行星隕石坑檢測算法研究綜述

胡 濤，賀 亮，曹 濤，韓 宇，張翰墨

(1. 上海航天控制技術(shù)研究所，上海201109； 2. 上海市空間智能控制技術(shù)重點(diǎn)實(shí)驗(yàn)室，上海201109)

1 引言

隨著航天技術(shù)的發(fā)展，行星探測已經(jīng)逐漸成為國際航天領(lǐng)域的熱點(diǎn)，其中行星隕石坑檢測一直是其中重要的研究方向之一。 許多小天體被認(rèn)為保存有宇宙形成初期的古老物質(zhì)，研究行星隕石坑是確定太陽系中行星體地質(zhì)年代信息，了解宇宙起源的重要途徑。 行星隕石坑檢測可應(yīng)用于行星著陸、行星地質(zhì)研究、行星未知領(lǐng)域探索以及探測器視覺導(dǎo)航等諸多領(lǐng)域。

行星隕石坑檢測的重點(diǎn)在于隕石坑生命周期中的侵蝕、掩埋、覆蓋和轉(zhuǎn)化問題。 由于彈坑的復(fù)雜性，其形狀、大小、重疊和退化都有很大的變化，使得隕石坑檢測算法(Crater Detection Algorithms，CDAs)的設(shè)計非常困難。 然而隨著人工智能神經(jīng)網(wǎng)絡(luò)的興起，機(jī)器學(xué)習(xí)在數(shù)據(jù)分析、圖像分類與識別以及目標(biāo)檢測等方面大放異彩[1]，特別是深度學(xué)習(xí)在隕石坑檢測中的應(yīng)用，大大提高了檢測效率。

目前隕石坑檢測方法可分為3 類:利用地形和光譜數(shù)據(jù)進(jìn)行地質(zhì)信息分析、傳統(tǒng)視覺處理算法和機(jī)器學(xué)習(xí)方法。 Ye 等[2]得到隕石坑位置和直徑信息，利用光譜圖像對隕石坑附件的巖石地質(zhì)元素進(jìn)行分析，剔除判斷錯誤的隕石坑，并將正確的隕石坑分類為簡單型和復(fù)雜型。 由于隕石坑的地質(zhì)元素變化較大，存在不確定性，不利于隕石坑的自動檢測，應(yīng)用較少。 目前應(yīng)用較多的方法是傳統(tǒng)視覺處理算法和機(jī)器學(xué)習(xí)算法，本文針對這2 種方法展開詳細(xì)論述，調(diào)研現(xiàn)有的針對月球、火星等行星隕石坑的檢測方法，將傳統(tǒng)視覺的隕石坑檢測算法分為基于邊緣、陰影和區(qū)域3 個方面進(jìn)行闡述；從數(shù)據(jù)集、網(wǎng)絡(luò)結(jié)構(gòu)和評價指標(biāo)的角度，重點(diǎn)分析了深度學(xué)習(xí)隕石坑檢測算法。 此外，根據(jù)目前隕石坑檢測算法存在的問題，提出深度學(xué)習(xí)在隕石坑檢測中未來的發(fā)展方向。

2 傳統(tǒng)視覺檢測算法

隕石坑的形狀、輪廓等特征對傳統(tǒng)視覺檢測算法的效果至關(guān)重要，大多數(shù)隕石坑是由流星撞擊形成的，隕石坑形成的第一步是行星之間幾乎瞬間的碰撞。 最簡單的隕石坑是碗狀的，有一對新月狀的高亮和陰影區(qū)域，邊緣呈向外噴射狀，地形剖面大致呈二次型。 隕石坑越大，凹陷底部就越平坦(圖1(a))；當(dāng)流星質(zhì)量很重或速度很快時，壓縮階段后的反彈效應(yīng)在隕石坑中形成一個中心峰，構(gòu)成一個復(fù)雜的隕石坑(圖1(b))；當(dāng)坑很大時，地震效應(yīng)和土壤的水平松弛可以造成多個邊緣(圖1(c))。

圖1 不同隕石坑種類Fig.1 Different types of craters

對于傳統(tǒng)圖像處理隕石坑檢測方法主要分為基于邊緣、基于陰影和基于區(qū)域3 種，分類具體如下:

