一种能够从望远镜图像中自动对重要月球特征进行分类的月球扫描方法，可以显着提高探索地点的选择效率。

在月球上选择着陆或探索地点不仅仅是表面上的。月球表面的可见面积比俄罗斯还大，布满了数以千计的陨石坑，峡谷状的细沟纵横交错。未来登陆和勘探地点的选择可能归结为最有希望的建筑、矿产或潜在能源资源的潜在地点。然而，在如此大的区域内进行肉眼扫描，寻找可能跨越数百米的特征，既费力又往往不准确，这使得很难选择最佳区域进行探索。

Siyuan Chen、Xin Gao 和 Shuyu Sun 以及中文大学的同事现在已经应用机器学习和人工智能(AI) 来自动识别预期的登月和探索区域。

“我们正在寻找像陨石坑和细沟这样的月球特征，它们被认为是铀和氦 3 等能源资源的热点，这是一种很有前途的核聚变资源，”陈说。“两者都在月球陨石坑中被发现，可能是补充航天器燃料的有用资源。”

机器学习是一种非常有效的技术，可以训练 AI 模型自行寻找某些特征。Chen 和他的同事面临的第一个问题是，没有可用于训练模型的 rilles 标记数据集。

“我们通过构建我们自己的训练数据集来克服这一挑战，其中包含陨石坑和细沟的注释，”陈说。“为此，我们使用了一种称为转移学习的方法在表面裂纹数据集上预训练了我们的 rille 模型，并使用实际的 rille 掩码进行了一些微调。以前的方法需要对至少部分输入图像进行手动注释——我们的方法不需要人为干预，因此使我们能够构建一个大型的高质量数据集。”