辛澤寰，尚振宏

(昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院，云南 昆明 650500)

太陽(yáng)暗條是在日冕中由低溫高密度的等離子體組成，在日面中心呈現(xiàn)絲狀結(jié)構(gòu)[1]。暗條的尺度、活動(dòng)狀態(tài)各不相同，最終會(huì)消失或者爆發(fā)。暗條爆發(fā)與太陽(yáng)耀斑、日冕物質(zhì)拋射、磁風(fēng)暴等有密切的關(guān)系，強(qiáng)烈的暗條爆發(fā)活動(dòng)發(fā)射的等離子體在幾天后抵達(dá)地球，影響地球磁層，嚴(yán)重時(shí)導(dǎo)致通信設(shè)備受損，造成通信中斷、航空運(yùn)輸導(dǎo)航失效等災(zāi)難[2]。此外，暗條通常出現(xiàn)在光球磁場(chǎng)極性反轉(zhuǎn)線的上方，因此，對(duì)暗條進(jìn)行研究有助于探究太陽(yáng)磁場(chǎng)的變化過(guò)程。作為相關(guān)研究的基礎(chǔ)和前提，對(duì)暗條準(zhǔn)確檢測(cè)具有重要的科學(xué)意義。

根據(jù)光學(xué)厚的暗條物質(zhì)會(huì)吸收大量光球背景輻射但發(fā)射很少這一特征，在Hα波段觀測(cè)到的太陽(yáng)暗條比周圍背景更暗。在此基礎(chǔ)上，大量學(xué)者對(duì)暗條自動(dòng)檢測(cè)方法開(kāi)展了一系列研究，具體可以分為3類：(1)基于閾值檢測(cè)方法。例如，文[3-4]采用全局閾值和區(qū)域增長(zhǎng)算法自動(dòng)檢測(cè)暗條；文[5-7]采用局部閾值代替全局閾值改善全日面圖像具有臨邊昏暗和亮度不均勻這一問(wèn)題；文[8]利用Canny算子進(jìn)行暗條邊緣檢測(cè)后，利用形態(tài)學(xué)腐蝕膨脹法檢測(cè)暗條。此類方法計(jì)算復(fù)雜度較低，只需關(guān)注暗條圖像特征，不需要人工標(biāo)注數(shù)據(jù)集，但是容易將圖像中的噪聲點(diǎn)和較暗的背景誤識(shí)別為暗條，檢測(cè)結(jié)果精確率較低。(2)基于機(jī)器學(xué)習(xí)方法。例如，文[9-10]利用人工神經(jīng)網(wǎng)絡(luò)，通過(guò)一個(gè)預(yù)先定義的窗口逐個(gè)像素點(diǎn)檢測(cè)暗條，對(duì)不同背景中的暗條，訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)能夠正確識(shí)別。此類方法可以有效克服對(duì)圖像歸一化過(guò)程的高度依賴，利用先驗(yàn)信息設(shè)定合適的特征提取器，特征提取效率高，模型訓(xùn)練速度快，但是模型泛化性較差，一些形態(tài)結(jié)構(gòu)復(fù)雜的暗條不能有效地自適應(yīng)建模，對(duì)弱小暗條不敏感，檢測(cè)結(jié)果存在弱小暗條斷裂和漏檢問(wèn)題。(3)基于深度學(xué)習(xí)方法。深度學(xué)習(xí)方法可以更好地學(xué)習(xí)圖像特征，在天文圖像處理方面取得很大成功，引起學(xué)者的廣泛關(guān)注[11-12]。例如，文[13]利用Mask R-CNN檢測(cè)暗條，采用印度尼西亞航空航天研究所拍攝的Hα波段全日面圖像數(shù)據(jù)集，ResNet-101和特征金字塔網(wǎng)絡(luò)作為骨干網(wǎng)絡(luò)，訓(xùn)練模型進(jìn)行太陽(yáng)暗條檢測(cè)；文[14]利用基于UNet深度學(xué)習(xí)網(wǎng)絡(luò)識(shí)別太陽(yáng)暗條，采用大熊湖天文臺(tái)拍攝的Hα波段全日面圖像數(shù)據(jù)集，同時(shí)在UNet網(wǎng)絡(luò)的下采樣部分加入Dropout層，在上采樣部分用線性插值代替反卷積，改進(jìn)后的UNet網(wǎng)絡(luò)用于太陽(yáng)暗條檢測(cè)。相比機(jī)器學(xué)習(xí)方法，這類方法無(wú)需人工設(shè)計(jì)特征提取器，可以根據(jù)標(biāo)簽自動(dòng)學(xué)習(xí)暗條的特征及細(xì)節(jié)信息，總體算法的泛化性和魯棒性較高。但是此類方法存在標(biāo)簽不準(zhǔn)確的問(wèn)題，標(biāo)簽中存在太陽(yáng)黑子及噪聲點(diǎn)，干擾網(wǎng)絡(luò)提取暗條特征，導(dǎo)致訓(xùn)練模型不精準(zhǔn)。UNet網(wǎng)絡(luò)在下采樣過(guò)程中提取特征能力不夠，丟失暗條的細(xì)節(jié)特征，在上采樣過(guò)程中，只對(duì)網(wǎng)絡(luò)最終輸出結(jié)果進(jìn)行調(diào)整，中間特征圖沒(méi)有得到充分訓(xùn)練，檢測(cè)結(jié)果存在弱小暗條斷裂、甚至漏檢或者背景誤識(shí)別等問(wèn)題。

