1.一种基于深度学习的小天体陨石坑检测方法，其特征在于，包括以下步骤：步骤A、构建小天体陨石坑基准数据集；

现公开的陨石坑数据集大多都是月球、火星等大型天体的陨石坑图像，因此需要构建属于小天体的陨石坑基准数据集。本发明采集的小天体带有陨石坑的图像数据来源于NASA官网的小行星图片库，图像主要涵盖爱神星(Eros)、爱达(Ida)、灶神星(Vesta)等多个小天体730张含有陨石坑的图像。利用labelImg软件按照PascalVOC数据集的标注方式，标记了图像中的陨石坑及其位置信息。但是，由于采集的小天体图像数量难以满足深度学习网络训练的需求，本发明采用了随机旋转图像0～180°、均值滤波、加少量高斯噪声等多种图像处理方法对其进行数据增强。将采集的小天体图像按照一定比例扩充到5000张，建立小天体陨石坑基准数据集。

步骤B、强化小天体陨石坑特征视觉感知力，包括以下步骤：B1、通过局部方差均衡算法有效的增强与保留陨石坑特征；

B2、针对高分辨率小天体图像，提出一种自适应切分图像检测方法，提高小陨石坑的检测效果；

步骤C、对步骤A、B处理过的小天体陨石坑数据集进行深度学习网络训练，设置训练参数，经过训练10000代后得到小天体环境下的陨石坑检测模型；

步骤D、根据步骤C中的得到的小天体环境下的陨石坑训练模型，利用深度学习网络检测自适应切分的子图像，并合并检测结果，实现小天体表面陨石坑的表征辨识。

2.根据权利要求1所述的一种基于深度学习的小天体陨石坑检测方法，其特征在于：所述步骤B1中，在增强与保留陨石坑特征时，具体采用以下方式：定义了一个以像素点(i,j)为中心，大小为(2k+1)×(2k+1)的滑动窗口，其中k为整数：2

其中，m(i,j)、σ(i,j)分别为基于窗口中心像素点(i,j)的局部均差及方差；f(x,y)表示窗口中心像素点(i,j)所对应的灰度值；

为了避免图像出现过增强的现象，利用下式来对暗弱环境下的小天体图像进行相应的增强，q(i,j)为增强后的滑动窗口中心像素点(i,j)的灰度值；

选择大小合适的滑动窗口对图像进行逐像素位置移动，用增强后的灰度值代替原窗口中心的灰度值，遍历整幅图像，从而达到图像整体增强效果。

3.根据权利要求2所述的一种基于深度学习的小天体陨石坑检测方法，其特征在于：所述步骤B2中，在针对高分辨率小天体图像时，具体采用以下方式：输入深度学习网络预测时需要将图像统一缩小至指定大小，这样对于高分辨率图像中的小陨石坑很容易产生漏检。针对以上问题，本发明将经过步骤B1后的预测图像自适应切分成若干个有重叠区域的子图像后，送入深度学习检测网络，并将预测结果合并显示在预测图像中；

在图像切分时，为保证最大陨石坑至少出现在任意一块切分的子图像中，切分子图像间应该保留一定的重叠区域。假设检测图像为相机在高度H处拍摄的图像，相机的焦距为f，小天体最大陨石坑直径为R，p为最大陨石坑在图像中直径所占像素大小，根据小孔成像原理，即：

由于预测图像分辨率大小不定，对于边缘部分采用黑色区域补齐的方法进行切分；

其中，c为切分子图像高度与宽度大小；t为重叠区域的宽度，数值大小与最大陨石坑直径在图像中成像的像素数p相同；m、n为图像水平方向、竖直方向切分的子图像块数；ΔL、ΔM为水平方向、竖直方向补全的像素数。

4.根据权利要求3所述的一种基于深度学习的小天体陨石坑检测方法，其特征在于：所述步骤C中，在深度学习网络训练，具体采用以下方式：本发明中的深度学习网络通过使用残差结构和锚箱，极大地增强了检测的效率，同时加入空间金字塔池化以及路径聚合网络对于小型陨石坑的检测性能也得到了相应的加强。

除此之外，本发明深度学习网络在训练过程中，通过随机的遮挡、抹除一部分图像来增强模型，一定程度上解决了陨石坑不完整的问题。