太陽黑子的觀測(cè)與識(shí)別是太陽物理學(xué)的重要任務(wù)。通過對(duì)太陽黑子的觀測(cè)與分析,太陽物理學(xué)者可以更準(zhǔn)確地分析以及預(yù)測(cè)太陽活動(dòng)。隨著觀測(cè)儀器的不斷進(jìn)步,太陽全日面圖像數(shù)據(jù)量也在快速增長(zhǎng)。為了快速、準(zhǔn)確地進(jìn)行太陽黑子的自動(dòng)識(shí)別和標(biāo)注,本文提出了一種兩層的太陽黑子識(shí)別模型。第一層模型采用深度學(xué)習(xí)模型YOLO,并使用基于交并比的k均值算法優(yōu)化YOLO的參數(shù),最終的YOLO模型能夠識(shí)別絕大多數(shù)較大黑子和黑子群,僅有極少數(shù)孤立的本影較小的黑子未能識(shí)別。為進(jìn)一步提高這類小黑子的識(shí)別率,第二層模型采用AGAST特征檢測(cè)算法專門識(shí)別遺漏的小黑子。在SDO/HMI太陽黑子數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,應(yīng)用本文的層次化模型,各種形態(tài)的太陽黑子均能被有效識(shí)別,且識(shí)別速率高,從而能夠?qū)崿F(xiàn)實(shí)時(shí)太陽黑子檢測(cè)任務(wù)。 

【文章來源】：光電工程. 2020,47(07)北大核心

【文章頁數(shù)】：11 頁

【文章目錄】：
1 引言
2 太陽黑子識(shí)別模型
    2.1 層次化識(shí)別模型
    2.2 YOLO模型基本原理
    2.3 數(shù)據(jù)預(yù)處理
    2.4 網(wǎng)絡(luò)結(jié)構(gòu)
    2.5 優(yōu)化處理及參數(shù)調(diào)整
    2.6 第二層太陽黑子識(shí)別模型
3 檢測(cè)實(shí)驗(yàn)及分析
    3.1 YOLO訓(xùn)練過程
    3.2 實(shí)驗(yàn)結(jié)果
    3.3 結(jié)果分析
    3.4 未來工作
4 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]基于LeNet-5卷積神經(jīng)網(wǎng)絡(luò)的太陽黑子檢測(cè)方法[J]. 付小娜,廖成武,白先勇,梁波,馮松,楊洪娟,楊云飛.  天文研究與技術(shù). 2018(03)
[2]太陽自適應(yīng)光學(xué)技術(shù)進(jìn)展[J]. 饒長(zhǎng)輝,朱磊,張?zhí)m強(qiáng),饒學(xué)軍,鮑華,孔林,郭友明,鐘立波,馬學(xué)安,李梅,王成,張小軍,樊新龍,王曉云,凡木文,陳東紅,馮忠毅.  光電工程. 2018(03)
[3]自適應(yīng)光學(xué)圖像事后重建技術(shù)研究進(jìn)展[J]. 鮑華,饒長(zhǎng)輝,田雨,鐘立波,陳浩,龍瀟.  光電工程. 2018(03)



本文編號(hào)：3053565