通过使用深度卷积神经网络的Chandrayaan-2 TMC-2图像自动识别月球坑
Mimansa Sinha1, Sanchita Paul1, Mili Ghosh2
1Department of Computer Science and Engineering, Birla Institute of Technology, Mesra, Ranchi, India.
Scientific reports
|April 8, 2024
概括
这项研究引入了一种深度学习模型,用于使用Chandrayaan-2卫星图像识别月球坑. 石坑检测模型实现了高精度,改进了行星地形分析的传统方法.
科学领域:
- 行星科学 行星科学
- 地质形态学 地质形态学
- 遥感 遥感 遥感 遥感
背景情况:
- 撞击坑是陆地行星和卫星的关键特征,影响行星地形.
- 现有的火山口识别方法面临挑战,因为火山口的大小,形状和位置的变化.
研究的目的:
- 开发和评估一个深度学习模型,以准确检测月球石坑.
- 为了利用月球火山口识别,运载在月球二号上的地形绘图摄像机-2 (TMC-2) 的图像.
主要方法:
- 用Resnet18作为骨干的U-Net卷积神经网络模型用于图像细分.
- 该模型最初使用ImageNet权重进行训练,随后将其应用于Chandrayaan-2的TMC-2正视图像.
- 发现火山口的过程涉及神经网络,特征提取和优化技术.
主要成果:
- 拟议的模型在没有注释的数据中实现了80.95%的准确性.
- 随着注释数据的使用,该模型表现出更好的精度和回忆,在物体检测中达到86.91%的准确性.
- 该研究使用了2000张TMC-2图像,并指出更多的数据可以进一步提高性能.
结论:
- 与传统方法相比,开发的深度学习模型为探测月球石坑提供了更准确的方法.
- 基于U-Net的模型显示了分析月球表面特征和为行星地形学研究做出贡献的巨大潜力.
- 未来的工作可能涉及整合更大的数据集以优化模型的性能.
