高 艾，周永軍，王俊偉，兀澤朝

(1. 北京理工大學(xué)宇航學(xué)院，北京 100081；2. 深空自主導(dǎo)航與控制工業(yè)和信息化部重點(diǎn)實(shí)驗(yàn)室，北京 100081；3. 飛行器動力學(xué)與控制教育部重點(diǎn)實(shí)驗(yàn)室，北京 100081)

0 引 言

月球是地球唯一的天然衛(wèi)星，也是距離地球最近的天體，是人類進(jìn)行空間探測和開發(fā)利用太空的首選目標(biāo)。美國、俄羅斯、歐空局和中國都將地月空間的開發(fā)列為未來航天發(fā)展的著力點(diǎn)，規(guī)劃了多個月球探測任務(wù)，未來載人登月、月球基地建設(shè)以及月球原位資源開發(fā)等月球探測活動將成為人類航天的熱點(diǎn)。

著陸探測是開展月球表面原位探測與科學(xué)研究的必要前提，并且著陸探測任務(wù)需要兼顧工程安全性與科學(xué)價值，其中，月表隕坑檢測是提高著陸安全性和評估著陸區(qū)科學(xué)價值的關(guān)鍵技術(shù)。一方面，月表隕坑會對月球著陸探測器的安全性帶來威脅，基于月表隕坑檢測的障礙規(guī)避是保障月球著陸器著陸安全的關(guān)鍵途徑。另一方面，月表隕坑還蘊(yùn)含著科學(xué)研究價值信息，月表隕坑檢測對于探測器著陸區(qū)的選取具有重要參考意義。除此之外，隕石坑在月球表面分布范圍廣，特征明顯，是重要的導(dǎo)航信標(biāo)?；谠卤黼E坑檢測和匹配的地形相對導(dǎo)航是提高導(dǎo)航精度的重要途徑，能夠提高未來載人月球著陸探測器的定點(diǎn)著陸能力。因此，實(shí)現(xiàn)月表隕坑的快速準(zhǔn)確檢測對于提高月球探測器著陸精度和著陸安全性以及評估著陸區(qū)科學(xué)研究價值具有重要意義。

目前，隕坑檢測算法主要可以分為兩類，基于傳統(tǒng)圖像處理的方法和基于深度學(xué)習(xí)的方法。對于傳統(tǒng)圖像處理方法。Cheng等利用Canny邊緣算子提取圖像中隕坑的邊緣，然后將屬于同一個隕坑的邊緣片段進(jìn)行匹配，之后再進(jìn)行橢圓擬合實(shí)現(xiàn)隕坑檢測，該算法對小行星表面隕坑的檢出率高達(dá)90%，誤檢率小于5%。但是邊緣檢測的結(jié)果中包含許多假邊緣和難以解釋的不規(guī)則曲線，田陽利用張量投票算法剔除了邊緣檢測結(jié)果中無意義的點(diǎn)和噪聲點(diǎn)，提升了擬合的正確率。Bandeira等實(shí)現(xiàn)了基于模板匹配的隕坑檢測方法，針對火星表面的灰度圖像，該算法達(dá)到了86.57%的檢出率和15.95%的誤檢率。由于隕坑被光照射后，通常會呈現(xiàn)成對的亮暗區(qū)域。根據(jù)這一特性，Urbach等將圖像中高亮和陰暗的特征進(jìn)行匹配，標(biāo)記出可能為隕石坑的區(qū)域，最終，該算法對火星表面亞公里的隕坑檢測精度達(dá)到70%，但是這種方法對太陽高度角具有較高要求。陳建清等提出了一種基于灰度方差的隕坑檢測方法，避免了對太陽高度角的依賴性。傳統(tǒng)圖像處理方法通常根據(jù)邊緣、陰影等隕坑特征完成檢測，計(jì)算量較小。但是在一些復(fù)雜情況下，邊緣模糊或者形狀不規(guī)則的隕坑難以應(yīng)用橢圓擬合或者模板匹配的方法，光照角度不合適使得陰影不明顯等原因，導(dǎo)致了這類算法在復(fù)雜環(huán)境條件下的檢測查全率偏低。

