月面无结构化环境复杂光照条件下远距离障碍识别方法

本发明属于目标检测，具体涉及一种月面无结构化环境复杂光照条件下远距离障碍识别方法。

背景技术：

1、随着航天技术的不断深入，行星表面漫游巡视任务呈现多元化趋势，探测任务范围逐渐扩大化。其中，传统图像识别方案作为一项比较成熟的目标检测技术已被用于月面巡视器中。

2、传统图像目标识别方法基于手工特征提取，利用检测器采用滑动窗口的方式对可能包含物体区域检查目标是否存在窗口之中，对该窗口下的特征进行提取分类产生检测结果。

3、但是由于月球表面无大气散射，来自太阳的光照变化趋于不稳定状态，同时使得月面障碍经由太阳光的照射产生了一定程度的阴影像素。此类影响导致传统图像目标识别算法对月面障碍的检测产生一定程度的检测误差。同时由于传统图像目标识别方法在图像颜色、空间结构和纹理信息解析中耗费大量的计算资源，导致检测时间增加以及无法对图像的高级特征进行目标检测。单一相机传感器受环境影响较大，图像数据无法保证识别精度，上述影响进一步的加大了月面巡视器的安全威胁。

技术实现思路

1、为了克服现有技术的不足，本发明提供了一种月面无结构化环境复杂光照条件下远距离障碍识别方法，首先构建月面障碍目标检测网络；然后构建月面障碍图像样本数据集，利用月面障碍图像样本数据集对月面障碍目标检测网络进训练，得到月面障碍目标检测模型；再采集月面障碍图像，并将该月面障碍图像送入到月面障碍目标检测模型中，最终完成月面障碍检测。相较于传统图像特征提取方法，本发明方法参数量更少、计算速度更快、更加轻量化。

2、本发明解决其技术问题所采用的技术方案如下：

3、步骤1：构建月面障碍目标检测网络；

4、所述月面障碍目标检测网络由7个卷积单元、1个eca注意力机制单元、1个sppf空间金字塔池化层、2个上采样层、4个concat特征融合层、2个c3-2单元、2个cbs类别平衡采样单元、6个c3-1单元以及3个目标检测头组成；

5、第1个卷积单元的输入形成月面障碍检测网络的输入，第1个卷积单元的输出连接第2个卷积单元的输入，第2个卷积单元的输出连接第1个c3-1单元的输入，第1个c3-1单元的输出连接第3个卷积单元的输入，第3个卷积单元的输出连接第1个c3-2单元的输入，第1个c3-2单元的输出连接第4个卷积单元的输入，第4个卷积单元的输出连接第2个c3-2单元的输入，第2个c3-2单元的输出连接第5个卷积单元的输入，第5个卷积单元的输出连接第2个c3-1单元的输入，第2个c3-1单元的输出连接第1个eca注意力机制单元的输入，第1个eca注意力机制单元的输出连接sppf空间金字塔池化层的输入；

6、sppf空间金字塔池化层的输出连接第1个cbs类别平衡采样单元的输入，第1个cbs类别平衡采样单元的输出连接第1个上采样层的输入，第1个上采样层的输出和第2个c3-2单元的输出分别连接第1个concat特征融合层的两个输入，第1个concat特征融合层的输出连接第3个c3-1单元的输入，第3个c3-1单元的输出连接第2个cbs类别平衡采样单元的输入，第2个cbs类别平衡采样单元的输出连接第2个上采样层的输入，第2个上采样层的输出和第1个c3-2单元的输出分别连接第2个concat特征融合层的两个输入，第2个concat特征融合层的输出连接第4个c3-1单元的输入，第4个c3-1单元的输出连接第6个卷积单元的输入，第6个卷积单元的输出和第2个cbs类别平衡采样单元的输出分别连接第3个concat特征融合层的两个输入，第3个concat特征融合层的输出连接第5个c3-1单元的输入，第5个c3-1单元的输出连接第7个卷积单元的输入，第7个卷积单元的输出和第1个cbs类别平衡采样单元的输出分别连接第4个concat特征融合层的两个输入，第4个concat特征融合层的输出连接第6个c3-1单元的输入；

