基于深度学习的空间非合作目标姿态估计算法设计
发布时间：2022-02-09 19:44
空间非合作目标的信息获取问题在空间对抗、在轨维护等领域都具有很高的研究价值,探索非合作目标的识别方法也是维护国家空天安全的客观需要,因此对空间非合作目标姿态识别方案的研究具有重要意义。本文将通过深度学习方法,运用Tensor Flow架构,实现一种基于视觉图像的姿态信息识别算法。本文设计一套功能比较完备的空间非合作目标识别算法,实现输入一张带有卫星图像的灰度图片数据,输出卫星姿态角;或输入一系列连续拍摄的图像数据,输出卫星角速度矢量的功能。首先,带有卫星图像信息的照片,自动通过MSER等图像数据预处理的算法,进行分割、拉伸、灰度标准话,得到299×299像素的标准灰度图片。再经由卷积神经网络,识别生成卫星的姿态角信息。还可以通过输入一系列连续的带有时间戳的图像数据,分别经卷积神经网络获取姿态角数据,再通过回归分析自动求取卫星的旋转角速度信息。此外,本文还研究了对比训练卷积神经网络时,不同优化器结构对网络性能及收敛性的影响,并通过实验找到了适用于本课题模型的优化器和学习率,设计了适用于卫星姿态识别的Loss函数。通过Tensor Flow架构设计并实现了具有42层深度的Inception...
【文章来源】：哈尔滨工业大学黑龙江省211工程院校985工程院校
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
SUMO/FREND计划概念图
图 1-1 SUMO/FREND 计划概念图经在上个世纪末提出“实验服务卫星”（Experim究项目[9]。项目初期，研究论证并实现了对前期发故障维护方案。该项目卫星搭载了一个高精度的有立体成像的多个光学传感器，项目卫星可以通行成像分析，运用激光测距装置以及视觉测量工本世纪初，德国宇航局又立项了“德国轨道服务计作航天起的抵近侦察与干扰捕捉任务的技术细节的范围内，DEOS 将会利用光学成像设备，基于目标的位置与姿态信息。
图 1-3 基于模型的卫星追踪M 带领其科研团队，深入地研究了通过单目视觉方法与姿态信息进行系统辨识的方案[10]。实施方法是基于定了非合作目标的三位模型的前提下，整合分析非合目标航天器的三位模型向二维图像面投影，随后把投上的边缘进行匹配，从而利用复杂的非线性化优化程输出估算出的目标航天器姿态角参数。具有精度高、图 1-4 基于三维点云的卫星追踪
【参考文献】：
期刊论文
[1]基于TensorFlow深度学习框架的卷积神经网络研究[J]. 袁文翠,孔雪. 微型电脑应用. 2018(02)
[2]Deep Learning and Its Applications in Biomedicine[J]. Chensi Cao,Feng Liu,Hai Tan,Deshou Song,Wenjie Shu,Weizhong Li,Yiming Zhou,Xiaochen Bo,Zhi Xie. Genomics,Proteomics & Bioinformatics. 2018(01)
[3]开源人工智能系统TensorFlow的教育应用[J]. 石磊. 现代教育技术. 2018(01)
[4]基于卷积神经网络的深度图姿态估计算法研究[J]. 王松,刘复昌,黄骥,许威威,董洪伟. 系统仿真学报. 2017(11)
[5]空间翻滚非合作目标消旋技术发展综述[J]. 路勇,刘晓光,周宇,刘崇超. 航空学报. 2018(01)
[6]谷歌TensorFlow机器学习框架及应用[J]. 章敏敏,徐和平,王晓洁,周梦昀,洪淑月. 微型机与应用. 2017(10)
[7]TensorFlow平台下的视频目标跟踪深度学习模型设计[J]. 刘帆,刘鹏远,李兵,徐彬彬. 激光与光电子学进展. 2017(09)
[8]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[9]梯度下降法的分析和改进[J]. 郭跃东,宋旭东. 科技展望. 2016(15)
[10]深度卷积神经网络的显著性检测[J]. 李岳云,许悦雷,马时平,史鹤欢. 中国图象图形学报. 2016(01)
博士论文
[1]深度学习在计算机视觉领域的若干关键技术研究[D]. 逄淑超.吉林大学 2017
