CN116092072B - 一种航天器目标检测方法、系统、存储介质和电子设备 - Google Patents
一种航天器目标检测方法、系统、存储介质和电子设备 Download PDFInfo
- Publication number
- CN116092072B CN116092072B CN202211598379.1A CN202211598379A CN116092072B CN 116092072 B CN116092072 B CN 116092072B CN 202211598379 A CN202211598379 A CN 202211598379A CN 116092072 B CN116092072 B CN 116092072B
- Authority
- CN
- China
- Prior art keywords
- image
- spacecraft
- dimensional model
- target
- target detection
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000003384 imaging method Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000012795 verification Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 20
- 238000004088 simulation Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000007123 defense Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000408659 Darpa Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种航天器目标检测方法、系统、存储介质和电子设备，包括：获取待测三维模型在任一俯仰角度下所对应的目标电磁散射数据；对所述目标电磁散射数据进行成像处理，得到待测图像；将所述待测图像输入至目标检测模型中，确定所述待测图像中是否包含航天器的主体结构。本发明利用训练好的深度学习目标检测模型对经过成像处理的电磁散射数据进行检测，实现了对航天器的主体结构的目标检测。
Description
技术领域
本发明涉及深度学习目标检测技术领域，尤其涉及一种航天器目标检测方法、系统、存储介质和电子设备。
背景技术
雷达探测是一种有效的对地观测手段，雷达图像目标检测和识别是其重要研究方向。深度学习已在众多领域取得成功，然而训练深层神经网络需要大量数据，样本量不足已成为制约深度学习方法在雷达图像目标检测中应用的主要因素，而且目前针对雷达图目标检测都是基于SAR图像，如美国国防高等研究计划署(Defense Advanced ResearchProjects Agency，DARPA)运动和静止目标获取与识别(moving and stationary targetacquisition and recognition，MSTAR)项目中公开发布的数据集，以及上海交通大学智能探测与识别实验室发布OpenSAR数据集等，针对雷达ISAR图像的数据集几乎没有。其次，由于雷达图像的散射机理较为复杂，特别是用于航天器的目标检测的图像集而言，人工设计用于雷达图像目标识别的有效特征具有一定的难度，利用深度学习方法提取到的特征可以在目标检测中识别和分类性能上显著超越人工设计的特征。
发明内容
为解决上述技术问题，本发明提供了一种航天器目标检测方法、系统、存储介质和电子设备。
本发明的一种航天器目标检测方法的技术方案如下：
获取待测三维模型在任一俯仰角度下所对应的目标电磁散射数据；
对所述目标电磁散射数据进行成像处理，得到待测图像；
将所述待测图像输入至目标检测模型中，确定所述待测图像中是否包含航天器的主体结构。
本发明的一种航天器目标检测方法的有益效果如下：
本发明的方法利用训练好的深度学习目标检测模型对经过成像处理的电磁散射数据进行检测，实现了对航天器的主体结构的目标检测。
在上述方案的基础上，本发明的一种航天器目标检测方法还可以做如下改进。
进一步，所述目标检测模型的构建过程为：
构建包含第一航天器的主体结构的第一三维模型，并获取所述第一三维模型在不同俯仰角度下所分别对应的多个第一电磁散射数据；
对每个第一电磁散射数据进行成像处理，得到并对所有的第一样本图像进行图像增强处理，得到多个目标样本图像；
将所有的目标样本图像输入至预设的YOLOv4网络模型中进行训练，得到所述目标检测模型。
采用上述进一步技术方案的有益效果是：通过构建任意姿态的航天器主体结构的图像样本数据集并对YOLOv4网络模型进行训练，提高了对于航天器主体结构的检测精度与识别效果。
