中国新技术新产品2024NO.4（下）-16-高新技术随着人类探索太空的力度不断增强，太空中的人造卫星数量相应增加，因为燃料耗尽，所以失效卫星也相应增多。失效卫星不仅会占用轨道资源，还会威胁其他卫星的安全。在失效卫星中有些是合作卫星，其可以提供合作信息，与之相反的是非合作卫星，难点是针对非合作卫星的视觉测量[1]。视觉测量利用光学成像得到目标的大量信息，例如大小、姿态等[2]，但是计算机不能像人类一样有强大的识别能力[3]。张泽[4]采用中值滤波、Canny边缘检测等方法检测轮廓，最终的尺寸测量绝对误差在0.26mm以内；He[5]提出将开运算和闭运算的结果相减来提取特征的边缘信息。与传统方法相比，这些方法效果更加明显[6]。随着人工智能的发展，一些学者将机器学习引入视觉测量中，以提高自动提取目标特征的精度，加快速度[7]。在现有的机器学习方法中，基于深度神经网络的学习方法应用广泛，提高了目标检测和图像分割的效率以及精度[8]。因为光照、遮挡和背景噪声等因素会影响视觉测量，所以精度和速度都会降低。本研究提出了一种基于YOLOv5的非合作卫星图像分割方法。1研究方法本研究基于卷积神经网络YOLOv5对卫星的星箭对接环和太阳能帆板进行目标识别，再分别针对其特征进行图像分割。1.1目标检测目标检测是在图像或视频中定位和识别一个或多个目标对象。其目标是在图像中检测所有目标的位置，并为每个目标分配类别标签。目标检测不仅要确定在图像中是否存在目标，而且要确定目标在图像中的位置。基于卷积神经网络的目标检测是常用方法。目标检测的输入是整个图像，输出是目标的位置和类别标签。1.1.1数据集创建本文的相机采用Lt-C4040/Lt-M4040型号的CCD灰度相机；镜头采用BaslerLensC11-0824-12M-P型号镜头。根据任务要求搭建等比例缩小的卫星模型，如图1所示。使用相机拍摄卫星模型，在拍摄过程中需要不断改变卫星与相机的距离和旋转角度。将拍摄的非合作卫星图像导入图片标注工具Labelimg中，绘制外接矩形框，标注该矩形框对应的目标名称。本文共制作809张图像作为数据集，用于后续卷积神经网络模型的训练和学习。图1卫星模型1.1.2模型训练将数据集导入YOLOv5中进行模型训练。本次训练使用英伟达RTX3090显卡，PyTorch1.10.0GPU，CUDAv10.2。在训练前设置以下训练参数：训练轮次（epochs）为700；训练集比例（train）为0.8，验证集比例（val）为0.2；单次迭代样本数（batch-size）为16。YOLOv5可以输出检测目标方框位置大小的tx...
