(19)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 202210959213.1 (22)申请日 2022.08.10 (71)申请人 南京理工大 学 地址 210094 江苏省南京市孝陵卫20 0号 (72)发明人 赵高鹏　李琮　黄皓冉　刘衍喜　 严权民　陈玉婷　 (74)专利代理 机构 南京理工大 学专利中心 32203 专利代理师 王玮 (51)Int.Cl. G06T 17/00(2006.01) G06T 15/00(2011.01) G06V 10/82(2022.01) G06V 10/764(2022.01) G06V 20/64(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 30/20(2020.01) G06F 111/04(2020.01) (54)发明名称 一种基于轻量化和注意力机制的空间非合 作目标部件识别方法 (57)摘要 本发明公开了一种基于轻量化和注意力机 制的空间非合作目标部件识别方法， 该方法主要 步骤包括： 首先使用三维软件生成空间目标的 图 像数据， 部分直接进行标注作为数据集， 另 一部 分与真实空间目标图像共同作为风格迁移算法 的输入进行数据增强， 增强后得到的图像数据再 进行标注， 和三维软件直接生 成的图像共同作为 最终的数据集； 其次构建轻量化网络模型， 利用 注意力机制对模 型进行优化， 并使用训练数据集 对模型进行训练； 最后使用训练好的轻量化网络 模型进行空间目标部件识别， 得到最终的识别结 果。 本发明所述方法能够解决复杂空间环境下多 模态目标的特征提取困难、 星载平台计算资源受 限等情况下的特征部件识别问题， 具有内存占用 少、 识别精度高的特点， 能够实现五种典型部件 （帆板、 本体、 三脚架、 对接环和喷管） 的有效识 别。 权利要求书1页 说明书6页 附图4页 CN 115205467 A 2022.10.18 CN 115205467 A 1.一种基于轻量化和注意力机制的空间非合作目标部件识别方法， 其特征在于， 包括 以下步骤： 步骤(1)、 通过三维软件渲染仿真生成包含空间非合作航天器五种典型部件帆板、 本 体、 三脚架、 对接环和喷管的空间目标图片数据， 使用标注软件进行目标类别和位置的标 注， 作为部分数据集， 用于轻量 化网络模型的训练和后续测试； 步骤(2)、 使用部分步骤(1)中生成的空间目标图片和暗室内拍摄的目标图像作为输 入， 训练风格迁移神经网络， 使用训练好的风格迁移网络将这部分三维软件生成的图像的 风格转换为更接近 真实场景的图像风格， 用这些图像替代 步骤(1)中的对应图像， 并使用标 注软件进行目标类别和位置的标注， 作为数据集， 用于轻量 化网络模型的训练和后续测试； 步骤(3)、 轻量化网络模型构建与优化， 在Yolov5s网络主干Backbone部分和Neck部分 添加特征融合层模块和SK ‑Net模块， 在主干网络的三个输出通道后面分别添加 transformer模块； 进行权重初始化和超参数的设置； 加载训练数据集对改进的轻量化网络 模型进行训练， 保留验证集mAP最高的权 重作为模型权 重； 步骤(4)、 根据步骤(3)训练保留的权重结果， 作 为测试时的模型权重， 加载空间目标测 试数据集， 进行部件识别， 得到五种典型部件帆板、 本体、 三脚架、 对接环和喷管的识别结 果。 2.根据权利要求1所述的方法， 其特征在于： 所述步骤(3)中的轻量化网络模型的构建， 包括以下三个方面： a、 基于目标检测模型YOLOv5s框架， 采用 通道稀疏训 练方法， 降低模型的整体权重大 小； b、 使用特征融合层和 SK‑Net对模型进行改进， 分别提升模型在通道级别和卷积核级别 的特征注意力； c、 使用transformer模块对模型进行改进， 提升模型的自注意力以及对于多模态目标 的识别潜力。权　利　要　求　书 1/1 页 2 CN 115205467 A 2一种基于轻量化和注意力机制的空间非合作目标部件识别 方法 技术领域 [0001]本发明涉及空间目标识别领域， 具体地说， 是一种基于轻量化和注意力机制的空 间非合作目标部件识别方法。 背景技术 [0002]非合作航天器重要特征部件的检测识别是空间在轨服务的关键技术之一。 空间在 轨服务任务主要包括燃料加注、 在轨装配、 空间碎片清理等。 利用航 天器自主在轨服务进 行 维修或者清理之前， 首要的任务是对卫星目标的运行状态进行观测， 明确 卫星目标 的部件 构成与分布等情况， 观测的结果决定最终的服务操作能否成功， 因此研究成像目标识别技 术意义重大。 随着空间目标抵近技术的不断发展， 通常可以采用光学探测或者雷达探测技 术等方法获取目标的各种信息， 利用这些信息来推 断卫星结构和 运动参数等。 与雷达探测 技术相比， 基于光学 的探测技术具有空间分辨率高、 技术相对成熟和成像结果易于被理解 等优势， 且设备的结构 简单、 功耗小， 在探测过程中具有很强的隐蔽性。 [0003]视觉感知是光学探测的重要组成部分。 在基于深度学习 的目标识别技术兴起之 前， 合作航天器部件识别方法大多基于先验知识和人工设计的特征， 主要分为基于模板匹 配和传统目标识别两类方法。 相较于合作航天器， 非合作航天器没有安装用于测量的合作 标识器或缺少特定操作设备等特征信息， 这为基于先验信息的传统卫星部件识别带来了困 难。 除此之外， 基于视觉测量的非合作航 天重要特征部件识别， 除了受目标结构、 尺寸、 表 面 材料等常规条件的影响， 还受到航 天器快速移动和姿态变换， 以及复杂环境中光照强度、 太 空背景等因素的干扰， 因此传统方法在识别的精确性、 鲁棒性、 计算效率等方面略有欠缺。 基于深度学习的目标特征检测方法近年来发展迅速， 该类算法由海量数据驱动， 在提取图 像的全局特征和背景信息以及处理变形、 光照变化、 遮挡和其他复杂条件方面具有突出 的 优势。 [0004]专利CN 112580407  A提出一种基于轻量化网络模型的空间目标部件识别方法， 该 专利使用三 维仿真软件自建空间图像数据集， 训练构建的轻量化网络模型以实现三种空间 目标部件识别。 该专利方法可以识别的模型部件种类较少。 此外， 其通过三 维软件生成的数 据与真实应用中的图像数据存在一定差异， 不利于模型泛化， 同时该专利只考虑了对识别 算法的轻量 化改进， 并未针对识别精度进行优化， 导 致识别精度相对较低。 [0005]除了需要考虑模型的识别精度之外， 星载平台存储资源受限以及在处理效率等方 面的要求较高， 现有的一些高精度的目标识别模型权重较大， 占用了大量存储和计算资源， 因此不能直接将此类模型直接用于空间环境下的目标特征部件识别应用中， 需要识别模型 进行轻量化改进。 发明内容 [0006]本发明提供了一种基于轻量化和注意力机制的空间非合作目标部件识别方法， 其说　明　书 1/6 页 3 CN 115205467 A 3