針對(duì)當(dāng)前暗條檢測(cè)存在的問(wèn)題，為了網(wǎng)絡(luò)能夠?qū)W習(xí)更準(zhǔn)確的暗條特征，本文首次結(jié)合太陽(yáng)磁圖，對(duì)數(shù)據(jù)集中的太陽(yáng)暗條進(jìn)行手工標(biāo)注，在訓(xùn)練網(wǎng)絡(luò)前對(duì)圖像進(jìn)行亮度歸一化、去噪等預(yù)處理。VNet[15]網(wǎng)絡(luò)具有較強(qiáng)的抗干擾能力，可以有效抑制背景對(duì)檢測(cè)結(jié)果的影響。為了充分提取暗條的細(xì)節(jié)特征，我們對(duì)VNet網(wǎng)絡(luò)進(jìn)行改進(jìn)，改進(jìn)后的網(wǎng)絡(luò)能更精確地檢測(cè)弱小暗條。本文主要工作是：(1)結(jié)合太陽(yáng)磁圖制作了太陽(yáng)暗條數(shù)據(jù)集(本文數(shù)據(jù)集公開(kāi)在https://github.com/huan819/fv)，相對(duì)已有的暗條數(shù)據(jù)集，該數(shù)據(jù)集制作時(shí)，根據(jù)同一時(shí)刻太陽(yáng)磁圖的磁場(chǎng)分布結(jié)構(gòu)，剔除黑子和噪聲，保留了弱小暗條，暗條標(biāo)簽更精確。(2)在網(wǎng)絡(luò)下采樣部分采用Inception模塊[16]提取不同尺度特征圖的特征；引入注意力機(jī)制[17]，抑制背景圖像中干擾特征的影響；在上采樣部分引入深度監(jiān)督模塊[18]，將不同深度特征圖進(jìn)行融合，提高了檢測(cè)結(jié)果的準(zhǔn)確率。最后通過(guò)實(shí)驗(yàn)證明，本文方法能對(duì)太陽(yáng)暗條實(shí)現(xiàn)較高精度的檢測(cè)。

1 太陽(yáng)暗條數(shù)據(jù)集

1.1 數(shù)據(jù)預(yù)處理

暗條數(shù)據(jù)集取自美國(guó)大熊湖天文臺(tái)的Hα全日面圖像。由于太陽(yáng)與地球之間距離變化和溫度、濕度、風(fēng)速等原因，導(dǎo)致拍攝的圖像不居中，同時(shí)地面儀器還受到光線、大氣抖動(dòng)等復(fù)雜因素影響，造成全日面圖中有噪聲，亮度不均勻。這些因素在一定程度上影響網(wǎng)絡(luò)檢測(cè)結(jié)果的準(zhǔn)確率和召回率。針對(duì)這些問(wèn)題，本文首先使用霍夫圓檢測(cè)法和最小二乘擬合法獲得太陽(yáng)中心和半徑，計(jì)算圖像中心點(diǎn)坐標(biāo)和太陽(yáng)圓心坐標(biāo)，將太陽(yáng)圓心平移到圖像中心點(diǎn)，當(dāng)兩種方法相差5像素時(shí)，人工進(jìn)行調(diào)整，得到太陽(yáng)輪廓，并將輪廓外像素設(shè)置為灰色，避免干擾網(wǎng)絡(luò)訓(xùn)練；其次利用全變分模型去除背景噪聲；最后通過(guò)增強(qiáng)圖像對(duì)比度突出暗條特征，剪切去除圖像中極值像素點(diǎn)，剩余部分按比例重新分配。預(yù)處理前后的圖像如圖1，由圖1可以看出，圖像經(jīng)過(guò)預(yù)處理后，暗條特征更加明顯。

