中国科学院南京天文光学技术研究所机构知识库

以深度神经网络为代表的人工智能技术在包括天文观测等各领域中有着广泛的应用。在来自全世界的地基与空间望远镜的天文图像观测数据量成倍增加的背景下，基于深度神经网络实现天文图像特征的高精度自动提取，对理解天体物理现象，大视场巡天的天体目标观测和太阳物理学研究等领域至关重要。本文以全日面Hα图像的太阳暗条特征提取为例，提出一种新的深度神经网络，实现基于深度神经网络的天文图像高精度自动提取算法研究。
本文主要研究内容如下：
(1)在调研了基于深度神经网络的天文图像特征高精度自动提取算法的研究背景，回顾了各领域天文图像特征提取的应用的基础上，重点选取以编码器-解码器结构的用于图像分割的深度神经网络的天文图像特征提取应用场景。分析了U-Net，Attention U-Net，U2-Net三种深度神经网络的网络结构和特点，并给出了各神经网络的数学表达式和示意图，同时重点介绍了注意力门和RSU模块，将注意力门引入到RSU块的跳跃连接得到一种新的神经网络模块AttentionRSU，用Attention RSU取代原U2-Net的RSU块，并将注意力门引入主干网络的跳跃连接中，得到一种新的神经网络Attention U2-Net，分析Attention RSU和Attention U2-Net的的神经网络结构和特点。同时缩减了Attention U2-Net各深度残差块的输入通道数和输出通道数，提出了Attention U2-Net的轻量版AttentionU2-Net-Lite。
(2)以全日面图像暗条特征提取为例，研究基于深度神经网络的天文图像高精度自动特征提取。本章根据羲和号空间太阳望远镜于2023年至2025年拍摄的全日面Hα波段的太阳图像数据，提出了一系列新的图像预处理方法，包括消除临边变暗、灰度变换、K均值聚类分析、颗粒消蚀、多重闭运算及孔洞填充等一系列步骤得到太阳暗条标签，并经手动筛选构建用于深度神经网络训练的全日面Hα图像与太阳暗条标签的数据集。同时将全日面Hα图像-暗条标签对应的数据集按一定比例划分为训练集、验证集和测试集。数据集经过数据增强后，分别采用U-Net、Attention U-Net、U2-Net和Attention U2-Net/Attention U 2-Net-Lite四种神经网络完成端到端的深度学习训练，通过Adam优化器进行最小化BCE损失函数，并采用早停法防止过拟合。经过训练完成后的各深度神经网络输出最佳模型权重，并选取3种评价函数，在测试集上进行推理，将推理结果与测试集标签相比较。经过不同的评价指标比较发现，Attention U2-Net和Attention U2-Net-Lite 神经网络可以实现对不同形态的太阳暗条实现高精度的特征提取，性能较其他神经网络都有较为明显的优势，而且Attention U2-Net-Lite推理响应速度更快。
(3)基于PyQT与QT Designer设计了一款天文图像特征提取可视化软件，用于全日面Hα图像的暗条特征提取，重点介绍了软件系统框架和相对应的各模块，包括图像采集模块，特征提取模块，可视化表征模块和坐标记录模块，同时介绍了各模块的工作原理，以及初始化软件界面和各模块正常工作时软件界面的分布，本特征提取可视化软件最终实现在全日面上对暗条目标的特征进行可视化提取并精确测量目标特征的功能。