进一步，所述构建包含第一航天器的主体结构的第一三维模型的步骤，包括：
构建所述第一航天器的原始整体三维模型，并将所述原始整体三维模型导入电磁仿真软件中，得到目标整体三维模型；
从所述目标整体三维模型中，删除所述第一航天器的太阳能帆板所对应的三维模型，得到所述第一三维模型。
进一步，所述获取所述第一三维模型在不同俯仰角度下所分别对应的多个第一电磁散射数据的步骤，包括：
基于电磁仿真技术，获取所述第一三维模型在不同俯仰角度下所分别对应的多个第一电磁散射数据。
进一步，第一样本图像为ISAR图像；对每个第一电磁散射数据进行成像处理，得到所有的第一样本图像的步骤，包括：
基于ISAR成像算法，对每个第一电磁散射数据进行成像处理，得到每个第一电磁散射数据对应的ISAR图像。
进一步，所述图像增强处理的方式为：图像翻转处理、图像裁剪处理或图像镜像处理中的至少一种。
进一步，在所述将待测图像输入至目标检测模型中，得到所述待测图像中是否包含航天器的主体结构的目标检测结果的步骤之前，还包括：
获取所述目标整体三维模型在预设俯仰角度下所对应的第二电磁散射数据；
对每个第二电磁散射数据进行成像处理，得到多个验证图像；
将所有的验证图像分别输入至所述目标检测模型中，得到每个验证图像的验证检测结果；
所述将所述待测图像输入至目标检测模型中，确定所述待测图像中是否包含航天器的主体结构的步骤，包括：
当所有的验证检测结果的平均值大于或等于预设阈值时，将所述待测图像输入至所述目标检测模型中，确定所述待测图像中是否包含航天器的主体结构。
本发明的一种航天器目标检测系统的技术方案如下：
包括：获取模块、处理模块和检测模块；
所述获取模块用于：获取待测三维模型在任一俯仰角度下所对应的目标电磁散射数据；
所述处理模块用于：对所述目标电磁散射数据进行成像处理，得到待测图像；
所述检测模块用于：将所述待测图像输入至目标检测模型中，确定所述待测图像中是否包含航天器的主体结构。
本发明的一种航天器目标检测系统的有益效果如下：
本发明的系统利用训练好的深度学习目标检测模型对经过成像处理的电磁散射数据进行检测，实现了对航天器的主体结构的目标检测。
在上述方案的基础上，本发明的一种航天器目标检测系统还可以做如下改进。
进一步，所述目标检测模型的构建过程为：
构建包含第一航天器的主体结构的第一三维模型，并获取所述第一三维模型在不同俯仰角度下所分别对应的多个第一电磁散射数据；
对每个第一电磁散射数据进行成像处理，得到并对所有的第一样本图像进行图像增强处理，得到多个目标样本图像；
将所有的目标样本图像输入至预设的YOLOv4网络模型中进行训练，得到所述目标检测模型。
采用上述进一步技术方案的有益效果是：通过构建任意姿态的航天器主体结构的图像样本数据集并对YOLOv4网络模型进行训练，提高了对于航天器主体结构的检测精度与识别效果。
进一步，所述构建包含第一航天器的主体结构的第一三维模型的过程，包括：
构建所述第一航天器的原始整体三维模型，并将所述原始整体三维模型导入电磁仿真软件中，得到目标整体三维模型；
从所述目标整体三维模型中，删除所述第一航天器的太阳能帆板所对应的三维模型，得到所述第一三维模型。
进一步，所述获取所述第一三维模型在不同俯仰角度下所分别对应的多个第一电磁散射数据的过程，包括：
基于电磁仿真技术，获取所述第一三维模型在不同俯仰角度下所分别对应的多个第一电磁散射数据。
进一步，第一样本图像为ISAR图像；对每个第一电磁散射数据进行成像处理，得到所有的第一样本图像的过程，包括：
基于ISAR成像算法，对每个第一电磁散射数据进行成像处理，得到每个第一电磁散射数据对应的ISAR图像。
进一步，所述图像增强处理的方式为：图像翻转处理、图像裁剪处理或图像镜像处理中的至少一种。
进一步，在所述检测模块之前，还包括：验证模块；所述验证模块用于：
获取所述目标整体三维模型在预设俯仰角度下所对应的第二电磁散射数据；
对每个第二电磁散射数据进行成像处理，得到多个验证图像；
将所有的验证图像分别输入至所述目标检测模型中，得到每个验证图像的验证检测结果；
所述检测模块具体用于：
当所有的验证检测结果的平均值大于或等于预设阈值时，将所述待测图像输入至所述目标检测模型中，确定所述待测图像中是否包含航天器的主体结构。
本发明的一种存储介质的技术方案如下：
存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如本发明的一种航天器目标检测方法的步骤。
本发明的一种电子设备的技术方案如下：
包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，使所述计算机执行如本发明的一种航天器目标检测方法的步骤。
附图说明
图1为本发明实施例的一种航天器目标检测方法的流程示意图；
图2为本发明实施例的一种航天器目标检测方法中的第一三维模型的结构示意图；
