1 长春理工大学物理学院, 吉林 长春 130022 白城师范学院, 吉林 白城 137000
2 长春理工大学物理学院, 吉林 长春 130022
3 宇航动力学国家重点实验室, 陕西 西安 710043
4 中国科学院天文台长春人造卫星观测站, 吉林 长春 130117
5 光电对抗测试评估技术重点实验室, 河南 洛阳 471000
空间目标由于距地相对较远, 且散射光信号受到大气介质的强散射, 在地基测量中很难获取到目标的准确信息。 近年来光谱观测技术蓬勃发展, 由此为空间目标测量提供了新的方案, 但在采集的目标光谱信息中, 由于目标轨道高度、 材料组成等大多相近, 很难直接从光谱曲线中分辨出目标。 为此基于双向反射分布函数（BRDF）散射理论, 建立了空间目标散射光谱成像模型, 并由1.2 m口径地基观测平台与光谱视频成像系统实验测量了一组高轨道同步卫星（GEO）目标, 光谱范围为400～720 nm, 光谱分辨率为2 nm。 采用径向基神经网络算法对光谱数据中的BRDF进行解混, 实验测量了六种空间目标典型材料的BRDF。 由于目标相对较远, 已经超出探测系统的衍射极限, 因此目标可视为点目标, 但在地基测量中大气层是阻隔在探测系统和目标之间的重要屏障, 目标光信号穿过大气层时会受到大气介质的强烈散射, 这种散射虽然很大程度上削弱了光信号, 但同时光信号也被按原结构放大。 依据光学记忆效应, 目标光信号穿过均匀大气介质后其结构仍保持不变。 基于以上分析, 目标光斑图像应该保留有目标投影结构的信息。 为此采用针对目标光斑图像纹理区域分割反演的方法, 将目标光斑划分为10个纹理区域, 并提取对应光谱数据。 通过探测系统传递函数标定以及减噪处理, 获得了观测时段在轨目标空间几何角度下的光谱曲线。 再利用建立的典型材料光谱数据库进行拟合反演。 结果表明: 在2号、 5号、 10号纹理区域反演出了区别于其他区域不同的材料类型。 同时, 反演的各纹理区的材料面积比也有较大不同。 为进一步评估拟合结果, 采用非奇异矩阵对拟合效果进行评价, 分析了扰动方程, 拟合准确率最高为85.283 3, 最低为76.982 7。 这说明拟合结果是相对真实的, 目标散斑图像中含有可分辨的目标投影结构信息。 此研究为揭开点目标成像探测和散斑图像结构识别提供了新的方向。
空间目标 散射光谱成像 光谱反演 Space object Scattering spectral imaging Spectral inversi 光谱学与光谱分析
2023, 43(10): 3023
1 中国科学院国家天文台长春人造卫星观测站, 吉林 长春 130117
3 长春理工大学理学院, 吉林 长春 130022
随着近年来光谱探测仪器灵敏度、 精确度和易用度的不断提升, 光谱技术已经深入到各行各业的物质成分的鉴定与分析中。 对于空间目标的光谱观测是传统光学观测的重要拓展之一, 因其具有的非接触、 无损伤等优点而备受关注, 然而由于观测条件所限, 空间目标的光谱数据量极小, 通过传统方法对其进行分类分析达不到较好效果, 必须探求提高分类精度的方法。 首先, 通过1.2 m空间目标光学望远镜上搭载的光谱相机终端获取空间目标高光谱图像; 再通过天文学测光IRAF方法, 提取空间目标的一维光谱数据; 为对空间目标光谱进行分类, 提出一种结合多种深度学习方法解决小样本数据量的空间目标分类问题。 该方法应用密度聚类方法将空间目标粗糙分类, 一维生成对抗网络方法增加空间目标数据, 一维卷积神经网络方法将空间目标精细分类, 三者组合进而达到较好的实验效果, 整体精度约为79.1%(基于密度聚类、 过采样、 一维卷积神经网络方法组合、 基于K-means、 一维生成对抗网络、 一维卷积神经网络方法组合和基于K-means、 过采样、 一维卷积神经网络方法组合的整体精度分别约为78.4%, 77.9%和77.2%)。 粗糙分类模型中, 密度聚类方法比K-means方法整体精度平均高出约为0.67%; 数据增广模型中, 一维生成对抗网络方法比过采样方法整体精度平均高出约为1.52%; 精细分类模型中, 一维卷积神经网络方法二层网络比三层网络整体精度平均仅高出约为0.003%, 但是运算时间更长。 四种组合方法精度均高于单一方法。 实验结果表明本文提出的组合方法在小样本空间目标类别未知情况下, 可实现细分类且精度较高, 为实现空间目标极小数据量下的图谱一体化分析, 提供一定参考价值。
