基于深度學習的太陽活動區檢測與跟蹤方法研究*

朱 健，楊云飛,，蘇江濤，劉海燕，李小潔，梁 波，馮 松

(1. 昆明理工大學信息工程與自動化學院/云南省計算機技術應用重點實驗室，云南 昆明 650500；2. 中國科學院太陽活動重點實驗室，北京 100101)

太陽活動區是太陽強磁場區域，是太陽活動的主要能量來源。劇烈的太陽活動導致惡劣的空間天氣，比如耀斑和日冕物質拋射對地球上電磁通信、電力系統、無線電傳輸等產生不良影響。因此，對太陽活動區進行檢測與跟蹤，分析其演化規律，對人類的空間探索和地球生活有重要的意義[1-2]。

目前，用來解決太陽活動區檢測與跟蹤的方法主要采用傳統的圖像處理技術[1-11]，檢測主要采用強度閾值法或區域生長法等，這些方法一般需要設置參數，如強度閾值、開閉算子閾值和區域生長的邊界閾值。這些參數對傳統的方法來說至關重要，文[2, 6]對參數進行了詳細討論，并給出了設置參數的一些準則。跟蹤太陽活動區主要根據緯向較差自轉定律預測其位置，然后根據歐氏距離或特征的相關性進行目標關聯[3-4]。

這些方法雖然較好地實現了太陽活動區的檢測與跟蹤，但是仍存在一些問題。比如，文[2-4]的方法容易導致一個太陽活動區被誤檢測為多個，或者多個相鄰的太陽活動區被誤檢測為一個，從而導致誤跟蹤；文[11]的美國國家海洋和大氣管理局(National Oceanic and Atmospheric Administration, NOAA)編號被廣泛應用，但存在未能及時標注新浮現的太陽活動區和仍標注了已經在全日面像上消失的太陽活動區等現象。

近年來，隨著深度學習[12]的普及和神經網絡算法的發展，提出了一些基于深度學習的目標檢測和跟蹤算法。……