摘" 要： 文中提出一種基于改進的ResNet的太陽黑子圖像分類方法，該方法在ResNet的基礎上引入了空洞卷積和殘差連接等技術，增強了訓練模型的特征提取能力以及感受野。在模型訓練過程中，采用交叉熵損失函數(shù)和SGD優(yōu)化器進行參數(shù)優(yōu)化，以提高模型的準確性和泛化能力。其中深度可分離卷積被用于替代傳統(tǒng)的卷積操作，以減少模型的參數(shù)量和計算量。最后，在太陽黑子圖像分類的公共數(shù)據(jù)集上進行實驗評估。實驗結果表明，提出的基于改進的ResNet模型在太陽黑子圖像分類任務上表現(xiàn)出較高的準確率和魯棒性，相比于傳統(tǒng)的ResNet模型，可以取得更好的分類效果。該方法為太陽黑子圖像分類提供了一種新的思路和技術方案，對于太陽活動預測和環(huán)境監(jiān)測等領域具有重要意義。

關鍵詞： 太陽黑子； ResNet； 空洞卷積； 殘差連接； 交叉熵； SGD

中圖分類號： TN911.73?34； TP399" " " " " " " " " 文獻標識碼： A" " " " " " " " " "文章編號： 1004?373X（2024）05?0080?05

Research on sunspot classification method based on improved ResNet algorithm

FAN Shiming

（Faculty of Information Engineering and Automation， Kunming University of Science and Technology， Kunming 650500， China）

Abstract： A sunspot image classification method based on improved ResNet is proposed in this study. In the method， techniques such as dilated convolution and residual concatenation are introduced on the basis of ResNet to enhance the feature extraction ability of the training model and the perceptual field. In the process of model training， the cross?entropy loss function and SGD （stochastic gradient descent） optimizer are used for parameter optimization， so as to improve the accuracy and generalization ability of the model. Among them， depth?separable convolution is used to replace the traditional convolution operation to reduce the number of parameters and the computational effort of the model. An experimental evaluation is performed on a public dataset for sunspot image classification. The experimental results show that the model based on improved ResNet exhibits high accuracy and robustness in the task of sunspot image classification and can achieve better classification results in comparison with the traditional ResNet model. The proposed method provides a new idea and technical scheme for sunspot image classification， which is important in the fields of solar activity prediction and environmental monitoring.

Keywords： sunspot; ResNet; dilated convolution; residual concatenation; cross?entropy; SGD

0" 引" 言

隨著現(xiàn)代天文學和太空科學的發(fā)展，太陽黑子[1]成為了一個備受關注的研究領域。太陽黑子是太陽表面的一種暗斑，具有一定的周期性和規(guī)律性，與太陽活動周期密切相關。太陽風暴曾造成當時無線電報網(wǎng)出現(xiàn)周期性大范圍中斷，太陽風暴引起地球磁場的劇烈變化，在地面誘生地磁感應電流，會損毀電網(wǎng)變壓器，造成停電事故。而自人類進入太空以來，已多次經(jīng)歷衛(wèi)星運行受太陽風暴影響的事例，衛(wèi)星發(fā)生故障、材料退化、通信質量下降或中斷，甚至導致衛(wèi)星失效、提前退役。隨著人類進行空間探索和空間活動不斷深入，各種與人類生活息息相關的活動都依賴于導航、通信、廣播、電視等空間技術系統(tǒng)，這些空間技術系統(tǒng)的安全已經(jīng)不是單純的科學問題，而是與國民經(jīng)濟、國家安全緊密相關的應用問題。太陽黑子的出現(xiàn)和消失對太陽活動、地球天氣和人類生活產(chǎn)生著重要的影響，因此對太陽黑子的監(jiān)測和研究具有重要的意義。

