賀 田 賈 鵬 李廣偉 王艾元
1 太原理工大學(xué)電子信息與光學(xué)工程學(xué)院 太原030012
2 中國(guó)科學(xué)院國(guó)家天文臺(tái) 北京 100101
3 張璧古堡 介休 032000
流星體是一種來(lái)自彗星、小行星,或者來(lái)自大行星的衛(wèi)星與火星、月球撞擊所產(chǎn)生的天體.當(dāng)這些天體距離地球比較近時(shí),就會(huì)被地球引力吸引.當(dāng)它們穿過地球大氣層發(fā)生摩擦?xí)a(chǎn)生高溫導(dǎo)致電子躍遷,進(jìn)而產(chǎn)生可見的光跡,這種光跡叫做流星[1].如果流星體未燃盡,落到地球表面后就成為隕石.及時(shí)回收的隕石能夠很大程度地減少地球中有機(jī)物質(zhì)對(duì)隕石的污染,可以為后續(xù)科學(xué)研究提供重要材料.例如2011年發(fā)現(xiàn)的Tissint隕石,它被當(dāng)?shù)啬繐粽甙l(fā)現(xiàn)并被科研工作者快速回收,為研究生命起源提供了重要依據(jù)[2].除用于科研外,火流星的監(jiān)測(cè)和預(yù)警也有重要意義,例如2013年在俄羅斯車?yán)镅刨e斯克發(fā)生的火流星爆炸事件就導(dǎo)致了嚴(yán)重的生命財(cái)產(chǎn)損失.及時(shí)廣泛地監(jiān)測(cè)流星,能夠提前做出相關(guān)預(yù)警,避免重大災(zāi)害事件的發(fā)生[3].綜上,不論是隕石回收還是對(duì)火流星做出預(yù)警,及時(shí)且高效地發(fā)現(xiàn)流星是觀測(cè)的首要要求.
由于流星體體積比較小且在天空任意位置偶發(fā),使用單臺(tái)地基望遠(yuǎn)鏡監(jiān)測(cè)效率較低.因此,光學(xué)流星監(jiān)測(cè)網(wǎng)成為了一種可能的有效探測(cè)手段.光學(xué)流星監(jiān)測(cè)網(wǎng)由分布于不同位置的低成本光學(xué)相機(jī)和相關(guān)處理單元組成,每個(gè)光學(xué)相機(jī)數(shù)據(jù)處理單元通過互聯(lián)網(wǎng)連接至數(shù)據(jù)中心,通過數(shù)據(jù)處理可以實(shí)現(xiàn)流星計(jì)數(shù)、隕石落點(diǎn)預(yù)測(cè)和火流星預(yù)警.許多國(guó)家和組織基于不同的科學(xué)研究及民用預(yù)警目的,建立了各類光學(xué)流星監(jiān)測(cè)網(wǎng),例如捷克的火流星監(jiān)測(cè)網(wǎng)[4]和加拿大的全天候視頻流星網(wǎng)絡(luò)[5].基于流星監(jiān)測(cè)網(wǎng)獲得的數(shù)據(jù),科學(xué)家開展了流星的光譜分析、軌道定位以及其他相關(guān)科學(xué)研究[6-8].
隨著大范圍流星監(jiān)測(cè)網(wǎng)的建立,不同的流星監(jiān)測(cè)設(shè)備以及流星監(jiān)測(cè)方法被陸續(xù)提出.在實(shí)際使用中,為了擴(kuò)大監(jiān)測(cè)范圍,需要廣泛地在光污染少的郊外部署觀測(cè)設(shè)備和后端數(shù)據(jù)處理設(shè)備.基于成本與部署環(huán)境考慮,流星監(jiān)測(cè)網(wǎng)一般選擇低成本、低能耗的嵌入式計(jì)算處理設(shè)備和針對(duì)低能耗計(jì)算處理設(shè)備的監(jiān)測(cè)方法.早期流星監(jiān)測(cè)工作如1999年Molau[9]發(fā)布的流星監(jiān)測(cè)軟件Meteor Recognizer通過篩出移動(dòng)目標(biāo),再對(duì)篩出的區(qū)域分別從8個(gè)方向上,以與移動(dòng)目標(biāo)相鄰的5個(gè)像素?cái)?shù)的總和作為閾值判斷是否存在流星.0個(gè)像素設(shè)定為沒有流星,大于1個(gè)像素小于5個(gè)像素設(shè)定為流星,大于5個(gè)像素設(shè)定為非流星.這種方法誤檢率較高,但提供了從移動(dòng)目標(biāo)來(lái)著手設(shè)計(jì)流星監(jiān)測(cè)算法的思路.1997年Gural[10]從流星的形態(tài)特征出發(fā),研究了Meteor Scan流星監(jiān)測(cè)算法.這種方法一定程度上降低了流星監(jiān)測(cè)的誤檢率,但是為了排除飛禽的輪廓邊緣等假陽(yáng)性目標(biāo)設(shè)置了更嚴(yán)格的直線段閾值,導(dǎo)致不能監(jiān)測(cè)更暗弱的流星目標(biāo).Gural等[11]于2009年進(jìn)一步針對(duì)克羅地亞流星監(jiān)測(cè)網(wǎng)設(shè)計(jì)了流星監(jiān)測(cè)算法,此算法在之前方法思路的基礎(chǔ)上增加了后處理算法,通過將部分蝙蝠與流星分離進(jìn)一步降低了誤檢率.2016年Gural[12]基于機(jī)器學(xué)習(xí)方法提出通過實(shí)時(shí)跟蹤聚類后的像素值最高的前4個(gè)像素以及它們的最大幀數(shù)來(lái)監(jiān)測(cè)流星.這種聚類壓縮的方式使得算法可實(shí)時(shí)處理觀測(cè)數(shù)據(jù),但在云層邊緣輪廓表現(xiàn)出較高的誤檢率.針對(duì)云層邊緣輪廓導(dǎo)致的高誤檢率,科研工作者需要在觀測(cè)站點(diǎn)對(duì)算法的參數(shù)進(jìn)行反復(fù)測(cè)試調(diào)整,對(duì)批量部署流星監(jiān)測(cè)設(shè)備帶來(lái)挑戰(zhàn).2020年Colas等[13]提出了全球流星監(jiān)測(cè)網(wǎng)絡(luò),其中使用的流星監(jiān)測(cè)軟件Free True同樣是基于流星形態(tài)特征研制的.但是在日常運(yùn)行中,Free True表現(xiàn)出驚人的誤檢率.
