CN113052202A - 一种用于分类全日面图像中太阳黑子群的方法 - Google Patents
一种用于分类全日面图像中太阳黑子群的方法 Download PDFInfo
- Publication number
- CN113052202A CN113052202A CN202110128554.XA CN202110128554A CN113052202A CN 113052202 A CN113052202 A CN 113052202A CN 202110128554 A CN202110128554 A CN 202110128554A CN 113052202 A CN113052202 A CN 113052202A
- Authority
- CN
- China
- Prior art keywords
- black
- positions
- sun
- subgroup
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 238000012216 screening Methods 0.000 claims abstract description 5
- 238000011176 pooling Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 240000007509 Phytolacca dioica Species 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004461 rapid eye movement Effects 0.000 description 1
- 230000001711 saccadic effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种用于分类全日面图像中太阳黑子群的方法,属于天文技术和计算机视觉领域。本发明通过制作一个太阳黑子群分类数据集,先将原始图像压缩至255×255的尺寸送入Hourglass‑54骨干网络提取特征图,再从特征图中生成3个注意力视图来分别作用于大中小物体检测,从注意力视图获取目标位置及尺寸。同时,Hourglass‑54也从下采样后的图像上生成目标的粗略位置。然后通过面积阈值和iou对这些位置进行一个筛选,接着根据得分对这些位置进行一个排名,选取得分最高的k个位置,并对这些位置所在的区域进一步检测,最终对这些位置进行一个融合,保留最佳的检测结果。相比传统方法,本发明能较好的解决传统方法中的漏识别和误识别问题。
Description
技术领域
本发明涉及一种用于分类全日面图像中太阳黑子群的方法,属于天文技术和计算机视觉领域。
背景技术
太阳黑子是太阳表面强磁场的典型表现。其与太阳活动联系紧密,比如耀斑和日冕物质抛射。这些活动会扰乱地球大气层,使地面无线电短波通讯受到影响,产生“磁暴”现象等危害。以往的研究表明,太阳黑子群的形态和磁场极性越复杂,在该区域发生耀斑的概率就越高。绝大多数的M和X级耀斑发生在威尔逊山磁分类中的βγ, βδ和βγδ等复杂黑子群上方。尤其βγδ类发生耀斑的概率很高。因此,研究太阳黑子群的威尔逊山磁分类算法对预测太阳耀斑非常具有意义。
目前用来解决太阳黑子群分类方法主要采用传统的图像处理技术。比如检测主要采用强度阈值法或区域生长等方法,这些方法一般需要设置参数,比如强度阈值、开闭算子阈值和区域生长的边界阈值。这些方法相对比较繁琐,并且很难识别出所有的太阳黑子群威尔逊山磁分类类别。
近年来,随着深度学习的普及和CNN等神经网络的发展,一些基于深度学习的目标检测算法被提了出来。基于深度学习的典型目标检测算法有:R-CNN、Faster R-CNN、YOLO、CornerNet、 CornerNet-Saccade等方法。
发明内容
本发明提供了一种用于分类全日面图像中太阳黑子群的方法,以用于通过该方法有效地实现全日面图像中的黑子群磁分类。
本发明的技术方案是:一种用于分类全日面图像中太阳黑子群的方法,所述步骤如下:
步骤1:图像预处理:威尔逊山磁分类需要结合黑子群的形态和极性信息,因此首先把continuum images的黑子群形态信息和 magnetograms的极性信息合成在一张图上,便于输入神经网络。
步骤2:黑子群分类数据集:将预处理后的图像根据威尔逊山磁分类法使用图像标注工具制作黑子群分类数据集;
具体的,将HMI格式的全日面黑子群图转换成JPG/PNG格式,再根据威尔逊山磁分类法使用labelme工具制作黑子群分类数据集。
步骤3:下采样操作:将预处理后的图像下采样(Downsizing)后送入网络,目的是为了减少网络开销,提升网络效率。
步骤4:提取特征图:通过骨干网络hourglass-54获取特征图。该网络由3个hourglass模块组成,深度为54层。