隨著深度學(xué)習(xí)算法的發(fā)展，基于卷積神經(jīng)網(wǎng)絡(luò)的圖像處理方法被應(yīng)用于隕坑檢測，這類算法能夠?qū)崿F(xiàn)特征自動提取，避免了復(fù)雜的人工特征設(shè)計(jì)流程。Wang等提出了CraterIDNet算法，利用了一個全卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對火星遙感圖像中的隕坑檢測。Silburt等提出了DeepMoon算法，利用一個“U”型卷積神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)對數(shù)字高程圖像中隕坑的像素級分割分類。但是DeepMoon只能處理數(shù)字高程數(shù)據(jù)，難以應(yīng)用于月球探測的場景中。Downes等在DeepMoon算法的基礎(chǔ)上提出了LunaNet算法，能夠檢測灰度圖像中的隕坑，并且驗(yàn)證了隕坑在相對導(dǎo)航中的應(yīng)用潛力。此外，LunaNet算法的檢測能力相比于DeepMoon提升了一倍，并且對亮度變化、圖像噪聲等具有一定的魯棒性。與傳統(tǒng)隕坑檢測方法相比，基于深度學(xué)習(xí)的隕坑檢測方法在準(zhǔn)確性和魯棒性方面有了明顯的提升，但隕坑檢測速度卻因?yàn)樯窠?jīng)網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性受到限制。

針對上述問題，本文提出了一種輕量化的深度學(xué)習(xí)隕坑檢測方法，通過模型剪枝和卷積替換的方式對復(fù)雜神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型進(jìn)行輕量化模型壓縮，在保證檢測準(zhǔn)確性和魯棒性的同時隕坑檢測速度提升了90%以上。首先設(shè)計(jì)一個結(jié)構(gòu)復(fù)雜、檢測能力強(qiáng)的隕坑檢測模型，然后使用深度學(xué)習(xí)中的模型剪枝方法和網(wǎng)絡(luò)輕量化技術(shù)對該模型進(jìn)行壓縮，得到參數(shù)量和計(jì)算量都大幅度減少的輕量化模型。在訓(xùn)練過程中利用數(shù)據(jù)增強(qiáng)技術(shù)，提升隕坑檢測模型對圖像噪聲、光照條件變化、拍攝角度變化等因素的魯棒性。

1 隕坑數(shù)據(jù)集構(gòu)建

隕坑檢測數(shù)據(jù)集的構(gòu)建是隕坑檢測模型訓(xùn)練的基礎(chǔ)和前提，隕坑圖像樣本的數(shù)量和質(zhì)量會直接影響隕坑檢測模型訓(xùn)練的效果，進(jìn)而嚴(yán)重影響隕坑檢測結(jié)果的準(zhǔn)確性和魯棒性。因此，需要獲取足夠數(shù)量規(guī)模的高質(zhì)量隕坑圖像樣本來構(gòu)建隕坑數(shù)據(jù)集，為隕坑模型的訓(xùn)練和檢測過程奠定良好的基礎(chǔ)。

本文使用的隕坑數(shù)據(jù)來源于月球勘測軌道器相機(jī)(Lunar reconnaissance orbiter camera, LROC)，該相機(jī)包含一個廣角相機(jī)和窄角相機(jī)，提供了分辨率為100米/像素的月球全球成像圖。為了減少扭曲變形，隨機(jī)裁剪了靠近赤道的100幅灰度圖像，并使用labelme工具對每幅圖像中的隕坑進(jìn)行手動標(biāo)記，得到隕坑圖像逐像素的標(biāo)注結(jié)果，作為隕坑圖像樣本。隨機(jī)選取其中80幅圖像作為訓(xùn)練集，20幅作為驗(yàn)證集。部分隕坑圖像和標(biāo)注結(jié)果如圖1所示。