圖1 (a)原始圖像；(b)預(yù)處理后圖像Fig.1 (a) Original image; (b) pre-processed image

1.2 制作數(shù)據(jù)集

數(shù)據(jù)是深度學(xué)習(xí)的血液，基于深度學(xué)習(xí)的暗條圖像分割算法需要從標(biāo)注好的數(shù)據(jù)中學(xué)習(xí)暗條特征信息，從而不斷調(diào)節(jié)網(wǎng)絡(luò)中每一層參數(shù)。標(biāo)注數(shù)據(jù)有偏差會(huì)導(dǎo)致訓(xùn)練模型難以收斂，檢測(cè)結(jié)果不精準(zhǔn)，甚至不超過(guò)傳統(tǒng)閾值分割法。目前公開(kāi)的太陽(yáng)暗條數(shù)據(jù)集來(lái)自中國(guó)科學(xué)院國(guó)家天文臺(tái)[14]，該數(shù)據(jù)集取自美國(guó)大熊湖天文臺(tái)的Hα全日面圖像，但其暗條數(shù)據(jù)集標(biāo)注方法是根據(jù)暗條的亮度特征，利用圖像閾值分割處理方法，圖像中太陽(yáng)黑子和小噪聲點(diǎn)也同時(shí)標(biāo)注，漏掉弱小暗條，網(wǎng)絡(luò)提取到錯(cuò)誤的特征信息，導(dǎo)致暗條漏檢和背景誤識(shí)別。圖2為中國(guó)科學(xué)院國(guó)家天文臺(tái)數(shù)據(jù)集中普遍存在的一些問(wèn)題。圖2(a)紅色框處是全日面圖中的太陽(yáng)黑子，圖2(b)紅色框處是對(duì)應(yīng)標(biāo)簽中的太陽(yáng)黑子，圖2(c)紅色框處是全日面圖中的弱小暗條，黃色框處是噪聲點(diǎn)，圖2(d)紅色框處是對(duì)應(yīng)標(biāo)簽中漏掉的弱小暗條，黃色框處是噪聲點(diǎn)。為了提高訓(xùn)練準(zhǔn)確率，進(jìn)而提高模型準(zhǔn)確率，本文制作并公開(kāi)了太陽(yáng)暗條數(shù)據(jù)集，該數(shù)據(jù)集包括兩部分：Hα全日面圖像和暗條二值標(biāo)簽圖。Hα全日面圖像取自美國(guó)大熊湖天文臺(tái)2010～2020年拍攝的Hα波段全日面圖像。

圖2 國(guó)家天文臺(tái)數(shù)據(jù)集[14]。(a)和(c)為Hα全日面圖像；(b)和(d)為太陽(yáng)暗條標(biāo)簽圖

暗條與磁場(chǎng)有密切的關(guān)系，暗條存在于太陽(yáng)磁場(chǎng)極性反轉(zhuǎn)線的上方。極性反轉(zhuǎn)線是指徑向磁場(chǎng)在光球上正負(fù)磁場(chǎng)的分界線[19]。另外，太陽(yáng)黑子位于單一極性區(qū)域，而非極性反轉(zhuǎn)線上。利用該特征，根據(jù)同一時(shí)刻美國(guó)國(guó)立太陽(yáng)天文臺(tái)全球日震觀測(cè)網(wǎng)(Global Oscillation Network Group, GONG)觀測(cè)的太陽(yáng)磁圖中正負(fù)磁極的位置，即圖3(b)中黑白相交的位置，結(jié)合暗條的亮度和紋理特征，同時(shí)利用磁圖排除黑子對(duì)暗條檢測(cè)結(jié)果的干擾，采用Labelme標(biāo)注工具對(duì)暗條進(jìn)行描點(diǎn)標(biāo)注。圖3(a)為全日面圖像；圖3(b)為全日面太陽(yáng)磁圖；圖3(c)為太陽(yáng)暗條標(biāo)簽圖。圖3(b)中紅色線條為標(biāo)注的磁中性線，與圖3(a)紅色框?qū)?yīng)的圖3(b)中的位置并無(wú)正負(fù)磁場(chǎng)出現(xiàn)，因此在制作標(biāo)簽時(shí)，該位置不存在暗條。本文數(shù)據(jù)集包含191幅全日面Hα圖像，包含各類形態(tài)暗條3 372個(gè)，由于2013～2014年暗條數(shù)量較多并且具有不同的尺度，暗條特征較為完整，因此訓(xùn)練集圖像取自2013～2014年的全日面圖像共146幅。測(cè)試集圖像取自其余年份的全日面圖像共45幅。

2 方法原理

文[15]提出VNet網(wǎng)絡(luò)用于醫(yī)學(xué)圖像的分割，由于太陽(yáng)暗條和醫(yī)學(xué)圖像都具有制作標(biāo)簽成本高、數(shù)據(jù)訓(xùn)練樣本比較少的特點(diǎn)，而VNet網(wǎng)絡(luò)只需要少量的樣本就可以訓(xùn)練模型，并且VNet網(wǎng)絡(luò)在上采樣和下采樣過(guò)程中加入殘差結(jié)構(gòu)，解決了深層網(wǎng)絡(luò)梯度消失的問(wèn)題。此外，VNet網(wǎng)絡(luò)抗干擾能力較強(qiáng)，可以有效抑制背景對(duì)暗條檢測(cè)結(jié)果的影響，因此本文采用改進(jìn)原有的VNet網(wǎng)絡(luò)檢測(cè)太陽(yáng)暗條。