步骤5:获得目标粗略位置:从Attention maps和Downsized 后的图像中获取可能存在目标的粗略位置;
步骤6:过滤位置:对上一步得到的位置进行过滤操作,操作对象主要包括重复和定位错误的位置;对于重复位置,通过计算注意力视图和Corner Pooling得到的位置的iou进行筛选;对于可能存在错误的位置,根据不同类别黑子群的面积特征,通过面积阈值进行筛选;
步骤7:选择K个位置:在得到了物体的位置后,根据得分将它们排序。选择得分最高的K个位置,并在这些位置上进行物体检测;
步骤8:放大候选区域:放大候选区域以更精确地找到对象的位置。对于从注意力视图获得的位置,将小,中和大对象的缩放比例分别设置为4、2和1,对于从Corner Pooling获得的位置,根据边界框的大小进行放大;
步骤9:检测放大后的区域:进一步检测这些放大的区域,通过检测每个目标的两个关键点可以精确调整对象的边界框,这两个关键点通过Corner Pooling检测到的对象的左上角和右下角确定。
步骤10:融合检测框:检测完毕后,通过NMS算法融合检测框(Mergingdetections),消除所有目标的冗余框。
步骤11:标注黑子群分类结果:根据检测结果,标注太阳黑子群的检测框和类别。
所述步骤1具体为:将HMI和MDI格式的全日面黑子群图转换成 JPG/PNG格式,再根据威尔逊山磁分类法使用labelme工具制作黑子群分类数据集。
本发明通过制作一个太阳黑子群分类数据集,先将原始图像压缩至255×255的尺寸送入Hourglass-54骨干网络提取特征图,再从特征图中生成3个注意力视图来分别作用于大中小物体检测,从注意力视图获取目标位置及尺寸。同时,Hourglass-54也从下采样后的图像上生成目标的粗略位置。然后通过面积阈值和iou对这些位置进行一个筛选,接着根据得分对这些位置进行一个排名,选取得分最高的 k个位置,并对这些位置所在的区域进一步检测,最终对这些位置进行一个融合,保留最佳的检测结果。相比传统方法,本发明能较好的解决传统方法中的漏识别和误识别问题。
附图说明
图1是本发明用于分类全日面图像中太阳黑子群的方法的总体流程图;
图2是本发明中采用SDO卫星上HMI观测设备于2014年2月11 日采集到的全日面连续谱图;
图3是本发明中采用SDO卫星上HMI观测设备于2014年2月11 日采集到的全日面纵向磁图;
图4是本发明对原始数据进行预处理后的图像;
图5是本发明中得到的检测结果与传统方法的对比,边界框上方的分类是的检测结果,下方式NOAA的检测结果。
具体实施方式
实施例1:如图1-5所示,一种用于分类全日面图像中太阳黑子群的方法,所述步骤如下:
步骤1:图像预处理:威尔逊山磁分类需要结合黑子群的形态和极性信息,因此首先把continuum images的黑子群形态信息和 magnetograms的极性信息合成在一张图上,便于输入神经网络。具体操作如下:
(1)读取同一时间的continuum images和magnetograms,进行平滑,归一化等操作。
(2)采用阈值法[10]提取continuum images的半影边界以及本影区域并分别存储在变量A和B中。提取磁图的正负极性区域并分别存储在变量C和D中。
(3)E=B∩C (1)
F=B∩D (2)
其中,E为黑子本影的正极区域,F为黑子本影的负极区域。∩为交集运算。
(4)将continuum images中变量A对应区域填充成绿色,变量 E对应区域填充成红色,变量F对应区域填充成蓝色。图1为连续谱图,图2为纵向磁图,图3为预处理后的图像。
步骤2:黑子群分类数据集:将预处理后的图像根据威尔逊山磁分类法使用图像标注工具制作黑子群分类数据集;
具体的,将HMI格式的全日面黑子群图转换成JPG/PNG格式,再根据威尔逊山磁分类法使用labelme工具制作黑子群分类数据集。
步骤3:下采样操作:将预处理后的图像下采样(Downsizing)后送入网络,目的是为了减少网络开销,提升网络效率。
步骤4:提取特征图:Hourglass-54网络由三个沙漏模块组成,总深度为54层。每个沙漏都是具有对称结构的模块化网络。沙漏网络首先应用三个阶段的卷积和下采样层以减小输入要素图的大小,然后通过三个阶段的卷积和上采样层将特征上采样到原始分辨率。下采样通过步长为2的卷积操作实现,而上采样则通过最近邻插值实现。在每个下采样层和上采样层之后应用一个残差单元。每个残差单元由两部分组成,三个权重层和一个映射层。每个权重层用于获取深层信息,映射层用于保留原始信息,映射层被设计为1×1卷积,用于调整尺寸,从而与权重层的输出进行匹配。沙漏模块中有十个残差单元,可以更好地解决深度神经网络中的梯度消失问题,并提高网络性能。三个沙漏模块一起进行自下而上,自上而下的推理,从而捕获和合并图像所有尺度信息。Hourglass-54的输出是一组特诊图。
