【技术实现步骤摘要】
本专利技术涉及暗弱天体识别，尤其是涉及一种基于卷积神经网络的暗弱天体搜寻方法。
技术介绍
1、暗弱天体的探测对小行星、超新星等天体的证认和识别具有重要价值。暗弱天体识别后，可以结合历史数据，识别出测光观测图像中新出现的小行星、超新星等天体。目前常用的天体识别方法存在以下问题：
2、1)传统图像处理手段对目标特征的挖掘能力有限；
3、常见的天文观测图像会因为受到噪声，天光亮度等影响，造成目标信噪比降低，并且最后呈现的像源面积较小，包含特征较少。传统的方法有光流法，帧间差分法，背景差分法等，但是这些方法基本是通过不断设定合适的阈值来分割目标和背景，然而在面对海量观测数据时，这些方法不仅自动化的提取效率不高，而且在提取暗弱天体的任务中，存在误检率和漏检率高的问题。
4、2)深度学习通用目标检测算法无法解决小行星观测图像存在的目标小，特征不明显等问题；
5、现有通用网络主要针对于常见生活目标，对于天文图像中的小目标检测效果不佳。随着ccd与cmos等技术发展，4kx4k以上的图像也越来越多，目标像源所占比例也越来越小。相较于生活中目标所能提供的纹理，形状等特征信息，天文目标所能提供的信息有限。天文图像的存储格式都为16位灰度图像，使用未经处理的通用检测网络，会损失目标关键的特征信息。
技术实现思路
1、本专利技术的目的是提供一种基于卷积神经网络的暗弱天体搜寻方法，将预处理后的天文图像作为训练集用来训练模型，然后将训练所得模型用于天文图像中的目
2、为实现上述目的，本专利技术提供了一种基于卷积神经网络的暗弱天体搜寻方法，步骤如下：
3、s1、将预处理后的天文图像作为数据集，训练得到卷积神经网络模型，生成最优的模型参数；
4、s1.1、构建基于天文图像的数据集；
5、s1.2、卷积神经网络模型的搭建，建立mdyhead-yolo模型；
6、s1.3、基于s1.1获得的数据集进行卷积神经网络模型训练，生成最优的mdyhead-yolo模型参数；
7、s2、将训练所得模型用于天文图像中的目标检测任务。
8、优选的，s1.1中构建数据集的具体步骤如下：
9、s1.1.1、天文图像采集与改正：获取天文测光观测图像，对观测图像进行本底、平场改正，获得修正了本底、平场的原始图像；
10、s1.1.2、训练数据标签：数据标签包括原始图像中各天体的位置信息，以及星像所占区域的宽和高；
11、s1.1.3、标签数据制作：对原始图像进行图像增强，并附加数据标签，得到标签数据；
12、s1.1.4、数据集生成：将处理好的标签数据按照6:3:1的比例分为训练集、验证集、测试集三部分，用于卷积神经网络模型的训练。
13、优选的，s1.1.2中训练数据标签的过程如下：
14、(1)对原始观测数据进行目标提取，获得图像中亮天体的(x,y)坐标和星像的半高全宽均值；
15、(2)读取星表中该天区附近天体的天球坐标(ra,dec)信息，使用星表匹配算法，获得图像的wcs信息，获得图像(x,y)和天球坐标(ra,dec)的映射关系；
16、(3)结合wcs信息和星表中天体的天球坐标，获得星表中各天体在图像中的(x,y)坐标；
17、(4)使用观测图像的半高全宽值，估计星像所占区域的宽和高，从而给出各天体在图像中的区域；
18、(5)通过天文定位后的fits文件做对星表匹配，将天球坐标转换为像素坐标，获得图像中所有天文目标的坐标(x,y)以及星像所占区域的宽和高，从而完成标签数据的制作。
19、优选的，s1.1.3中进行图像增强的过程如下：对修正后的原始图像进行直方图均衡，增加灰度图像中天文目标与背景噪声之间的特征差异；采用mosaic方法和mixup方法进行数据增强，mosaic使用率为70％，mixup使用率为10％，并进行使用概率为50％的左右翻转和使用概率为15％的图像粘贴，最后将直方图均衡化后的图像转换为单通道的16位png数据。
20、优选的，s1.2中搭建卷积神经网络模型的具体步骤如下：
21、s1.2.1、配置深度学习运行环境；
22、s1.2.2、对yolo v8模型进行优化，建立mdyhead-yolo模型；
23、对yolo v8模型进行优化的内容包括：
24、将多尺度空洞注意力机制msda和cspdarknet53特征提取网络相融合，得到csp-msda网络模型，csp-msda网络模型包括特征提取网络、特征融合网络和检测头网络，
