CN114332641A - 一种基于光学深度神经网络的遥感目标智能检测识别系统 - Google Patents
一种基于光学深度神经网络的遥感目标智能检测识别系统 Download PDFInfo
- Publication number
- CN114332641A CN114332641A CN202111552053.0A CN202111552053A CN114332641A CN 114332641 A CN114332641 A CN 114332641A CN 202111552053 A CN202111552053 A CN 202111552053A CN 114332641 A CN114332641 A CN 114332641A
- Authority
- CN
- China
- Prior art keywords
- optical
- neural network
- remote sensing
- deep neural
- module
- 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.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
一种基于光学深度神经网络的遥感目标智能检测识别系统,通过调控遥感图像光场等价替换传统电子器件的计算功能,使光学系统直接具备了深度神经网络对图像进行处理、分类及识别的功能;全光学深度神经网络智能遥感探测技术以光的形式工作,具有全光学计算、极简硬件实现、海量数据瞬时处理、极低功耗等突出特性;全光学深度神经网络使得智能遥感载荷系统在总体设计思路上利用全光学计算替代传统电子器件,极大降低遥感系统自重,从本质上解决遥感载荷智能目标识别对巨量计算资源的依赖,为遥感系统在轨智能化的实现提供了切实可行的技术路线。
Description
技术领域
本发明涉及一种基于光学深度神经网络的遥感目标智能检测识别系统,属于全光计算、深度学习以及光学遥感技术领域。
背景技术
人工智能作为当今信息科学中最为活跃的研究方向在航天领域有着重要的应用。人工神经网络,作为人工智能最重要的模型,因具有良好的泛化能力和鲁棒性而被广泛应用于各类场景之中。人工神经网络通过模仿神经系统结构,建立神经网络中各层神经元之间的连接。集成电路芯片是当今主流神经网络模型训练和测试的硬件载体、传统的神经网络可以在CPU、GPU、FPGA以及专用集成电路上运行。然而,无论采取何种IC芯片作为载体,其所采用的冯诺依曼结构都会将程序空间与数据空间分离,从而导致存储器与计算单元之前产生大量潮汐性数据载荷。频繁的潮汐性数据读写使得计算速率下降的同时增加了单次计算的功耗。当前,主要通过采用提高集成度和内存计算这两种方案来提高运算效率,但也面临很大的挑战:一方面,通过不断缩小晶体管尺寸来提高运算速度的方法不可持续,不断缩小的晶体管尺寸将会带来逐渐显著的量子效应,使得进一步提升晶体管的运算效率变得困难;另一方面,存内计算的方案将面临大规模改造现行神经网络架构的难题,从而使适用于存内计算的神经网络算法的可移植性和兼容性下降。
全光学神经网络技术采用光子作为信息传输和处理基本载体的技术。相比传统的电子技术。光子技术因具有大带宽、低损耗以及高传输信息量等优势,在通信、成像、雷达以及信号处理等领域被广泛应用。将该技术与传统神经网络模型结合,能够发挥全光技术特有的优势,有望突破传统电神经网络长延时、高功耗等技术瓶颈。首先,全光学神经网络采用存算一体的结构,规避了电神经网络存在的潮汐性数据读写问题,从而在提高计算速度的同时能够有效降低计算时延;其次,全光神经网络连接链路损耗较低,能有效提升功率效率;并且相比于传统电器件,光器件具有更大的带宽和更短的响应时间,因此更适应神经网络的高速实时计算。此外,针对遥感图像实时智能处理这类前端为光传感的应用领域,全光神经网络能够在物理层直接处理信息,从而可以避免光电转换引入的延时、功耗、信噪比劣化等问题。
现有全光学神经网络技术将非相干光场信号转换为激光脉冲信号进行光学计算,亦或是采用光电耦合等方式,但是光学遥感场景下获取的遥感图像均是由非相干光构成,目前缺乏直接智能处理非相干自然光遥感图像的全光学深度神经网络的可行技术途径。
发明内容
本发明解决的技术问题是:针对目前现有技术中,缺乏直接智能处理非相干自然光遥感图像的全光学深度神经网络的可行技术途径的问题,提出了一种基于光学深度神经网络的遥感目标智能检测识别系统。
本发明解决上述技术问题是通过如下技术方案予以实现的:
一种基于光学深度神经网络的遥感目标智能检测识别系统,包括光学镜头分系统、光学深度神经网络模块、信息采集模块,其中:
所述光学镜头分系统采集目标的光学信息并转换为平行光,光学深度神经网络模块对采集的空间非相干光信息进行变换、处理、提取,并输出光学信号,信息采集模块接收光学信号并根据光学信号生成空间非相干光信号的处理结果。
