Real-Time Convolutional Neural Network-Based Star Detection and Centroiding Method for CubeSat Star Tracker

星敏感器是用于绝对姿态确定的最精确的天文传感器之一。该设备检测捕获图像中的星星，并精确计算它们在成像焦平面上的投影质心，具有亚像素精度。传统的星点检测和质心计算算法通常依赖于阈值调整以检测星点像素和像素亮度加权以计算质心。然而，高传感器噪声和杂光等挑战可能会影响算法性能。本文介绍了一种基于卷积神经网络（CNN）的星点检测和质心计算方法，旨在解决存在杂光和其他伪影的嘈杂星敏感器图像所带来的问题。使用叠加了真实传感器噪声和杂光的模拟星图对CNN进行训练，CNN生成二进制分割图，将星点像素与背景区分开，并生成距离图，指示每个像素到最近星质心的距离。利用距离信息和像素坐标，将质心计算转换为一组通过最小二乘法可解决的三边测量问题。我们的方法采用了基于高效UNet变体的CNN架构，并对这些变体的性能进行了评估。通过合成图像评估、硬件环路评估和夜空测试进行了全面测试。测试结果一致表明，我们的方法在质心计算精度方面优于现有的几种算法，并表现出更强的抗高传感器噪声和杂光干扰能力。我们算法的另一个好处是它们可以在低功耗边缘AI处理器上实时执行。

本文旨在解决在高噪声和杂光干扰下，传统算法在星敏感器图像的星点检测和重心计算方面的表现不佳的问题。

本文提出了一种基于卷积神经网络的方法，通过训练模拟星图像和真实传感器噪声和杂光的叠加图像，生成二进制分割图和距离图，利用距离信息解决星点重心计算问题。

本文的方法在合成图像评估、硬件实验和夜空测试中都表现出了比现有算法更高的重心计算精度和更强的抗高噪声和杂光干扰能力。此外，该算法可以在低功耗边缘人工智能处理器上实时执行。

在这个领域中，最近的相关研究包括：《Astronomical image reconstruction with deep learning》和《Deep Learning for Astronomical Image Analysis》。