图3为本发明实施例的一种航天器目标检测方法中的多个目标样本图像的示意图；
图4为本发明实施例的一种航天器目标检测方法中预设的YOLOv4网络模型训练过程的示意图；
图5为本发明实施例的一种航天器目标检测方法中的原始整体三维模型的结构示意图；
图6为本发明实施例的一种航天器目标检测方法中的目标整体三维模型的结构示意图；
图7为本发明实施例的一种航天器目标检测方法中的验证图像的示意图；
图8为本发明实施例的一种航天器目标检测系统的结构示意图。
具体实施方式
如图1所示，本发明实施例的一种航天器目标检测方法，包括如下步骤：
S1、获取待测三维模型在任一俯仰角度下所对应的目标电磁散射数据。
其中，待测三维模型为：通过3DMAX构建的待测目标的待测三维模型，待测目标可以是整个航天器，也可以是航天器的主体结构，或者是其他目标物，在此不设限制。
其中，①俯仰角度包括但不限于：15°、30°、45°和60°。②通过电磁仿真技术，计算待测三维模型在任一俯仰角度下的目标电磁散射数据。
需要说明的是，电磁散射即电磁波散射(electromagnetic scattering)是一个物理学概念。当一定频率的外来电磁波投射到电子上时，电磁波的震荡电场作用到电子上，使电子以相同频率作强迫震动。震动着的电子向外辐射出电磁波，把原来入射波的部分能量辐射出去，这种现象叫做电磁波散射。经由该过程获取的数据为电磁散射数据。
具体地，通过3DMAX构建待测目标的待测三维模型，并通过电磁仿真技术，获取待测三维模型在任一俯仰角度下所对应的目标电磁散射数据。
需要说明的是，采用电磁仿真技术计算电磁散射数据的过程为现有技术，在此不过多赘述。
S2、对所述目标电磁散射数据进行成像处理，得到待测图像。
其中，待测图像的图像类型为：IASR图像。
其中，采用ISAR成像算法对目标电磁散射数据进行成像处理，得到待测图像。
需要说明的是，ISAR成像算法为现有技术，采用采用ISAR成像算法对目标电磁散射数据进行成像处理的过程在此不过多赘述。
S3、将所述待测图像输入至目标检测模型中，确定所述待测图像中是否包含航天器的主体结构。
其中，目标检测模型为经过训练后的YOLOv4网络模型，能够用于检测待测图像中是否包含航天器的主体结构。
较优地，所述目标检测模型的构建过程为：
构建包含第一航天器的主体结构的第一三维模型，并获取所述第一三维模型在不同俯仰角度下所分别对应的多个第一电磁散射数据。
其中，第一航天器是指：现有的任意一款航天器。如图2所示，第一三维模型为：将第一航天器的主体结构导入电磁仿真软件后所得到的仅包含第一航天器的主体结构的三维模型。
需要说明的是，在电磁仿真环境中，将雷达频段设置为Ka频段、频率间隔为0.02GHz、模型俯仰角度为30°，方位角范围为0°至90°，三维模型的表面材料设置为PEC材料。
对每个第一电磁散射数据进行成像处理，得到并对所有的第一样本图像进行图像增强处理，得到多个目标样本图像。
其中，①第一样本图像为ISAR图像，第一样本图像是通过第一电磁散射数据进行成像处理所得到的。②目标样本图像为：第一样本图像经过图像增强处理后所得到的图像。③图像增强处理的方式为：图像翻转处理、图像裁剪处理或图像镜像处理中的至少一种。具体地，如图3所示，通过对每个第一样本图像同时进行翻转、裁剪和镜像操作，对包含所有的第一样本图像的图像数据集进行增强，得到多个目标样本图像。
需要说明的是，①在本实施例中，按照3：1的比例将所有的目标样本图像划分为训练集和测试集，作为深度学习网络模型训练的学习样本。②每个俯仰角度下可以围绕目标获取360度的方位数据，假设间隔角度为0.1度，那将有3600个电磁散射数据，若以10度范围成像，则是以10度的范围对这3600个数据进行滑窗，可以得到多个ISAR图像。所以“俯仰角度→电磁散射数据→ISAR图像”之间的对应关系均为一对多。
将所有的目标样本图像输入至预设的YOLOv4网络模型中进行训练，得到所述目标检测模型。
其中，预设的YOLOv4网络模型为：YOLOv4深度学习目标检测网络，主要由三部分组成：①Backbone：在不同图像细粒度上聚合并形成图像特征的卷积神经网络。②Neck：一系列混合和组合图像特征的网络层，并将图像特征传递到预测层。③Head：对图像特征进行预测，生成边界框和并预测类别。
具体地，如图4所示，将上述划分好的训练集和测试集导入预设的YOLOv4网络模型中进行训练和测试，并基于训练服务器上NVIDIA公司的GV100型号的GPU进行加速计算，加快训练速度，整个训练过程大约在20分钟左右，最终在测试集上的检测识别概率达到98％。
较优地，所述构建包含第一航天器的主体结构的第一三维模型的步骤，包括：
构建所述第一航天器的原始整体三维模型，并将所述原始整体三维模型导入电磁仿真软件中，得到目标整体三维模型。