所述光学镜头分系统包括光学收集透镜、光学准直透镜组,其中:
光学收集透镜,将目标的光学信号中光学信息汇聚至光学深度神经网络模块中进行检测识别,光学准直透镜组,将收集后的光学信号变换为平行光。
所述光学深度神经网络模块为双层结构,其中:
第一层包括线性光学操作模块、非线性光学操作模块,第二层包括线性光学操作模块,其中:
所述线性光学操作模块包括光学系统与高精度光学掩模,线性光学操作模块对检测任务信息进行识别,确定光学深度神经网络的架构计算得到第一层线性光学操作模块所需要的输入图像与预期的输出图像,并计算得到第二层线性光学操作模块所需要的输入图像与预期的输出图像,根据各层线性光学操作模块所得输入图像与预期的输出图像,确定各层线性光学操作模块高精度光学掩模的光场透过率分布与相位分布。
所述非线性光学操作模块采用非线性晶体,于非线性晶体上添加偏置电压,非线性晶体于偏置电压作用下形成莫尔晶格。
所述莫尔晶格于偏置电压作用下,对输入非线性光学操作模块的非相干光场强度信息进行非线性调控,输出光强信号,所述光强信号与输入的非相干光场强度信息为非线性关系。
所述光学深度神经网络模块内结构层数根据光学探测任务具体确定。
所述光学镜头分系统接收包含遥感目标信息的光场信息,经过光学聚焦透镜与光学准直透镜组后,以平行光束形式输入至光学深度神经网络模块中,经过线性光学操作模块、非线性光学操作模块进行光学处理后,向信息采集模块输出光学信号,所述光学信号中包括遥感目标种类,根据遥感目标种类完成识别。
根据光学深度神经网络模块,进行拼接获取面阵光学深度神经网络模块,通过面阵光学深度神经网络模块接收平行光束形式的光场信息进行检测,于线性光学操作模块所需要的输入图像中检测遥感目标的具体位置。
本发明与现有技术相比的优点在于:
本发明提供的一种基于光学深度神经网络的遥感目标智能检测识别系统,通过以光速使用光学元件,对空间非相干光场进行深度神经网络处理,使得智能遥感载荷系统设计在总体思路上可以摒弃大重量的电子器件,为遥感系统在轨智能化的实现提供了可能;同时一种基于光学深度神经网络计算的遥感目标智能检测识别系统采用极简硬件形式,对图像处理与计算的能源需求极大降低,同时系统的可编程性和扩展性大幅提升,高并行处理将有助于解决更复杂场景下的目标识别问题。
附图说明
图1为发明提供的基于光学深度神经网络的遥感目标智能检测识别系统示意图;
图2为发明提供的光学深度神经网络模块示意图;
图3为发明提供的第一层线性光学操作模块所需要的输入图像与预期的输出图像示意图;
图4为发明提供的第二层线性光学操作模块所需要的输入图像与预期的输出图像示意图;
图5为发明提供的第一层线性光学操作模块中光学掩模的光场透过率分布与相位分布示意图;
图6为发明提供的第二层线性光学操作模块中光学掩模的光场透过率分布与相位分布示意图;
图7为发明提供的莫尔晶格示意图;
图8为发明提供的输出的光强信号与输入的非相干光场强度信息呈现非线性关系示意图;
图9为发明提供的两层神经网络结构的光学深度神经网络模块示意图;
图10为发明提供的遥感目标智能识别示意图;
图11为发明提供的遥感目标智能检测示意图;
具体实施方式
一种基于光学深度神经网络的遥感目标智能检测识别系统,通过以光速使用光学元件,对空间非相干光场进行深度神经网络处理,使得智能遥感载荷系统设计在总体思路上可以摒弃大重量的电子器件,为遥感系统在轨智能化的实现提供了可能;同时采用极简硬件形式,对图像处理与计算的能源需求极大降低,同时系统的可编程性和扩展性大幅提升,高并行处理将有助于解决更复杂场景下的目标识别问题,具体系统结构如下:
包括光学镜头分系统、光学深度神经网络模块、信息采集模块,其中:
所述光学镜头分系统采集目标的光学信息并转换为平行光,光学深度神经网络模块对采集的空间非相干光信息进行变换、处理、提取,并输出光学信号,信息采集模块接收光学信号并根据光学信号生成空间非相干光信号的处理结果;
光学镜头分系统包括光学收集透镜、光学准直透镜组,其中:
光学收集透镜,将目标的光学信号中光学信息汇聚至光学深度神经网络模块中进行检测识别,光学准直透镜组,将收集后的光学信号变换为平行光;
光学深度神经网络模块为双层结构,其中:
第一层包括线性光学操作模块、非线性光学操作模块,第二层包括线性光学操作模块,其中:
所述线性光学操作模块包括光学系统与高精度光学掩模,线性光学操作模块对检测任务信息进行识别,确定光学深度神经网络的架构计算得到第一层线性光学操作模块所需要的输入图像与预期的输出图像,并计算得到第二层线性光学操作模块所需要的输入图像与预期的输出图像,根据各层线性光学操作模块所得输入图像与预期的输出图像,确定各层线性光学操作模块高精度光学掩模的光场透过率分布与相位分布;
非线性光学操作模块采用非线性晶体,于非线性晶体上添加偏置电压,非线性晶体于偏置电压作用下形成莫尔晶格;
