Die weit verbreitete Verteilung von Gesteinsoberflächen auf dem Mars stellt eine potenzielle Bedrohung für die sichere Fahrt des Rovers auf dem Mars dar, und die Verteilungsmerkmale von Gestein liefern wichtige Hinweise für die Untersuchung der geologischen Entwicklung der Landezone auf dem Mars. Die Erkennung von Gesteinen auf Bildern von Marsrovern steht jedoch vor mehreren Herausforderungen: Die Unschärfe der Ränder von Gesteinen und Hintergründen erschwert die Konturenerfassung, die Ähnlichkeit der Oberflächenstruktureigenschaften führt zu Fehleinschätzungen, und die vorhandenen realen Gesteinsdatensätze auf dem Mars begrenzen das Modelltraining. Um eine präzise Erkennung von Gesteinen auf Bildern von Mars-Rovern zu erreichen, schlägt dieser Artikel ein automatisches Modell zur Erkennung von Gesteinen auf der Basis eines verbesserten eigenen Aufmerksamkeitsmoduls für konvolutionelle neuronale Netzwerke vor, das eine genaue Bildsegmentierung realisiert. Dieses Modell verwendet eine Codierer-Decodierer-Architektur, wobei der Codierer auf einem konvolutionellen neuronalen Netzwerk zur Merkmalsextraktion basiert und ein verbessertes eigenes Aufmerksamkeitsmodul einbettet, um die Fähigkeit des Modells zur Wahrnehmung von Kontextinformationen zu verbessern; der Dekodierer ist verantwortlich für die Rückführung der vom Codierer extrahierten Merkmale in den Bildraum für eine präzise Segmentierung. Zur Überprüfung der Leistung des Modells annotierte dieser Artikel die Bilder des Rovers 'Zhurong' und erstellte das Datenset 'Tianwen', kombinierte simulierte Datensets Synmars, Simmars6k, MarsData-v2 des Rovers 'Curiosity', um die Leistung des Modells zu testen und zu überprüfen. Darüber hinaus verglich dieser Artikel die Genauigkeit dieses Modells mit verschiedenen Methoden wie DeepLabv3+, Unet++, Segformer, Marsnet, unter Verwendung der durchschnittlichen Pixelgenauigkeit, des Rückrufs und des Schnittpunktscores zur Bewertung. Die Ergebnisse zeigen, dass dieses Modell in der Lage ist, Gesteine genau zu erkennen, wobei die Genauigkeit und der Rückruf in simulierten Datensets über 90% liegen und in realen Datensets optimal sind.

Mars; Gesteinsentnahme; konvolutionelles neuronales Netzwerk; Transformator; Merkmalsextraktion