太陽黑子群又稱為太陽活動區(qū)，是太陽風暴爆發(fā)的主要源區(qū)。在空間環(huán)境業(yè)務預報和研究中，活動區(qū)的形態(tài)特征和磁場特征通常被用作太陽風暴預報的主要參考因子，如Wilson山磁分類[2]、McIntosh分類、磁剪切、中性線長度等。在當前太陽觀測數(shù)據(jù)量呈指數(shù)增長的情形下，傳統(tǒng)的人工提取太陽活動特征的方法顯然已經(jīng)不能滿足太陽風暴預報和空間環(huán)境預報的時效性需求，也不能滿足廣泛利用海量數(shù)據(jù)開展太陽風暴預報研究的要求。另外，太陽風暴預報模型主要通過統(tǒng)計關系來建立?；谌斯そ?jīng)驗提取的太陽風暴爆發(fā)的特征參量作為模型輸入，觀測數(shù)據(jù)中所包含的與太陽風暴相關的信息難以被充分利用，這限制了模式預報精度的進一步提高。

隨著計算機視覺和深度學習技術的不斷發(fā)展，基于圖像識別和分類的太陽黑子研究成為了一種新的研究方法和手段。然而，由于太陽黑子圖像的特殊性質和復雜性，傳統(tǒng)的圖像處理和分類方法往往難以滿足實際需求，因此需要更加先進和有效的技術和方法。

本文針對太陽黑子的圖像分類問題，提出了一種基于改進的ResNet的太陽黑子圖像分類方法。該方法綜合運用了數(shù)據(jù)增強、深度殘差網(wǎng)絡和優(yōu)化技術等先進技術和方法，對太陽黑子圖像進行高效、準確的分類和識別，為太陽黑子研究提供了新的思路和手段。通過對實驗結果的分析和評估，證明了本文方法在太陽黑子圖像分類方面具有較高的準確率和泛化能力，具有較好的應用前景和推廣價值。

1" 黑子分類

太陽黑子群分類是太陽物理學領域的研究熱點之一，近年來，利用深度學習技術進行太陽黑子群分類的研究不斷取得了進展。一方面，深度學習技術的應用使得太陽黑子群分類的準確性得到了顯著提高。傳統(tǒng)的太陽黑子群分類方法主要基于人工經(jīng)驗和主觀判斷，分類結果的準確性有限。而利用深度學習方法可以通過對太陽黑子群圖像進行特征提取和分類，實現(xiàn)對太陽黑子群磁類型的自動化分類，提高了分類準確性。目前國內已有多篇相關論文報道了利用深度學習方法開發(fā)多種模型，用于對太陽黑子群進行分類，這些模型包括：文獻[3]開發(fā)了識別簡化Wilson山磁分類的CNN模型，文獻[4]利用Faster R?CNN和R?FCN的深度學習模型實現(xiàn)對太陽黑子群的McIntosh分類，文獻[5]使用CNN完成Wilson山磁分類，文獻[6]基于CornerNet?Saccade目標檢測網(wǎng)絡實現(xiàn)對全日面圖像中太陽黑子群的Wilson山磁分類，文獻[7]提出了一種基于深度學習的太陽黑子群磁分類方法，將黑子群分成了α、β和β?x三個類別。另一方面，深度學習方法的應用還可以提高太陽黑子群分類的效率。傳統(tǒng)的太陽黑子群分類方法需要人工處理，分類效率低下，而利用深度學習方法可以對大量的太陽黑子群圖像進行快速處理，實現(xiàn)對太陽黑子群磁類型的自動化分類，提高了分類效率。比較經(jīng)典的、常見的對太陽黑子分類的方法有：McIntosh分類法、Zurich黑子群分類和Wilson山磁分類，都是用于太陽活動的分類系統(tǒng)。

Wilson山磁分類是由美國天文學家W.O.Wilson于1919年提出的，它基于太陽上的磁場結構來分類太陽區(qū)域。根據(jù)對應磁場的極性，制定了一套太陽黑子分類方案，它將雙極性太陽黑子群視為基本類型，其他類型則被視為雙極性太陽黑子群的變形。類別如下：