綜上,當(dāng)前的流星監(jiān)測(cè)算法具有以下問題: 首先,算法針對(duì)線條特征,對(duì)一些碎片化且不規(guī)則形狀的火流星并不適用;其次,為了提升算法的召回率,往往設(shè)計(jì)較低閾值,導(dǎo)致因飛行昆蟲的軌跡產(chǎn)生大量誤報(bào),給硬盤空間、人工檢查以及后續(xù)其他研究帶來(lái)困難.
卷積神經(jīng)網(wǎng)絡(luò)是近年來(lái)計(jì)算機(jī)視覺方向的研究熱點(diǎn),可以以監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)及半監(jiān)督學(xué)習(xí)的方式調(diào)整網(wǎng)絡(luò)權(quán)重以實(shí)現(xiàn)不同功能.通過監(jiān)督學(xué)習(xí)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)是一種常用的做法:數(shù)據(jù)從網(wǎng)絡(luò)輸入層前向傳播,在輸出層計(jì)算輸出與標(biāo)簽的誤差,再將誤差反向傳入網(wǎng)絡(luò)中進(jìn)行訓(xùn)練.通過反復(fù)訓(xùn)練,網(wǎng)絡(luò)的誤差將降低到平穩(wěn)階段,此時(shí)網(wǎng)絡(luò)訓(xùn)練結(jié)束,得到解決相應(yīng)任務(wù)的端到端模型.卷積神經(jīng)網(wǎng)絡(luò)在圖像分類、檢測(cè)以及視頻分析等各領(lǐng)域中都取得了優(yōu)異的效果[14].以卷積神經(jīng)網(wǎng)絡(luò)用于空間目標(biāo)分類和探測(cè)的任務(wù)為例:2019年Jia等[15]提出對(duì)空間目標(biāo)分類的卷積神經(jīng)網(wǎng)絡(luò)達(dá)到了較高的準(zhǔn)確率;2019年鄧秋群[16]提出的基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)空間紅外目標(biāo)識(shí)別也有不錯(cuò)的效果.前述研究啟示我們可以采用神經(jīng)網(wǎng)絡(luò)提升流星監(jiān)測(cè)算法的精度和效率,進(jìn)而實(shí)現(xiàn)高效率的光學(xué)流星監(jiān)測(cè)系統(tǒng).但是,由于神經(jīng)網(wǎng)絡(luò)模型的高算力要求,使得其難以部署于低能耗計(jì)算設(shè)備上.同時(shí),受限于處理終端性能,部分部署后的卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)處理效率受到了極大限制,不能滿足流星監(jiān)測(cè)對(duì)于實(shí)時(shí)性的需求.
為了拓展以卷積神經(jīng)網(wǎng)絡(luò)為代表的人工智能算法的應(yīng)用場(chǎng)景,近年來(lái)包括NVIDIA、華為、算能等國(guó)內(nèi)外企業(yè)提出了專門用于神經(jīng)網(wǎng)絡(luò)部署的嵌入式人工智能設(shè)備.這類設(shè)備一般包括一個(gè)通用數(shù)據(jù)處理芯片組和一個(gè)人工智能芯片組,特殊設(shè)計(jì)的人工智能芯片組能夠高效率地運(yùn)行神經(jīng)網(wǎng)絡(luò).基于這一技術(shù)發(fā)展趨勢(shì),本文提出將深度可分離卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)移動(dòng)目標(biāo)檢測(cè)算法(幀間差分法)以及直線段檢測(cè)算法(霍夫變換)結(jié)合,組成一套高效的流星目標(biāo)監(jiān)測(cè)算法,并將算法部署于嵌入式人工智能設(shè)備中,最終實(shí)現(xiàn)高速且低誤檢率的流星光學(xué)監(jiān)測(cè)系統(tǒng).
如圖1所示,流星光學(xué)監(jiān)測(cè)系統(tǒng)軟件模塊主要包括: 流星監(jiān)測(cè)模塊、控制界面模塊以及數(shù)據(jù)管理模塊.控制界面模塊主要用于流星監(jiān)測(cè)系統(tǒng)校準(zhǔn)和流星監(jiān)測(cè)算法參數(shù)輸入,模塊采用Qt Toolkit應(yīng)用程序開發(fā)框架設(shè)計(jì).流星監(jiān)測(cè)模塊包括獲取移動(dòng)目標(biāo)、直線段篩選和分類器3部分.流星監(jiān)測(cè)模塊作用是實(shí)時(shí)處理圖像并將處理后包含流星的視頻、圖片存儲(chǔ)在硬盤中.流星監(jiān)測(cè)模塊主要通過C和Python代碼實(shí)現(xiàn).數(shù)據(jù)管理模塊的作用是把流星監(jiān)測(cè)模塊存儲(chǔ)的數(shù)據(jù)按時(shí)間命名歸類并傳輸?shù)街行姆?wù)器,為后續(xù)的其他科學(xué)研究提供基礎(chǔ),數(shù)據(jù)管理模塊采用Linux環(huán)境下的C-shell代碼實(shí)現(xiàn).下面將分別介紹各模塊的主要功能和特點(diǎn).
圖1 流星光學(xué)監(jiān)測(cè)系統(tǒng)軟件模塊結(jié)構(gòu)圖Fig.1 The diagram of the software module of meteor optical monitoring system
2.1 控制界面模塊
圖2展示的是參數(shù)調(diào)節(jié)界面,其中包含相機(jī)索引參數(shù)、存儲(chǔ)文件地址參數(shù)、篩選移動(dòng)目標(biāo)輪廓大小參數(shù)以及霍夫變換篩選的相關(guān)參數(shù).控制界面模塊包括參數(shù)設(shè)置部分和相機(jī)實(shí)時(shí)畫面顯示部分.為了便于部署和參數(shù)調(diào)整,本文將流星監(jiān)測(cè)模塊中需要調(diào)整的參數(shù)整合到控制界面模塊中的參數(shù)設(shè)置部分,具體包括相機(jī)索引、存儲(chǔ)文件路徑、輪廓大小、霍夫變換線段長(zhǎng)度、霍夫變換線段間隔距離等.相機(jī)索引參數(shù)是為了針對(duì)不同相機(jī)協(xié)議及數(shù)據(jù)特點(diǎn)設(shè)計(jì)的通用式參數(shù)設(shè)置接口,本文采用的商用網(wǎng)絡(luò)攝像頭是通過用戶名、IP地址以及密碼的設(shè)置來(lái)讀取Real-Time Stream Protocol (RTSP)流從而獲取相機(jī)的實(shí)時(shí)數(shù)據(jù).相機(jī)索引參數(shù)讀入前述相應(yīng)的格式參數(shù),并按照格式參數(shù)進(jìn)行數(shù)據(jù)操作.存儲(chǔ)文件地址參數(shù)是指流星監(jiān)測(cè)模塊在嵌入式人工智能設(shè)備上流星數(shù)據(jù)的存儲(chǔ)位置.輪廓大小參數(shù)是指流星監(jiān)測(cè)模塊中幀間差分算法的輪廓面積,其作用是通過設(shè)置移動(dòng)目標(biāo)輪廓的最小面積來(lái)過濾一些異常點(diǎn)和環(huán)境中的微小變化.霍夫變換共線點(diǎn)、霍夫變換線段長(zhǎng)度、霍夫變換線段間隔距離是流星監(jiān)測(cè)模塊中設(shè)置直線段篩選的條件.其中共線點(diǎn)、線段長(zhǎng)度、線段間隔距離共同決定了最終要篩選的線段標(biāo)準(zhǔn).