其中，①原始整体三维模型为：通过3DMAX构建的第一航天器的整体三维模型，具体的结构模型如图5所示。②电磁仿真软件为CST电磁仿真软件，也可采用其他相似的电磁仿真软件，在此不设限制。③如图6所示，目标整体三维模型为：将原始整体三维模型导入电磁仿真软件后所得到的第一航天器的整体三维模型。
从所述目标整体三维模型中，删除所述第一航天器的太阳能帆板所对应的三维模型，得到所述第一三维模型。
其中，第一航天器包括：主体结构和太阳能帆板。
较优地，在所述将待测图像输入至目标检测模型中，得到所述待测图像中是否包含航天器的主体结构的目标检测结果的步骤之前，还包括：
获取所述目标整体三维模型在预设俯仰角度下所对应的第二电磁散射数据。
需要说明的是，为验证目标检测模型的检测性能，在对待测图像进行检测之前，需要对目标检测模型进行验证。本实施例中采用将第一航天器的太阳能帆板结构恢复，以第一航天器整体的目标整体三维模型对应的ISAR图像去验证目标检测模型的性能效果。
其中，①预设俯仰角度为目标整体三维模型整体的俯仰角度，在本实施例中默认为30°，也可根据需求进行设定，在此不设限制。②目标整体三维模型的方位角默认为0°至20°，也可根据需求进行设定，在此不设限制。③方位角是以目标摆放时的中轴线的方位为基准，以便于描述电磁波于目标之间呈什么角度入射的。④第二电磁散射数据为：通过电磁仿真技术计算的目标整体三维模型在预设俯仰角度下的电磁散射数据。
对每个第二电磁散射数据进行成像处理，得到多个验证图像。
其中，①如图7所示，验证图像为：包含第一航天器整体的ISAR图像，用于验证目标检测模型的检测效果。②对每个第二电磁散射数据进行成像处理的过程与上述对目标电磁散射数据和第一电磁散射数据进行成像处理的过程相同，在此不过多赘述。
将所有的验证图像分别输入至所述目标检测模型中，得到每个验证图像的验证检测结果。
其中，验证检测结果包括：识别出的边界框以及为航天器的主体结构概率。
所述将所述待测图像输入至目标检测模型中，确定所述待测图像中是否包含航天器的主体结构的步骤，包括：
当所有的验证检测结果的平均值大于或等于预设阈值时，将所述待测图像输入至所述目标检测模型中，确定所述待测图像中是否包含航天器的主体结构。
其中，预设阈值可根据需求进行设定，如0.9。
具体地，当所有的验证检测结果大于或等于0.9时，说明目标检测模型的检测识别的正确率在90％以上，此时可以采用目标检测模型对待测图像进行检测，以保证采用目标检测模型对航天器的主体结构的检测准确率，尽可能降低误检或检测错误发生的概率。
本实施例的技术方案通过构建任意姿态的航天器主体结构的图像样本数据集并对YOLOv4网络模型进行训练，提高了对于航天器主体结构的检测精度与识别效果。利用训练好的深度学习目标检测模型对经过成像处理的电磁散射数据进行检测，实现了对航天器的主体结构的目标检测。
如图8所示，本发明实施例的一种航天器目标检测系统200，包括：获取模块210、处理模块220和检测模块230；
所述获取模块210用于：获取待测三维模型在任一俯仰角度下所对应的目标电磁散射数据；
所述处理模块220用于：对所述目标电磁散射数据进行成像处理，得到待测图像；
所述检测模块230用于：将所述待测图像输入至目标检测模型中，确定所述待测图像中是否包含航天器的主体结构。
较优地，所述目标检测模型的构建过程为：
构建包含第一航天器的主体结构的第一三维模型，并获取所述第一三维模型在不同俯仰角度下所分别对应的多个第一电磁散射数据；
对每个第一电磁散射数据进行成像处理，得到并对所有的第一样本图像进行图像增强处理，得到多个目标样本图像；
将所有的目标样本图像输入至预设的YOLOv4网络模型中进行训练，得到所述目标检测模型。
较优地，所述构建包含第一航天器的主体结构的第一三维模型的过程，包括：
构建所述第一航天器的原始整体三维模型，并将所述原始整体三维模型导入电磁仿真软件中，得到目标整体三维模型；
从所述目标整体三维模型中，删除所述第一航天器的太阳能帆板所对应的三维模型，得到所述第一三维模型。
较优地，所述获取所述第一三维模型在不同俯仰角度下所分别对应的多个第一电磁散射数据的过程，包括：
基于电磁仿真技术，获取所述第一三维模型在不同俯仰角度下所分别对应的多个第一电磁散射数据。
较优地，第一样本图像为ISAR图像；对每个第一电磁散射数据进行成像处理，得到所有的第一样本图像的过程，包括：
基于ISAR成像算法，对每个第一电磁散射数据进行成像处理，得到每个第一电磁散射数据对应的ISAR图像。
较优地，所述图像增强处理的方式为：图像翻转处理、图像裁剪处理或图像镜像处理中的至少一种。
较优地，在所述检测模块230之前，还包括：验证模块；所述验证模块用于：
获取所述目标整体三维模型在预设俯仰角度下所对应的第二电磁散射数据；
对每个第二电磁散射数据进行成像处理，得到多个验证图像；
将所有的验证图像分别输入至所述目标检测模型中，得到每个验证图像的验证检测结果；
所述检测模块230具体用于：