7、第1个目标检测头的输入连接第4个c3-1单元的输出，第2个目标检测头的输入连接第5个c3-1单元的输出，第3个目标检测头的输入连接第6个c3-1单元的输出，第1个目标检测头的输出、第2个目标检测头的输出和第3个目标检测头的输出共同形成月面障碍目标检测网络的输出；

8、步骤2：构建月面障碍图像样本数据集，利用月面障碍图像样本数据集对步骤1构建的月面障碍目标检测网络进训练，得到月面障碍目标检测模型；

9、步骤3；采集月面障碍图像，并将该月面障碍图像送入到步骤2得到的月面障碍目标检测模型中，完成月面障碍检测。

10、进一步地，所述c3-1单元由3个卷积模块、1个concat特征融合层、1个残差单元nxbottleneck-true组成；在c3-1单元中，第1个卷积模块的输入形成c3-1单元的输入，第1个卷积模块的2个输出中的1个输出连接残差单元nx bottleneck-true的输入，另1个输出连接第2个卷积模块的输入，残差单元nx bottleneck-true的输出与第2个卷积模块的输出分别连接concat特征融合层的两个输入，concat特征融合层的输出连接第3个卷积模块的输入，第3个卷积模块的输出形成c3-1单元的输出。

11、进一步地，所述c3-2单元由一个残差单元nx bottleneck-false组成；残差单元nxbottleneck-false的输入形成c3-2单元的输入，残差单元nx bottleneck-false的输出形成c3-2单元的输出。

12、进一步地，所述残差单元nx bottleneck-true由2个卷积模块、1个加和模块组成；残差单元nx bottleneck-true的输入同时作为第1个卷积模块的输入和加和模块的输入，第1个卷积模块的输出连接第2个卷积模块的输入，第2个卷积模块的输出作为加和模块的另1个输入，加和模块的输出形成残差单元nx bottleneck-true的输出。

13、进一步地，所述残差单元nx bottleneck-false由2个卷积模块组成；第1个卷积模块的输入构成残差单元nx bottleneck-false的输入，第1个卷积模块的输出连接第2个卷积模块的输入，第2个卷积模块的输出形成残差单元(nx bottleneck-false)的输出。

14、进一步地，所述cbs类别平衡采样单元由1个卷积模块、1个标准化层、1个激活函数组成；在cbs类别平衡采样单元中，卷积模块的输入形成cbs类别平衡采样单元的输入，卷积模块的输出连接标准化层的输入，标准化层的输出连接激活函数的输入，激活函数的输出形成cbs类别平衡采样单元的输出。

15、进一步地，所述eca注意力机制单元由1个全局平均池化层、1个自适应选择卷积核大小模块、1个激活函数、1个尺度模块组成；全局平均池化层的输入形成eca注意力机制单元的输入，全局平均池化层的输出连接自适应选择卷积核大小模块，自适应选择卷积核大小模块的输出连接激活函数的输入，激活函数的输出和eca注意力机制单元的输入同时连接尺度模块，尺度模块的输出形成eca注意力机制单元的输出。

16、进一步地，所述激活函数为sigmoid函数。

17、本发明的有益效果如下：

18、与现有技术相比，本发明针对月面障碍目标检测提出一种基于高效通道注意力机制的轻量级月面障碍目标检测网络，该月面障碍目标检测网络在初始图像特征提取时引入卷积模块进行特征提取，相较于传统图像特征提取方法，其参数量更少、计算速度更快、更加轻量化；同时引入轻量级的高效通道注意力机制，该机制是一种即插即用的注意力机制，能够在保持模型性能的同时降低计算复杂度；在多维度特征融合网络使用金字塔结构将相同维度的特征图进行特征融合，并在其中引入卷积调整特征图维度，从而强化月面障碍的特征信息。