卫星关键部件智能识别与三维重建方法
-
摘要: 为了实现空间态势感知的任务中复杂低纹理环境下空间目标部组件识别和三维重建。本文提出了一种基于深度学习的端到端的空间目标智能感知框架,实现空间目标关键部件的智能识别和高精度三维重建。当前空间目标感知任务面临巨大挑战,在轨目标表面多为低纹理金属材料,传统特征匹配方法失效,并且部组件几何结构复杂且存在遮挡,需要兼顾全局语义和局部精度。针对以上问题,本文研究首先基于YOLOv11s轻量化网络,引入注意力机制聚焦特征,在保证实时性前提下实现空间目标及其关键部件的精确定位与识别,有助于提取目标区域做精准三维重建。然后,提出了一种适用于空间低纹理目标的三维重建算法Sat-TransMVSNet,此算法采用多尺度特征增强网络提取特征,采用全新的代价体正则化方法强化空间目标边缘几何约束,提出背景抑制-前景增强模块并结合动态深度采样策略精确重建空间目标。最后本研究通过自建不同类型的多角度空间目标数据集对整体框架进行测试。实验结果表明:卫星部组件识别算法mAP50为0.95,三维重建综合误差为0.2886mm。基本满足高精度空间目标三维重建和关键部位的高精度智能识别。Abstract: 为了实现空间态势感知的任务中复杂低纹理环境下空间目标部组件识别和三维重建。本文提出了一种基于深度学习的端到端的空间目标智能感知框架,实现空间目标关键部件的智能识别和高精度三维重建。当前空间目标感知任务面临巨大挑战,在轨目标表面多为低纹理金属材料,传统特征匹配方法失效,并且部组件几何结构复杂且存在遮挡,需要兼顾全局语义和局部精度。针对以上问题,本文研究首先基于YOLOv11s轻量化网络,引入注意力机制聚焦特征,在保证实时性前提下实现空间目标及其关键部件的精确定位与识别,有助于提取目标区域做精准三维重建。然后,提出了一种适用于空间低纹理目标的三维重建算法Sat-TransMVSNet,此算法采用多尺度特征增强网络提取特征,采用全新的代价体正则化方法强化空间目标边缘几何约束,提出背景抑制-前景增强模块并结合动态深度采样策略精确重建空间目标。最后本研究通过自建不同类型的多角度空间目标数据集对整体框架进行测试。实验结果表明:卫星部组件识别算法mAP50为0.95,三维重建综合误差为0.2886mm。基本满足高精度空间目标三维重建和关键部位的高精度智能识别。
-
计量
- 文章访问数: 11
- HTML全文浏览量: 4
- PDF下载量: 1
- 被引次数: 0