Als typische und häufigste Landschaftseinheiten auf der Mondoberfläche zeichnen Krater die morphologischen Merkmale und die räumliche Verteilung auf, die die Entwicklungsgeschichte des Mondes, die Bildung des Klimas und das Alter seiner Oberfläche widerspiegeln. Aufgrund von Phänomenen wie verschwommene Kraterränder und verschränkten Kratern bestehen jedoch immer noch Probleme bei der automatischen Identifizierung von Kratern (insbesondere kleinen Maßstabs) mit niedriger Erkennungsgenauigkeit und Schwierigkeiten bei der Identifizierung kleiner Krater in großen Kratern. Daher wird in diesem Artikel eine automatische Methode zur Identifizierung von kleinen Kratern auf der Mondoberfläche vorgeschlagen, die auf einer Wissensübertragungsstrategie basiert, um Krater automatisch zu lokalisieren und zu identifizieren. Diese Methode regrediert direkt zum Zentrum des Kraters und seiner Größe auf einer Karte mit hoher Auflösung, die vom gestapelten Sanduhrnetzwerk erzeugt wird, und erfordert keine Nachverarbeitungsoperationen wie die Unterdrückung nicht maximaler Werte, was eine automatische Identifizierung verschiedener Kratertypen ermöglicht. Gleichzeitig wird durch den Einsatz eines Wissensübertragungsansatzes für das Training dieses Ansatzes das Trainingsmodell mit bestimmten Optimierungen versehen, wodurch es nicht von Null an gestartet wird, was dem Modell eine höhere Zuverlässigkeit und Robustheit verleiht. Der Artikel präsentiert Experimente und Verifizierungen von Bildern der Mondregionen Rainbow Bay und Storm Sea sowie eine quantitative und qualitative Bewertung im Vergleich zur vorhandenen Robbins-Kraterdatenbank. Die Ergebnisse zeigen, dass das in diesem Artikel entworfene automatische Identifikationsmodell die Krater effektiv extrahieren und teilweise das Problem der Identifizierung kleiner Krater in verschränkten Kratern lösen kann.

KratereXtraktion;intelligenteIdentifizierung;tiefesLernen;Objekterkennung;Regenbogenbuchtregion;Sturmmeeresregion