基于YOLOv5的类地行星陨石坑智能检测与分类OA

该研究基于YOLOv5提出了一种改进的陨石坑智能检测模型,并构建了专用的陨石坑数据集用于训练。为适应不同尺度陨石坑的检测需求,研究改进了模型网络结构,增加了小尺度特征提取模块并优化了特征融合方式。实验结果表明,改进后的模型在陨石坑数据集上的平均精度(mAP@50)从79.2%提升到81.2%,该结果相当于增加约100张训练图像带来的近2%的精度提升,提高了对小目标陨石坑的识别率,同时具备陨石坑分类功能;在训练集数据量较小的小样本检测任务中具有较大应用价值。与当前主流开放世界目标检测通用大模型DINO-X对比,改进模型在陨石坑识别准确率上具有显著优势,且对不同光照条件的识别具有较好的鲁棒性。该研究为陨石坑实时检测及相关任务提供了重要参考,展现了其在深空探测任务中的潜在应用价值。