基于深度残差U-Net的月球陨石坑识别方法、设备及存储介质

技术领域

本发明涉及图像识别技术领域，具体涉及基于深度残差U-Net的月球陨石坑识别方法、设备及存储介质。

背景技术

目前，随着深度学习技术的不断发展和进步，卷积神经网络(ConvolutionalNeural Networks，CNN)已经被广泛应用于图像处理领域，在目标检测、分类识别等方面发挥着重要的作用，在遥感图像领域，它的出现也为高效地识别陨石坑提供了一种新的方法。

目前，针对陨石坑的识别分为目视识别和自动识别算法，有通过模板匹配实现陨石坑的检测、基于Canny方法及边缘配对完成陨石坑识别等，这些传统的基于图像处理及图像配准的陨石坑识别方法，虽然有效地对陨石坑进行了较为准确地识别，但工作量大、任务繁琐且缺乏实时性，而使用深度卷积网络，能够在数据量充足的情况下，对目标区域进行大范围标记识别，可以统计数据集内所涵盖大小范围的陨石坑，并且能够检测出一些未被目视识别的陨石坑数据。

当前存在的一些月球陨石坑识别算法一般都基于部分区域的影像数据集，即在数据集方面存在局限性，或者以典型撞击坑为例进行分析，这些算法虽然在训练集区域能够取得较好的效果，但模型迁移性较差，对研究区域以外的影像的识别准确度较低。

一般的CNN方法，网络采用的层次越深，其具备的识别能力越强。然而，层数越深的网络训练起来也越困难，网络训练一般采用梯度下降和反向传播算法进行参数学习和优化，过深的网络由于层数太多会导致梯度弥散或爆炸，造成网络无法收敛；当神经网络可以保证收敛时，随着网络深度的增加，模型准确率会逐渐饱和，然后下降，即网络退化现象；在深层网络的训练过程中，多层的非线性网络在拟合恒等映射时所学习的参数出现问题，便导致了模型的退化。

发明内容

本发明的目的是提供一种基于深度残差U-Net的月球陨石坑识别方法，弥补传统CNN陨石坑识别方法识别精度低的问题。

本发明提供一种基于深度残差U-Net的月球陨石坑识别方法，包括：

构建基于残差单元的U-Net网络模型；

将第一历史数据与第二历史数据映射组合构建训练集；

将所述训练集输入所述U-Net网络模型中进行训练，获得第一预测值；

对所述第一预测值筛选去重，获得第二预测值；

计算所述第二预测值与输入数据真实值之间的误差损失，更新所述U-Net网络模型的权重参数，并采用随机梯度下降算法将所述U-Net网络模型训练至收敛；

利用所述误差损失满足预设阈值的训练好的U-Net网络模型识别月球陨石坑图像。

进一步地，所述残差单元包括：

两个3×3的卷积单元和一个恒等映射。

进一步地，所述将第一历史数据与第二历史数据映射组合构建训练集包括：

所述第一历史数据为全幅DEM月球影像；

所述第二历史数据为陨石坑记录数据；

通过python脚本将所述全幅DEM月球影像和所述陨石坑记录数据汇总并统一格式，获得修正后全幅DEM月球影像和修正后陨石坑记录数据；

通过投影与数据映射将所述修正后陨石坑记录数据标记到所述修正后全幅DEM月球影像上。

进一步地，所述将所述训练集输入所述U-Net网络模型中进行训练包括：

利用U-Net网络模型编码器的卷积层和池化层对所述训练集进行下采样；

对下采样后的数据通过解码器进行上采样；

对上采样后的数据利用Sigmoid激活函数提取第一预测值。

进一步地，所述计算所述第二预测值与输入数据真实值之间的误差损失，更新所述U-Net网络模型的权重参数，并采用随机梯度下降算法将所述U-Net网络模型训练至收敛，具体包括：

计算所述第二预测值与输入数据真实值之间的误差损失，通过参数更新公式更新所述U-Net网络模型的权重参数，并采用随机梯度下降算法将所述U-Net网络模型训练至收敛；

其中，所述参数更新公式为：

所述参数更新公式中θ为权重，η为学习率，J(θ；x

进一步地，对所述第一预测值筛选去重，包括：保留所述第一预测值中同时满足第一公式和第二公式的预测值作为所述第二预测值；

其中，所述第一公式为：

((x

所述第二公式为：

abs(r

所述第一公式和所述第二公式中，x为待预测陨石坑的横坐标、y为待预测陨石坑的纵坐标，r为待预测陨石坑的半径，i为训练样本个数，i＝0,1,2...N，j为训练样本个数，j＝0,1,2...N，x

进一步地，所述计算所述第二预测值与输入数据真实值之间的误差损失，包括：

采用逐像素的线性交叉熵函数计算所述第二预测值与输入数据真实值之间的误差损失；

其中，所述线性交叉熵函数为：

L为误差损失值，N为训练样本总数量，

本发明还提供一种月球陨石坑识别设备，所述月球陨石坑识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的识别程序，所述识别程序被所述处理器执行时实现如前所述的任一一种基于深度残差U-Net的月球陨石坑识别方法。

本发明还提供一种存储介质，其特征在于，所述存储介质上存储有识别程序，所述识别程序被处理器执行时实现如前所述的任一一种基于深度残差U-Net的月球陨石坑识别方法的步骤。