VNet網(wǎng)絡(luò)由上采樣和下采樣兩部分構(gòu)成，VNet算法結(jié)構(gòu)如圖4。下采樣部分主要功能是提取圖像特征，包含5個(gè)卷積單元，每個(gè)卷積單元由卷積層、池化層和激活函數(shù)組成。卷積采用5 × 5 × 5的卷積核，填充大小為2，步幅為1。池化層可以減少訓(xùn)練過(guò)程中的參數(shù)，減少內(nèi)存占用率，提高訓(xùn)練速度。激活函數(shù)為PReLU[20]函數(shù)。卷積塊中還加入了殘差學(xué)習(xí)結(jié)構(gòu)，有效緩解梯度消失的問(wèn)題。下采樣和上采樣中間為級(jí)聯(lián)。級(jí)聯(lián)將下采樣過(guò)程中的特征圖與上采樣反卷積后的特征圖融合，再進(jìn)行卷積操作，這樣可以有效防止下采樣過(guò)程中特征丟失，保留在下采樣部分的目標(biāo)位置信息以及圖像的邊緣特征。

圖4 VNet算法結(jié)構(gòu)圖Fig.4 Structure of VNet algorithm

2.1 改進(jìn)的VNet網(wǎng)絡(luò)

原始的VNet網(wǎng)絡(luò)能夠很好地抑制圖像背景的干擾，但是暗條大小尺度不一，弱小暗條的特征難以提取，容易造成細(xì)節(jié)信息丟失、暗條斷裂等問(wèn)題。針對(duì)這些問(wèn)題，本文提出一種基于改進(jìn)VNet網(wǎng)絡(luò)的暗條檢測(cè)算法。網(wǎng)絡(luò)整體分為下采樣和上采樣兩部分，改進(jìn)的VNet算法結(jié)構(gòu)如圖5。本文保留了VNet網(wǎng)絡(luò)的基本結(jié)構(gòu)，圖像輸入后，首先經(jīng)過(guò)Inception模塊學(xué)習(xí)不同尺度特征圖的特征，并融合輸入下一層，提高網(wǎng)絡(luò)性能，并在上采樣的第2和第3個(gè)卷積單元中加入注意力機(jī)制，更好地利用上下文信息，增強(qiáng)特征圖中暗條的語(yǔ)義信息，提高網(wǎng)絡(luò)對(duì)重要信息特征的學(xué)習(xí)能力。在上采樣部分引入深度監(jiān)督模塊，充分提取太陽(yáng)暗條特征，改進(jìn)后的網(wǎng)絡(luò)模型能夠充分提取太陽(yáng)暗條特征，提高了太陽(yáng)暗條檢測(cè)精度。

圖5 改進(jìn)VNet算法結(jié)構(gòu)圖Fig.5 Structure of improved VNet algorithm

2.2 Inception模塊

太陽(yáng)暗條尺度信息存在較大差異，選擇合適尺寸的卷積核比較困難。大尺度太陽(yáng)暗條長(zhǎng)度可達(dá)100像素，信息分布更具有全局性，采用大尺寸卷積核提取特征比較全面，小尺度太陽(yáng)暗條長(zhǎng)度約10像素，信息分布比較局部，適合較小卷積核。為了提取更多太陽(yáng)暗條的有效特征，同時(shí)減少參數(shù)量，圖像輸入后首先經(jīng)過(guò)Inception模塊[14]，通過(guò)增加卷積單元個(gè)數(shù)，對(duì)較大的卷積核用1 × 1的卷積核進(jìn)行降維操作，使輸入圖像在不同尺度上進(jìn)行融合，提取不同的尺度特征，同時(shí)提高網(wǎng)絡(luò)計(jì)算資源利用率，提高網(wǎng)絡(luò)性能，克服數(shù)據(jù)樣本較少帶來(lái)訓(xùn)練過(guò)擬合的問(wèn)題。Inception模塊結(jié)構(gòu)如圖6。在同一層級(jí)上運(yùn)行多個(gè)尺寸的濾波器，使用4個(gè)大小不同的濾波器，分別是1 × 1，1 × 1，3 × 3和5 × 5的卷積核，在3 × 3和5 × 5的卷積層前添加1 × 1卷積核，調(diào)整輸入通道數(shù)量，減少參數(shù)量。在1 × 1的卷積層前加入3 × 3最大池化層提高網(wǎng)絡(luò)訓(xùn)練速度，同時(shí)提高所提取特征的魯棒性。最后，將不同卷積核獲得的太陽(yáng)暗條特征圖進(jìn)行融合，進(jìn)一步提高網(wǎng)絡(luò)泛化能力。

