建议网络生成目标建议窗口;
根据所述目标建议窗口及所述第一星点图像特征图,得到第二星点图像特征图;
对所述第二星点图像特征图进行分类,以得到所述第二星点图像特征图的分类结果;以及
根据所述第二星点图像特征图的分类结果,对星敏感器中所述待装调的光机组件进行调整。
2.如权利要求1所述的星敏感器光机组件智能装调方法,其特征在于,所述卷积神经网络包括若干个卷积层和若干个全连接层;
所述星点图像经所有所述卷积层进行特征提取后得到所述第一星点图像特征图;且所述第一星点图像特征图包括若干个特征点。
3.如权利要求2所述的星敏感器光机组件智能装调方法,其特征在于,所述根据所述第一星点图像特征图,采用区域建议网络生成目标建议窗口的步骤包括:
根据所述第一星点图像特征图中的所述特征点,生成若干个候选框集合;每一所述候选框集合包含若干种类型的候选框,且每一所述候选框集合中每一类型所述候选框对应一个所述特征点存在的概率和位置信息;
所有所述候选框集合中所有类型所述候选框按照其对应所述特征点存在的概率的大小从高到低排序,选取前300个所述候选框作为所述目标建议窗口。
4.如权利要求3所述的星敏感器光机组件智能装调方法,其特征在于,
所述候选框采用矩形框,且所述候选框的类型根据所述候选框的面积和长宽比进行划分。
5.如权利要求3所述的星敏感器光机组件智能装调方法,其特征在于,所述根据所述目标建议窗口及所述第一星点图像特征图,得到第二星点图像特征图的步骤包括:
将所述目标建议窗口映射到所述第一星点图像特征图上,以在所述第一星点图像特征图上形成所述目标建议窗口映射区域;
根据预设输出图像大小,对所述目标建议窗口映射区域内的所述第一星点图像特征图进行池化,得到所述第二星点图像特征图;且所述第二星点图像特征图与所述预设输出图像大小一致。
6.如权利要求5所述的星敏感器光机组件智能装调方法,其特征在于,所述对所述第二星点图像特征图进行分类的步骤包括:
所述第二星点图像特征图通过所述卷积神经网络中的所述全连接层分别输出至分类层和回归层;
所述分类层采用Softmax损失函数对所述第二星点图像特征图进行分类,以得到所述第二星点图像特征图中的目标概率;以及
所述回归层采用Smooth L1损失函数得到所述目标建议窗口的边框回归值。
7.如权利要求6所述的星敏感器光机组件智能装调方法,其特征在于,所述根据所述第二星点图像特征图的分类结果,对星敏感器中所述待装调的光机组件进行调整的步骤包括:
根据所述第二星点图像特征图中的所述目标概率获取所述待装调的光机组件中垫片的调整方向;
根据所述目标建议窗口的所述边框回归值获取所述待装调的光机组件中所述垫片的调整值。
8.如权利要求1~6任意一项所述的星敏感器光机组件智能装调方法,其特征在于,所述卷积神经网络采用AlexNet网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011358618.7A CN112489011B (zh) | 2020-11-27 | 2020-11-27 | 一种星敏感器光机组件智能装调方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011358618.7A CN112489011B (zh) | 2020-11-27 | 2020-11-27 | 一种星敏感器光机组件智能装调方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112489011A true CN112489011A (zh) | 2021-03-12 |
CN112489011B CN112489011B (zh) | 2023-01-31 |
Family
ID=74936264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011358618.7A Active CN112489011B (zh) | 2020-11-27 | 2020-11-27 | 一种星敏感器光机组件智能装调方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112489011B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102840860A (zh) * | 2012-08-30 | 2012-12-26 | 北京航空航天大学 | 一种基于混合粒子群算法的星图识别方法 |
CN107883947A (zh) * | 2017-12-28 | 2018-04-06 | 常州工学院 | 基于卷积神经网络的星敏感器星图识别方法 |
CN108629276A (zh) * | 2017-03-23 | 2018-10-09 | 艾戴克斯公司 | 选择配置为指纹传感器或数据输入设备的传感器阵列系统 |
WO2019032066A2 (en) * | 2017-08-08 | 2019-02-14 | Ural Suphi | APPARATUS AND METHOD FOR EXPLOSIVE CHARCOAL DUST DEPLOYMENT BASED ON CAMERA IMAGING |
CN109871823A (zh) * | 2019-03-11 | 2019-06-11 | 中国电子科技集团公司第五十四研究所 | 一种结合旋转框和上下文信息的卫星图像舰船检测方法 |
CN111241947A (zh) * | 2019-12-31 | 2020-06-05 | 深圳奇迹智慧网络有限公司 | 目标检测模型的训练方法、装置、存储介质和计算机设备 |
CN111735448A (zh) * | 2020-06-23 | 2020-10-02 | 上海航天控制技术研究所 | 一种星图联合非均匀校正方法、设备及存储介质 |