当所有的验证检测结果的平均值大于或等于预设阈值时，将所述待测图像输入至所述目标检测模型中，确定所述待测图像中是否包含航天器的主体结构。
本实施例的技术方案通过构建任意姿态的航天器主体结构的图像样本数据集并对YOLOv4网络模型进行训练，提高了对于航天器主体结构的检测精度与识别效果。利用训练好的深度学习目标检测模型对经过成像处理的电磁散射数据进行检测，实现了对航天器的主体结构的目标检测。
本发明实施例提供的一种存储介质，包括：存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如一种航天器目标检测方法的步骤，具体可参考上文中一种航天器目标检测方法的实施例中的各参数和步骤，在此不做赘述。
计算机存储介质例如：优盘、移动硬盘等。
本发明实施例提供的一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，使所述计算机执行如一种航天器目标检测方法的步骤，具体可参考上文中的一种航天器目标检测方法的实施例中的各参数和步骤，在此不做赘述。
所属技术领域的技术人员知道，本发明可以实现为方法、系统、存储介质和电子设备。
因此，本发明可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)，只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种航天器目标检测方法，其特征在于，包括：
获取待测三维模型在任一俯仰角度下所对应的目标电磁散射数据；
对所述目标电磁散射数据进行成像处理，得到待测图像；
将所述待测图像输入至目标检测模型中，确定所述待测图像中是否包含航天器的主体结构；
所述目标检测模型的构建过程为：
构建包含第一航天器的主体结构的第一三维模型，并获取所述第一三维模型在不同俯仰角度下所分别对应的多个第一电磁散射数据；
对每个第一电磁散射数据进行成像处理，得到并对所有的第一样本图像进行图像增强处理，得到多个目标样本图像；
将所有的目标样本图像输入至预设的YOLOv4网络模型中进行训练，得到所述目标检测模型；
所述构建包含第一航天器的主体结构的第一三维模型的步骤，包括：
构建所述第一航天器的原始整体三维模型，并将所述原始整体三维模型导入电磁仿真软件中，得到目标整体三维模型；
从所述目标整体三维模型中，删除所述第一航天器的太阳能帆板所对应的三维模型，得到所述第一三维模型；
在所述将待测图像输入至目标检测模型中，得到所述待测图像中是否包含航天器的主体结构的目标检测结果的步骤之前，还包括：
获取所述目标整体三维模型在预设俯仰角度下所对应的第二电磁散射数据；
对每个第二电磁散射数据进行成像处理，得到多个验证图像；
将所有的验证图像分别输入至所述目标检测模型中，得到每个验证图像的验证检测结果；
所述将所述待测图像输入至目标检测模型中，确定所述待测图像中是否包含航天器的主体结构的步骤，包括：
当所有的验证检测结果的平均值大于或等于预设阈值时，将所述待测图像输入至所述目标检测模型中，确定所述待测图像中是否包含航天器的主体结构；
所述获取所述第一三维模型在不同俯仰角度下所分别对应的多个第一电磁散射数据的步骤，包括：
基于电磁仿真技术，获取所述第一三维模型在不同俯仰角度下所分别对应的多个第一电磁散射数据。
2.根据权利要求1所述的航天器目标检测方法，其特征在于，第一样本图像为ISAR图像；对每个第一电磁散射数据进行成像处理，得到所有的第一样本图像的步骤，包括：
基于ISAR成像算法，对每个第一电磁散射数据进行成像处理，得到每个第一电磁散射数据对应的ISAR图像。
3.根据权利要求1所述的航天器目标检测方法，其特征在于，所述图像增强处理的方式为：图像翻转处理、图像裁剪处理或图像镜像处理中的至少一种。
4.一种航天器目标检测系统，其特征在于，包括：获取模块、处理模块和检测模块；
所述获取模块用于：获取待测三维模型在任一俯仰角度下所对应的目标电磁散射数据；
所述处理模块用于：对所述目标电磁散射数据进行成像处理，得到待测图像；
所述检测模块用于：将所述待测图像输入至目标检测模型中，确定所述待测图像中是否包含航天器的主体结构；
所述目标检测模型的构建过程为：
构建包含第一航天器的主体结构的第一三维模型，并获取所述第一三维模型在不同俯仰角度下所分别对应的多个第一电磁散射数据；
对每个第一电磁散射数据进行成像处理，得到并对所有的第一样本图像进行图像增强处理，得到多个目标样本图像；
将所有的目标样本图像输入至预设的YOLOv4网络模型中进行训练，得到所述目标检测模型；
所述构建包含第一航天器的主体结构的第一三维模型的过程，包括：
构建所述第一航天器的原始整体三维模型，并将所述原始整体三维模型导入电磁仿真软件中，得到目标整体三维模型；
从所述目标整体三维模型中，删除所述第一航天器的太阳能帆板所对应的三维模型，得到所述第一三维模型；