莫尔晶格于偏置电压作用下,对输入非线性光学操作模块的非相干光场强度信息进行非线性调控,输出光强信号,所述光强信号与输入的非相干光场强度信息为非线性关系;
光学深度神经网络模块内结构层数根据光学探测任务具体确定;
光学镜头分系统接收包含遥感目标信息的光场信息,经过光学聚焦透镜与光学准直透镜组后,以平行光束形式输入至光学深度神经网络模块中,经过线性光学操作模块、非线性光学操作模块进行光学处理后,向信息采集模块输出光学信号,所述光学信号中包括遥感目标种类,根据遥感目标种类完成识别;
根据光学深度神经网络模块,进行拼接获取面阵光学深度神经网络模块,通过面阵光学深度神经网络模块接收平行光束形式的光场信息进行检测,于线性光学操作模块所需要的输入图像中检测遥感目标的具体位置。
下面根据具体实施例进行进一步说明:
在当前实施例中,一种基于光学深度神经网络计算的遥感目标智能检测识别系统,如图1所示,该基于光学深度神经网络的遥感目标智能检测识别系统包括:光学镜头系统、光学深度神经网络模块与信息采集模块。
其中光学镜头系统用于将目标的光学信息收集并转换为平行光;光学深度神经网络模块,用于对收集到的空间非相干光信息进行变换、处理、提取;信息采集模块,用于接收光学深度神经网络模块的输出信号,并根据输出信号生成空间非相干光信号的处理结果。
光学镜头系统包括光学收集透镜与光学准直透镜组。
其中的光学收集透镜,将目标的光学信息汇聚至光学深度神经网络的遥感目标智能检测识别系统,其中的光学准直透镜组,将收集后的光学信号变换为准直光。
光学深度神经网络模块,包括:第一层线性光学操作模块,非线性光学操作模块,第二层线性光学操作模块。
如图2所示,第一层线性光学操作模块,非线性光学操作模块与第二层线性光学操作模块构建了一个两层深度神经网络。
具体而言,第一层线性光学操作模块由4f光学系统与高精度光学掩模组成,第二层线性光学操作模块由4f光学系统与高精度光学掩模组成。
具体而言,非线性光学操作模块由莫尔晶格组成。
首先根据识别检测任务,确定深度神经网络的架构,并计算得到第一层线性光学操作模块所需要的输入图像与预期的输出图像,如图3所示。
同样根据识别检测任务,确定深度神经网络的架构并计算得到第二层线性光学操作模块所需要的输入图像与预期的输出图像,如图4所示。
利用第一层线性光学操作模块所需要的输入图像与预期的输出图像,得到第一层线性光学操作模块中高精度光学掩模的光场透过率分布与相位分布,如图5所示。
利用第二层线性光学操作模块所需要的输入图像与预期的输出图像,得到第二层线性光学操作模块中高精度光学掩模的光场透过率分布与相位分布,如图6所示。
非线性光学操作模块由莫尔晶格组成。如图7所示,在非线性晶体上添加偏置电压,在非线性晶体内部形成莫尔晶格,莫尔晶格在外置偏压的作用下,可以实现对输入的非相干光场强度信息进行非线性调控,输出的光强信号与输入的非相干光场强度信息呈现非线性关系,如图8所示。
利用上述的线性光学操作模块与非线性光学操作模块,可以构架具有多层结构的光学深度神经网络模块,其结构示意参如图9所示,为具有两层神经网络结构的光学深度神经网络模块。
利用一种基于光学深度神经网络计算的遥感目标智能检测识别系统可以实现对遥感目标的识别分类,如图10所示。
具体描述,含有遥感目标信息的光场信息输入至光学镜头系统中,经过光学聚焦透镜与光学准直透镜组后,以平行光束形式输入至光学深度神经网络模块中,在其中经过线性光学操作与非线性光学操作,输出信号由信息采集模块显示,指出遥感目标的种类,完成识别过程。
利用一种基于光学深度神经网络计算的遥感目标智能检测识别系统可以实现对遥感目标的识别并检测,如图11所示。
具体描述,利用得到的光学深度神经网络模块,进行拼接,形成面阵光学深度神经网络模块;含有遥感目标信息的光场信息输入至光学镜头系统中,经过光学聚焦透镜与光学准直透镜组后,以平行光束形式输入至面阵光学深度神经网络模块中,在其中经过线性光学操作与非线性光学操作,输出信号由信息采集模块显示,指出遥感目标的种类;根据面阵光学深度神经网络模块中检测的结果,得到在输入的遥感图像中,检测目标的位置,完成识别检测过程。
遥感目标智能检测识别系统,可以根据光学遥感载荷系统构型,进行焦面形式的多样化设计,除了拼接的面阵形式,还可以进行特殊的焦面设计。
在本实施例中,基于光学深度神经网络的遥感目标智能检测识别系统,是一种可以直接处理空间非相干光场的检测识别系统,不需要将空间非相干光场转换为相干光场,是一种面向空间光场特性,特别适用于空间光学遥感应用场景的新型系统,同时可以通过构造多个光学深度神经网络模块,进行拼接,形成面阵型光学深度神经网络模块,在对目标进行识别的基础上,可以同时提供目标在光场图像中的位置信息,完成目标检测任务。
在遥感目标智能检测识别系统中,光学深度神经网络模块包括线性调控模块与非线性调控模块,可以通过级联方式,耦合多个线性调控模块与非线性调控模块,形成多层深度神经网络,实现更复杂的识别检测功能。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。