[2]基于深度神经网络的回归模型及其应用研究[D]. 包姣.电子科技大学 2017
[3]基于卷积神经网络的计算机视觉关键技术研究[D]. 李彦冬.电子科技大学 2017
[4]非合作姿态测量中的点云获取与配准方法研究[D]. 刘通.哈尔滨工业大学 2016
硕士论文
[1]基于TensorFlow的卷积神经网络的应用研究[D]. 姜新猛.华中师范大学 2017
[2]面向空间非合作目标捕获的位姿测量方法研究[D]. 任宇琪.哈尔滨工业大学 2015
本文编号：3617549
【文章来源】：哈尔滨工业大学黑龙江省211工程院校985工程院校
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
SUMO/FREND计划概念图
图 1-1 SUMO/FREND 计划概念图经在上个世纪末提出“实验服务卫星”（Experim究项目[9]。项目初期，研究论证并实现了对前期发故障维护方案。该项目卫星搭载了一个高精度的有立体成像的多个光学传感器，项目卫星可以通行成像分析，运用激光测距装置以及视觉测量工本世纪初，德国宇航局又立项了“德国轨道服务计作航天起的抵近侦察与干扰捕捉任务的技术细节的范围内，DEOS 将会利用光学成像设备，基于目标的位置与姿态信息。
图 1-3 基于模型的卫星追踪M 带领其科研团队，深入地研究了通过单目视觉方法与姿态信息进行系统辨识的方案[10]。实施方法是基于定了非合作目标的三位模型的前提下，整合分析非合目标航天器的三位模型向二维图像面投影，随后把投上的边缘进行匹配，从而利用复杂的非线性化优化程输出估算出的目标航天器姿态角参数。具有精度高、图 1-4 基于三维点云的卫星追踪
【参考文献】：
期刊论文
[1]基于TensorFlow深度学习框架的卷积神经网络研究[J]. 袁文翠,孔雪. 微型电脑应用. 2018(02)
[2]Deep Learning and Its Applications in Biomedicine[J]. Chensi Cao,Feng Liu,Hai Tan,Deshou Song,Wenjie Shu,Weizhong Li,Yiming Zhou,Xiaochen Bo,Zhi Xie. Genomics,Proteomics & Bioinformatics. 2018(01)
[3]开源人工智能系统TensorFlow的教育应用[J]. 石磊. 现代教育技术. 2018(01)
[4]基于卷积神经网络的深度图姿态估计算法研究[J]. 王松,刘复昌,黄骥,许威威,董洪伟. 系统仿真学报. 2017(11)
[5]空间翻滚非合作目标消旋技术发展综述[J]. 路勇,刘晓光,周宇,刘崇超. 航空学报. 2018(01)
[6]谷歌TensorFlow机器学习框架及应用[J]. 章敏敏,徐和平,王晓洁,周梦昀,洪淑月. 微型机与应用. 2017(10)
[7]TensorFlow平台下的视频目标跟踪深度学习模型设计[J]. 刘帆,刘鹏远,李兵,徐彬彬. 激光与光电子学进展. 2017(09)
[8]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[9]梯度下降法的分析和改进[J]. 郭跃东,宋旭东. 科技展望. 2016(15)
[10]深度卷积神经网络的显著性检测[J]. 李岳云,许悦雷,马时平,史鹤欢. 中国图象图形学报. 2016(01)
博士论文
[1]深度学习在计算机视觉领域的若干关键技术研究[D]. 逄淑超.吉林大学 2017
[2]基于深度神经网络的回归模型及其应用研究[D]. 包姣.电子科技大学 2017
[3]基于卷积神经网络的计算机视觉关键技术研究[D]. 李彦冬.电子科技大学 2017
[4]非合作姿态测量中的点云获取与配准方法研究[D]. 刘通.哈尔滨工业大学 2016
硕士论文
[1]基于TensorFlow的卷积神经网络的应用研究[D]. 姜新猛.华中师范大学 2017
[2]面向空间非合作目标捕获的位姿测量方法研究[D]. 任宇琪.哈尔滨工业大学 2015
本文编号：3617549
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3617549.html
