基于深度学习的太阳活动区检测与跟踪方法研究

发布时间：2021-04-14 10:14

　　太阳活动区是各类太阳活动的主要能量来源,剧烈的太阳活动直接影响人类的生存环境,因此,准确地检测与跟踪太阳活动区对监控和预报空间天气非常重要。基于深度学习框架的YOLOv3-spp和DeepSort,提出了一种太阳活动区检测和跟踪方法（Active Regions Detection and Tracking Method, ARDTM）,该方法较好地解决了传统图像处理方法易将一个太阳活动区误检测为多个,或者多个太阳活动区误检测为一个的问题;及时捕获新产生的太阳活动区和终止跟踪消失的太阳活动区,有效提高了太阳活动区的跟踪准确率。实验结果表明,该方法可以较好地检测和跟踪不同望远镜、不同时间间隔序列图像中的太阳活动区。 

【文章来源】：天文研究与技术. 2020,17(02)CSCD

【文章页数】：10 页

【部分图文】：

Yolov3-spp网络结构示意图

(3)对关联矩阵CL × J采用匈牙利匹配算法[26],得到3类匹配结果:匹配到检测结果的轨迹、未匹配到轨迹的检测结果和未匹配到检测结果的轨迹。对于匹配到检测结果的轨迹则继续跟踪;未匹配到轨迹的检测结果则为之分配一个新的轨迹,当新轨迹连续3帧匹配到检测结果时,则认为该太阳活动区产生,否则,删除该轨迹;对于未匹配到检测结果的轨迹则提取使用纬向较差自转预测结果的特征向量,与前一帧对应的特征向量计算余弦距离,若其值在一定范围内(本文实验结果为0.7)则采纳该预测结果作为轨迹的一部分,否则该活动区结束,但如果连续3帧均为预测结果,也判定该活动区结束。3 实验结果与分析

ARDTM的检测结果图

【参考文献】：
期刊论文
[1]机器学习在太阳物理中的应用[J]. 刘辉,季凯帆,金振宇.  中国科学:物理学 力学 天文学. 2019(10)
[2]基于卷积神经网络的全天空地基云图分类研究[J]. 崔顺,许允飞,苏丽颖,崔辰州,樊东卫,韩军,王川中,张磊,张洁.  天文研究与技术. 2019(02)
[3]基于LeNet-5卷积神经网络的太阳黑子检测方法[J]. 付小娜,廖成武,白先勇,梁波,冯松,杨洪娟,杨云飞.  天文研究与技术. 2018(03)



本文编号：3137136