圖6 Inception結(jié)構(gòu)Fig.6 Structure of inception

2.3 注意力機(jī)制

下采樣過(guò)程中對(duì)圖像不斷卷積提取圖像特征，造成暗條邊緣及細(xì)節(jié)信息丟失。雖然VNet網(wǎng)絡(luò)采用跨連接融合特征圖保留了一些信息，但是不同空間位置所包含信息的重要程度不一樣，圖像中不同位置應(yīng)該具有不同權(quán)重。本文在下采樣特征提取過(guò)程中加入空間注意力機(jī)制[17]，增強(qiáng)暗條特征的同時(shí)抑制無(wú)用背景信息。

圖像經(jīng)過(guò)下采樣過(guò)程中第2個(gè)卷積單元得到特征圖，如圖7。首先分別使用最大值和平均值全局池化操作，最大值池化可以突出暗條特征，平均值池化可以獲取全局信息，將兩種池化后的特征圖按通道拼接后進(jìn)行1 × 1卷積并添加非線性成分，然后通過(guò)sigmoid激活函數(shù)計(jì)算得出空間注意力權(quán)重的空間矩陣，sigmoid函數(shù)可以避免特征在傳遞過(guò)程中過(guò)于稀疏及權(quán)重系數(shù)過(guò)大。經(jīng)過(guò)sigmoid函數(shù)得到權(quán)重系數(shù)與輸入特征圖相乘得到新特征圖?？臻g注意力機(jī)制可以表示為

圖7 空間注意力結(jié)構(gòu)Fig.7 Structure of spatial attention

Mc(F)=σ{MLP[AugPool(F)]+MLP[MaxPool(F)]} ，

(1)

其中，Mc(F)為生成空間注意力圖；c為特征圖通道數(shù)；MLP表示多層感知器；σ為sigmoid激活函數(shù)；AugPool(F)和MaxPool(F)分別表示對(duì)特征圖平均值全局池化和最大值全局池化。

注意力機(jī)制可以使網(wǎng)絡(luò)更加專注于暗條特征提取，抑制背景噪聲等異常特征信息，精準(zhǔn)檢出弱小暗條，提高暗條檢測(cè)精度。

2.4 深度監(jiān)督

文[18]提出一種深度監(jiān)督網(wǎng)絡(luò)(Deeply-Supervised Nets, DSN)。深度監(jiān)督能夠?qū)η懊鎸拥挠?xùn)練起到監(jiān)督作用，從而保證整個(gè)網(wǎng)絡(luò)的訓(xùn)練效果。本文采取深度監(jiān)督方法調(diào)整每一層特征圖參數(shù)，保證輸出層和隱藏層學(xué)到該層盡可能多的細(xì)節(jié)特征，從而保證更上層網(wǎng)絡(luò)能夠使用更加精確的特征圖進(jìn)行訓(xùn)練。

深度監(jiān)督模塊如圖8。每個(gè)上采樣過(guò)程中有一個(gè)額外的分支操作，該分支操作將不同尺度特征圖通過(guò)上采樣放大，將圖像恢復(fù)到原始圖像大小，這4個(gè)分支操作分別是map1，map2，map3和map4，再將這4個(gè)階段的分支操作進(jìn)行融合。通過(guò)對(duì)特征圖的監(jiān)督，不同尺度特征圖都能學(xué)到最準(zhǔn)確的特征，提高網(wǎng)絡(luò)檢測(cè)準(zhǔn)確率。

圖8 深度監(jiān)督模塊Fig.8 Deep supervision module

3 實(shí)驗(yàn)過(guò)程及結(jié)果分析

3.1 訓(xùn)練細(xì)節(jié)

所有實(shí)驗(yàn)在Windows10系統(tǒng)下進(jìn)行，其中深度學(xué)習(xí)框架為keras，硬件環(huán)境：中央處理器為Intel Core i7-7800X 3.50 GHz，顯卡為GTX Titan X GPU，內(nèi)存32 G。本文采用自己制作的暗條數(shù)據(jù)集，并且對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理。太陽(yáng)暗條數(shù)據(jù)集包括146對(duì)預(yù)處理圖像和暗條標(biāo)簽。在訓(xùn)練階段batch_size=2，每輪迭代300步，計(jì)劃訓(xùn)練輪次為200輪，采用早停法控制訓(xùn)練過(guò)程，若函數(shù)在10個(gè)訓(xùn)練輪次內(nèi)模型損失值沒(méi)有下降則停止訓(xùn)練。學(xué)習(xí)率初始值0.000 1，學(xué)習(xí)率衰減策略為若3個(gè)訓(xùn)練輪次的損失值沒(méi)有下降，則學(xué)習(xí)率減半，最終在151輪訓(xùn)練停止。從圖9可以看出，隨著訓(xùn)練輪次增加，損失值不斷下降，曲線呈現(xiàn)微小波動(dòng)，最后趨于水平。