25、在特征提取网络中，使用msda作为主干网络中的特征提取模块，前三层由cbs模块依次连接，第四层为cbs-embc模块，第五层为cbs模块，第六层为cbs-embc模块，第七层、第八层为cbs模块；
26、在特征融合网络中，第九层为cbs模块，第十层为unsample模块，第十一层将第八层和上一层的输出放入concat模块中，第十二层为cbs-embc模块，第十三层为unsample模块，第十四层将第六层的输出和上一层输出放入concat模块，第十五层为cbs-embc模块，第十六层为unsample模块，第十七层将第四层的输出和上一层输出放入concat模块，第十八层为cbs-embc模块，第十九层为maxpooling模块，第二十层将第二层的输出和上一层的输出合并放入concat模块；
27、在检测头网络中，采用dyhead：将第十一层，第十四层，第二十层作为接入数据；将检测头网络修改为动态注意力检测头dyhead，分别计算特征、空间位置、通道之间的注意力值。
28、优选的，s1.3中进行卷积神经网络训练的过程如下：
29、初始化网络的训练参数，在s1.1中获得的天文图像数据集上进行训练，配置文件里参数设置为：训练迭代次数为300次，学习率设为0.001，batch size设置为2，nms设置为0.5，每迭代50次保存一次模型，使用适应矩阵优化算法；然后更新网络模型权重参数，开始模型训练；多轮迭代后，获得适用于检测图像中天体的最优mdyhead-yolo模型。
30、优选的，s2中检测天文图像中的天体的具体过程如下：首先将待识别的天文图像进行直方图均衡化；然后将处理后的图像转化为单通道的16位png数据并保存；最后使用训练好的最优mdyhead-yolo模型对图像中的天体进行检测。
31、因此，本专利技术采用上述步骤的一种基于卷积神经网络的暗弱天体搜寻方法，专门应用于处理天文观测图像中暗弱天体的识别，对暗弱天体识别效率高，漏检率低、误检率低；对天文测光观测图像中天体的识别有着更高的处理速度。
32、下面通过附图和实施例，对本专利技术的技术方案做进一步本文档来自技高网...
【技术保护点】
1.一种基于卷积神经网络的暗弱天体搜寻方法，其特征在于：步骤如下：
2.根据权利要求1所述的一种基于卷积神经网络的暗弱天体搜寻方法，其特征在于：S1.1中构建数据集的具体步骤如下：
3.根据权利要求2所述的一种基于卷积神经网络的暗弱天体搜寻方法，其特征在于：S1.1.2中训练数据标签的过程如下：
4.根据权利要求3所述的一种基于卷积神经网络的暗弱天体搜寻方法，其特征在于：S1.1.3中进行图像增强的过程如下：对修正后的原始图像进行直方图均衡，增加灰度图像中天文目标与背景噪声之间的特征差异；采用mosaic方法和mixup方法进行数据增强，mosaic使用率为70％，mixup使用率为10％，并进行使用概率为50％的左右翻转和使用概率为15％的图像粘贴，最后将直方图均衡化后的图像转换为单通道的16位png数据。
5.根据权利要求4所述的一种基于卷积神经网络的暗弱天体搜寻方法，其特征在于：S1.2中搭建卷积神经网络模型的具体步骤如下：
6.根据权利要求5所述的一种基于卷积神经网络的暗弱天体搜寻方法，其特征在于：S1.3中进行
7.根据权利要求6所述的一种基于卷积神经网络的暗弱天体搜寻方法，其特征在于：S2中检测天文图像中的天体的具体过程如下：首先将待识别的天文图像进行直方图均衡化；然后将处理后的图像转化为单通道的16位png数据并保存；最后使用训练好的最优MDyhead-YOLO模型对图像中的天体进行检测。
...【技术特征摘要】
1.一种基于卷积神经网络的暗弱天体搜寻方法，其特征在于：步骤如下：
2.根据权利要求1所述的一种基于卷积神经网络的暗弱天体搜寻方法，其特征在于：s1.1中构建数据集的具体步骤如下：
3.根据权利要求2所述的一种基于卷积神经网络的暗弱天体搜寻方法，其特征在于：s1.1.2中训练数据标签的过程如下：
4.根据权利要求3所述的一种基于卷积神经网络的暗弱天体搜寻方法，其特征在于：s1.1.3中进行图像增强的过程如下：对修正后的原始图像进行直方图均衡，增加灰度图像中天文目标与背景噪声之间的特征差异；采用mosaic方法和mixup方法进行数据增强，mosaic使用率为70％，mixup使用率为10％，并进行使用概率为50％的左右...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。