圖1 隕坑圖像和標(biāo)注結(jié)果

由于手工標(biāo)注圖像樣本耗時長，難以滿足網(wǎng)絡(luò)訓(xùn)練需求，本文采用了數(shù)據(jù)增強(qiáng)方法來擴(kuò)充隕坑圖像樣本數(shù)據(jù)集。同時，考慮到本算法的使用場景，通過對隕坑圖像進(jìn)行了垂直翻轉(zhuǎn)、水平翻轉(zhuǎn)、轉(zhuǎn)置、旋轉(zhuǎn)處理，模擬著陸時不同的光照角度和拍攝角度；將隕坑圖像的亮度增加和減少30%，模擬著陸時月球表面不同的光照強(qiáng)度；在隕坑圖像中加入均值為10、方差為15的高斯噪聲，模擬光學(xué)相機(jī)由于溫度過高或者著陸環(huán)境亮度偏低產(chǎn)生的成像噪聲。采取數(shù)據(jù)增強(qiáng)方法，最終得到800幅隕坑圖像。數(shù)據(jù)增強(qiáng)不僅能夠大幅增加數(shù)據(jù)集的規(guī)模，還能在保留隕坑特征的同時，增加訓(xùn)練樣本的多樣性，提高網(wǎng)絡(luò)的泛化能力。

2 隕坑檢測深度學(xué)習(xí)輕量化方法

2.1 隕坑檢測卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

Unet(Unet Networking)網(wǎng)絡(luò)結(jié)構(gòu)最早提出是為了解決醫(yī)學(xué)圖像分割問題，目前已經(jīng)在醫(yī)療圖像分割、遙感圖像分割、自動駕駛圖像分割等領(lǐng)域取得了廣泛應(yīng)用。Unet在訓(xùn)練樣本數(shù)量較少的情況下依然能夠?qū)崿F(xiàn)高精度的圖像分割?；谶@一優(yōu)勢，本部分利用Unet設(shè)計(jì)隕坑檢測卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，該網(wǎng)絡(luò)結(jié)構(gòu)由編碼網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)兩個部分組成，整體結(jié)構(gòu)呈對稱的“U”型，網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 Unet網(wǎng)絡(luò)結(jié)構(gòu)示意圖

在編碼網(wǎng)絡(luò)中，輸入尺寸為416×416的隕坑灰度圖像，使用多次卷積和池化操作進(jìn)行輸入圖像和特征圖的特征提取和下采樣，可以得到一系列不同尺寸和通道數(shù)的特征圖。編碼網(wǎng)絡(luò)在訓(xùn)練過程中不斷調(diào)整卷積核的參數(shù)，從而能夠自動提取出圖像中隕坑的淺層特征，包括隕坑邊緣、輪廓、紋理等信息。

隨著下采樣的進(jìn)行，使用卷積進(jìn)行特征提取時，卷積核的感受野不斷擴(kuò)大，網(wǎng)絡(luò)不僅能夠檢測出圖像中面積較大的隕坑，還能獲取隕坑在整個圖像中的上下文信息，即隕坑和背景之間關(guān)系的特征。

在解碼網(wǎng)絡(luò)中，輸入為編碼網(wǎng)絡(luò)中尺寸最小、通道數(shù)最多的特征圖，經(jīng)過多次卷積和最近鄰插值進(jìn)行特征提取和上采樣，可以得到一系列尺寸和通道數(shù)與編碼網(wǎng)絡(luò)特征一致的特征圖。編碼網(wǎng)絡(luò)中的特征圖在每次進(jìn)行最近鄰插值操作后，都會與編碼網(wǎng)絡(luò)中尺寸和通道數(shù)均相同的特征圖在通道維度上進(jìn)行拼接，再使用卷積操作進(jìn)行特征提取。

