[发明专利]一种基于深度学习的日冕物质抛射检测方法

说明书

本发明公开了一种基于深度学习的日冕物质抛射检测方法，属于日冕抛射物质自动化检测技术领域。包括以下步骤：Step1、CME图像预处理和数据集制作；Step2、特征提取；Step3、生成候选区域建议；Step4、目标区域池化；Step5、进行CME细分类；Step6、边框回归；Step7、去除重复冗余框。本发明引入深度学习的方法用于CME目标检测，克服了阈值分割或传统的机器学习分类器进行CME检测识别时存在着人工设计特征无法很好表征CME语义，阈值和传统机器学习分类器分类效果差，导致对微弱CME的检测效果差等问题；本发明相对其他方法，鲁棒性更好。

技术领域

本发明涉及日冕物质抛射自动检测领域，尤其涉及一种基于深度学习的日冕物质抛射检测方法。

背景技术

日冕物质抛射(Cornal Mass Ejections，简称CME)，是一种强烈的空间天气现象，一种日冕物质从太阳日冕层向行星际空间抛射的现象。由于CME含有巨大的速度和能量并且与背景太阳风在磁场、速度、温度上的差异，CME在行星际空间传播时会引起太阳风扰动，严重时可以引起磁暴的极端空间天气。这些会导致太空中的卫星故障和数据丢失、地面电力系统崩溃及短波通信中断等。为了预防CME对人类生活的影响和伤害，实现对CME的检测来对CME进行预警是非常有价值的。

SOHO、Wind和STEREO等卫星为人类提供了大量宝贵的CME图像资料。基于这些图像资料，人们提出了各种检测CME的方法来检测CME。Berghmans等人提出的CACTus方法首先对LASCO C2和C3图像进行预处理，再通过霍夫直线检测识别CME。CACTus生成的CACTus目录是第一个自动检测的CME目录。Olmedo等人提出的SEEDS利用CME图像的灰度信息检测CME的前缘和后缘。其生成的SEEDS目录和CACTus目录、CDAW目录为CME的三大参考目录。

CME目标在CME图像上表现一个明亮的、纹理复杂的增强结构，尾随着一个亮度不足的暗区域。而弱CME在亮度上微弱，明亮特征不明显。传统的自动检测方法取得不错的对CME的检测效果，但也存在以下不足：1)易受各种噪声及行星、彗星运行的非CME高亮特征影响，导致出现CME漏检或多检；2)人工定义的CME特征不能很好表征CME；3)大部分方法都基于阈值处理，对微弱CME检测效果差。

通过对现有专利及相关技术的检索发现，现有的日冕物质抛射自动化检测方法有：

一种基于卡尔曼滤波的日冕物质抛射识别方法(CN106056125A)通过对日冕序列图像进行预处理：对齐、滤波降噪、转换到极坐标；接着，利用卡尔曼滤波的对预处理后的图像进行背景更新，再进行二值化运算得到二值化序列图像；再通过二值化图像进行日冕序列图像物质抛射的识别和筛选。

一种智能化日冕物质抛射事件观测方法(CN103487844A)，其特征在于，该观测方法包括：A、开启日冕物质抛射观测系统，根据观测系统的参数实时采集获取图像数据，并存于内存中；B、获取差分图像，并判断是否有日冕物质抛射事件发生，若有日冕物质抛射事件发生则执行步骤C；若无日冕物质抛射事件发生，则执行步骤E；C、报警并调整图像的观测模式；D、判断是否有晕状日冕物质抛射事件发生，若有晕状日冕物质抛射事件发生则再次报警；并执行步骤E；E、采集图像数据并存入硬盘中。

一种基于多特征融合的日冕物质抛射检测方法(CN105046259A)，其特征在于，包括以下步骤：步骤1，将差分处理后的日冕观测图像转化为极坐标显示；步骤2，采用不同的尺度对经步骤1处理后的图像进行切分，得到不同的子块，并求取最亮块；步骤3，分别提取步骤2中最亮块的灰度特征GB、纹理特征TB以及HOG特征HB；步骤4，以提取的灰度特征GB、纹理特征TB以及HOG特征HB为基础，采用决策树作为基分类器，并采用AdaBoost算法提升得到强分类器，最终得到分类结果，完成检测。