步骤5:获得目标粗略位置:在每个特征图上应用3×3Conv-Relu 模块和1×1Conv-Sigmoid模块,以通过注意力机制预测注意力图。注意力机制来源于人类的扫视机制,扫视机制是指在不同图像中的一系列快速的眼球运动。注意力机制总共预测了三种大小的注意力视图,分别作用于小,中和大物体。注意图指示对象的大概位置和粗略大小。同时,Hourglass-54还从缩小的图像中为检测到的对象生成边界框。边界框是通过CornerPooling生成的。Corner Pooling通过检测对象的左上角和右下角这两个关键点获得目标的大致位置;
步骤6:过滤位置:对上一步得到的位置进行过滤操作,操作对象主要包括重复和定位错误的位置;对于重复位置,通过计算注意力视图和Corner Pooling得到的位置的iou进行筛选;对于可能存在错误的位置,根据不同类别黑子群的面积特征,通过面积阈值进行筛选;
步骤7:选择K个位置:根据分数对区域进行排序,然后选择分数最高的前k个位置,这些位置就是候选区域;
步骤8:放大候选区域:放大候选区域以更精确地找到对象的位置。对于从注意力视图获得的位置,将小,中和大对象的缩放比例分别设置为4、2和1,对于从Corner Pooling获得的位置,根据边界框的大小进行放大;
步骤9:检测放大后的区域:进一步检测这些放大的区域,通过检测每个目标的两个关键点可以精确调整对象的边界框,这两个关键点通过Corner Pooling检测到的对象的左上角和右下角确定。
步骤10:融合检测框:检测完毕后,通过NMS算法融合检测框(Mergingdetections),消除所有目标的冗余框。
步骤11:标注黑子群分类结果:根据检测结果,标注太阳黑子群的检测框和类别。
具体地,给出如下实验数据:
本文使用的数据来自于太阳动力学天文台(Solar Dynamics Observatory,SDO)卫星的日震及磁场成像仪(Helioseismic and Magnetic Imager,HMI)与日球天文台(Solar and Heliospheric Observatory,SOHO)的迈克逊多普勒成像仪(MichelsonDoppler Imager,MDI),包括continuum images和magnetograms。
共选取了2486张HMI和MDI图(continuum images和 magnetograms各2486张)作为本发明的分类数据集。数据集的制作步骤如下:
(1)图像预处理
·读取同一时间的continuum images和magnetograms,进行平滑,归一化等操作。
·采用阈值法[10]提取continuum images的半影边界以及本影区域并分别存储在变量A和B中。提取磁图的正负极性区域并分别存储在变量C和D中。
E=B∩C (1)
F=B∩D (2)
其中,E为黑子本影的正极区域,F为黑子本影的负极区域。∩为交集运算。
·将continuum images中变量A对应区域填充成绿色,变量E对应区域填充成红色,变量F对应区域填充成蓝色。图1为 magnetograms,图2为continuum images,图3为合成后的图。
(2)将太阳黑子群根据威尔逊山磁类法进行分类
太阳黑子群的分类标准有多种,本发明选择威尔逊山磁类法来对其进行分类。威尔逊山天文台根据磁场的极性将双极黑子群看作是基本类型,其他类型则视为双极黑子群的变形。按照此分类方法,极性单一的黑子群是α型,极性相反且比较明显的双极黑子群是β型,极性混杂的复杂黑子群是γ型,具有超过一条连续极性反转线的双极黑子群称为βγ型,同一个半影内具有相反极性且分离不超过2°的本影称为δ型。此外,黑子群如果包含一个或多个δ黑子,则在对应分类中加上δ,如βδ,γδ,βγδ型。其具体分类如下:
α:单极黑子群。
β:双极黑子群,极性之间具有简单且明显的划分。
γ:具有不规则极性的复杂黑子群。
δ:同一个半影内出现一组或多组相反极性的本影,且间距小于2°。
γδ:γ型黑子群中包含一个或多个δ型黑子。
βγ:双极黑子群,但具有超过一条连续极性反转线。
βδ:β型黑子群中包含一个或多个δ型黑子。
βγδ:βγ型黑子群中包含一个或多个δ型黑子。
最终,该数据集包含了2486张图像,包含10286个样本。其中 1886张作为训练集,600张作为测试集。数据集的信息如表1所示。
表1太阳黑子群分类数据集的详细信息
(3)实验环境
实验程序用python语言编写,并使用pytorch框架实现图像分类算法。计算机配置如下:操作系统为Ubuntu 16.04,8G内存的 i5-6500CPU,8G显存的GeForce RTXTM2080显卡。
(4)评价指标
在图像分类任务中,模型接收单张图像并生成一组区域,每个区域都带有置信度和分类。采用Precision、Recall,AP和Accuracy 这四个指标来评估的方法的整体性能。
Table 1:各类别在测试集上的结果
Classification | Precision | Recall | Accuracy | AP |
α | 0.90 | 0.92 | 0.90 | 0.89 |