空间目标 光谱数据 密度聚类 生成对抗网络 卷积神经网络 Space targets Spectral data Density based spatial clustering of applications with noise Generative adversarial networks Convolutional neural networks
1 中国科学院国家天文台长春人造卫星观测站, 吉林 长春 130117
2 中国科学院大学, 北京 100049
3 长春理工大学理学院, 吉林 长春 130022
4 中国科学院空间目标与碎片观测重点实验室, 江苏 南京 210008
光谱观测技术作为空间目标特征信息获取的一种方式,为空间目标表面材料的识别与性能分析提供了重要的解决方法。目前,光学信息采集元件的精密化程度高,因此空间目标观测技术也呈现多样性。基于长春人造卫星观测站1.2 m空间目标光学望远镜,联合推扫式光栅光谱仪、光纤光谱仪、滤波器光谱相机三种终端设备,分别对恒星与空间目标开展观测并获取光谱数据;进一步,通过数据对观测技术进行适应性分析。结果表明:三种方法均适用于恒星和高轨道空间目标的观测,可得到较好的光谱数据;滤波器光谱相机、光纤光谱仪适用于观测低轨道空间目标;而推扫式光栅光谱仪、滤波器光谱相机适用于观测中轨道空间目标。此外,滤波器光谱相机还可为精跟型空间目标光谱数据的获取提供观测参考。对于不同应用环境,对终端成本、光路调试复杂程度、获取光强度、可调整观测波段、数据处理复杂程度的对比分析可作为后续方案的参考。
激光与光电子学进展
2021, 58(22): 2230001
1 中国科学院国家天文台长春人造卫星观测站, 吉林 长春 130117
3 长春理工大学理学院, 吉林 长春 130022
随着航天活动的日益增加, 空间碎片的数量急剧增多, 对未知空间碎片进行编目和识别显得尤为重要。 由于火箭箭体、 人造卫星及其裂解碎片等在空间中处于外表裸露状态, 其表面材料的物理与化学特性会产生较大变化。 目前, 针对空间目标表面材料的研究主要集中在地面实验室, 无法对其在深空中的状态变化进行准确判断。 利用空间目标光电望远镜及光谱测试终端组合, 可以实时地对空间目标的光谱特性开展研究, 进一步探究材料特性变化对目标特性识别的影响。 通过利用长春人卫站1.2 m空间目标光电望远镜及相关光谱测试终端, 同时结合图像预处理软件获取空间目标的高光谱图像, 进一步运用天文学方法IRAF提取光谱一维数据, 得到可分析数据。 通过偏最小二乘法反演分析表面材料的面积比、 置信度。 实验将6个空间目标光谱数据分别进行反演, 通过6种常用航空材料的反演结果显示所有目标均可解析出至少两种材料, 其共同反演出现金色保温膜, 它是空间目标表面一定含有的材料之一, 其所占表面积比例也较高, 结果分别约为0.75, 0.78, 0.78, 0.59, 0.71和0.45。 其中, 4个目标反演出现碳纤维板, 结果分别约为0.19, 0.22, 0.07和0.24; 3个目标反演出现砷化镓, 结果分别约为0.07, 0.15和0.17; 2个目标反演出现Si, 结果分别约为0.29和0.55。 并且置信度分别约为84.7%, 80.4%, 84.1%, 82.8%, 82.6%和79.6%。 实验结果表明观测方法可信性更高, 在空间目标领域的观测技术、 获取数据、 研究分析等方面的研究结果对后续深入探索具有参考作用。 实验结果和空间目标来源自洽度高, 研究方法简单易行且与传统光学观测兼容性好。 该方法拓展了精密跟踪型空间目标观测的研究领域, 不仅具有目标所在空间环境分析的科学意义, 也具有空间目标运行安全的应用前景。
空间目标 表面材料 光谱探测技术 偏最小二乘法 面积占比 置信度 Space targets Surface materials Spectral detection technology Partial least squares method Area ratio Confidence 光谱学与光谱分析
2021, 41(10): 3299
