收录于合集
#GEOVIS/GEOVIS+
78个
据美国空间监视网公布数据，截至2021年12月，编目（对已探测到的太空物体进行编号）的空间物体为50454颗，目前仍然在轨的数量为24687颗。在这5万颗空间物体中，近4万颗源自碰撞、爆炸等在轨解体事件。
这些太空碎片与航天器之间的相对速度很大，一般为每秒几千米至几万米（目前最快的子弹速度为1200米每秒），一块毫米级的空间碎片撞到太阳能板上能划出米级的破损口，厘米级的碎片一旦碰撞后果就可能是致命的。为了保障太空安全，对空间物体进行探测、识别、跟踪和编目的工作变得尤为重要。
中科星图测控技术股份有限公司（以下简称星图测控）自主研发的洞察者-航天AI训练推理平台是集航天图像样本标注、AI训练、AI推理为一体的智能化产品。结合平台自身能力，以太空物体原始样本图为基础数据，对样本图像进行标注，并采用适配的AI算法进行模型训练，可有效识别太空物体，为太空资产安全提供保障。
计算机视觉的飞速发展离不开大量图像标注数据的支撑，随着各类图像检测、识别算法的商业化落地，市场对图像标注精准度要求愈发严格，针对不同的应用场景，衍生出了相对应的图像标注方法。洞察者-航天AI训练推理平台对太空图像样本进行了特征研究，针对空间碎片不规则的特性，产品在图像标注模块采用多样化标注形式，主要包括矩形框标注、多边形标注、关键点标注等，满足各种不规则形状快速准确标注需求。在对样本标注之前，平台依托智能化算法对小行星、陨石、空间站、星空等太空物体进行初筛，根据识别结果智能选择标注方法，自动适配标注主体特征，满足标注多样化需求，简单快速构建样本集。图1 陨石图像语义分割(多边形)标注
图3 陨石图像实力分割(多边形)标注
图4 陨石图像组合标注
近年来，深度学习方法在图像识别的应用中越来越普遍，机器学习的准确率完全依赖大量标注数据，由此催生了大量数据标注产业。对市面上大多数样本标注系统来说，数据标注具备以下几个步骤，首先要从系统后台获取数据，然后分发给数据标注者，标注好后再反馈，中间可能还需要对标注错误进行不断修正，最后形成标注样本集对模型进行反复训练。整个流程链条较长、过程复杂、沟通成本较高，且对样本的特性不做分析，影响模型的适应性和训练效率。
洞察者-航天AI训练推理平台针对该问题采用标注项目管理制，一个项目可以建立多个标注任务，针对同一批原始样本，各标注任务按需为多类算法提供标注支撑，支持对原始样本、标注样本的预览、审核及删除等操作。
图5 原始样本管理功能界面
对于已分工的标注任务，在未进行标注时可进行重新分配，并支持批量化审核标注样本。
图6 标注样本审核功能界面
在标注过程中可对同一个原始样本进行多标签标注，训练时可进行标注样本集分析，对样本集的标签属性、数量、特征等进行量化统计，为训练参数设置提供依据，提升训练模型的针对性及泛化能力。标注任务中二次审核通过的样本可生成样本集，同一个任务下相同算法库的不同标注任务可合并生成同一个样本集进行训练。本系统兼容主流格式的第三方标注软件生成的样本集，上传后可纳入平台进行管理。
同一个样本集可多次进行样本集划分，依据设定的样本数量比例划分为训练集、测试集、验证集，供多次训练使用。
训练出一个性能较好的AI模型需要成千上万的标注数据，标注量巨大，当标注任务涉及到垂直领域的专业知识时，还需要对相关人员进行上岗培训，导致人力成本和时间成本急剧上升。洞察者-航天AI训练推理平台通过可视化操作界面进行样本分工、标注、审核，依托平台工具规范标注流程，降低使用门槛。通过标注任务再分工、样本集合并、样本集生成、样本集划分、样本集分析等功能提升模型的训练效率。人工智能的发展离不开数据标注，数据标注作为人工智能高速路上的基石，成为了众多重要环节之中的重中之重。未来星图测控将加大对智能标注的研发投入，夯实航天AI训练的基础，快速准确识别太空碎片，为我国的太空资产安全贡献应有力量。公司简介
中科星图测控技术股份有限公司成立于2016年，是主要从事航天仿真、卫星等太空资产测控管理，进行洞察者系列产品研发与产业化的高新技术企业。公司秉承“技术领先，自主创新”的企业宗旨，依托公司自有航天动力学、空间仿真、以及测控管理等核心技术，并结合大数据、人工智能、高性能计算等新一代信息技术，自主研发了洞察者系列产品，在国内航天仿真与卫星管理服务领域具有领先地位。公司面向商业航天、民用航天和特种航天领域，提供以洞察者产品为核心的产品设计、软件开发、系统解决方案、技术咨询等服务，助力我国航天产业的发展。