圖9 損失率曲線圖Fig.9 Loss image

選擇優(yōu)化器時(shí)，在訓(xùn)練過(guò)程中產(chǎn)生大量參數(shù)，導(dǎo)致計(jì)算量增加。本文采用Adam優(yōu)化器[21]訓(xùn)練網(wǎng)絡(luò)。該算法優(yōu)點(diǎn)是在訓(xùn)練過(guò)程中可以為不同的參數(shù)計(jì)算不同的自適應(yīng)學(xué)習(xí)率，有利于網(wǎng)絡(luò)優(yōu)化，適用于大規(guī)模參數(shù)問(wèn)題，并且對(duì)內(nèi)存需求較小。

3.2 數(shù)據(jù)增強(qiáng)

在深度學(xué)習(xí)中，訓(xùn)練集樣本較少是造成過(guò)擬合的主要原因之一。由于太陽(yáng)暗條圖像人工標(biāo)注成本很高，數(shù)據(jù)集較少，因此，本文在訓(xùn)練的同時(shí)利用keras中ImageDataGenerator圖片生成器對(duì)訓(xùn)練圖像進(jìn)行旋轉(zhuǎn)、垂直翻轉(zhuǎn)、平移等擴(kuò)充數(shù)據(jù)。146組圖像經(jīng)數(shù)據(jù)增強(qiáng)后生成26 648個(gè)訓(xùn)練樣本，提高了模型的泛化能力和魯棒性。

3.3 損失函數(shù)

在太陽(yáng)暗條檢測(cè)過(guò)程中，暗條僅占整個(gè)Hα全日面圖像約5%區(qū)域，在訓(xùn)練過(guò)程中損失函數(shù)容易陷入局部最小值，導(dǎo)致檢測(cè)結(jié)果偏向背景，漏檢弱小暗條。為了有效解決前景和背景像素嚴(yán)重失衡的問(wèn)題，損失函數(shù)采用基于Dice系數(shù)最大化目標(biāo)函數(shù)[15]優(yōu)化模型，公式為

(2)

其中，P和G分別表示暗條預(yù)測(cè)結(jié)果和暗條標(biāo)簽；N(ΔP)和N(ΔG)表示預(yù)測(cè)結(jié)果和標(biāo)簽區(qū)域中像素個(gè)數(shù)；Smooth=0.001，防止分母為0。Dice數(shù)值越小，檢測(cè)結(jié)果的精度越高。

3.4 評(píng)價(jià)指標(biāo)

判斷暗條檢測(cè)方法的性能需要有效的評(píng)價(jià)指標(biāo)，本文將暗條檢測(cè)結(jié)果與暗條標(biāo)簽相比，有4種檢測(cè)結(jié)果：真陽(yáng)性(True Positive, TP)表示檢測(cè)正確的暗條像素點(diǎn)；假陽(yáng)性(False Positive, FP)表示檢測(cè)錯(cuò)誤的暗條像素點(diǎn)；真陰性(True Negative, TN)表示檢測(cè)正確的背景點(diǎn)；假陰性(False Negative, FN)表示檢測(cè)錯(cuò)誤的背景點(diǎn)。檢測(cè)結(jié)果如表1。

通過(guò)表1的檢測(cè)結(jié)果可以計(jì)算出準(zhǔn)確率(Accruacy)、召回率(Recall)、精確率(Precision)3個(gè)衡量方法性能的指標(biāo)。準(zhǔn)確率是分類正確像素點(diǎn)占整個(gè)圖像像素點(diǎn)總和的比例；召回率是檢測(cè)正確的暗條像素點(diǎn)占真實(shí)暗條像素點(diǎn)總和的比例；精確率是檢測(cè)正確的暗條像素點(diǎn)占檢測(cè)暗條像素點(diǎn)總和的比例；F1值是對(duì)精準(zhǔn)率和召回率的整體評(píng)價(jià)，介于0～1之間。本文暗條檢測(cè)方法性能評(píng)價(jià)指標(biāo)如表2。

表1 4種太陽(yáng)暗條檢測(cè)結(jié)果Table 1 Four results of solar filaments detection

表2 太陽(yáng)暗條檢測(cè)方法性能評(píng)估指標(biāo)