本发明说明书中未作详细描述的内容属于本领域技术人员的公知技术。
Claims (8)
1.一种基于光学深度神经网络的遥感目标智能检测识别系统,其特征在于:
包括光学镜头分系统、光学深度神经网络模块、信息采集模块,其中:
所述光学镜头分系统采集目标的光学信息并转换为平行光,光学深度神经网络模块对采集的空间非相干光信息进行变换、处理、提取,并输出光学信号,信息采集模块接收光学信号并根据光学信号生成空间非相干光信号的处理结果。
2.根据权利要求1所述的一种基于光学深度神经网络的遥感目标智能检测识别系统,其特征在于:
所述光学镜头分系统包括光学收集透镜、光学准直透镜组,其中:
光学收集透镜,将目标的光学信号中光学信息汇聚至光学深度神经网络模块中进行检测识别,光学准直透镜组,将收集后的光学信号变换为平行光。
3.根据权利要求2所述的一种基于光学深度神经网络的遥感目标智能检测识别系统,其特征在于:
所述光学深度神经网络模块为双层结构,其中:
第一层包括线性光学操作模块、非线性光学操作模块,第二层包括线性光学操作模块,其中:
所述线性光学操作模块包括光学系统与高精度光学掩模,线性光学操作模块对检测任务信息进行识别,确定光学深度神经网络的架构计算得到第一层线性光学操作模块所需要的输入图像与预期的输出图像,并计算得到第二层线性光学操作模块所需要的输入图像与预期的输出图像,根据各层线性光学操作模块所得输入图像与预期的输出图像,确定各层线性光学操作模块高精度光学掩模的光场透过率分布与相位分布。
4.根据权利要求3所述的一种基于光学深度神经网络的遥感目标智能检测识别系统,其特征在于:
所述非线性光学操作模块采用非线性晶体,于非线性晶体上添加偏置电压,非线性晶体于偏置电压作用下形成莫尔晶格。
5.根据权利要求4所述的一种基于光学深度神经网络的遥感目标智能检测识别系统,其特征在于:
所述莫尔晶格于偏置电压作用下,对输入非线性光学操作模块的非相干光场强度信息进行非线性调控,输出光强信号,所述光强信号与输入的非相干光场强度信息为非线性关系。
6.根据权利要求5所述的一种基于光学深度神经网络的遥感目标智能检测识别系统,其特征在于:
所述光学深度神经网络模块内结构层数根据光学探测任务具体确定。
7.根据权利要求6所述的一种基于光学深度神经网络的遥感目标智能检测识别系统,其特征在于:
所述光学镜头分系统接收包含遥感目标信息的光场信息,经过光学聚焦透镜与光学准直透镜组后,以平行光束形式输入至光学深度神经网络模块中,经过线性光学操作模块、非线性光学操作模块进行光学处理后,向信息采集模块输出光学信号,所述光学信号中包括遥感目标种类,根据遥感目标种类完成识别。
8.根据权利要求7所述的一种基于光学深度神经网络的遥感目标智能检测识别系统,其特征在于:
根据光学深度神经网络模块,进行拼接获取面阵光学深度神经网络模块,通过面阵光学深度神经网络模块接收平行光束形式的光场信息进行检测,于线性光学操作模块所需要的输入图像中检测遥感目标的具体位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111552053.0A CN114332641A (zh) | 2021-12-17 | 2021-12-17 | 一种基于光学深度神经网络的遥感目标智能检测识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111552053.0A CN114332641A (zh) | 2021-12-17 | 2021-12-17 | 一种基于光学深度神经网络的遥感目标智能检测识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114332641A true CN114332641A (zh) | 2022-04-12 |
Family
ID=81051768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111552053.0A Pending CN114332641A (zh) | 2021-12-17 | 2021-12-17 | 一种基于光学深度神经网络的遥感目标智能检测识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114332641A (zh) |
-
2021
- 2021-12-17 CN CN202111552053.0A patent/CN114332641A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Phung et al. | A deep learning approach for classification of cloud image patches on small datasets | |
