标题：Detection Method Based on Image Enhancement and an Improved Faster R-CNN for Failed Satellite Components
期刊：IEEE Transactions on Instrumentation and Measurement, 2023, 72: 1-13
.
作者：Yi Cao, Xianhong Cheng, Jinzhen Mu, Danruo Li and Fei Han
单位：Southeast University, Shanghai Aerospace Control Technology Institute
首先，基于Retinex理论，计算图像照度，将RGB转换为色调、饱和度和HSV空间，采用WGF方法提取图像照度；获得照度后，使用Fechner原理来增强全局照度，并使用S型双曲正切函数来增强局部照度；全局和局部图像增强后，使用PCA方法对它们进行融合。然后，将对比度受限自适应直方图均衡（CLAHE）应用于该亮度通道，以提高图像的整体对比度。最后，将增强后的图像从HSV空间转换到原始RGB空间，得到最终的输出，如图2所示。
在改进的Faster R-CNN中，HRNet由四级并行连接的子网络组成。当前子网的分辨率是前一阶段的1/2。网络使用高分辨率子网作为第一阶段，通过添加低分辨率子网形成更多阶段。并行连接结构中每个阶段的特征图需要通过上采样和下采样操作重复交换信息，最终以上采样的形式实现多尺度融合。CBAM由空间注意力模块和通道注意力模块组成，集成到HRNet中，进一步提高HRNet小目标的识别能力。与原始Faster R-CNN中的FPN不同，它只在一个方向上合并多尺度特征，HRFPN可以获得更高质量的特征，具体结构如图3所示。
在低照度图像增强实验中，选择的低照度图像数量为175，通过与多尺度视网膜色素颜色恢复（MSCR）、暗通道先验（DCP）和微光图像增强（LIME）算法进行比较，以结构相似性指数（SSIM）和熵作为评价指标，结果如表1所示，本文的方法在SSIM值和熵值上都有较为明显的提高。
在改进的Faster R-CNN实验中，从200张验证集图像中随机选择160张图像，在每个回合进行测试。实验的评价指标采用MS COCO数据集的评价标准，实验结果表明，我们的四种优化策略可以有效地提高检测精度。M-HRNet对性能改进贡献最大。与最初更快的R-CNN相比，mAP和mAPs分别提高了6.1%和9.6%。原因是M-HRNet可以获得高分辨率和多尺度的特征表达，丰富了小目标的语义信息。其次图像增强、mAP和mAPs分别提高了1.8%和1.2%，原因是图像增强可以解决低照度导致的目标识别困难的问题，如表2所示。
3、结论：
在真实的空间环境中，针对故障卫星近距离捕获或维护任务中小目标和低照度的检测问题，提出了一种低照度下故障卫星部件的检测方法，该方法结合了图像增强和改进的Faster R-CNN。在我们建立的数据集上，所提出的模型实现了mAP为98.6%，mAPs为75.9%，召回率为97.2%。与原始Faster R-CNN和其他方法相比，所提出的方法在mAP和mAPs方面分别有24.1%和26.0%的平均改进。多组实验表明，我们提出的改进策略是有效的，并且我们提出的检测方法与图像增强和改进的Faster R-CNN相结合，对低照度下的小组件具有良好的检测效果。然而，太空中失败的卫星也会出现曝光的成像现象。解决高曝光下的元件检测是我们下一步研究的重点。