圖2 控制界面模塊圖Fig.2 The diagram of control interface
相機(jī)實(shí)時(shí)畫面顯示部分是為了方便安裝觀測(cè)設(shè)備時(shí)調(diào)整相機(jī)朝向所設(shè)置的視頻顯示窗口,該窗口實(shí)時(shí)顯示相機(jī)獲取的圖像.在調(diào)整相機(jī)朝向位置時(shí),需要先根據(jù)相機(jī)曝光時(shí)間和天光背景亮度來(lái)初步調(diào)整控制界面模塊中的參數(shù)設(shè)置.如相機(jī)曝光時(shí)間較長(zhǎng),最終流星目標(biāo)的輪廓面積就會(huì)較大,流星目標(biāo)長(zhǎng)度也會(huì)變長(zhǎng).在這種情況下就要將輪廓大小、霍夫變換共線點(diǎn)、霍夫變換線段長(zhǎng)度參數(shù)調(diào)大,以便初步區(qū)分流星目標(biāo)與其他假陽(yáng)性目標(biāo).在調(diào)整相機(jī)朝向時(shí)需要盡量避開強(qiáng)光照射、大樹等容易造成誤檢的方位.當(dāng)干擾無(wú)法避免時(shí),需要根據(jù)干擾特性等來(lái)調(diào)整部分參數(shù).如部署的環(huán)境中有樹葉擺動(dòng)等環(huán)境的干擾,可以將輪廓大小參數(shù)適當(dāng)調(diào)大,通過移動(dòng)目標(biāo)輪廓的最小面積來(lái)過濾干擾.同時(shí)也可將霍夫變換共線點(diǎn)、霍夫變換線段長(zhǎng)度參數(shù)調(diào)大,使得直線段篩選更加嚴(yán)格,進(jìn)而過濾干擾.參數(shù)調(diào)整的過程是平衡環(huán)境干擾與暗弱流星篩出的過程.因?yàn)樵谶^濾環(huán)境干擾的同時(shí),很可能將暗弱流星也一起過濾掉.在實(shí)際使用中,為了保證流星目標(biāo)的召回率,一般優(yōu)先以暗弱流星通過篩選為原則來(lái)調(diào)整參數(shù)設(shè)置.
2.2 流星監(jiān)測(cè)模塊
流星監(jiān)測(cè)模塊包括獲取移動(dòng)目標(biāo)、直線段篩選和分類器.流星監(jiān)測(cè)模塊首先通過獲取移動(dòng)目標(biāo)部分將有移動(dòng)目標(biāo)的圖像區(qū)域提取出來(lái),然后進(jìn)一步將提取出的圖像區(qū)域進(jìn)行線段篩選,最后將直線段篩選后的圖像區(qū)域進(jìn)行二分類來(lái)判斷是否為流星目標(biāo).
對(duì)于獲取移動(dòng)目標(biāo)部分,由于流星監(jiān)測(cè)系統(tǒng)更關(guān)注流星探測(cè)而非流星的顏色信息(光譜由同站點(diǎn)的流星光譜相機(jī)專門負(fù)責(zé)后隨觀測(cè)),因此本文首先將目標(biāo)圖像轉(zhuǎn)為灰度圖.將圖像從三通道彩色圖變?yōu)閱瓮ǖ阑叶葓D像,從而可減少內(nèi)存占用空間與計(jì)算量,而且由于獲取移動(dòng)目標(biāo)部分與直線段篩選部分的后續(xù)數(shù)據(jù)操作都只計(jì)算一個(gè)通道的數(shù)據(jù)量,因此可顯著降低人工智能芯片對(duì)于顯存的需求.
流星監(jiān)測(cè)模塊使用幀間差分法[17]計(jì)算上一幀與當(dāng)前幀灰度圖的差值,進(jìn)而獲得差值圖.為了去除差值圖中的點(diǎn)噪聲的影響,采用中值濾波處理差值圖像[18].隨后,對(duì)中值濾波后的差值圖進(jìn)行二值化、膨脹、腐蝕操作,突出像素灰度變化顯著區(qū)域在差值圖中的輪廓.為了避免具有幾個(gè)像素異常值的圖像塊對(duì)后續(xù)數(shù)據(jù)處理帶來(lái)的算力浪費(fèi),流星監(jiān)測(cè)模塊進(jìn)一步計(jì)算像素變化區(qū)域面積的大小并過濾變化區(qū)域面積小的圖像區(qū)域.
流星監(jiān)測(cè)模塊根據(jù)差值圖中的像素灰度變化區(qū)域獲取幀間變化的圖像區(qū)域,同時(shí)用非極大值抑制算法NMS (Non-Maximum Suppression)消除重合的幀間變化區(qū)域[19],確保潛在流星候選目標(biāo)位置的唯一性,最終獲得差值圖中所有的幀間像素變化區(qū)域的集合.這些集合就是移動(dòng)目標(biāo)的輪廓區(qū)域也是流星目標(biāo)的候選集合.如圖3所示為獲取移動(dòng)目標(biāo)主要步驟的效果圖,第1行圖片為前后幀的灰度圖,第2行圖片為前后幀的差值圖,第3行圖片為差值圖二值化后的膨脹腐蝕圖,最后一行圖片為最終獲取移動(dòng)目標(biāo)的圖像區(qū)域.由圖3可知獲取移動(dòng)目標(biāo)部分可以有效地提取出移動(dòng)目標(biāo)區(qū)域并減少后續(xù)圖像處理的計(jì)算量.