在解碼網(wǎng)絡(luò)上采樣的過程中，由于使用了編碼網(wǎng)絡(luò)中的淺層特征，有效緩解了神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中的梯度消失問題。同時，編碼網(wǎng)絡(luò)中的淺層特征能夠提供較為準(zhǔn)確的隕坑位置和邊緣等信息，進(jìn)一步提升了對隕坑圖像分割的精度。解碼網(wǎng)絡(luò)的特征圖隨著上采樣的進(jìn)行，特征圖的尺寸將逐漸恢復(fù)至輸入隕坑圖像的尺寸。

網(wǎng)絡(luò)最后的輸出層是一個卷積核尺寸為1×1的卷積層，通過對解碼網(wǎng)絡(luò)輸出的特征圖進(jìn)行降維，可以得到尺寸與輸入圖像一致、通道數(shù)為1的特征圖。對輸出特征圖進(jìn)行降維后，使用sigmoid激活函數(shù)將網(wǎng)絡(luò)的輸出轉(zhuǎn)換為取值在0和1之間的概率值，表征隕坑灰度圖像中各像素點(diǎn)屬于隕坑的預(yù)測概率。

Unet是一個全卷積神經(jīng)網(wǎng)絡(luò)，卷積的參數(shù)占了整個網(wǎng)絡(luò)參數(shù)的絕大部分。Unet結(jié)構(gòu)中的卷積操作如圖3所示，其中輸入圖像或特征圖的形狀為××，使用個形狀為××的卷積核進(jìn)行卷積后，輸出形狀為××的特征圖。、、、分別是輸入輸出圖像或特征圖的寬高、卷積核的寬高、輸入圖像或特征圖的通道數(shù)、輸出特征圖的通道數(shù)。因此，Unet中的一個卷積層包含×××個參數(shù)，根據(jù)此結(jié)果可以統(tǒng)計(jì)網(wǎng)絡(luò)模型中的參數(shù)量。

圖3 卷積示意圖

通過定義合適的損失函數(shù)，可以計(jì)算隕坑檢測網(wǎng)絡(luò)的預(yù)測結(jié)果和標(biāo)注結(jié)果之間的誤差。根據(jù)誤差使用反向傳播算法調(diào)整隕坑檢測網(wǎng)絡(luò)中的參數(shù)，從而使網(wǎng)絡(luò)實(shí)現(xiàn)隕坑檢測的功能。本文使用的損失函數(shù)融合了交叉熵?fù)p失和dice損失，其表達(dá)式為：

(1)

損失函數(shù)中的二值交叉熵?fù)p失部分，可以衡量隕坑網(wǎng)絡(luò)模型預(yù)測概率分布和真實(shí)分布之間的差異。經(jīng)過統(tǒng)計(jì)，本文使用的全部隕坑圖像中，隕坑像素平均占比為10.1%，背景像素平均占比89.9%。因此，隕坑檢測任務(wù)中存在著嚴(yán)重的類別不均衡問題，導(dǎo)致隕坑檢測網(wǎng)絡(luò)在訓(xùn)練過程中，更加傾向于學(xué)習(xí)背景的特征而忽略隕坑的特征。損失函數(shù)中的dice損失部分可以自動調(diào)整隕坑像素和背景像素對損失貢獻(xiàn)的權(quán)重，從而緩解類別不均衡的問題。

利用數(shù)據(jù)增強(qiáng)后的訓(xùn)練集對Unet進(jìn)行訓(xùn)練，訓(xùn)練完成后，利用驗(yàn)證集中的隕坑圖像進(jìn)行測試，Unet圖像分割結(jié)果如圖4所示，Unet圖像測試數(shù)據(jù)結(jié)果如表1所示。

表1 Unet圖像測試數(shù)據(jù)結(jié)果

圖4 Unet圖像分割結(jié)果

上述的圖像和數(shù)據(jù)結(jié)果表明，基于Unet的隕坑檢測算法能夠?qū)崿F(xiàn)對灰度圖像中隕坑的精準(zhǔn)分割，并且對圖像中較小的隕坑也有較好的檢測效果。此外，該算法具有較好的魯棒性，在圖像旋轉(zhuǎn)時，準(zhǔn)確率下降了約1.1%。在亮度發(fā)生變化或有噪聲擾動的情況下，檢測準(zhǔn)確率下降不到0.1%。