Wang et al. | Effective wind power prediction using novel deep learning network: Stacked independently recurrent autoencoder | |
Yu et al. | Scene learning: Deep convolutional networks for wind power prediction by embedding turbines into grid space | |
CN110378222A (zh) | 一种输电线路防震锤目标检测与缺陷识别方法及装置 | |
CN112418403B (zh) | 基于光学衍射原理和可编程器件的光学衍射计算处理器 | |
Liu et al. | Video image target monitoring based on RNN-LSTM | |
CN113870160B (zh) | 一种基于变换器神经网络的点云数据处理方法 | |
CN109272110A (zh) | 基于光子神经网络芯片的光电融合智能信号处理系统 | |
CN106778910A (zh) | 基于本地训练的深度学习系统和方法 | |
Xu et al. | A multi-location short-term wind speed prediction model based on spatiotemporal joint learning | |
Su et al. | Deep directly-trained spiking neural networks for object detection | |
CN111582468B (zh) | 光电混合智能数据生成计算系统及方法 | |
CN113343813A (zh) | 一种基于单节点光子储备池计算的动作视频识别方法 | |
US11425292B1 (en) | Method and apparatus for camera-free light field imaging with optoelectronic intelligent computing | |
Wang et al. | A hybrid air quality index prediction model based on CNN and attention gate unit | |
Yu et al. | Convolutional neural network with feature reconstruction for monitoring mismatched photovoltaic systems | |
CN114332641A (zh) | 一种基于光学深度神经网络的遥感目标智能检测识别系统 | |
Chen et al. | Using efficient group pseudo-3D network to learn spatio-temporal features | |
Man et al. | GA-GRGAT: A novel deep learning model for high-speed train axle temperature long term forecasting | |
CN114037069B (zh) | 基于衍射光学的神经网络计算单元 | |
Sankar et al. | Energy efficient medium-term wind speed prediction system using machine learning models | |
CN115689875B (zh) | 动态全光智能感算方法与系统 | |
Rahman et al. | SolarNet-An efficient multi-model ensemble approach for Solar Power Forecasting based on Artificial Intelligence | |
Li et al. | Slim-neck by GSConv: a lightweight-design for real-time detector architectures | |
Brander et al. | Improving Data-Scarce Image Classification Through Multimodal Synthetic Data Pretraining |
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 |