圖3 獲取移動(dòng)目標(biāo)時(shí)處理過程的效果圖.如圖所示,經(jīng)過處理后圖像中的流星變得更加明顯.Fig.3 One frame of images before and after being processed.As shown in this figure,the images of meteors become more clear after being processed with our method.
在獲取移動(dòng)目標(biāo)圖像后,流星監(jiān)測(cè)模塊進(jìn)一步在直線段篩選部分使用傳統(tǒng)霍夫變換算法提取直線段用于流星監(jiān)測(cè)[20].霍夫變換檢測(cè)直線段的方法是尋找共線點(diǎn)以及設(shè)置共線點(diǎn)個(gè)數(shù)、線段最短長(zhǎng)度、線段之間的間隔距離等參數(shù)來(lái)綜合判斷圖像中是否有直線段,其原理是穿過圖像上的某個(gè)點(diǎn)有無(wú)數(shù)條直線,在霍夫空間中,這些直線都有如下表達(dá)式:
x、y為圖像上目標(biāo)點(diǎn)的直角坐標(biāo),ρ和θ分別為原點(diǎn)到這條線的距離以及直角坐標(biāo)系下根據(jù)直線斜率所計(jì)算出的角度.如果圖像中有點(diǎn)共線,那么對(duì)應(yīng)點(diǎn)在霍夫空間中表達(dá)式的曲線有交點(diǎn).最終根據(jù)統(tǒng)計(jì)交點(diǎn)上曲線的個(gè)數(shù)以及根據(jù)共線點(diǎn)組成線段的最短長(zhǎng)度、線段之間的間隔距離來(lái)判斷圖像中是否有直線段.
經(jīng)過霍夫變換后,流星監(jiān)測(cè)模塊基本可以獲得移動(dòng)軌跡為直線的移動(dòng)目標(biāo)圖像.為了進(jìn)一步提升監(jiān)測(cè)效率、減小誤檢率,本文基于深度可分離卷積模塊,構(gòu)建了輕量的分類網(wǎng)絡(luò).如圖4所示為二分類分類器的網(wǎng)絡(luò)結(jié)構(gòu)圖,包含前后2個(gè)標(biāo)準(zhǔn)卷積模塊、1個(gè)全局平均池化模塊、6個(gè)倒殘差(Inverted residuals)結(jié)構(gòu)[21]和1個(gè)全連接層.其中ConvBNRelu6表示普通卷積加批量歸一化,并將輸出結(jié)果使用Relu6函數(shù)進(jìn)行激活,DwiseRelu6表示深度卷積后使用Relu6函數(shù)進(jìn)行激活,ConvBN表示普通卷積加批量歸一化.
圖4 分類網(wǎng)絡(luò)結(jié)構(gòu)圖.該圖顯示了流星分類網(wǎng)絡(luò)的結(jié)構(gòu),其中添加了深度可分離卷積模塊,大大減少了參數(shù)的數(shù)量,確保了分類的實(shí)時(shí)性.Fig.4 The diagram of the classification neural network.This diagram shows the structure of the meteor classification network,in which a depthwise separable convolution module is added to reduce the number of parameters,ensuring the real-time performance of classification.
表1所示為6個(gè)倒殘差結(jié)構(gòu)的具體參數(shù),包括擴(kuò)張的倍數(shù)、輸出通道數(shù)、深度可分離卷積的步長(zhǎng)(stride).其中倒殘差結(jié)構(gòu)是由擴(kuò)張層(利用1×1卷積升維)、深度可分離卷積塊和殘差結(jié)構(gòu)組成的.深度可分離卷積由深度卷積和逐點(diǎn)卷積組成.深度卷積的過程是把卷積核拆分成單通道與輸入特征圖的對(duì)應(yīng)通道進(jìn)行卷積操作,最后輸出一個(gè)與輸入特征圖通道數(shù)相同的特征圖.逐點(diǎn)卷積是將深度卷積后的特征圖與1×1卷積核進(jìn)行卷積.逐點(diǎn)卷積彌補(bǔ)了深度卷積操作沒有融合多通道信息的缺點(diǎn),用1×1逐點(diǎn)卷積融合了多通道信息,提取了更豐富更深層的特征信息.深度可分離卷積相比于標(biāo)準(zhǔn)卷積參數(shù)量、計(jì)算量大大下降,例如: 對(duì)于N個(gè)k×k×C大小的卷積核(其中k為卷積核的高和寬,C為卷積核的通道數(shù)),標(biāo)準(zhǔn)卷積的參數(shù)量為N×k×k×C,深度可分離卷積的參數(shù)量分為兩個(gè)部分,深度卷積的參數(shù)量為k×k×C,逐點(diǎn)卷積的參數(shù)量為輸出通道數(shù)與卷積核通道數(shù)相乘N×C,總和為k×k×C+N×C.由此可知深度可分離卷積是標(biāo)準(zhǔn)卷積參數(shù)量的(1/N)+1/k×k,所以在參數(shù)量方面,深度神經(jīng)網(wǎng)絡(luò)中通道數(shù)量越多,深度可分離卷積的優(yōu)勢(shì)就體現(xiàn)得越明顯.此外,殘差結(jié)構(gòu)加入網(wǎng)絡(luò)也使得網(wǎng)絡(luò)不易退化[22].由于深度可分離卷積模塊特別適用于流星圖像這種小尺寸圖像的分類任務(wù),因此本文選取該網(wǎng)絡(luò)結(jié)構(gòu)用于流星分類,并將卷積核尺寸設(shè)置為3×3.
表1 倒殘差結(jié)構(gòu)參數(shù)表Table 1 Parameter table of the inverted residuals structure
2.3 數(shù)據(jù)管理模塊
流星監(jiān)測(cè)設(shè)備一般部署在光污染較少的郊外,獲取的數(shù)據(jù)將傳回?cái)?shù)據(jù)中心節(jié)點(diǎn)進(jìn)行進(jìn)一步研究.由于流星監(jiān)測(cè)設(shè)備數(shù)量極多且每天數(shù)據(jù)量較大,因此我們構(gòu)造了數(shù)據(jù)管理模塊用于存儲(chǔ)和管理不同觀測(cè)站的數(shù)據(jù).數(shù)據(jù)管理模塊是將獲取的流星數(shù)據(jù)按設(shè)計(jì)好的儲(chǔ)存目錄、存儲(chǔ)格式來(lái)存儲(chǔ)并將數(shù)據(jù)同步到位于太原理工大學(xué)的中心服務(wù)器.數(shù)據(jù)管理模塊以不同流星監(jiān)測(cè)站點(diǎn)的經(jīng)緯度、站點(diǎn)的設(shè)備編號(hào)、數(shù)據(jù)獲取日期逐級(jí)歸類存儲(chǔ)并傳輸?shù)街行姆?wù)器,且定時(shí)執(zhí)行文件歸集和清理以防止磁盤存儲(chǔ)空間不足.以山西省為例,存儲(chǔ)結(jié)構(gòu)為山西省文件夾-介休經(jīng)緯度文件夾-介休設(shè)備編號(hào)文件夾-年-月-日文件夾,文件夾名稱形式為(SX-N-E-No-20**-**-**).其中,SX指山西省、N指北緯、E指東經(jīng)、No表示設(shè)備編號(hào)、20**-**-**為拍攝日期.