本发明通过构建一种基于残差单元的U-Net，将不同分布、不同大小和不同范围的陨石坑记录数据考虑在内，提高残差网络模型对于月球不同区域影像的各类大小陨石坑的识别标记效果，整体上对现有用于月球陨石坑识别的CNN模型进行改进创新，以提高最终月球陨石坑的识别精度。

附图说明

本发明构成说明书的一部分附图描述了本发明的实施例，并且连同说明书一起用于解释本发明的原理。

图1为本发明实施例中基于深度残差U-Net模型的月球陨石坑识别方法原理图。

图2为本发明实施例中网络详细结构图。

具体实施方式

下面将结合附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。

在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

根据本发明的一个方面，如图1所示，在一个实施例中，公开一种基于深度残差U-Net的月球陨石坑识别方法，包括以下步骤：

步骤一：首先基于USGS月球影像数据、LRO WAC陨石坑记录数据，构建大型数据集，即通过坐标投影和映射，形成带有标记圆环的影像集，并将其导入预先设计的深度残差U-Net模型中进行训练，深度残差U-Net模型如图2所示，使其具有标记识别不同范围、大小的月球陨石坑的能力；利用随机梯度下降算法(stochastic gradient descent，SGD)将模型训练至收敛，采用随机梯度下降算法作为模型优化算法，是由于相较于传统的批量梯度下降算法，该算法通过每次计算一个样本数据的方式避开了在每次参数更新前对相似的样本进行梯度的重复计算冗余，因此具有更快的优化速度，即随机梯度下降算法以一个训练样本x

其中θ为权重，η为学习率，J(θ；x

步骤二：根据深度残差U-Net模型对每个输入的数据计算待预测陨石坑的位置坐标，即(x,y,r)，其中x、y为待预测陨石坑的横纵坐标，r为半径；

对计算出的预测值进行筛选和去重：

当预测的值同时满足公式(1)和(2)时，保留预测值：

((x

abs(r

其中，x为待预测陨石坑的横坐标、y为待预测陨石坑的纵坐标，r为待预测陨石坑的半径，i为训练样本个数，i＝0,1,2...N，j为训练样本个数，j＝0,1,2...N，x

步骤三：得到模型针对样本数据集训练的第一预测值并对第一预测值进行筛选去重之后，采用逐像素的线性交叉熵函数J(θ；x

其中L为误差损失值，N为训练样本总数量，

在一些实施例中，使用了全幅的DEM月球影像，以及国内外统计的5-20km以及20km以上的两组大型陨石坑记录数据，通过python脚本将两组陨石坑记录数据进行汇总和格式统一，再通过投影与数据映射将全部陨石坑记录标记到全幅的DEM月球影像上，形成不同大小与分布的完整数据集，模型整体具有较好的泛化性。

在另一些实施例中，基于深度残差U-Net的月球陨石坑识别方法还包括：深度残差U-Net网络模型根据输入的每个数据，经由残差U-Net网络模型提取数据特征，输入训练集数据首先经过编码器的4个残差模块，每个残差模块包含两个3×3的卷积单元和一个恒等映射，完成特征提取，并通过池化层进行下采样，缩小特征图尺寸；解码器部分同样对应4个残差模块，训练集数据经过卷积层后再进行上采样，最后经由Sigmoid激活函数的卷积层提取出预测结果。

在一些实施例中，残差模块由卷积层、正则化层、ReLU激活层和连接模块输入与输出的恒等映射构成，每张样本图片首先通过编码层经过一系列卷积、池化、连接后，被提取出相应的特征，然后通过解码层的一系列卷积、上采样，并与编码层对应模块的特征图进行聚合操作后，再进行残差连接，之后得到预测值；深度残差U-Net网络模型通过在编码器与解码器之间增加特征通道，使得网络低层特征可以直接向高层传播，保证了图像在网络中训练的特征图不仅包含高层次的语义信息，同时融合了低层次的细节信息，在残差单元的搭配下，即保证了陨石坑特征的完整性，也避免了网络层数过深可能造成的过拟合现象。

在一些实施例中，使用深层残差网络与u型网络结构的结合，基于ResNet50，网络层数更多，参数量更大，识别精度和网络模型性能也更高；在网络的残差单元设计中，使用的是先通过一个1×1的卷积减少通道数，后接一个3×3的卷积，保持通道数不变，再接一个1×1的卷积保证残差bottleneck的输出通道数等于bottleneck的输入通道数，bottleneck的结构有效地减少了卷积的参数个数和计算量；网络模型在最后的卷积层后再增加了一个1×1的2048d卷积层，增加了网络的宽度和信息表达上的显著性，最终的识别精度也达到了93.62％。

通过将已有的月球陨石坑数据进行统计整合，形成包含多种类型、尺寸大小的训练集，让神经网络能够学习到不同分布、大小、范围的月球陨石坑图片特征，并采用合适的标记算法，对识别的陨石坑进行标记输出，一定程度上解决模型的泛化性不足的问题。

深度残差网络的残差单元以跳层连接的形式实现，将单元的输入与输出相加后激活，在前向传播时，输入信号可以由低层直接传播至高层，从而包含一个恒等映射，解决网络退化问题，通过将其与U-Net低层次细节信息和高层次语义信息的特性相结合，即可以改善模型的识别性能，提高模型的识别准确率。

以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则范围之内所作的任何修改、等同替换以及改进等，均应包含在本发明的保护范围之内。

还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。