β | 0.95 | 0.94 | 0.95 | 0.93 |
γ | 1 | 1 | 1 | 1 |
γδ | 1 | 1 | 1 | 1 |
βγ | 0.94 | 0.92 | 0.94 | 0.90 |
βδ | 0.93 | 0.91 | 0.93 | 0.87 |
βγδ | 0.96 | 0.95 | 0.96 | 0.93 |
Mean | 0.95 | 0.95 | 0.95 | 0.93 |
(5)实验结果
通过表1,可以得到的方法在太阳黑子群的威尔逊山磁分类上具有良好性能,其平均Precision、Recall、Accuracy、AP均在0.93 以上。
图4是预处理后的图,图5是检测结果图,为了方便对比,将 NOAA的分类结果人工标注到的分类结果下方。从图5可以看出,的方法总共检测出了8个黑子群,NOAA则检测出了7个。NOAA检测出的6个黑子群的分类结果与的一致。但是,NOAA对NOAA 11971给出的是α,的方法给出的是β(见图5中1号箭头指向区域)。通过分析 continuum images和magnetograms,可知该黑子群是个双极群,且不存在极性混杂的情况,同一个半影区域内也不存在极性相反的本影。因此,该黑子群应该为β类,的方法分类正确。还有,在活动区 NOAA11973上方存在一个不太明显的黑子群,的方法检测出了该黑子群,并正确分类为β(见图5中2号箭头指向区域),而NOAA漏检测了该黑子群。以上案例表明,的方法能较好的检测出黑子群并分类。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (2)
1.一种用于分类全日面图像中太阳黑子群的方法,其所述步骤如下:
步骤1:图像预处理:威尔逊山磁分类需要结合黑子群的形态和极性信息,因此首先把continuum images的黑子群形态信息和magnetograms的极性信息合成在一张图上,便于输入神经网络;
步骤2:黑子群分类数据集:将预处理后的图像根据威尔逊山磁分类法使用图像标注工具制作黑子群分类数据集;
具体的,将HMI格式的全日面黑子群图转换成JPG/PNG格式,再根据威尔逊山磁分类法使用labelme工具制作黑子群分类数据集;
步骤3:下采样操作:将预处理后的图像下采样(Downsizing)后送入网络,目的是为了减少网络开销,提升网络效率;
步骤4:提取特征图:通过骨干网络hourglass-54获取特征图;该网络由3个hourglass模块组成,深度为54层;
步骤5:获得目标粗略位置:从Attention maps和Downsized后的图像中获取可能存在目标的粗略位置;
步骤6:过滤位置:对上一步得到的位置进行过滤操作,操作对象主要包括重复和定位错误的位置;对于重复位置,通过计算注意力视图和Corner Pooling得到的位置的iou进行筛选;对于可能存在错误的位置,根据不同类别黑子群的面积特征,通过面积阈值进行筛选;
步骤7:选择K个位置:在得到了物体的位置后,根据得分将它们排序;选择得分最高的K个位置,并在这些位置上进行物体检测;
步骤8:放大候选区域:放大候选区域以更精确地找到对象的位置;对于从注意力视图获得的位置,将小,中和大对象的缩放比例分别设置为4、2和1,对于从Corner Pooling获得的位置,根据边界框的大小进行放大;
步骤9:检测放大后的区域:进一步检测这些放大的区域,通过检测每个目标的两个关键点可以精确调整对象的边界框,这两个关键点通过Corner Pooling检测到的对象的左上角和右下角确定;
步骤10:融合检测框:检测完毕后,通过NMS算法融合检测框(Merging detections),消除所有目标的冗余框;
步骤11:标注黑子群分类结果:根据检测结果,标注太阳黑子群的检测框和类别。
2.根据权利要求1所述的用于分类全日面图像中太阳黑子群的方法,其特征在于:所述步骤1具体为:将HMI和MDI格式的全日面黑子群图转换成JPG/PNG格式,再根据威尔逊山磁分类法使用labelme工具制作黑子群分类数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110128554.XA CN113052202A (zh) | 2021-01-29 | 2021-01-29 | 一种用于分类全日面图像中太阳黑子群的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110128554.XA CN113052202A (zh) | 2021-01-29 | 2021-01-29 | 一种用于分类全日面图像中太阳黑子群的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113052202A true CN113052202A (zh) | 2021-06-29 |
Family
