基于卷积神经网络的返回舱识别查看源代码讨论查看历史

来自 搜狐网 的图片

基于卷积神经网络的返回舱识别随着科学技术的发展，世界上很多国家根据自己发展的需求，对航天领域的探索欲望愈加强烈，这将会有越来越多的航天器发射到外太空，执行相关的探测任务和活动，同时各类航天器的出现也为人类的生产生活提供了很大的便利。必要时，需要从探测目标天体上带回相应样品，或者在载人航天任务中，需要将宇航员安全送回地球等等。这些任务中就需要在火箭的结构中配置返回舱，通过推进舱提供动力、后期分离，将密闭的返回舱送入环地轨道，并逐渐降低轨道高度，最终降落到地面。返回舱承载了宇航员及大量的精密试验仪器，然而成功回收是载人航天工程中至关重要的一个环节。返回舱在返回地面的过程中，一般都采用降落伞来降低其着陆速度。由于受降落伞的设计着陆速度限制，载人航天返回舱在陆地上的着陆速度一般为6-7m/s，而对无人返回舱达到10-14m/s。在返回舱返回的进程中，都是按照既定轨道线路降落的。由于返回舱中都安装有信号指引装置，当返回舱按照既定轨道线路进入地球大气层时，信息指引装置所发出的信号，够被地面的接收设备所追踪到。但返回舱的降落经历的是高速状态下的持续减速过程，返回舱真正在大气层降落时受到外界因素的干扰具有不确定性，导致运行轨迹就无法通过精确的导航引导系统进行操控，只能预测到一定的区间范围内，外加通常返回舱的降落地点都会选择人烟稀少的区域，而且确保返回的宇航员和采集样品的安全，都需要出动大队人马进行搜寻。为解决以上等问题，更加精准识别和跟踪返回舱，提高对航天器的搜寻效率是非常必要的。

二、技术方案

（一）实验流程

（二）实验准备

1、数据集要求

数据集中所包含的数据量要大，以保证能得到足够充分的训练。

图片：清晰且目标清楚的白天正常彩色图像和夜晚红外黑白图像

视频：完整且真实的白天正常彩色视频和夜晚红外黑白视频，并按帧转化为图片

2、实验环境

实验是在Window10服务器上完成的。

服务器CPU: Intel(R)Xeon(R)Silver4116，CPU@2.1GHz2.1GHz （2处理器）。

显卡：NVIDIAGeForceRTX-309032GB，cuda11.1.0_456.43_win10,cudnn-11.1-windows-x64-v8.0.4.30

Aanconda3-2020.02-Windows-x 86_64。

版本搭建：Pytorch1.7，python3.7.6， pycharm-community-2020.1.3x64。内存32GB。

（三）实验方法

1、搜集图片及视频

通过搜集有关返回舱载入大气层后落地跟踪的真实视频（包括光学仪器拍摄的红外光视频和可见光视频），实现视频的读取和与图片帧的转换。采集到的图片集包括可见光图片4000张和红外光图片1500张。

2、获得数据集

将采集的图像经过排序获得原始数据集。对于训练数据中存在的位置偏差，采用几何变换方法，可实现平移、旋转、翻折、裁剪等操作。

3、标注图片

一般的训练数据集需要给数据集打标签，这里我们采用图像标注工具labelImg，对返回舱或降落伞进行标记，得到xml标记文件。labelImg是一种矩形标注工具，常用于目标识别和目标检测。打开原始数据集进行标注，在HWfhc（红外返回舱）、HWjls（红外降落伞）、ZCfhc（正常返回舱）、ZCjls（正常降落伞）这四种类型中选择合适的类型。

4、训练标注图片

将标注图像进行训练，分别在YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x这四种模型中训练100次和200次，得到训练结果并进行分析。

（四）注意问题

1、返回舱在降落过程中需要降落伞来提供阻力，所以降落伞会比返回舱更好识别。且在现实情况下，返回舱降落的时间可能是白天也可能是晚上。所以在标注图像时，既要标注返回舱也要标注降落伞，既要标注正常光学图像，也要标注黑白的红外图像。

2、对于图像中模糊不清或占据较大空间的目标，其意义不大，可以放弃，不对其进行标注。

三、创新设计

1、将降落伞和返回舱分开识别，并且作为一个整体跟踪

由于返回舱目标小，特征不明显，当返回舱按照既定轨道线路进入地球大气层时，识别较为困难，容易跟丢。而返回舱在降落过程中需要降落伞来提供阻力，二者是一体的，相比于返回舱而言，降落伞目标更大，颜色更鲜艳，特征更明显所以降落伞会比返回舱更容易识别和跟踪。

2、将数据集分为可见光和红外光

在现实情况下，返回舱降落的时间可能是白天也可能是晚上，所以考虑实际，数据集应包括可见光下的彩色数据集和红外光下的黑白数据集，这样使得整个实验更加全面，可全天时进行识别跟踪。