在所述检测模块之前，还包括：验证模块；所述验证模块用于：
获取所述目标整体三维模型在预设俯仰角度下所对应的第二电磁散射数据；
对每个第二电磁散射数据进行成像处理，得到多个验证图像；
将所有的验证图像分别输入至所述目标检测模型中，得到每个验证图像的验证检测结果；
所述检测模块具体用于：
当所有的验证检测结果的平均值大于或等于预设阈值时，将所述待测图像输入至所述目标检测模型中，确定所述待测图像中是否包含航天器的主体结构；
所述获取所述第一三维模型在不同俯仰角度下所分别对应的多个第一电磁散射数据的过程，包括：
基于电磁仿真技术，获取所述第一三维模型在不同俯仰角度下所分别对应的多个第一电磁散射数据。
5.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如权利要求1至3中任一项所述的航天器目标检测方法。
6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，使所述计算机执行如权利要求1至3中任一项所述的航天器目标检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211598379.1A CN116092072B (zh) | 2022-12-12 | 2022-12-12 | 一种航天器目标检测方法、系统、存储介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211598379.1A CN116092072B (zh) | 2022-12-12 | 2022-12-12 | 一种航天器目标检测方法、系统、存储介质和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116092072A CN116092072A (zh) | 2023-05-09 |
| CN116092072B true CN116092072B (zh) | 2024-01-30 |
Family
ID=86212876
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211598379.1A Active CN116092072B (zh) | 2022-12-12 | 2022-12-12 | 一种航天器目标检测方法、系统、存储介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116092072B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109188384A (zh) * | 2018-08-31 | 2019-01-11 | 西安电子科技大学 | 空间目标回波动态观测的电磁仿真方法 |
| CN109901159A (zh) * | 2019-04-04 | 2019-06-18 | 哈尔滨理工大学 | 一种基于深度学习的米波雷达目标识别方法 |
| CN112782695A (zh) * | 2021-01-27 | 2021-05-11 | 西安电子科技大学 | 基于isar图像和参数优化的卫星姿态和尺寸估计方法 |
| CN113433525A (zh) * | 2021-06-24 | 2021-09-24 | 西安电子科技大学 | 一种基于电磁散射驱动的pd引信回波信号分析方法 |
| CN114332633A (zh) * | 2022-03-01 | 2022-04-12 | 北京化工大学 | 雷达图像目标检测识别方法、设备和存储介质 |
| CN114509736A (zh) * | 2022-01-19 | 2022-05-17 | 电子科技大学 | 一种基于超宽带电磁散射特征的雷达目标识别方法 |
| CN115061135A (zh) * | 2022-06-01 | 2022-09-16 | 西安电子科技大学 | 一种基于isar像序列的空中目标姿态与尺寸特征估计方法 |
| WO2022200931A1 (en) * | 2021-03-22 | 2022-09-29 | Agco Corporation | Deep learning for electromagnetic imaging of stored commodities |
| CN115294149A (zh) * | 2022-04-18 | 2022-11-04 | 杭州电子科技大学 | 一种天文图像背景提取方法及系统 |
