基于YOLOv3-satellite的航天器模型目标检测方法

田伟杰，郭大波，孙佳

（山西大学物理电子工程学院，山西太原 030006）

随着航天工业的迅猛发展，航天器数量大幅度增多，航天器自动识别的需求日益增加[1]。在此背景下，现代航天器检测技术已经开始逐渐融合机器学习技术，作为其学习的核心之一，深度学习技术在未来太空环境和外太空空间探索的工程应用中，为高检测率、高鲁棒性的航天器实时多目标检测系统提供了良好的技术基础[2-5]。

考虑到航天器结构、外形等因素[6]，该文首次将基于Darknet 深度学习框架下的YOLOv3 算法应用到航天器目标检测系统中，原有的测量方法效率较低，故而需要改进。基于Darknet 深度学习框架下的YOLOv3 算法，根据航天器特有的特征信息分析选择出更合适的锚框，采用DIoU 边框回归函数改善了原函数计算代价函数时对图片中心不敏感的问题，利用文中提出的YOLOv3-satellite 网络模型，实现对航天器数据集的特征性训练与学习，mAP 高达93.3%，并获得30.1 fps的检测速度。

1 传统YOLOv3算法

对于YOLOv3 网络架构来说，通常包括两部分：①检测网络，其功能是多尺度预测；②Darknet53 骨架网络，是残差层与卷积层共同作用的结果，多用于特征提取过程[6-8]，具体见图1。系统的运行理念是在网络层级中构造了“直连通道”，可以将某层级输出的原始参数直传到目标层级，有效降低系统运行中由于多级传输造成的能量耗损，在一定程度上缓解了深度神经网络中的梯度消失问题[9-11]。其原理如式（1）所示。

图1 残差层结构图

在式（1）中，残差层要求的输入量有两个，一个是x，另一个是通过两次卷积运算得到的F(x)。……