1)基于邊緣的方法利用隕石坑形狀較簡單，一般呈圓形或橢圓形的特點(diǎn)，對其進(jìn)行輪廓擬合，重建典型的隕石坑形狀。 Johnson 等[3]在NEAR任務(wù)的隕石坑檢測中應(yīng)用Hough 變換的橢圓檢測，能夠取得80%的準(zhǔn)確率。 Hough 變換是從圖像空間到參數(shù)空間的一種方法，稱為Hough 空間。 變換的目的是尋找最佳的參數(shù)，以適合一個選定的幾何解析公式。 Hough 空間的維數(shù)與搜索參數(shù)的數(shù)目一樣多。 對于圓，有3 個維度( x、y 位置和r 半徑)；而橢圓參數(shù)的數(shù)目是5 個，將隕石坑邊緣擬合為典型形狀，復(fù)雜度隨著參數(shù)的增加而急劇增加。 Leroy 等[4]提出一種基于投票機(jī)制的多尺度橢圓擬合方法，將圖像中檢測到的隕石坑與從三維模型中投射出的隕石坑進(jìn)行匹配，得到兩者之間的最佳變換，該方法在隕石坑密集的區(qū)域能夠取得較好的效果。 Cheng 等[5]利用Canny 算子分段檢測隕石坑邊緣曲線，并將屬于同一隕石坑的邊緣劃分到一組，再進(jìn)行橢圓擬合，能夠獲得90%的準(zhǔn)確率。

2)基于陰影的隕石坑檢測方法是在太陽高度角和光照強(qiáng)度的影響下，隕石坑邊緣會出現(xiàn)不同程度的陰影區(qū)域，雖然隕石坑的一部分邊緣信息會被遮擋，造成視覺模糊，但相同的陰影和隕石坑出現(xiàn)了一一對應(yīng)的關(guān)系，因此可以通過檢測圖像中的陰影區(qū)域達(dá)到隕石坑檢測的目的。 郭烈等[6]首先采用了閾值分割方法對地面環(huán)境的隕石坑陰影進(jìn)行閾值分割，然后結(jié)合形態(tài)學(xué)濾波算法和閾值面積消除法濾除一些噪聲，最后對所得到的二值圖像進(jìn)行輪廓提取。 Kaufmann 等[7]使用gamma 校正后閾值分割出陰影區(qū)域，并賦予陰影質(zhì)心二進(jìn)制描述符，再與三維高程數(shù)據(jù)進(jìn)行匹配，實(shí)現(xiàn)飛行器的圖像導(dǎo)航。

3)根據(jù)隕石坑的特征，在太陽照射的陽面將出現(xiàn)亮區(qū)域，在未照到的陰面將出現(xiàn)陰影區(qū)域，暗區(qū)域的外邊緣呈現(xiàn)圓弧[8]，導(dǎo)致隕石坑通常亮區(qū)域和暗區(qū)域成對存在，故基于區(qū)域的檢測方法可以利用亮暗區(qū)域成對存在來檢測隕石坑。 Urbach等[9]同時處理圖像的高光和陰暗特征，目標(biāo)是消除所有與隕石坑無關(guān)的特征，剩下的高光和陰暗特征相互匹配，以標(biāo)記可能是隕石坑的區(qū)域，最終能達(dá)到70%的檢出率。 丁萌等[10]利用區(qū)域生長分別提取隕石坑亮、暗兩區(qū)域，取得了較好的效果。

通過視覺領(lǐng)域的特征提取算法從行星表面的灰度圖像中提取與隕石坑相關(guān)的特征(比如邊緣、斑點(diǎn)、角點(diǎn)和紋理等)來表征，該方法雖然取得了很好的效果，但是由行星著陸或地質(zhì)工作而進(jìn)行的研究同時需要探測直徑1 km 以下級別的許多小型隕石坑，當(dāng)小尺寸的隕石坑和大尺寸的隕石坑在一起探測時，傳統(tǒng)視覺方法缺乏適用性。

3 機(jī)器學(xué)習(xí)檢測算法

機(jī)器學(xué)習(xí)可以在隕石坑檢測計數(shù)流程的不同步驟(從獲取包含隕石坑的圖像到輸出隕石坑位置)上使用，包括支持向量機(jī)(Support Vector Machine，SVM)、決策樹、特征提取增強(qiáng)算法、主成分分析法和深度學(xué)習(xí)方法，如圖2 所示。