-
2020
- 2020-11-27 CN CN202011358618.7A patent/CN112489011B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102840860A (zh) * | 2012-08-30 | 2012-12-26 | 北京航空航天大学 | 一种基于混合粒子群算法的星图识别方法 |
CN108629276A (zh) * | 2017-03-23 | 2018-10-09 | 艾戴克斯公司 | 选择配置为指纹传感器或数据输入设备的传感器阵列系统 |
WO2019032066A2 (en) * | 2017-08-08 | 2019-02-14 | Ural Suphi | APPARATUS AND METHOD FOR EXPLOSIVE CHARCOAL DUST DEPLOYMENT BASED ON CAMERA IMAGING |
CN107883947A (zh) * | 2017-12-28 | 2018-04-06 | 常州工学院 | 基于卷积神经网络的星敏感器星图识别方法 |
CN109871823A (zh) * | 2019-03-11 | 2019-06-11 | 中国电子科技集团公司第五十四研究所 | 一种结合旋转框和上下文信息的卫星图像舰船检测方法 |
CN111241947A (zh) * | 2019-12-31 | 2020-06-05 | 深圳奇迹智慧网络有限公司 | 目标检测模型的训练方法、装置、存储介质和计算机设备 |
CN111735448A (zh) * | 2020-06-23 | 2020-10-02 | 上海航天控制技术研究所 | 一种星图联合非均匀校正方法、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
CHENGFEN ZHANG, YANXIONG NIU, HAO ZHANG, JIAZHEN LU: "Optimized star sensors laboratory calibration method using a regularization neural network", 《APPL OPT》 * |
王融,熊智: "一种星敏感器安装误差标定模型仿真研究", 《系统仿真技术》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112489011B (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110045015B (zh) | 一种基于深度学习的混凝土结构内部缺陷检测方法 | |
CN111160249A (zh) | 基于跨尺度特征融合的光学遥感图像多类目标检测方法 | |
US11715190B2 (en) | Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device | |
CN111368825B (zh) | 一种基于语义分割的指针定位方法 | |
CN112233067A (zh) | 一种热轧钢卷端面质量检测方法及系统 | |
CN111462076A (zh) | 一种全切片数字病理图像模糊区域检测方法及系统 | |
US11321633B2 (en) | Method of classifying defects in a specimen semiconductor examination and system thereof | |
CN115829995A (zh) | 基于像素级的多尺度特征融合的布匹瑕疵检测方法及系统 | |
CN117132827A (zh) | 基于改进YOLOv5s网络的热轧钢带表面缺陷检测方法 | |
CN117437519B (zh) | 一种无水尺水位识别方法及装置 | |
CN112489011B (zh) | 一种星敏感器光机组件智能装调方法 | |
CN114549970A (zh) | 融合全局细粒度信息的夜间小目标果实检测方法及系统 | |
CN111582332B (zh) | 一种高速铁路接触网吊弦部件的图片识别方法 | |
CN116843615B (zh) | 一种基于柔性光路的引线框架智能全检方法 | |
CN112084941A (zh) | 一种基于遥感图像的目标检测与识别方法 | |
CN115205224A (zh) | 自适应特征增强的多源融合视觉检测方法、装置及介质 | |
CN114486916A (zh) | 基于机器视觉的手机玻璃盖板缺陷检测方法 | |
CN101236164A (zh) | 用于缺陷检测的方法及系统 | |
CN112348823A (zh) | 一种面向对象的高分辨率遥感影像分割算法 | |
CN113191259B (zh) | 用于高光谱图像分类的动态数据扩张方法及图像分类方法 | |
CN110334567B (zh) | 一种微地震有效信号检测方法 | |
CN117392440B (zh) | 一种基于组织结构及颜色分类的纺织面料检索方法和系统 | |
CN116993660A (zh) | 一种基于改进EfficientDet的PCB板缺陷检测方法 | |
Khlamov et al. | Machine Vision for Astronomical Images Using the Canny Edge Detector. | |
CN118196077A (zh) | 变电站目标检测模型确定方法和变电站缺陷检测方法 |
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 |