1） α：太陽黑子的單極性群。

2） β：太陽黑子的雙極性群，其中具有正負磁極，并且在相反磁極之間有明顯的區(qū)別。

3） γ：太陽活動區(qū)磁圖的復雜類型，其正負磁極的分布非常不規(guī)則。

4） β?γ：太陽黑子的雙極性群，分布足夠復雜，相反磁極之間沒有明顯的邊界。

5） δ：具有相反磁極的雙極性太陽黑子群，共享一個半暗帶，距離太陽中心的跨度小于2°。

6） β?δ：包含一個或多個δ太陽黑子的β磁性分類的太陽黑子組。

7） β?γ?δ：包含一個或多個δ太陽黑子的β?γ磁性分類的太陽黑子組。

8） γ?δ：包含一個或多個δ太陽黑子的γ磁性分類的太陽黑子組。

在本文的研究中，由于γ、δ及γ?δ在近10年幾乎沒有出現(xiàn)，因此忽略這三類，同時，β?γ、β?γ?δ、β?δ三種占比也較少，為了便于深度學習模型訓練，將他們三類統(tǒng)一歸為β?x類。

2" 實驗及結果

2.1" 數(shù)據(jù)預處理

本文中的數(shù)據(jù)集采用的是天池大賽中的太陽黑子類型智能分類中的數(shù)據(jù)集。在所有的磁圖中，有4 709張α磁型圖像、7 352張β磁型圖像和2 407張β?x磁型圖像。在所有連續(xù)體圖像中，α磁型的圖片有4 709張，β磁型的圖片有7 352張，β?x磁型的圖片有2 407張。數(shù)據(jù)集中每種類型的數(shù)據(jù)量分布均勻。連續(xù)體圖像中最少的磁類型是β?x。圖像樣本的數(shù)量如表1所示。

為了進行模型的訓練和測試，將數(shù)據(jù)集劃分為訓練集、測試集兩部分，其中訓練集占80%，測試集占20%。然后，對每個數(shù)據(jù)集中的圖像進行預處理和標準化處理，以便于后續(xù)的模型訓練和測試。

此外，將灰色圖像樣本插值到一個統(tǒng)一的尺寸224×112，用以滿足神經(jīng)網(wǎng)絡結構的輸入要求。同時，使用連續(xù)體圖像和磁圖兩個單通道圖像組合到一起，輸入為兩個通道，但為了契合AlexNet、VGG、Inception、ResNet等網(wǎng)絡的預訓練模型，第三個通道予以填充，這里將黑色圖像作為填補要求。由于樣本數(shù)目不均衡，以防由于樣本數(shù)量造成準確率降低，采取了圖像旋轉、翻轉的方式對α和β?x的樣本進行了擴充。最后，圖像樣本數(shù)量如表2所示。

2.2" 實驗環(huán)境

本文服務器操作系統(tǒng)使用Ubuntu的開源Linux操作系統(tǒng)，在GPU環(huán)境下進行計算，使用Pytorch深度學習框架，IDE為Pycharm，開發(fā)語言是Python。具體實驗環(huán)境如表3所示。

2.3" Dilated ResNet網(wǎng)絡

在本文中使用改進的ResNet模型，即Dilated ResNet來實現(xiàn)太陽黑子圖像的分類。Dilated ResNet是在ResNet的基礎上引入了空洞卷積[8?10]（Dilated Convolution），以增加卷積層的感受野和視野，提高網(wǎng)絡的分類精度。具體來說，Dilated ResNet由多個殘差塊組成，每個殘差塊包含多個卷積層和批量歸一化層，其中第一個卷積層采用空洞卷積，其余卷積層采用普通卷積?？斩淳矸e核的大小可以根據(jù)需要進行調整，以適應不同的圖像尺寸和任務要求。同時，網(wǎng)絡中還包含了池化層和全局平均池化層，以進行特征提取和降維處理。最后，網(wǎng)絡輸出一個Softmax分類器，將圖像分為不同的類別。整個網(wǎng)絡的訓練采用了交叉熵損失函數(shù)和隨機梯度下降（SGD）優(yōu)化器，以最小化損失函數(shù)并優(yōu)化網(wǎng)絡參數(shù)。