圖2 機(jī)器學(xué)習(xí)隕石坑檢測算法Fig.2 Machine learning crater detection algorithm

近年來出現(xiàn)了以YOLO[11](You Only Look Once)、SSD[12](Single Shot MultiBox Detector)為代表的one-stage 深度學(xué)習(xí)框架和以R-CNN[13]、Fast-RCNN[14]、Faster-RCNN[15]、Mask RCNN[16]為代表的two-stage 深度學(xué)習(xí)框架。 因此利用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(Rerrent Neural Network，RNN)等深層神經(jīng)網(wǎng)絡(luò)已成為從所有可用數(shù)據(jù)中確定復(fù)雜決策函數(shù)的首選方法。 CNN 設(shè)計自己的表示特征，減輕了人類開發(fā)復(fù)雜預(yù)處理算法和人工輸入特征的需要，這些網(wǎng)絡(luò)結(jié)構(gòu)能夠成功地將出現(xiàn)在多個尺度上的物體分類并識別[17]。 鄭磊等[18]采用CNN 網(wǎng)絡(luò)結(jié)合非極大值抑制算法對月面大型隕石坑進(jìn)行識別。 利用機(jī)器學(xué)習(xí)來進(jìn)行檢測包括隕石坑分類和隕石坑分割定位。 分類只是將每個候選隕石坑提交給網(wǎng)絡(luò)進(jìn)行評價，而分割定位的輸入為包含多個隕石坑的圖像，每個像素被分類為是否屬于隕石坑邊緣。 隕石坑的邊緣像素會形成粗略的圓形或橢圓形，然后可以用于檢測定位，如圖3 所示。

圖3 機(jī)器學(xué)習(xí)中隕石坑分類和分割的對比圖[19]Fig.3 Comparison of classification and segmentation with machine learning[19]

3.1 深度學(xué)習(xí)隕石坑檢測方法

卷積神經(jīng)網(wǎng)絡(luò)是目前深度學(xué)習(xí)技術(shù)領(lǐng)域中非常具有代表性的神經(jīng)網(wǎng)絡(luò)之一，在圖像分析和處理領(lǐng)域取得了眾多突破性的進(jìn)展。 卷積神經(jīng)網(wǎng)絡(luò)是一種多層的監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，隱含層的卷積層和池化層是實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)特征提取功能的核心模塊。 通過采用梯度下降法最小化損失函數(shù)對網(wǎng)絡(luò)中的權(quán)重參數(shù)逐層反向調(diào)節(jié)，通過頻繁的迭代訓(xùn)練提高網(wǎng)絡(luò)的精度。 緊接著全連接層的輸入是由卷積層和池化層進(jìn)行特征提取得到的特征圖像。 最后一層輸出層是一個分類器，可以采用邏輯回歸、Softmax 回歸甚至是支持向量機(jī)對輸入的隕石坑圖像進(jìn)行分類。

利用深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練首先是隕石坑數(shù)據(jù)集的輸入，這是非常重要的環(huán)節(jié)[20]，目前的常用行星隕石坑數(shù)據(jù)集如表1 所示，數(shù)據(jù)集的類型有可見光數(shù)據(jù)、數(shù)字高程模型(Digital Elevation Model，DEM)、數(shù)字地形模型(Digital Terrain Model，DTM)和紅外數(shù)據(jù)，如圖4所示。 使用可見光數(shù)據(jù)進(jìn)行隕石坑檢測的主要缺點(diǎn)是光照條件的多樣性，太陽高度角和光照強(qiáng)度的不同可能使赤道附近的隕石坑與兩極附近的隕石坑看起來非常不同，這樣會造成數(shù)據(jù)集之間的光照出現(xiàn)顯著的變化；數(shù)字高程模型和數(shù)字地形模型數(shù)據(jù)不需要考慮光的角度；而紅外數(shù)據(jù)，如火星THEMIS 日間紅外圖像集部分解決了光照條件問題。 Silburt 等[27]利用數(shù)字高程模型和數(shù)字地形模型數(shù)據(jù)，此數(shù)據(jù)類型不存在陰影問題，因?yàn)閮H有每個像素的高程數(shù)據(jù)。 由于隕石坑圓形的規(guī)則性和對稱性，這種類型數(shù)據(jù)在探測隕石坑方面非常有效，Yamamoto 等[28]也在非CNN 方法中利用了這種對稱性，這類數(shù)據(jù)的最大缺點(diǎn)是分辨率的限制，并且不適用于所有行星體。

表1 行星體隕石坑位置數(shù)據(jù)庫Table 1 Planetary crater location databases

圖4 DEM、紅外和可見光隕石坑數(shù)據(jù)[20]Fig.4 Examples of DEM， infrared， and visible light images of craters[20]