2.2 網(wǎng)絡(luò)結(jié)構(gòu)輕量化處理

基于Unet的隕坑檢測卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)能夠?qū)崿F(xiàn)對隕坑圖像高精度的像素級分割，但是需要占用大量的存儲空間和計(jì)算資源，推理速度也較慢，難以應(yīng)用到實(shí)時性要求較高的探測任務(wù)中。因此，本文采用了兩個步驟對Unet隕坑檢測神經(jīng)網(wǎng)絡(luò)進(jìn)行輕量化處理，在確保網(wǎng)絡(luò)檢測精度基本不變的前提下，降低網(wǎng)絡(luò)的參數(shù)量、提升推理速度。第一步，使用通道剪枝方法，可以成倍減少網(wǎng)絡(luò)參數(shù)量，加快網(wǎng)絡(luò)推理速度;第二步，采用深度可分離卷積替換普通卷積，進(jìn)一步提升網(wǎng)絡(luò)檢測效率。

..剪枝

剪枝(Pruning)是降低網(wǎng)絡(luò)復(fù)雜度最常用的方法之一，在深度學(xué)習(xí)的模型壓縮領(lǐng)域得到了廣泛的研究。其主要的思想就是將模型中冗余的參數(shù)進(jìn)行刪減，在保證模型精度基本不變的前提下，大幅降低網(wǎng)絡(luò)的參數(shù)量。

將單張隕坑圖像輸入到基于Unet的隕坑檢測卷積神經(jīng)網(wǎng)絡(luò)中，并對每一層的特征圖進(jìn)行可視化。以第四個卷積層的輸出為例，可視化結(jié)果表明卷積層的輸出中存在大量相似的特征圖，部分相似特征圖的可視化結(jié)果如圖5所示?？梢钥闯?，模型中的多個卷積核提取了相同的特征。因此，可以通過通道剪枝的方式刪減Unet隕坑檢測網(wǎng)絡(luò)中功能冗余的卷積核，在盡可能不影響性能的前提下，實(shí)現(xiàn)模型的壓縮和加速。

圖5 相似特征圖可視化結(jié)果

本文使用的通道剪枝流程如圖6所示，定義一個剪枝參數(shù)，直接將隕坑檢測網(wǎng)絡(luò)中除輸出層外所有卷積層的卷積核數(shù)量減少為原來的1。當(dāng)=1時，剪枝網(wǎng)絡(luò)就是原始Unet。然后，將剪枝得到的網(wǎng)絡(luò)進(jìn)行隨機(jī)初始化，在訓(xùn)練數(shù)據(jù)上重新訓(xùn)練。最后，根據(jù)剪枝模型在測試集上的檢測效果確定最佳的剪枝參數(shù)。在本文后續(xù)的隕坑檢測模型輕量化設(shè)計(jì)分析中，最終確定采用的剪枝參數(shù)為4。

圖6 剪枝流程示意圖

..卷積替換

為了進(jìn)一步減少網(wǎng)絡(luò)的復(fù)雜度，本文對隕坑檢測模型P4_Unet中的卷積進(jìn)行替換，將除輸入層和輸出層之外的標(biāo)準(zhǔn)卷積替換為深度可分離卷積(Depthwise separable convolution)。深度可分離卷積將標(biāo)準(zhǔn)卷積在空間結(jié)構(gòu)與通道方面進(jìn)行解耦，分解為逐通道卷積和逐點(diǎn)卷積。

圖8 逐點(diǎn)卷積示意圖

深度可分離卷積的逐通道卷積和逐點(diǎn)卷積如圖7、8所示。逐通道卷積使用個××1的卷積核在輸入圖像或特征圖的個通道上進(jìn)行卷積，得到××的特征圖。逐點(diǎn)卷積是在逐通道卷積的基礎(chǔ)上，使用個1×1×的卷積核在××的特征圖上進(jìn)行卷積，最終得到××的輸出特征圖。逐通道卷積和逐點(diǎn)卷積的參數(shù)量分別為××1×和1×1××。深度可分離卷積和標(biāo)準(zhǔn)卷積參數(shù)量的比值為：