ID=76508388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110128554.XA Pending CN113052202A (zh) | 2021-01-29 | 2021-01-29 | 一种用于分类全日面图像中太阳黑子群的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052202A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115601793A (zh) * | 2022-12-14 | 2023-01-13 | 北京健康有益科技有限公司(Cn) | 一种人体骨骼点检测方法、装置、电子设备和存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103750339A (zh) * | 2014-01-08 | 2014-04-30 | 大连普瑞康生物技术有限公司 | 雪莲培养物保健食品及其用途 |
US20140213195A1 (en) * | 2013-01-31 | 2014-07-31 | Electronics And Telecommunications Research Institute | Apparatus and method for analyzing effect on wireless communication system by solar cosmic radio wave |
CN104615990A (zh) * | 2015-02-10 | 2015-05-13 | 中国科学院国家天文台 | 一种基于怀柔全日面单色像的太阳黑子自动识别方法 |
KR101575834B1 (ko) * | 2015-10-06 | 2015-12-09 | 대한민국(국립전파연구원 우주전파센터장) | 태양 흑점군 추적 장치 및 그 방법 |
CN105372723A (zh) * | 2015-10-30 | 2016-03-02 | 中国科学院国家天文台 | 基于卷积神经网络模型的太阳耀斑预报方法 |
CN107077893A (zh) * | 2014-05-29 | 2017-08-18 | 辉光能源公司 | 发电系统及其相关方法 |
CN107886098A (zh) * | 2017-10-25 | 2018-04-06 | 昆明理工大学 | 一种基于深度学习的识别太阳黑子的方法 |
CN110851627A (zh) * | 2019-09-24 | 2020-02-28 | 昆明理工大学 | 一种用于描述全日面图像中太阳黑子群的方法 |
CN111814595A (zh) * | 2020-06-19 | 2020-10-23 | 武汉工程大学 | 基于多任务学习的低光照行人检测方法及系统 |
-
2021
- 2021-01-29 CN CN202110128554.XA patent/CN113052202A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140213195A1 (en) * | 2013-01-31 | 2014-07-31 | Electronics And Telecommunications Research Institute | Apparatus and method for analyzing effect on wireless communication system by solar cosmic radio wave |
CN103750339A (zh) * | 2014-01-08 | 2014-04-30 | 大连普瑞康生物技术有限公司 | 雪莲培养物保健食品及其用途 |
CN107077893A (zh) * | 2014-05-29 | 2017-08-18 | 辉光能源公司 | 发电系统及其相关方法 |
CN104615990A (zh) * | 2015-02-10 | 2015-05-13 | 中国科学院国家天文台 | 一种基于怀柔全日面单色像的太阳黑子自动识别方法 |
KR101575834B1 (ko) * | 2015-10-06 | 2015-12-09 | 대한민국(국립전파연구원 우주전파센터장) | 태양 흑점군 추적 장치 및 그 방법 |
CN105372723A (zh) * | 2015-10-30 | 2016-03-02 | 中国科学院国家天文台 | 基于卷积神经网络模型的太阳耀斑预报方法 |
CN107886098A (zh) * | 2017-10-25 | 2018-04-06 | 昆明理工大学 | 一种基于深度学习的识别太阳黑子的方法 |
CN110851627A (zh) * | 2019-09-24 | 2020-02-28 | 昆明理工大学 | 一种用于描述全日面图像中太阳黑子群的方法 |