數(shù)據(jù)管理模塊具體工作流程為: 當(dāng)流星監(jiān)測(cè)模塊的分類器將圖像判別為流星時(shí),數(shù)據(jù)管理模塊開始截取有流星目標(biāo)的數(shù)據(jù),并以目錄同步的模式進(jìn)行存儲(chǔ).遠(yuǎn)程同步采用Linux系統(tǒng)中的開源軟件Rsync,本地目錄下把上述存儲(chǔ)數(shù)據(jù)存在一個(gè)hdf5文件中以便傳輸,然后Rsync將進(jìn)行數(shù)據(jù)對(duì)比并把新增數(shù)據(jù)實(shí)時(shí)遠(yuǎn)程同步至中心服務(wù)器.在中心服務(wù)器部署Rsync服務(wù)端的配置文件,包括傳輸?shù)淖畲笤O(shè)備數(shù)、服務(wù)器的同步地址、密鑰等.數(shù)據(jù)管理模塊具有兩大優(yōu)點(diǎn): 首先,Rsync增量傳輸?shù)奶匦阅軌蚣皶r(shí)快速地傳輸實(shí)時(shí)獲取的流星數(shù)據(jù);其次,hdf5文件可以不斷擴(kuò)展文件大小且能夠支持多種數(shù)據(jù)處理算法框架,有利于后期科學(xué)研究.
為測(cè)試流星監(jiān)測(cè)系統(tǒng)性能,本文構(gòu)建了流星監(jiān)測(cè)系統(tǒng)測(cè)試樣機(jī).如圖5所示,測(cè)試樣機(jī)硬件模塊主要包括觀測(cè)設(shè)備和數(shù)據(jù)處理設(shè)備.觀測(cè)設(shè)備采用海康威視DS-2CD3 T86WD-PW攝像頭,它具有55°的垂直視場(chǎng)和104.2°的水平視場(chǎng).如圖6所示為觀測(cè)設(shè)備的部署實(shí)物圖,攝像頭通過以太網(wǎng)線供電,并將數(shù)據(jù)傳輸給數(shù)據(jù)處理設(shè)備.數(shù)據(jù)處理設(shè)備采用嵌入式人工智能設(shè)備Nvidia jetson nano,它具有4 GB內(nèi)存、一個(gè)4核ARM CortexA57的Jetson Nano MP Core處理器和一個(gè)NVIDIA Maxwell架構(gòu)的包含128個(gè)Nvidia CUDA內(nèi)核的GPU處理單元.
圖5 流星光學(xué)監(jiān)測(cè)系統(tǒng)測(cè)試樣機(jī)Fig.5 The prototype of the meteor optical monitoring system
如圖7所示為流星光學(xué)監(jiān)測(cè)系統(tǒng)硬件模塊連接圖,為了方便部署觀測(cè)設(shè)備,攝像頭通過Power Over Ethernet供電模塊供電,并與路由器相連,使得Nvidia jetson nano與攝像頭處于同一局域網(wǎng)下.然后Nvidia jetson nano通過攝像頭的IP地址、用戶名與密碼以RTSP流的方式獲得攝像頭拍攝的數(shù)據(jù)并進(jìn)行數(shù)據(jù)處理.
圖7 硬件模塊連接圖Fig.7 The diagram of the hardware module connection
為了測(cè)試流星光學(xué)監(jiān)測(cè)系統(tǒng)性能,本文開展了一系列試驗(yàn),具體包括:
1.在圖片數(shù)據(jù)集上對(duì)流星監(jiān)測(cè)模塊中構(gòu)建的分類器進(jìn)行訓(xùn)練、驗(yàn)證、測(cè)試并與當(dāng)前常見的部署于終端的輕量級(jí)圖像識(shí)別分類神經(jīng)網(wǎng)絡(luò)Mobilenetv2進(jìn)行對(duì)比.
2.結(jié)合全國(guó)流星監(jiān)測(cè)網(wǎng)(China Meteor Monitoring Organization,CMMO)提供的視頻數(shù)據(jù)和實(shí)地部署的流星光學(xué)監(jiān)測(cè)系統(tǒng)對(duì)流星監(jiān)測(cè)模塊進(jìn)行測(cè)試并與霍夫變換方法性能進(jìn)行對(duì)比.
下面結(jié)合試驗(yàn)評(píng)價(jià)指標(biāo)及試驗(yàn)結(jié)果,對(duì)論文提出的系統(tǒng)性能進(jìn)行分析.
4.1 評(píng)價(jià)指標(biāo)
本文采用準(zhǔn)確率(A)、召回率(R)、誤檢率(F)3個(gè)指標(biāo)來(lái)對(duì)分類器以及流星監(jiān)測(cè)模塊的結(jié)果進(jìn)行評(píng)價(jià).本文中將誤檢率定義為非流星數(shù)量占整個(gè)檢出流星數(shù)量的百分比.
將流星當(dāng)作正樣本,式子中Tp為真正例(正確分類出流星)數(shù)量、Tn為真負(fù)例(正確分類出非流星)、Fp為假正例(錯(cuò)誤分類出流星)數(shù)量、Fn為假負(fù)例(錯(cuò)誤分類出非流星)數(shù)量.
4.2 分類器實(shí)驗(yàn)及結(jié)果分析
我們首先采用山東青島艾山天文臺(tái)2020年的流星數(shù)據(jù)共605張作為基礎(chǔ)正樣本,樣本主要包含形狀不規(guī)則且較亮的火流星和呈直線段狀的暗弱流星.圖8展示的是艾山天文臺(tái)2020年捕獲的所有不同形態(tài)類型的流星,主要有火流星、火流星爆炸形態(tài)、火流星呈非直線狀態(tài)、線型狀流星、微弱的線型狀流星.由于神經(jīng)網(wǎng)絡(luò)是一種基于數(shù)據(jù)驅(qū)動(dòng)的方法,所以需要大量訓(xùn)練數(shù)據(jù),本文將605張基礎(chǔ)正樣本先進(jìn)行水平翻轉(zhuǎn),然后將所有樣本逆時(shí)針旋轉(zhuǎn)15°,分別增加了高斯噪聲、椒鹽噪聲,并通過灰度升降10%、橫縱向拉升、縮小放大10%等手段達(dá)到數(shù)據(jù)擴(kuò)充的目的.最終得到17693張正樣本數(shù)據(jù).
