[发明专利]基于Faster R-CNN的日冕物质抛射检测方法

说明书

本发明公开了基于Faster R‑CNN的日冕物质抛射检测方法。该方法首先对截取的图像进行预处理，对齐、中值滤波降噪、极坐标转换、数据增强；接着构建Faster R‑CNN目标检测网络，设计多通道区域建议神经网络，采用2个RPN，分别用于强日冕物质抛射和弱日冕物质抛射目标候选框生成。接着预训练RPN，利用RPN生成的建议框训练FEN，在固定FEN基础上再次训练RPN。RPN1和RPN2训练时采用轮流训练策略，借助强CME目标特征帮助弱CME目标训练。最后进行日冕序列图像物质抛射的识别。本发明很大程度上改善了传统日冕物质抛射识别方法的整体性能，提高不同尺度CME的检测精度。

技术领域

本发明涉及图像处理领域，尤其涉及基于Faster R-CNN的日冕物质抛射检测方法。

背景技术

日冕物质抛射(Coronal Mass Ejection，简称CME)是伴随着日冕从太阳释放物质的明显事件。CME起源于太阳日冕，从太阳低层抛射到太阳风层，是一种由等离子体和磁场组成的大尺度爆发现象。日冕物质抛射与太阳磁场有着密切的关系，对空间环境和人类活动有着很大的影响，其一直以来被认为是空间灾害天气最主要的驱动源。强CME会引起地磁暴、电离层暴、极光等地磁扰动。当这种扰动足够剧烈时，还会对卫星导航、空间通讯、电网、石油管道等人类赖以生存的高科技活动产生灾害性的影响。因此对CME的预报随着人类活动的越来越广泛显得愈加重要。

目前，检测日冕物质抛射主要有两类方法，一类是基于手工识别检测日冕抛射物质，另一类就是基于自动检测日冕抛射物质。其中基于手工识别检测CME目前主要有CDAW目录和海军研究实验室(NRL)两个著名的目录，这种方法主要是靠观察者每天手动记录数据来进行CME编目，这样做费时费力。另一种是自动检测，根据所选取的特征和采用的技术将自动检测方法分为四类，分别是基于灰度特征、基于纹理特征、基于光流法和基于学习的方法。现阶段关于CME检测的工作基本基于简单阈值进行，并人为指定特征进行CME建模，而由于CME复杂多变，在形状、纹理及灰度等方面变化差异较大，因此，基于人为选择特征的方法不一定能得到好的检测效果；同时，简单的阈值分析难以保证好的检测模型。

发明内容

针对现有技术的不足，本发明提供一种基于Faster R-CNN的日冕物质抛射检测方法，用于解决现有日冕物质抛射检测方法出现的CME现象发生初期和末期的高亮特征十分微弱，出现漏判和误判图像的问题以及检测精度低的问题。

为解决上述技术问题，本发明的技术方案如下：一种基于Faster R-CNN的日冕物质抛射检测方法，包括以下步骤：

步骤1，准备数据集，将LASCO C2的视频截取成图片，获取日冕序列图像的中心点并对齐序列图像，采用中值滤波降噪处理后，对图像进行极坐标转化，对数据集进行数据增强技术；在图片上做好人工标注，按比例划分为检测模型的训练集和验证集；

步骤2，构建Faster R-CNN目标检测网络，使用训练集进行模型训练，并选出测试集检测效果最好的训练模型；

步骤3，基于最好的训练模型，在GPU服务器上实现对日冕物质抛射现象的图片进行目标检测。

作为对上述方案的进一步描述：所述步骤1中的数据增强是结合缩放图像，颜色变换以及色彩抖动，其中，图像缩放的大小设置为256*256，448*448和512*512，颜色变换随机改变图像亮度、饱和度和对比度；人工标注目标包围框，所述目标包围框为将每一张图片中的日冕物质抛射现象都用矩形框框处，矩形框为目标的最小外接矩形，对应产生的XML文件；将这些数据按照等比例混合，按照8∶2的比例划分为检测模型的训练集和验证集，训练集用于模型训练，验证集不参与模型训练，用于验证模型的训练效果。

作为对上述方案的进一步描述：所述步骤2中的目标检测在Faster R-CNN特征提取网络基础上，设计了多通道区域建议神经网络，包括多层次特征提取网络、多通道区域建议网络、兴趣区域建议池化层、回归器和分类器。