在分類方法中，首先對候選隕石坑區(qū)域進(jìn)行預(yù)處理，然后將每個候選隕石坑提交給網(wǎng)絡(luò)進(jìn)行評價。 Palafox 等[29]將5 個卷積層架構(gòu)并行運(yùn)行組成MarsNet，并在HiRISE 數(shù)據(jù)集上和SVM 進(jìn)行比較，取得的效果比SVM 更加優(yōu)越。 在分割＋定位方法中，輸入整個圖像，算法將圖像分割成塊，不考慮隕石坑的位置，然后識別候選隕石坑，對候選隕石坑進(jìn)行后處理并標(biāo)出位置，再利用傳統(tǒng)的計算機(jī)視覺方法，如模板匹配，可以識別圓形形狀并輸出位置和半徑。 DeLatte 等[30]和Silburt等[27]都使用了進(jìn)行U-Net 的分割網(wǎng)絡(luò)(圖5)，后者還使用遷移學(xué)習(xí)將模型應(yīng)用到水星隕石坑的檢測當(dāng)中。 利用分割隕石坑檢測，計數(shù)圖像在輸入網(wǎng)絡(luò)之前不需要經(jīng)過預(yù)處理成較小的候選隕石坑區(qū)域，可以實(shí)現(xiàn)自動定位。

圖5 基于UNET 的網(wǎng)絡(luò)結(jié)構(gòu)[31]Fig. 5 Convolutional neural network architecture based on UNET[31]

Emami 等[31]采用Faster R-CNN 來進(jìn)行月球隕石坑的檢測，F(xiàn)aster R-CNN 中的區(qū)域候選網(wǎng)絡(luò)(Region Proposal Network，RPN)以最后一個卷積層的特征映射為輸入，輸出一組對象可能位置的區(qū)域。 RPN 首先通過在輸入的不同位置上覆蓋一個小窗口，并將這些區(qū)域反饋到回歸層和分類層中，以獲得對象分?jǐn)?shù)和優(yōu)化的對象位置，從而生成候選區(qū)域；然后目標(biāo)區(qū)域?qū)訉⒛繕?biāo)得分較高的區(qū)域方案轉(zhuǎn)化為固定大小的特征圖，由目標(biāo)檢測網(wǎng)絡(luò)進(jìn)行分類；最終該網(wǎng)絡(luò)輸出分類標(biāo)簽和目標(biāo)邊界框位置，并在測試圖像上可以獲得90%以上的準(zhǔn)確率。

3.2 其他的機(jī)器學(xué)習(xí)檢測方法

其他的機(jī)器學(xué)習(xí)方法也被應(yīng)用于隕石坑的檢測中，包括支持向量機(jī)和決策樹[32]。 SVM 的基本思想是找到一個超平面，該超平面以最佳方式將正負(fù)樣本分開，其中最優(yōu)性由平面距離的大小來定義，即當(dāng)映射到超平面的法向量上時，正負(fù)樣本之間的最小距離。 這些和其他早期的機(jī)器學(xué)習(xí)研究都屬于手動設(shè)計的特征。

在大多數(shù)方法中，候選隕石坑必須在運(yùn)行機(jī)器學(xué)習(xí)算法之前進(jìn)行定位。 因此這些位置是先驗(yàn)的，但隕石坑或非隕石坑的標(biāo)簽不是先驗(yàn)的。 Urbach 等[9]使用C4.5 算法構(gòu)建決策樹分類器來識別候選區(qū)域中的隕石坑，如圖6 所示。 C4.5 算法用信息增益率選擇特征，在樹的構(gòu)造過程中會進(jìn)行剪枝操作優(yōu)化，能夠自動完成對連續(xù)屬性的離散化處理，在選擇分割屬性的時候選擇信息增益率最大的屬性[32]。

圖6 利用決策樹算法進(jìn)行分類[9]Fig.6 Classification with decision tree algorithm[9]

Wang 等[33]使用Haar-like 特征描述樣本，采用自適應(yīng)增強(qiáng)方法對有用特征進(jìn)行選擇和組合，使用級聯(lián)結(jié)構(gòu)提高處理效率。 增強(qiáng)方法只需在隕石坑訓(xùn)練集的不同隨機(jī)子集上訓(xùn)練多個分類器，對其決策進(jìn)行平均或多數(shù)投票，然后進(jìn)行組合生成復(fù)合分類器，提高了分類的準(zhǔn)確性和可靠性。Machado 等[34]使用Haar 紋理特征和支持向量機(jī)檢測月球的隕石坑數(shù)據(jù)。 Wetzler 等[35]使用支持向量機(jī)對火星上的隕石坑進(jìn)行檢測定位，并與Hough 變換、人工檢測進(jìn)行了比較，實(shí)驗(yàn)顯示支持向量機(jī)效果最好。