| CN115393663A (zh) * | 2021-05-20 | 2022-11-25 | 复旦大学 | 基于深度学习的空中目标isar成像多方位样本扩充方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5545741B2 (ja) * | 2010-09-15 | 2014-07-09 | 三菱スペース・ソフトウエア株式会社 | 目標物検出画像生成装置、目標物検出装置、目標物検出画像生成プログラム、目標物検出プログラム、目標物検出画像生成装置の目標物検出画像生成方法および目標物検出装置の目標物検出方法 |
| CN105095586B (zh) * | 2015-07-31 | 2018-12-11 | 电子科技大学 | 一种基于stk的多联合实时视景仿真方法 |
| US10607409B2 (en) * | 2016-07-19 | 2020-03-31 | The Boeing Company | Synthetic geotagging for computer-generated images |
| CN110555811A (zh) * | 2019-07-02 | 2019-12-10 | 五邑大学 | 一种sar图像数据增强方法、装置及存储介质 |
| CN111522007A (zh) * | 2020-07-06 | 2020-08-11 | 航天宏图信息技术股份有限公司 | 真实场景与目标仿真融合的sar成像仿真方法和系统 |
-
2022
- 2022-12-12 CN CN202211598379.1A patent/CN116092072B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109188384A (zh) * | 2018-08-31 | 2019-01-11 | 西安电子科技大学 | 空间目标回波动态观测的电磁仿真方法 |
| CN109901159A (zh) * | 2019-04-04 | 2019-06-18 | 哈尔滨理工大学 | 一种基于深度学习的米波雷达目标识别方法 |
| CN112782695A (zh) * | 2021-01-27 | 2021-05-11 | 西安电子科技大学 | 基于isar图像和参数优化的卫星姿态和尺寸估计方法 |
| WO2022200931A1 (en) * | 2021-03-22 | 2022-09-29 | Agco Corporation | Deep learning for electromagnetic imaging of stored commodities |
| CN115393663A (zh) * | 2021-05-20 | 2022-11-25 | 复旦大学 | 基于深度学习的空中目标isar成像多方位样本扩充方法 |
| CN113433525A (zh) * | 2021-06-24 | 2021-09-24 | 西安电子科技大学 | 一种基于电磁散射驱动的pd引信回波信号分析方法 |
| CN114509736A (zh) * | 2022-01-19 | 2022-05-17 | 电子科技大学 | 一种基于超宽带电磁散射特征的雷达目标识别方法 |
| CN114332633A (zh) * | 2022-03-01 | 2022-04-12 | 北京化工大学 | 雷达图像目标检测识别方法、设备和存储介质 |
| CN115294149A (zh) * | 2022-04-18 | 2022-11-04 | 杭州电子科技大学 | 一种天文图像背景提取方法及系统 |
| CN115061135A (zh) * | 2022-06-01 | 2022-09-16 | 西安电子科技大学 | 一种基于isar像序列的空中目标姿态与尺寸特征估计方法 |
Non-Patent Citations (7)
| Title |
|---|
| Inverse Synthetic-Aperture Radar（ISAR） Images Recognition Using Deep Learning;Abhishek Avadhani等;《2020 Advanced Computing and Communication Technologies for High Performance Applications》;293-298 * |
| Three-Dimensional Imaging of Air Target by Shipbrone ISAR Based on An Improved FRFT;Yijie Hu等;《2019 6th Asia-Pacific Conference on Synthetic Aperture Radar》;1-5 * |
| 基于YOLOv3-satellite的航天器模型目标检测方法;田伟杰等;《电子设计工程》;第29卷(第20期);43-47 * |
| 基于改进YOLOX的空间目标检测算法;褚孙豪等;《第41届中国控制会议论文集》;摘要，第3.5、4.4节 * |