CN111814595A (zh) * | 2020-06-19 | 2020-10-23 | 武汉工程大学 | 基于多任务学习的低光照行人检测方法及系统 |
Non-Patent Citations (4)
Title |
---|
THIAGO O. CAMARGO 等: "Detecting a predefined solar spot group with a pretrained convolutional neural network", 《2019 IEEE COLOMBIAN CONFERENCE ON APPLICATIONS IN COMPUTATIONAL INTELLIGENCE(COLCACT)》 * |
YUANBO HE 等: "Research on Mount Wilson Magnetic Classification Based on Deep Learning", 《ADVANCES IN ASTRONOMY》 * |
付小娜: "基于深度学习的太阳黑子群分类方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 基础科学辑》 * |
何远柏 等: "基于CornerNet-Saccade 的太阳黑子群磁分类研究", 《电视技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115601793A (zh) * | 2022-12-14 | 2023-01-13 | 北京健康有益科技有限公司(Cn) | 一种人体骨骼点检测方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919230B (zh) | 基于循环特征金字塔的医学图像肺结节检测方法 | |
CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
CN108009559B (zh) | 一种基于空谱联合信息的高光谱数据分类方法 | |
CN113887459B (zh) | 一种基于改进Unet++的露天矿区采场变化区域检测方法 | |
CN111612017B (zh) | 一种基于信息增强的目标检测方法 | |
CN109447998B (zh) | 基于PCANet深度学习模型下的自动分割方法 | |
CN110120046B (zh) | 一种融合dem、光学遥感和形变信息的潜在滑坡识别方法 | |
CN111445478A (zh) | 一种用于cta图像的颅内动脉瘤区域自动检测系统和检测方法 | |
CN111160396B (zh) | 一种基于多图结构的图卷积网络的高光谱图像分类方法 | |
CN104899892B (zh) | 一种快速的星图图像星点提取方法 | |
CN106780503A (zh) | 基于后验概率信息熵的遥感图像最优分割尺度确定方法 | |
US20210214765A1 (en) | Methods and systems for automated counting and classifying microorganisms | |
CN111444844A (zh) | 一种基于变分自编码器的液基细胞人工智能检测方法 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN104484886A (zh) | 一种mr图像的分割方法及装置 | |
CN115861409B (zh) | 大豆叶面积测算方法、系统、计算机设备及存储介质 | |
CN115909006B (zh) | 基于卷积Transformer的乳腺组织图像分类方法及系统 | |
CN110895815A (zh) | 一种基于深度学习的胸部x线气胸分割方法 | |
CN115240072A (zh) | 一种基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法 | |
CN103268494B (zh) | 基于稀疏表示的寄生虫虫卵识别方法 | |
CN113052202A (zh) | 一种用于分类全日面图像中太阳黑子群的方法 | |
CN114037720A (zh) | 基于半监督学习的病理图像分割与分类的方法及装置 | |
Kazimi et al. | Semantic segmentation of manmade landscape structures in digital terrain models | |
CN108960005B (zh) | 一种智能视觉物联网中对象视觉标签的建立及显示方法、系统 | |
CN112784806A (zh) | 一种基于全卷积神经网络的含锂伟晶岩脉提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210629 |