3.3 評價指標(biāo)

隕石坑檢測中常用查準(zhǔn)率P 和查全率R 作為評估檢測效果的重要指標(biāo)[36]，為了平衡查準(zhǔn)率和查全率，一個常用的指標(biāo)就是查準(zhǔn)率和查全率的調(diào)和平均數(shù)，記為F1[37-38]，具體見式(1)。

式中，Tp為人工注釋集與網(wǎng)絡(luò)生成的列表之間的正確匹配， Fn為標(biāo)簽列表中未找到的隕石坑，F(xiàn)p為已識別但與標(biāo)注列表不匹配的隕石坑。

由于光照和隕石坑陰影的影響，樣本數(shù)據(jù)集可能會出現(xiàn)不同程度的噪聲，這種干擾會使模型過分記住特征，而忽略了真實(shí)的輸入輸出間的關(guān)系，造成過擬合。 在這種情況下，可以使用交叉驗(yàn)證來減少模型的過擬合[39]，即將隕石坑數(shù)據(jù)樣本切割成較小子集，先將一個子集作為訓(xùn)練集訓(xùn)練，其它子集做測試集，用來驗(yàn)證CDA 的性能。 這樣重復(fù)運(yùn)用隨機(jī)產(chǎn)生的子樣本進(jìn)行訓(xùn)練和驗(yàn)證，每次隨機(jī)驗(yàn)證一次，不僅可以減少過擬合，還可以克服數(shù)據(jù)集較少的缺點(diǎn)。

為了評估分類性能，根據(jù)學(xué)者們隕石坑檢測結(jié)果的查全率和查準(zhǔn)率，圖7 給出了VGGNet[40]、GoogleNet[41]和ResNet[42]3 種卷積神經(jīng)網(wǎng)絡(luò)在隕石坑測試集上的分類結(jié)果。 這3 個分類器在測試集上都表現(xiàn)得很好。 雖然3 個網(wǎng)絡(luò)正確地分類了大多數(shù)陽性樣本，但VGGNet 的召回率略高于其他2 個網(wǎng)絡(luò)，召回率為99.23%。 表2 為傳統(tǒng)圖像隕石坑檢測與深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)在各自的數(shù)據(jù)集進(jìn)行的測試，評價方法存在差異，難以歸一化，但是仍可以看出傳統(tǒng)視覺檢測在精度方面大大落后于深度學(xué)習(xí)網(wǎng)絡(luò)檢測方法，而各個訓(xùn)練網(wǎng)絡(luò)模型之間的精度卻相差不大，都能達(dá)到近似90%的精度。

圖7 卷積神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)集上的分類表現(xiàn)[31]Fig.7 Classification performance of deep CNNs on crater detection test set[31]

表2 傳統(tǒng)圖像檢測與深度學(xué)習(xí)檢測對比Table 2 Comparison of traditional image detection and deep learning detection

4 對深度學(xué)習(xí)檢測隕石坑的技術(shù)展望

1)擴(kuò)大數(shù)據(jù)集的種類和范圍，可以使用紅外圖像數(shù)據(jù)和DEM 數(shù)據(jù)結(jié)合可見光圖像數(shù)據(jù)，增加數(shù)據(jù)集的范圍，采集包括行星高低緯度、不同經(jīng)度、各種地貌條件下的隕石坑數(shù)據(jù)。 一般的深度學(xué)習(xí)訓(xùn)練網(wǎng)絡(luò)都是以隕石坑正負(fù)樣本訓(xùn)練集進(jìn)行二分類，使用附加的注釋數(shù)據(jù)集，添加更多的標(biāo)簽種類，可以使用這些技術(shù)檢測更多的對象，如巖石、山坡等其他障礙(圖8)，對于載人登月、行星著陸探測自主障礙檢測規(guī)避具有非常重要的意義。

圖8 月球表面障礙[30]Fig.8 Obstacles on lunar surface[30]