圖8 具有典型形態(tài)的流星正樣本類型圖,包含艾山天文臺(tái)2020年拍攝的所有類型流星.Fig.8 Images of several positive samples with particular shapes,includes all types of meteors from the Aishan Observatory in 2020.
基于本文流星監(jiān)測(cè)模塊的處理流程,將直線段篩選部分誤判的目標(biāo)圖像作為主要的負(fù)樣本,將2244張基礎(chǔ)負(fù)樣本數(shù)據(jù)以同樣的方式進(jìn)行數(shù)據(jù)增強(qiáng),合計(jì)得到18012張負(fù)樣本數(shù)據(jù).如圖9所示為所有不同類型的負(fù)樣本,主要包含云層輪廓、飛機(jī)飛過留下的尾跡云、飛禽的翅膀、月亮、飛蟲的軌跡等.
圖9 具有典型形態(tài)的流星負(fù)樣本類型圖,包含艾山天文臺(tái)誤檢的所有類型的非流星.Fig.9 Images of several negative samples with particular shapes,includes all non-meteors that are mistakenly detected by the Aishan Observatory.
在打亂后的正負(fù)樣本數(shù)據(jù)集上劃分訓(xùn)練集、驗(yàn)證集和測(cè)試集,圖片數(shù)量比例為8:1:1.本文利用劃分好的數(shù)據(jù)對(duì)提出的深度可分離卷積網(wǎng)絡(luò)進(jìn)行訓(xùn)練.網(wǎng)絡(luò)輸入圖片大小為100×100像素,輸出為分類結(jié)果(流星或其他目標(biāo)).采取Adam優(yōu)化器,初始學(xué)習(xí)率(Learning Rate)為0.001,學(xué)習(xí)率衰減的乘法因子為0.9,批量大小(Batch Size)為32,總訓(xùn)練輪次為100輪,損失函數(shù)采用交叉熵?fù)p失函數(shù):
其中z為標(biāo)簽值,?z為預(yù)測(cè)值.本文分類網(wǎng)絡(luò)訓(xùn)練的硬件平臺(tái)是顯存為24 GB的RTX3090 GPU,軟件環(huán)境為ubuntu18.04系統(tǒng),CUDA版本為11.0以及python3.8、pytorch1.7的深度學(xué)習(xí)框架.網(wǎng)絡(luò)訓(xùn)練后進(jìn)行測(cè)試,表2、表3分別為本文分類網(wǎng)絡(luò)和Mobilenetv2在測(cè)試集與驗(yàn)證集數(shù)據(jù)上的混淆矩陣.由表2的混淆矩陣可知本文分類網(wǎng)絡(luò)在非流星真實(shí)值中流星的預(yù)測(cè)值占比為0.27%,由表3的混淆矩陣可知Mobilenetv2在非流星真實(shí)值中,流星的預(yù)測(cè)值占比為0.19%,兩者十分接近.
表2 本文分類網(wǎng)絡(luò)在測(cè)試集和驗(yàn)證集的混淆矩陣Table 2 The confusion matrix of the proposed classification network in the test set and the validation set
表3 澮浯浢浩浬浥浮浥浴浶洲在測(cè)試集和驗(yàn)證集的混淆矩陣Table 3 The confusion matrix of the Mobilenetv2 in the test set and the validation set
表4為本文分類網(wǎng)絡(luò)和Mobilenetv2的性能對(duì)比,包括A、R、F、分類網(wǎng)絡(luò)參數(shù)量(Paras)、分類時(shí)間(T).其中分類時(shí)間為分類網(wǎng)絡(luò)在嵌入式人工智能設(shè)備Nvidia jetson nano對(duì)測(cè)試集和驗(yàn)證集分類的總時(shí)間.其中分類網(wǎng)絡(luò)推理過程采用單精度(float32)進(jìn)行.
表4 本文分類網(wǎng)絡(luò)與澮浯浢浩浬浥浮浥浴浶洲的性能對(duì)比Table 4 The performance of the proposed classification network and the Mobilenetv2
由表4結(jié)果可知在準(zhǔn)確率方面,本文分類網(wǎng)絡(luò)比Mobilenetv2網(wǎng)絡(luò)低0.05%,但也達(dá)到了99.85%的準(zhǔn)確率;在召回率方面,本文分類網(wǎng)絡(luò)與Mobilenetv2持平,達(dá)到100%召回率;在誤檢率方面,本文網(wǎng)絡(luò)比Mobilenetv2高0.08%,達(dá)到了0.28%的低誤檢率;參數(shù)量方面,本文網(wǎng)絡(luò)比Mobilenetv2網(wǎng)絡(luò)少2186400個(gè)參數(shù);數(shù)據(jù)處理速度方面,本文網(wǎng)絡(luò)比Mobilenetv2網(wǎng)絡(luò)少8倍的時(shí)間,處理速度可達(dá)每秒62幀.
綜合以上實(shí)驗(yàn)結(jié)果,本文分類網(wǎng)絡(luò)在誤檢率和準(zhǔn)確率方面與Mobilenetv2相近.在召回率方面,本文網(wǎng)絡(luò)雖參數(shù)更少、更加輕量也同樣能達(dá)到100%的召回率.由于本文分類網(wǎng)絡(luò)采用深度可分離卷積且減少了擴(kuò)張的倍數(shù)與輸出通道數(shù),使得網(wǎng)絡(luò)整體參數(shù)量更少,且因6個(gè)擴(kuò)張層的加入彌補(bǔ)了深度可分離卷積的缺點(diǎn),使得網(wǎng)絡(luò)在較少參數(shù)量下也能達(dá)到較高的準(zhǔn)確率.同時(shí)在參數(shù)量減少的情況下,本文網(wǎng)絡(luò)的召回率沒有下降,說明了本文提出的分類網(wǎng)絡(luò)非常適用于顯存及性能非常有限的嵌入式人工智能設(shè)備.
