(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111633088.7 (22)申请日 2021.12.28 (71)申请人 浙江工业大 学 地址 310006 浙江省杭州市拱 墅区朝晖六 区潮王路18号 (72)发明人 唐轶峻　庄德文　蒋云霄　应琛琛　 (74)专利代理 机构 杭州浙科专利事务所(普通 合伙) 33213 代理人 汤明 (51)Int.Cl. G06V 10/40(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) (54)发明名称 一种天体光学图像小目标的智能检测方法 (57)摘要 一种天体光学图像小目标的智能检测方法， 属于天文图像处理及目标检查技术领域。 它包括 以下步骤： 1、 对天体光学图像的FITS格式文件进 行读取， 处理后转换格式文件； 2、 训练、 测试数据 集制作； 3、 采用Yolov5网络模型， 使用训练集对 Yolov5网络模型进行模型训练； 4、 使用测试集对 训练好的Yolov5模型进行检测； 5、 将 采集到的天 体光学图像输入模型中， 输出目标检测框与置信 度。 本发明基于Yolov5目标检测算 法建立神经网 络模型， 利用 深度学习， 对神经网络模型进行训 练， 从而代 替传统方法进行天体光学图像目标检 测， 避免人工进行简单重复性工作， 实现自动化、 智能化的同时， 提升 检测精度和速度。 权利要求书1页 说明书3页 附图6页 CN 114419326 A 2022.04.29 CN 114419326 A 1.一种天体光学图像小目标的智能检测方法， 其特 征在于： 包括以下步骤: 步骤1， 对天体光学图像的FITS格 式文件进行读取， 并对读取的天体光学图像进行对比 度、 亮度调节处 理， 转换为计算机存 储的图片格式文件； 步骤2， 训练、 测试数据集制作： 对天体光学图像进行标注， 并将获取的天体光学图像数 据划分为训练集和 测试集； 步骤3， 采用Yolov5网络模型， 设置训练参数， 使用训练集对Yolov5网络模型进行模型 训练； 步骤4， 使用测试集对训练好的Yolov5模型进行检测， 检验识别性能， 当识别效果达到 指标要求， 则保存并输出模 型文件； 若不满足指标要求， 调整训练参数， 重新训练， 直至模型 的识别效果达 到指标要求； 步骤5， 得到模型文件， 然后采集需要检测的天体光学图像， 输入到训练好的模型中， 输 出目标检测框与置信度， 实现智能化、 自动化天体目标识别。 2.根据权利要求1所述的一种天体光学图像小目标的智能检测方法， 其特征在于所述 步骤3中， Yolov5模型采用深度最大、 特征图的宽度最大的Yolov5x网络， Yolov5模型的网络 算法流程如下： 3.1、 将训练集图片放入输入端， 对图片进行处 理后输入到主干网络Backbo ne中； 3.2、 输入的图片经过Focus结构， 进行切片操作形成特征图之后， 再经过Yolov5x结构 卷积核的卷积 操作后输入CS P结构， 形成图像特 征； 3.3、 将形成图像特征后的图像输入Neck， 对图像特征进行混合和组合， 生成特征金字 塔， 最后在Head中完成对图像特 征的预测； 3.4、 应用锚定 框， 生成带有类概 率、 对象得分和边界框的最终输出向量。 3.根据权利要求2所述的一种天体光学图像小目标的智能检测方法， 其特征在于所述 步骤4中的指标要求包括目标召回率要求及精确度要求。权　利　要　求　书 1/1 页 2 CN 114419326 A 2一种天体光学图像小目标的智能检测方 法 技术领域 [0001]本发明属于天文图像处理及目标检查技术领域， 具体涉及一种天体光学图像小目 标的智能检测方法。 背景技术 [0002]在空间科学和探测任务中， 对航天器的人工智能控制、 自主导航与 控制、 实时在轨 处理速度、 存储数据吞吐率、 海量数据 处理、 复杂科学计算、 天文图像处理等方面有着迫切 的技术需求。 [0003]天文数据往往都是FITS格式， FITS(Flexible  Image Transport  System)是 国际 天文学会(IAU)1982年确定的世界各天文台之间用于数据传输、 交换的统一标准格式。 它描 述了数据的定义和数据编码的一般方法。 它 是与机器无关的,用磁带作为标准传输介质的 独立方法。 它提供了图像的单值转换,精度包括符号在内可以达到32位。 对一维、 二维、 三 维、 甚至多维的数据类型都提供了合 适的转换。 [0004]天文图像来源于利用地基或天基平台对空间目标进行光学观测或其它手段的监 测。 对于由星空观测相机获得的序列星图， 不同图像下的目标亮度差异巨大， 背景噪声大， 目标仅仅占有灰度图像上几个或是十几个像素， 无纹理、 结构、 色彩等信息可以利用， 且图 像中的目标星点会偶尔伴有 “拖尾”情况， 使用经典的图像处理、 检测方法往往效果不佳。 但 是由于天文图像的冗杂、 数量大， 如果人工进行分析、 处理， 往往会需要完成大量简单 的重 复性工作。 因此， 如何高效、 智能地在天体光学图像中实现小目标的有效探测是一项复杂而 又十分重要的工作。 发明内容 [0005]针对现有技术中存在的上述问题， 本发明的目的在于提供一种基于目标检测算法 及深度学习的天体光学图像小目标的智能检测方法， 实现了检测的智能化， 并提高了检测 精度。 [0006]本发明提供如下技术方案： 一种 天体光学图像小 目标的智能检测方法， 包括以下 步骤: 步骤1， 对天体光学图像的FITS格式文件进行读取， 并对读取的天体光学图像进行 对比度、 亮度调节处 理， 转换为计算机存 储的图片格式文件； 步骤2， 训练、 测试数据集制作： 对天体光学图像进行标注， 并将获取的天体光学图 像数据划分为训练集和 测试集； 步骤3， 采用Yolov5网络模型， 设置训练参数， 使用训练集对Yolov5网络模型进行 模型训练； 步骤4， 使用测试集对训练好 的Yolov5模型进行检测， 检验识别性能， 当识别效果 达到指标要求， 则保存并输出模型文件； 若不满足指标要求， 调整训练参数， 重新训练， 直至 模型的识别效果达 到指标要求；说　明　书 1/3 页 3 CN 114419326 A 3