月球撞击坑作为月球表面最普遍的地貌结构单元,记载了月球数十亿年间的撞击历史,对月球撞击坑的精准判读有助于推动月球的探索进程,构建人类对月球的深层次认知。近年来,随着深空探测技术的加速发展,高精度的月球测量数据为月球撞击坑的精准识别提供了研究基础。早期的撞击坑识别研究主要使用形态学、统计学等方法,通过人工构造撞击坑的几何特征对其进行识别,但是这些方法计算量大、操作复杂,且识别精度较低,难以适应当前研究需要。卷积神经网络因其强大的数据表征能力在图像识别领域异军突起,应用卷积神经网络对撞击坑进行精准识别已经成为当前该领域的主流研究方向。然而,由于月球撞击坑数量众多,且不同区域、大小、年代的撞击坑特征各异,常规的卷积神经网络难以对其进行有效区分,因此本论文在已有研究的基础上,对撞击坑识别应用的难点问题进行深入分析,一方面通过改进现有卷积神经网络架构以增强其对撞击坑的学习能力,另一方面针对撞击坑的直径特征提出分层策略来提高对训练数据的利用程度。本论文选取了美国NASA实验室提供的高精度月球数字高程模型作为实验数据,依据月球撞击坑专家标记库使用Python软件进行自动标注,分别以语义分割任务和目标检测任务为切入点展开实验,对改进网络和分层策略的有效性进行验证。本论文的主要研究内容如下:(1)在语义分割任务中,选用UNet架构作为撞击坑语义分割实验的基础框架,设计了基于UNet架构的Res UNet、DARUNet和Mobile UNet网络,以特征提取能力更强的Res Net网络和运算更高效的Mobile Net网络替换原始UNet网络的编码层,加强对撞击坑特征的提取能力和运行效率,同时设计了Dense ASPP模块以增强网络的多尺度特征捕获能力,并在Res UNet的基础上提出了DARUNet网络。最后结合各网络的分割结果,设计了后处理模块以改善对撞击坑的整体分割效果。(2)在目标检测任务中,基于深度学习框架MMdetection重新构建实例分割模型Mask RCNN网络,优化模型的训练过程,增加数据增强操作,增强模型泛化性,并根据月球撞击坑的直径范围提出分层策略,保留大型撞击坑特征,生成多尺度月球撞击坑数据集,提高网络对训练数据的利用程度。实验结果显示,本论文构建的Res UNet网络的1分数最高达到68.42%,DARUNet网络的1分数达到68.73%,Mobile UNet网络的1分数达到68.45%,均超过经典方法Deep Moon的实验精度66.40%,经过后处理模块后,2分数达到76.23%,有效提高了预测精度;Mask RCNN模型在原始数据集的预测结果中1分数达到了83.4%,在使用数据分层策略后,Mask RCNN模型的1分数达到84.3%。