4.3 流星監(jiān)測(cè)模塊實(shí)驗(yàn)及結(jié)果分析
在流星監(jiān)測(cè)中,科學(xué)研究與統(tǒng)計(jì)任務(wù)不希望漏檢任何一個(gè)流星.基于這個(gè)原因,在流星監(jiān)測(cè)任務(wù)中首先要保證流星的召回率.在保證召回率的情況下,盡可能提高準(zhǔn)確率并降低誤檢率.因此在獲取移動(dòng)目標(biāo)部分以及直線段篩選部分中,以暗弱流星能夠通過篩選為底線來(lái)設(shè)置移動(dòng)目標(biāo)的面積大小以及霍夫變換參數(shù),從而提高對(duì)中等或低亮度流星的監(jiān)測(cè)效率.基于上述考慮,此次實(shí)驗(yàn)在控制界面模塊中設(shè)置的參數(shù)如下: 霍夫變換共線點(diǎn)數(shù)量(Hp)為15個(gè)像素、霍夫變換線段長(zhǎng)度(H-l)為15個(gè)像素、霍夫變換線段間隔距離(H-d)為5個(gè)像素、輪廓大小(Outline size)為30個(gè)像素,具體如表5所示.
為了測(cè)試直線段篩選部分霍夫變換的有效性,本文根據(jù)目前典型的流星圖像特征使用SkyMaker生成模擬圖像數(shù)據(jù),圖10 (a)展示的是清晰的直線型流星形態(tài)、微弱的直線型流星形態(tài)、非線型火流星形態(tài)、線型火流星形態(tài)、非線型爆炸火流星形態(tài),使用表5中設(shè)置的霍夫變換參數(shù)對(duì)生成的模擬圖像數(shù)據(jù)進(jìn)行線型判別.圖10 (b)為判別結(jié)果圖,由圖可知各類型模擬數(shù)據(jù)均能通過線型判別.因?yàn)閷?shí)際流星圖像一般由廣角魚眼鏡頭拍攝,所以圖像具有一定畸變.為此,將模擬圖像數(shù)據(jù)進(jìn)行一定的畸變彎曲,并再次進(jìn)行霍夫變換識(shí)別線型目標(biāo),結(jié)果如圖11所示.圖11 (a)展示的是模擬彎曲后的直線型流星形態(tài)、微弱的直線型流星形態(tài)、非線型火流星形態(tài)、線型火流星形態(tài)、非線型爆炸火流星形態(tài),圖11 (b)為畸變后模擬圖像數(shù)據(jù)的判別結(jié)果圖,畸變的模擬圖像數(shù)據(jù)同樣能夠進(jìn)行線型判別.
圖10 (a)模擬圖像,(b)模擬圖像的線型判別Fig.10 (a) Simulated images,(b) Linear discrimination of simulated images
圖11 (a)模擬的畸變圖像,(b)模擬的畸變圖像的線型判別Fig.11 (a) Simulated distortion images,(b) Linear discrimination of simulated distortion images
將前述的流星監(jiān)測(cè)系統(tǒng)部署到太原理工大學(xué)-張壁古堡遠(yuǎn)程天文臺(tái),進(jìn)行為期1個(gè)月的性能測(cè)試.實(shí)驗(yàn)設(shè)置海康威視攝像頭的幀率為每秒25幀,每天晚上開機(jī)5 h,每晚獲取450000幀的觀測(cè)圖像,1個(gè)月總共13500000幀圖像.在這些圖像中,經(jīng)過獲取移動(dòng)目標(biāo)處理后得到12849幀有運(yùn)動(dòng)目標(biāo)且輪廓大于30個(gè)像素的圖像,包括大量的飛蟲和飛禽、遠(yuǎn)處燈光,一部分云層、月亮和少數(shù)的流星.進(jìn)一步通過直線段篩選部分排除了大部分飛禽的輪廓和遠(yuǎn)處的燈光,但仍然有一些飛禽、云層、飛蟲、月亮等非流星目標(biāo)未被排除,通過這些非線型的非流星目標(biāo)未被排除的情況可知設(shè)置的霍夫變換參數(shù)是比較寬容的,能夠讓非線型(如飛禽的邊緣輪廓、云層的邊緣輪廓等)較短小的線段通過篩選,增加了誤檢率但也增加了暗弱流星檢測(cè)能力.直線段篩選這一過程得到1696幀流星候選目標(biāo),經(jīng)過本文分類器分類最終獲取10個(gè)流星候選目標(biāo).通過人工檢查12849幀含移動(dòng)目標(biāo)與1696幀含線型候選目標(biāo)的圖像,10個(gè)流星候選目標(biāo)中沒有丟失真實(shí)流星目標(biāo),且10個(gè)流星候選目標(biāo)中有7個(gè)為真實(shí)流星目標(biāo)如圖12所示.表6、表7分別為流星監(jiān)測(cè)模塊、霍夫變換在實(shí)際觀測(cè)數(shù)據(jù)中的混淆矩陣.
表6 流星監(jiān)測(cè)模塊在實(shí)際觀測(cè)數(shù)據(jù)處理中的混淆矩陣Table 6 Confusion matrix of the meteor monitoring module in processing of real observation data
表7 霍夫變換在實(shí)際觀測(cè)數(shù)據(jù)處理中的混淆矩陣Table 7 Confusion matrix of the Hough transform in processing of real observation data
圖12 實(shí)際觀測(cè)數(shù)據(jù)結(jié)果圖Fig.12 Results of actual observation data
圖12中第1行為實(shí)際觀測(cè)數(shù)據(jù)中捕獲到的暗弱流星,第2行為火流星,第3行為誤檢數(shù)據(jù).根據(jù)誤檢數(shù)據(jù)來(lái)看,第1個(gè)誤檢數(shù)據(jù)將月光的變化誤判為流星,第2、3個(gè)誤檢數(shù)據(jù)將飛蟲軌跡誤判為流星.為進(jìn)一步提升系統(tǒng)性能可以將環(huán)境中出現(xiàn)頻率高的誤檢目標(biāo)加入訓(xùn)練集進(jìn)行遷移訓(xùn)練,進(jìn)一步降低分類器的誤檢率.從獲取的暗弱流星和火流星來(lái)看,此流星監(jiān)測(cè)系統(tǒng)能夠捕獲差異較大、類型不同的流星.
根據(jù)在實(shí)際觀測(cè)數(shù)據(jù)上的混淆矩陣可以得出霍夫變換與流星監(jiān)測(cè)模塊的性能對(duì)比,結(jié)果如表8所示,由于實(shí)際測(cè)試中正負(fù)樣本極不平衡,故只采用R、F來(lái)評(píng)價(jià).
