火星撞击坑识别

介绍

火星撞击坑是火星表面最为普遍且显著的地貌单元和地质构造标志，撞击坑数目繁多、形态不一，是研究火星地质演化过程的最直接依据，也是研究太阳系陨石撞击历史和空间环境的关键，同时是进一步研究其他星系的启发点和重要突破口。

通过研究撞击坑大小和分布情况，能够确定火星表面该地区的地质年龄，能够了解火星表面的地质活动情况，能够分析表面物质结构和元素构成[1]。另外在现实应用中，研究识别撞击坑能够实现探测物导航、避障，使太空探测器能够完成安全可靠的着陆定位。

然而目前撞击坑数据集不完善，撞击坑识别不全面。对现有撞击坑图像进行研究，实现自主提取和识别撞击坑，并将算法应用于未来新采集的星球表面图片进行撞击坑识别，从而能够进一步完善星球表面结构和特征数据库。

确定行星表面地质单元得到形成年代是研究撞击坑的应用之一。通过了解表面撞击坑密度分布的一般规律，与该地质单元的绝对年龄建立定量关系，从而推测未知地质单元的绝对年龄，该撞击坑统计定年法，在众多研究者的持续工作下，理论分析愈发成熟，应用范围更加广泛，目前已成为行星科学中一个重要而活跃的研究领域。

两阶段模型拥有更高的准确率和公共数据集上更突出的表现，但一阶段模型检测速度更快，因此更适用于目标的实时检测。考虑火星探测器将实现载火星表面实时识别，本项目采用一阶段模型代表YOLO来实现。

模型架构

模型架构说明

经训练比较，选择P、R值都更高的YOLOv8来进行模型预测

撞击坑统计定年法

使用教程

1. 下载代码

2. 在运行环境下导入项目所需要的库 pip install ultralytics

   根据官方的解释，pip 的 ultralytics 库包含了YOLOv8的 requirements.txt中的所有库

3. 创建数据集

   本项目用到的数据集以存放在ultralytics/datasets中

   存放格式参照文件夹

datasets
├─images
│  ├─train
│  └─val
├─labels
│  ├─train
│  └─val
└─pre
└─mycoco.yaml

修改ultralytics/datasets/mycoco.yaml文件中存储训练集图片路径、类别数、类别名称

train: /yolov8-ultralytics/ultralytics/datasets//images/train
val: /yolov8-ultralytics/ultralytics/datasets/images/val

nc: 1

names: ['crater']

4. 模型训练

yolo task=detect mode=train model=weights/yolov8n.pt data=datasets/mycoco.yaml batch=16 epochs=50 imgsz=640 workers=16 device=0

最终共进行280个epoch训练

5. 模型预测

   运行ultralytics/detect.py

由预测结果显示，预测一张图片大约需要5ms

更改预测图像路径，使用训练结果中的best.pt模型进行预测，将会创建txt文件保存预测结果，即图像中所有撞击坑位置和大小标签

6. 结合统计定年法完成后续计算

需要统计预测结果中撞击坑直径和频数，将公式编写成代码格式，完成结果直接输出

参与贡献

1. 收集撞击坑数据集
2. 训练YOLOv3、v5、v7、v8、v9模型，选定精确率和召回率最高的模型
3. 使用训练好的模型进行图片预测
4. 记录所有bounding box位置，统计大小和频数，结合统计定年公式进行定年分析

思考

1. 考虑要对撞击坑的直径进行统计，后续应该对数据集标注进行筛选，只保留完整撞击坑的标注，否则预测出的残缺撞击坑直径无法进行统计；
2. 目前模型还有可强化的地方，筛选数据集和继续尝试YOLOv9模型