3.5 實(shí)驗(yàn)結(jié)果

3.5.1 算法改進(jìn)前后對(duì)比

為了說(shuō)明本文提出VNet網(wǎng)絡(luò)在下采樣部分采用Inception模塊同時(shí)加入注意力機(jī)制，在上采樣部分引入深度監(jiān)督模塊具有一定的優(yōu)勢(shì)，本文將改進(jìn)前后的VNet網(wǎng)絡(luò)在測(cè)試集上進(jìn)行測(cè)試，采用人工標(biāo)注暗條標(biāo)簽圖和檢測(cè)結(jié)果進(jìn)行比較。表3列出了原始VNet網(wǎng)絡(luò)，加入Inception模塊后的Inception-VNet網(wǎng)絡(luò)，加入注意力機(jī)制后的Attention-VNet網(wǎng)絡(luò)，以及本文最終改進(jìn)后VNet網(wǎng)絡(luò)性能指標(biāo)的比較結(jié)果。根據(jù)每種網(wǎng)絡(luò)檢測(cè)的結(jié)果與標(biāo)簽計(jì)算準(zhǔn)確率。由于暗條占全日面圖像的比重約為5%，導(dǎo)致檢測(cè)結(jié)果準(zhǔn)確率較高，為了更好地衡量檢測(cè)結(jié)果，采用召回率、精準(zhǔn)率、F1值評(píng)價(jià)指標(biāo)。從表3可以看出，原始VNet網(wǎng)絡(luò)準(zhǔn)確率為0.966 1，F(xiàn)1值為0.816 8，說(shuō)明原始VNet網(wǎng)絡(luò)檢測(cè)的結(jié)果可以較好地檢出特征明顯的暗條，但是針對(duì)弱小暗條，仍然出現(xiàn)漏檢問(wèn)題。加入Inception模塊和注意力機(jī)制及深度監(jiān)督模塊后的VNet網(wǎng)絡(luò)，準(zhǔn)確率達(dá)到0.988 3，F(xiàn)1值達(dá)到0.838 5。F1值明顯提高，可見(jiàn)改進(jìn)后VNet網(wǎng)絡(luò)在下采樣過(guò)程中可以充分提取弱小暗條信息，提高檢測(cè)結(jié)果的準(zhǔn)確率。

表3 基于VNet網(wǎng)絡(luò)不同算法性能指標(biāo)比較

圖10選取圖像中包含弱小暗條的局部區(qū)域并放大2.5倍，本文方法對(duì)弱小暗條檢測(cè)效果與暗條標(biāo)簽及原始VNet網(wǎng)絡(luò)檢測(cè)效果進(jìn)行對(duì)比。圖中紅色框處是全日面圖像中的弱小暗條，圖10(e)～圖10(h)分別是圖10(a)～圖10(d)放大2.5倍后的局部區(qū)域。從圖10可以看出，原始VNet網(wǎng)絡(luò)檢測(cè)克服了背景干擾，但是對(duì)弱小暗條檢測(cè)準(zhǔn)確性不高，存在漏檢現(xiàn)象。改進(jìn)后的算法在下采樣部分引入Inception模塊和注意力機(jī)制，提升網(wǎng)絡(luò)性能，提取更多的暗條特征；在上采樣部分引入深度監(jiān)督模型，將檢測(cè)結(jié)果與每層特征圖融合，保留了細(xì)節(jié)特征，使得網(wǎng)絡(luò)同時(shí)兼顧語(yǔ)義信息和細(xì)節(jié)特征，盡可能保留弱小暗條的連續(xù)性，能夠抵抗背景干擾，取得更加精準(zhǔn)的檢測(cè)效果。

圖10 暗條檢測(cè)結(jié)果。(a)全日面圖；(b)暗條標(biāo)簽圖；(c)VNet檢測(cè)結(jié)果；(d)本文檢測(cè)結(jié)果；(e)～(f)第1行對(duì)應(yīng)圖放大2.5倍結(jié)果