表8 實(shí)際觀測(cè)數(shù)據(jù)中霍夫變換與流星監(jiān)測(cè)模塊的性能對(duì)比Table 8 Performance comparison between the Hough transform and the meteor monitoring module in processing of real observation data
由表8可知在召回率方面,流星監(jiān)測(cè)模塊與霍夫變換持平為100%.在誤檢率方面流星監(jiān)測(cè)模塊比霍夫變換低69.59%.由于無(wú)法獲得天空中真實(shí)的流星數(shù)量,因此本文所提出的真實(shí)流星的數(shù)量是查看獲取移動(dòng)目標(biāo)和直線段篩選部分的1696幀流星候選目標(biāo)獲得的,所以無(wú)法獲得系統(tǒng)的絕對(duì)召回率.但是從結(jié)果上看,流星監(jiān)測(cè)模塊誤檢率可以達(dá)到實(shí)際應(yīng)用需求.結(jié)合實(shí)際觀測(cè)數(shù)據(jù)的混淆矩陣和性能對(duì)比表6-8,能夠發(fā)現(xiàn)流星監(jiān)測(cè)模塊的誤檢率低于霍夫變換方法,在實(shí)際使用中大大減輕了人工檢查的難度.流星監(jiān)測(cè)模塊中獲取移動(dòng)目標(biāo)部分與直線段篩選部分雖然有較高的誤檢率,但它的效率較高,排除了大量的非流星目標(biāo),為后續(xù)的分類網(wǎng)絡(luò)提供質(zhì)量較高且位置明確的流星候選目標(biāo).
為了進(jìn)一步測(cè)試流星監(jiān)測(cè)模塊的性能,本文使用了CMMO提供的數(shù)據(jù)來(lái)進(jìn)行測(cè)試.數(shù)據(jù)包括117條真實(shí)流星視頻數(shù)據(jù)和72條非流星視頻數(shù)據(jù).表9、表10所示分別為流星監(jiān)測(cè)模塊與霍夫變換在CMMO數(shù)據(jù)測(cè)試后的混淆矩陣.由表9可知流星監(jiān)測(cè)模塊將真實(shí)流星分類為非流星的值為0,真實(shí)流星沒有漏檢,極大保護(hù)了流星目標(biāo)的召回率.
表9 流星監(jiān)測(cè)模塊在CMMO數(shù)據(jù)的混淆矩陣Table 9 Confusion matrix of the meteor monitoring module in processing data from the CMMO
表10 霍夫變換在CMMO數(shù)據(jù)的混淆矩陣Table 10 Confusion matrix of the Hough transform in processing data from the CMMO
根據(jù)在CMMO數(shù)據(jù)上的混淆矩陣可以得出霍夫變換與流星監(jiān)測(cè)模塊的性能對(duì)比如表11所示,包括R、F.
表11 CMMO數(shù)據(jù)中霍夫變換與流星監(jiān)測(cè)模塊的性能對(duì)比Table 11 Performance comparison between Hough transform and meteor monitoring module in CMMO data
由表11可知流星監(jiān)測(cè)模塊與霍夫變換都可以達(dá)到100%的召回率.在誤檢率方面,流星監(jiān)測(cè)模塊相比霍夫變換低26.98%,能夠達(dá)到1.68%的低誤檢率.由此可以證明本文流星監(jiān)測(cè)模塊在其他數(shù)據(jù)上的遷移泛化能力較強(qiáng),便于批量部署.同時(shí)100%的召回率與1.68%的誤檢率驗(yàn)證了本文流星監(jiān)測(cè)模塊的實(shí)用性.
本文從讀取數(shù)據(jù)、處理數(shù)據(jù)、傳輸數(shù)據(jù)的角度,構(gòu)建了流星光學(xué)監(jiān)測(cè)系統(tǒng)的軟件部分,并與嵌入式人工智能設(shè)備(Nvidia jetson nano)和商用觀測(cè)設(shè)備(海康威視攝像頭)組成一整套流星監(jiān)測(cè)系統(tǒng).其中流星監(jiān)測(cè)軟件系統(tǒng)中的流星監(jiān)測(cè)模塊通過3個(gè)步驟的處理,逐級(jí)縮減了流星候選區(qū)域.這種逐級(jí)縮減的策略,避免了不必要的計(jì)算,提高了流星監(jiān)測(cè)的實(shí)時(shí)性,與基于霍夫變換的直線段篩選的方法相比有效地降低了流星監(jiān)測(cè)的誤檢率,減少了數(shù)據(jù)存儲(chǔ)壓力.在實(shí)際使用中,本文流星監(jiān)測(cè)系統(tǒng)以單精度(float32)計(jì)算分類既能達(dá)到實(shí)時(shí)性計(jì)算的要求,又具有較低的誤檢率.對(duì)于流星監(jiān)測(cè)模塊中的分類器,在準(zhǔn)確率方面相比Mobilenetv2還略有不足,但在分類速度方面本文分類器能夠滿足實(shí)時(shí)處理的要求.在未來(lái)的研究中,將通過融合多幀圖像的信息來(lái)解決分類器準(zhǔn)確性不足的問題,實(shí)現(xiàn)流星監(jiān)測(cè)系統(tǒng)高準(zhǔn)確率的實(shí)時(shí)監(jiān)測(cè).
致謝感謝青島艾山天文臺(tái)所提供的數(shù)據(jù)和張壁古堡提供的支持.感謝國(guó)家自然科學(xué)基金提供的資助.感謝審稿人對(duì)文章提出的寶貴建議,使得文章的質(zhì)量有了顯著的提高.
猜你喜歡 霍夫流星卷積 冰山與氣候變化中外文摘(2022年8期)2022-05-17基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)北京航空航天大學(xué)學(xué)報(bào)(2021年9期)2021-11-02世界之巔的花園——庫(kù)肯霍夫中老年保健(2021年4期)2021-08-22從濾波器理解卷積電子制作(2019年11期)2019-07-04我并不尊重水、風(fēng)、流星文苑(2018年20期)2018-11-09基于傅里葉域卷積表示的目標(biāo)跟蹤算法北京航空航天大學(xué)學(xué)報(bào)(2018年1期)2018-04-20流星小古靈精怪學(xué)苑創(chuàng)造·A版(2016年11期)2016-12-07基于霍夫變換的銘牌OCR圖像旋轉(zhuǎn)矯正方法電測(cè)與儀表(2015年8期)2015-04-0929時(shí)代英語(yǔ)·高三(2014年5期)2014-08-26一種基于卷積神經(jīng)網(wǎng)絡(luò)的性別識(shí)別方法電視技術(shù)(2014年19期)2014-03-11