具體來說，在ResNet中引入了空洞卷積，并對網(wǎng)絡進行了一定的調整和改進，以適應太陽黑子圖像的分類任務。Dilated ResNet的具體結構如圖1所示。

Dilated ResNet由多個殘差塊組成，每個殘差塊包含兩個卷積層和兩個歸一化層，并使用空洞卷積來增加感受野和視野。具體地，將第3、第4和第5個殘差塊中的卷積層替換為空洞卷積，其中第3個殘差塊使用了空洞率為2的卷積核，第4個殘差塊使用了空洞率為4的卷積核，第5個殘差塊使用了空洞率為8的卷積核。還在網(wǎng)絡的最后添加了全局平均池化層和全連接層，用于將卷積層輸出的特征圖轉換為分類結果。Dilated Residual Block具體結構如圖2所示。

其中，Residual Block和Dilated Residual Block都采用了兩個卷積層，每個卷積層后面都跟著歸一化層和ReLU激活函數(shù)。Residual Block還采用了殘差連接，即將輸入直接加到輸出上。Dilated Residual Block則采用空洞卷積來增加感受野和視野。具體地，空洞卷積是在卷積核中插入一些空洞，這些空洞在卷積操作中可以讓卷積核跨越更大的區(qū)域，從而增加了感受野和視野。

此外，在實現(xiàn)Dilated ResNet模型時，還采用了一些超參數(shù)的調整。具體地，采用了批量大小為64、學習率為0.001、動量為0.9、權重衰減為0.000 1的SGD優(yōu)化器，并使用了學習率衰減策略，將學習率在第40個和80個epoch時分別乘以0.1。將模型在訓練集上訓練100個epoch，并在測試集上進行模型選擇，選擇測試集上具有最高精度的模型作為最終模型。

2.4" 模型訓練和評估

在訓練深度學習模型前，需要將數(shù)據(jù)集劃分為訓練集、測試集。具體地，將數(shù)據(jù)集中80%的數(shù)據(jù)用于訓練，20%用于測試。訓練集用于訓練模型和調整超參數(shù)，測試集則用于評估模型性能。

使用全連接神經(jīng)網(wǎng)絡的輸出通過一個Softmax函數(shù)得到輸出分類的概率分布，然后將結果與數(shù)據(jù)標簽進行比較得到交叉熵，從而得到損失函數(shù)。Softmax函數(shù)和交叉熵公式如下：

[Softmax（pi）=epij=1neyj]

式中：[n]是太陽黑子類型的數(shù)量；[pi]是第[i]個網(wǎng)絡單元的輸出。

[L=-1Ni=1Nyilog（pi）+（1-yi）log（1-pi）]

式中：[N]是訓練樣本數(shù)量；[yi]是樣本[i]的真實標簽；[pi]是模型對樣本[i]的預測值。

使用PyTorch框架中的SGD優(yōu)化器進行模型訓練。具體地，采用了批量大小為64、學習率為0.001、動量為0.9、權重衰減為0.000 1的SGD優(yōu)化器，并使用了學習率衰減策略，將學習率在第40個和80個epoch時分別乘以0.1。

為了評估模型的性能，采用準確率作為評估指標，即：

[Accuracy=TP+TNTP+TN+FP+FN]

式中：TP是真正例數(shù)；TN是真反例數(shù)；FP是假正例數(shù)；FN是假反例數(shù)。使用測試集對模型進行評估，并記錄模型在測試集上的準確率作為最終性能指標。

2.5" 實驗結果及分析

擴充樣本后灰度圖像的數(shù)據(jù)集的損失函數(shù)和準確率如表4所示。

從表4中可以看出，提出的基于深度學習的太陽黑子群磁類型分類方法中的Dilated ResNet模型相比于之前的ResNet模型，在灰度圖像中準確率達到92%。這表明，采用帶有空洞殘差卷積的模型可以顯著提高太陽黑子群磁類型分類的精度。