2)生成性對抗網(wǎng)絡(luò)[45](Generative Adversarial Networks，GAN)，利用零和博弈的思想，從一段隨機(jī)數(shù)中生成逼真的圖像，用于產(chǎn)生額外的訓(xùn)練數(shù)據(jù)，以避免過度擬合，而且GAN 有助于改善不同地形環(huán)境之間的特征變換。

3)遷移學(xué)習(xí)是深度學(xué)習(xí)中的一個重要趨勢，如果缺乏更廣泛的隕石坑數(shù)據(jù)集，可以使用機(jī)器學(xué)習(xí)中的遷移學(xué)習(xí)，通過使用在其他大型數(shù)據(jù)集上預(yù)訓(xùn)練好的網(wǎng)絡(luò)作為基礎(chǔ)，在對隕石坑進(jìn)行額外的訓(xùn)練，并且隨著在新的數(shù)據(jù)集上進(jìn)行訓(xùn)練而改進(jìn)。 例如，Norman 等[46]使用在ImageNet 數(shù)據(jù)集預(yù)先訓(xùn)練的GoogleNet-OverFeat 探測火星上的隕石坑。 從頭開始的訓(xùn)練需要更多的參數(shù)調(diào)整，通過使用預(yù)先訓(xùn)練或部分預(yù)先訓(xùn)練的網(wǎng)絡(luò)，可以減少訓(xùn)練時間，并且可以使用更多類型的網(wǎng)絡(luò)體系結(jié)構(gòu)。

4)二階梯度優(yōu)化。 目前，無論是從理論還是應(yīng)用層面來說，機(jī)器學(xué)習(xí)中的優(yōu)化都是以隨機(jī)梯度下降等一階梯度方法為主，常見的一階最優(yōu)化器，有Adam、AdaGrad 以及SGD ＋Momentum。 而二階梯度，相當(dāng)于梯度的梯度，加快了收斂速度，Anil 等[47]提出的二階梯度優(yōu)化方法Shampoo，大大加快了模型的訓(xùn)練速度，若能應(yīng)用于隕石坑檢測的深度學(xué)習(xí)模型中，會提高其檢測速度，節(jié)省大量時間。

5)云計算提供了一個與這些大數(shù)據(jù)集合作的機(jī)會，特別是對于那些無法訪問超級計算機(jī)的研究人員，先進(jìn)的深度學(xué)習(xí)網(wǎng)絡(luò)框架可以同時訪問這些遠(yuǎn)程資源并執(zhí)行。

5 小結(jié)

傳統(tǒng)視覺檢測方法較簡單，利用灰度和紋理等特征進(jìn)行一系列像素操作，可以為深度學(xué)習(xí)網(wǎng)絡(luò)的預(yù)處理提供支持，從而通過混合的方法來處理隕石坑數(shù)據(jù)，這樣既可以降低網(wǎng)絡(luò)對功耗、內(nèi)存和訓(xùn)練工作方面的要求，還能提高運(yùn)行速度。

行星地質(zhì)學(xué)者和機(jī)器學(xué)習(xí)學(xué)者之間進(jìn)行合作，將有助于促進(jìn)隕石坑探測方式的重大研究和改進(jìn)，特別是在進(jìn)行聯(lián)合跨學(xué)科項目時，一些學(xué)者正在使用卷積神經(jīng)網(wǎng)絡(luò)等技術(shù)來允許算法發(fā)展自己的特性。 隨著深度學(xué)習(xí)領(lǐng)域的論文數(shù)量和研究方法呈指數(shù)增長，隕石坑檢測識別可以從新的研究中受益。 經(jīng)過適當(dāng)訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)可以很好地識別出變量環(huán)境(行星的高低緯、不同的分辨率或不同的太陽光照角)，更加靈活可靠，這是傳統(tǒng)方法無法做到的，它也優(yōu)于那些需要事先手動設(shè)置檢測相關(guān)屬性，而后才能訓(xùn)練為可以檢測隕石坑的傳統(tǒng)機(jī)器學(xué)習(xí)方法。

未來需要在月球上建造基礎(chǔ)設(shè)施和基站，可與在現(xiàn)場供應(yīng)建筑材料和能源的地區(qū)相連接，通過檢測識別月球表面的隕石坑，預(yù)先探測并收集其幾何拓?fù)湫畔?，而卷積神經(jīng)網(wǎng)絡(luò)提供了一個很好的機(jī)會，可以直接從帶注釋的圖像中自動收集相關(guān)的科學(xué)信息，而不需要手動檢測。 因此基于深度學(xué)習(xí)的檢測方法是隕石坑檢測算法研究中的重要方向。