圖7 逐通道卷積示意圖

(2)

在本文使用的隕坑檢測網(wǎng)絡(luò)結(jié)構(gòu)中，卷積核的尺寸均為3×3，每個卷積層輸出的特征圖通道數(shù)通常較大，因此1可以忽略。深度可分離卷積的參數(shù)量約為標(biāo)準(zhǔn)卷積的1/9。最終，經(jīng)過剪枝和卷積替換后得到的網(wǎng)絡(luò)結(jié)構(gòu)DS_P4_Unet如圖9所示。

圖9 DS_P4_Unet網(wǎng)絡(luò)結(jié)構(gòu)示意圖

3 仿真結(jié)果分析

本文中模型訓(xùn)練的超參數(shù)如表2所示。表中batch size為網(wǎng)絡(luò)更新一次權(quán)值所使用的圖像數(shù)量。max epoch是指網(wǎng)絡(luò)在整個訓(xùn)練集上迭代的最大次數(shù)。學(xué)習(xí)率采用動態(tài)更新的方式，當(dāng)網(wǎng)絡(luò)在訓(xùn)練集上迭代20次而在驗(yàn)證集上的準(zhǔn)確率沒有提升時，則將學(xué)習(xí)率乘以0.1。在訓(xùn)練集上迭代結(jié)束后，將在驗(yàn)證集上準(zhǔn)確率最高的模型保存為最佳模型。

表2 訓(xùn)練超參數(shù)

在進(jìn)行對比實(shí)驗(yàn)時，本文采用了語義分割中常用的評價指標(biāo)準(zhǔn)確率、查準(zhǔn)率、查全率和分?jǐn)?shù)對隕坑檢測網(wǎng)絡(luò)的分割結(jié)果進(jìn)行評估。上述指標(biāo)的計(jì)算公式為：

(3)

式中：為檢測到的正確隕坑像素?cái)?shù)目；為未檢測到的隕坑像素?cái)?shù)目；為檢測到的非隕坑像素?cái)?shù)目；為未檢測到的非隕坑像素?cái)?shù)目。

3.1 隕坑檢測模型輕量化設(shè)計(jì)分析

為了驗(yàn)證本文輕量化方法的有效性，本文設(shè)計(jì)了兩個仿真實(shí)驗(yàn)定量分析剪枝和卷積替換對網(wǎng)絡(luò)模型性能的影響。首先采用不同的剪枝參數(shù)，對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并在測試集上完成評估，仿真測試結(jié)果如表3所示。

表中Pn_Unet指剪枝參數(shù)為時對應(yīng)的剪枝模型。通過對比表3中剪枝網(wǎng)絡(luò)和原始網(wǎng)絡(luò)的精度可以看出，對復(fù)雜的網(wǎng)絡(luò)進(jìn)行適當(dāng)?shù)募糁?，可以在確保網(wǎng)絡(luò)性能的前提下，提升隕坑檢測的效率。當(dāng)剪枝參數(shù)不大于8時，剪枝精度與原始網(wǎng)絡(luò)精度相差不多，剪枝對網(wǎng)絡(luò)的性能影響基本可以忽略，驗(yàn)證了原始模型中卷積核的冗余性。當(dāng)剪枝參數(shù)過大時，網(wǎng)絡(luò)精度會出現(xiàn)較大的下降。根據(jù)對比結(jié)果權(quán)衡模型的精度和復(fù)雜度，并考慮后續(xù)卷積替換操作帶來的精度影響，最終選擇模型的剪枝參數(shù)為4。