| 对空间目标的星载干涉ISAR三维成像技术研究;曹星慧;《中国博士学位论文全文数据库（信息科技辑）》(第4期);I136-46 * |
| 成立明等.《Python爬虫、数据分析与可视化 工具详解与案例实战》.机械工业出版社,2020,225-227. * |
| 褚孙豪等.基于改进YOLOX的空间目标检测算法.《第41届中国控制会议论文集》.2022, * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116092072A (zh) | 2023-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9906963B2 (en) | Big-data-mining-based wireless channel modeling method | |
| KR102272411B1 (ko) | 합성 개구면 레이더 영상의 시뮬레이션 영상 데이터베이스의 식별률을 높이기 위한 인공신경망 학습 방법 및 그 장치 | |
| CN112394334A (zh) | 雷达反射点的聚类装置、方法以及电子设备 | |
| CN112904331A (zh) | 移动轨迹的确定方法、装置、设备及存储介质 | |
| Qian et al. | The key technology and development of intelligent and connected transportation system | |
| Liu et al. | High-precision detection method for structure parameters of catenary cantilever devices using 3-D point cloud data | |
| Wang et al. | Classification of space micromotion targets with similar shapes at low SNR | |
| CN111444926B (zh) | 基于雷达的区域人数统计方法、装置、设备和存储介质 | |
| CN115457492A (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
| Su et al. | Detection and robust estimation of cylinder features in point clouds | |
| CN110490058B (zh) | 行人检测模型的训练方法、装置、系统和计算机可读介质 | |
| CN111401180A (zh) | 神经网络识别模型训练方法、装置、服务器及存储介质 | |
| CN111812670B (zh) | 一种单光子激光雷达空间变换噪声判断、滤波方法及装置 | |
| CN116092072B (zh) | 一种航天器目标检测方法、系统、存储介质和电子设备 | |
| CN116430126B (zh) | 一种基于电磁背景认知的电磁静默目标检测方法、装置及计算机设备 | |
| CN113806920B (zh) | 一种无人机集群电磁散射仿真方法、装置、设备及介质 | |
| Mokhtari et al. | RF-based drone detection and classification system using convolutional neural network | |
| CN114202224B (zh) | 用于检测生产环境中焊接质量的方法、设备、介质 | |
| CN112861708B (zh) | 一种雷达图像的语义分割方法、设备及存储介质 | |
| Liferenko et al. | Method for recognizing the type of space object in airspace based on the use of radar images | |
| CN113408805A (zh) | 一种雷电地闪识别方法、装置、设备及可读存储介质 | |
| Gao et al. | Feature tracking for target identification in acoustic image sequences | |
| CN114449435B (zh) | 基于大间隔近邻的度量学习的指纹定位方法 | |
| CN113567949B (zh) | 一种散射中心关联方法和装置 | |
| CN115965925B (zh) | 点云目标检测方法、计算机设备、存储介质及车辆 |
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 |