3.5.2 不同算法評(píng)估指標(biāo)對(duì)比

為了進(jìn)一步證明本文方法對(duì)太陽(yáng)暗條圖像的檢測(cè)性能，使用上述評(píng)價(jià)指標(biāo)將本文方法與文[14]的基于UNet暗條檢測(cè)方法(UNet)，以及在該方法的基礎(chǔ)上，為捕獲暗條更多的細(xì)節(jié)融入了密集跳躍連接(Resent-UNet)。表4列出了不同方法對(duì)太陽(yáng)暗條檢測(cè)結(jié)果。UNet網(wǎng)絡(luò)檢測(cè)的準(zhǔn)確率達(dá)到0.958 7，F(xiàn)1值達(dá)到0.783 4，但受圖像中亮度較低的背景區(qū)域和噪聲影響嚴(yán)重，檢測(cè)結(jié)果錯(cuò)誤率較大，算法檢出了不屬于暗條的部分，抗噪聲能力較弱。Resent-UNet將每個(gè)融合模塊通過(guò)密集跳躍連接的方式進(jìn)行特征融合，網(wǎng)絡(luò)能捕獲暗條更多的細(xì)節(jié)特征，提高了檢測(cè)性能，準(zhǔn)確率達(dá)到0.959 8，F(xiàn)1值到0.794 7，但精確率較低，說(shuō)明網(wǎng)絡(luò)過(guò)于敏感，將一些亮度較暗的背景誤識(shí)別為太陽(yáng)暗條。本文方法暗條檢測(cè)平均準(zhǔn)確率高達(dá)0.988 3，F(xiàn)1值達(dá)到0.838 5，高于UNet和Resnet-UNet網(wǎng)絡(luò)平均準(zhǔn)確率，F(xiàn)1值也達(dá)到了較高水平，因此本文方法更具優(yōu)勢(shì)。

表4 4種暗條檢測(cè)方法對(duì)比

為了更直觀地展示本文方法檢測(cè)效果，對(duì)太陽(yáng)暗條圖像，在同等條件下將本文方法與上述暗條檢測(cè)算法在測(cè)試集上進(jìn)行主觀測(cè)評(píng)，實(shí)驗(yàn)結(jié)果如圖11。圖11(a)中紅色框處是全日面圖像中弱小暗條，圖11(b)是標(biāo)簽圖，圖11(c)是傳統(tǒng)方法檢測(cè)結(jié)果。由圖11可以看出，本文方法可以檢出一部分弱小暗條，但是由于背景干擾，傳統(tǒng)閾值分割很難將背景噪聲點(diǎn)剔除，嚴(yán)重影響檢測(cè)結(jié)果。圖11(d)是UNet網(wǎng)絡(luò)檢測(cè)結(jié)果，檢測(cè)結(jié)果中背景噪聲點(diǎn)干擾較少，但是弱小暗條漏檢。圖11(e)是Resent-UNet檢測(cè)結(jié)果，加入殘差結(jié)構(gòu)后，網(wǎng)絡(luò)提取特征能力得到加強(qiáng)，相比原始UNet網(wǎng)絡(luò)可以檢出更多弱小暗條，但是背景對(duì)比度較低的區(qū)域仍然存在漏檢現(xiàn)象。圖11(f)是本文檢測(cè)結(jié)果，改進(jìn)后的VNet網(wǎng)絡(luò)可以有效完成太陽(yáng)暗條檢測(cè)任務(wù)，獲得較好的性能指標(biāo)，具有較高的穩(wěn)定性和抗干擾能力。從圖11(f)可以看出，在背景較為復(fù)雜的暗條圖像檢測(cè)任務(wù)中，本文算法對(duì)弱小暗條仍可以具有較好檢測(cè)效果，算法具有一定的先進(jìn)性。

圖11 不同算法的檢測(cè)結(jié)果。(a)全日面Hα圖像；(b)太陽(yáng)暗條標(biāo)簽圖；(c)傳統(tǒng)方法檢測(cè)結(jié)果；(d)UNet檢測(cè)結(jié)果；(e)Resent-UNet檢測(cè)結(jié)果；(f)本文檢測(cè)結(jié)果

4 結(jié) 論

本文在太陽(yáng)暗條檢測(cè)研究中，針對(duì)國(guó)家天文臺(tái)數(shù)據(jù)集標(biāo)簽中存在太陽(yáng)黑子和噪聲干擾及遺漏弱小暗條的問(wèn)題，結(jié)合太陽(yáng)磁圖剔除了圖像中黑子和噪聲干擾，制作了太陽(yáng)暗條數(shù)據(jù)集，網(wǎng)絡(luò)能學(xué)習(xí)到精確的暗條信息。針對(duì)暗條檢測(cè)中存在背景干擾，弱小暗條丟失等問(wèn)題，本文采用VNet網(wǎng)絡(luò)并進(jìn)行改進(jìn)，引入Inception模塊，得到暗條不同尺度信息，更好地利用網(wǎng)絡(luò)內(nèi)部的計(jì)算資源，提取更多圖像特征；引入注意力機(jī)制，增強(qiáng)暗條特征的同時(shí)抑制無(wú)用背景信息；在上采樣部分引入深度監(jiān)督模塊，使不同尺度特征圖都能學(xué)到最準(zhǔn)確的特征，提高太陽(yáng)暗條檢測(cè)準(zhǔn)確率。根據(jù)暗條檢測(cè)評(píng)價(jià)指標(biāo)可知，本文方法的檢測(cè)效果有明顯提高。目前，數(shù)據(jù)集的圖像較少，因此，未來(lái)工作方向是研究如何用少量圖像訓(xùn)練出高效檢測(cè)模型。