表3 不同剪枝模型的數(shù)據(jù)測試結(jié)果

將剪枝參數(shù)設(shè)置為4后，得到P4_Unet模型。將P4_Unet中除輸入層和輸出層外的標(biāo)準(zhǔn)卷積替換為深度可分離卷積后，在訓(xùn)練集上對網(wǎng)絡(luò)進(jìn)行重新訓(xùn)練。訓(xùn)練完成后在驗(yàn)證集上完成評估。卷積替換的實(shí)驗(yàn)結(jié)果如表4所示，表中DS_P4_Unet代表模型P4_Unet進(jìn)行卷積替換得到的網(wǎng)絡(luò)模型。

表4 模型輕量化實(shí)驗(yàn)對比結(jié)果

將標(biāo)準(zhǔn)卷積替換為深度可分離卷積后，隕坑檢測模型的分割精度有了略微的下降，但是參數(shù)量減少了87.7%，單張圖像的測試時間減少了43%，進(jìn)一步增加了隕坑檢測算法在實(shí)時性要求較高的探測任務(wù)中的應(yīng)用潛力。

3.2 隕坑檢測執(zhí)行效能對比分析

P1_Unet(原始Unet)和DS_P4_Unet之間性能的對比結(jié)果如表4所示，兩個模型在驗(yàn)證集圖像上的預(yù)測結(jié)果如圖10所示。在引入各種圖像噪聲作用的情況下，P1_Unet和DS_P4_Unet的預(yù)測結(jié)果如圖11所示。

圖11 P1_Unet和DS_P4_Unet在不同圖像噪聲作用下的圖像預(yù)測結(jié)果

根據(jù)表4的結(jié)果，DS_P4_Unet與P1_Unet相比，準(zhǔn)確率下降了約0.5%，查準(zhǔn)率、查全率和F1 score下降約3%。但是參數(shù)量減少了99.2%，單張圖像的測試時間較少了94.0%，隕坑檢測模型的效率得到了顯著的提升。通過圖10、11的結(jié)果，可以看出DS_P4_Unet和P1_Unet的檢測性能相差不多，對于部分形態(tài)較復(fù)雜的超大隕坑，DS_P4_Unet的邊緣檢測存在少量錯誤，對中、小型隕坑，兩者的檢測能力基本相當(dāng)。此外，DS_P4_Unet也能適應(yīng)亮度、噪聲和拍攝角度等擾動的影響，具有良好的魯棒性。通過上述結(jié)果可以看出，本文提出的DS_P4_Unet在檢測效率上具有明顯的優(yōu)勢，以略微的檢測精度代價，顯著提升了隕坑檢測的速度。

圖10 P1_Unet和DS_P4_Unet的圖像預(yù)測結(jié)果

4 結(jié) 論

針對目前基于深度學(xué)習(xí)的隕坑檢測算法復(fù)雜度高，推理時間長的問題，本文在Unet網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上，結(jié)合通道剪枝和深度可分離卷積方法，設(shè)計(jì)了一種輕量化的隕坑檢測模型DS_P4_Unet。相比于原始的Unet網(wǎng)絡(luò)模型，DS_P4_Unet隕坑檢測模型的參數(shù)量壓縮了99.2%，檢測時間減少了94.0%。經(jīng)過仿真實(shí)驗(yàn)驗(yàn)證，在處理尺寸為416×416像素的隕坑圖像時，DS_P4_Unet對像素分類的準(zhǔn)確率能夠保證在98%以上，在單張隕坑圖像檢測平均耗時僅為0.80 s，該方法在保證隕坑檢測較高準(zhǔn)確性的基礎(chǔ)上大幅度提升了隕坑檢測的速度。除此之外，該算法能夠在復(fù)雜的背景下檢測出形狀不規(guī)則的隕坑，并且對亮度、噪聲、拍攝條件的變化具有較好的適應(yīng)性。綜上所述，本文提出的輕量化隕坑檢測深度學(xué)習(xí)方法能夠以較低的準(zhǔn)確性損失為代價大幅提升隕坑檢測效率，并且具備較強(qiáng)的魯棒性，在實(shí)時性要求高的探測任務(wù)中具有較高的應(yīng)用潛力。