La large distribution de roches à la surface de Mars constitue une menace potentielle pour la conduite sûre du rover sur Mars, et les caractéristiques de distribution des roches fournissent des indices importants pour étudier l'évolution géologique de la région d'atterrissage sur Mars. Cependant, la reconnaissance des roches sur les images des rovers sur Mars est confrontée à plusieurs défis : la netteté floue des bords des roches et de l'arrière-plan rend l'extraction des contours difficile, la similarité des caractéristiques de texture de surface entraîne des erreurs de jugement, et les ensembles de données réels de roches sur Mars existants restreignent la modélisation de l'apprentissage. Afin de parvenir à une reconnaissance précise des roches sur les images des rovers sur Mars, cet article propose un modèle automatique de reconnaissance des roches basé sur un réseau de neurones à convolution avec un module d'attention propre amélioré, réalisant une segmentation précise des images. Ce modèle adopte une architecture codeur-décodeur, où le codeur est basé sur un réseau de neurones à convolution pour extraire les caractéristiques de l'image et intègre un module d'attention propre amélioré pour renforcer la capacité du modèle à percevoir l'information contextuelle ; le décodeur est responsable de ramener les caractéristiques extraites par le codeur dans l'espace de l'image pour une segmentation précise. Pour tester les performances du modèle, cet article a annoté les images du rover 'Zhurong' et a construit le jeu de données 'Tianwen', combinant les jeux de données simulés Synmars, Simmars6k, MarsData-v2 du rover 'Curiosity' pour tester et vérifier les performances du modèle. De plus, cet article a également comparé la précision de ce modèle avec différentes méthodes telles que DeepLabv3+, Unet++, Segformer, Marsnet, utilisant la précision moyenne du pixel, le rappel et le score Jaccard pour l'évaluation, les résultats montrent que ce modèle peut reconnaître avec précision les roches, avec une précision et un rappel de plus de 90 % dans les jeux de données simulés, et avec une précision et un rappel optimaux dans les jeux de données réels.

Marte; extraction des roches; réseau de neurones à convolution; Transformateur; extraction des caractéristiques