此外，混淆矩陣[11?13]用于評估模型對太陽磁場活動區(qū)磁性類型的分類性能?；煜仃嚩x如表5所示。

表5中：被正確識別為“α”的樣本數(shù)為True α（TA）；被錯誤識別為“β”的樣本數(shù)為False α_B（AB）；被錯誤識別為“β?x”的樣本數(shù)為False α_C（AC）；被正確識別為“β”的樣本數(shù)為True β（TB）；被錯誤識別為“α”的樣本數(shù)為False β_A（BA）；被錯誤識別為“β?x”的樣本數(shù)為False β_C（BC）；被正確識別為“β?x”的樣本數(shù)為True β?x（TC）；被錯誤識別為“α”的樣本數(shù)為False β?x_A（CA）；被錯誤識別為“β”的樣本數(shù)為False β?x_B（CB）。

為了更好地理解模型的性能，還繪制了Dilated ResNet模型在測試集上的混淆矩陣，如表6所示。從表6中可以看出，當模型識別錯誤發(fā)生時，α磁型偶爾會被誤認為β磁型，β磁型有時會被誤分類為α或β?x，錯誤率超過6%，β?x磁型主要誤劃為β。人工分類時，難免會因個人經(jīng)驗和個人意見產(chǎn)生分歧，主要是區(qū)分β磁型和β?x磁型。

從混淆矩陣可以看出，模型在大多數(shù)情況下能夠正確地將樣本分類到正確的類別中，但是在一些類別中仍存在一定程度的混淆。例如，α類別永遠不會被識別為β?x類別，但模型會將12.6%的β?x類別誤分類為類別β，這表明，對于一些相似的類別，模型仍需要進一步改進以提高分類性能。

3" 結" 論

本文提出了一種基于深度學習的太陽黑子群磁類型分類方法，采用了AlexNet、VGG、ResNet和Dilated ResNet等多種深度學習模型對數(shù)據(jù)集進行分類。實驗結果表明，提出的方法中的Dilated ResNet模型取得了最好的性能，灰度圖像達到了92%的準確率，比傳統(tǒng)的ResNet模型提高了5%。與傳統(tǒng)方法相比，基于深度學習的分類方法具有更高的分類精度、更好的可解釋性和魯棒性。這些結果表明，基于深度學習空洞殘差模型的方法可以顯著提高太陽黑子群磁類型分類的精度，并為未來的太陽物理研究提供重要的參考。

未來的工作將集中在改進深度學習模型的結構和算法上，收集更多的太陽黑子群磁類型數(shù)據(jù)，并將該方法應用到實際的太陽物理研究中，例如太陽活動周期的預測、太陽耀斑的識別和預報等方面的應用?；谏疃葘W習的太陽黑子群磁類型分類方法將會成為太陽物理學研究中一種重要的工具和手段，為理解太陽磁場的演化和太陽活動的變化提供重要的參考和指導。

參考文獻

[1] 李國慶，孫威，王穎，等.基于索周法探尋太陽黑子的磁極性周期[J].地球物理學進展，2020，35（6）：2075?2082.

[2] 李書馨，趙學斌，陳君，等.基于深度學習的太陽黑子Wilson山磁類型識別方法[J].空間科學學報，2022，42（3）：333?339.

[3] 方園慧.機器學習在太陽爆發(fā)預報中的應用研究[D].北京：中國科學院大學（中國科學院國家空間科學中心），2020.

[4] 付小娜.基于深度學習的太陽黑子群分類方法研究[D].昆明：昆明理工大學，2019.

[5] 王雅妮.利用卷積神經(jīng)網(wǎng)絡自動歸類太陽黑子[D].哈爾濱：哈爾濱工業(yè)大學，2020.

[6] 何遠柏.基于CornerNet?Saccade的太陽黑子群Wilson山磁分類研究[D].昆明：昆明理工大學，2021.

[7] FANG Y H， CUI Y M， AO X Z. Deep learning for automatic recognition of magnetic type in sunspot groups [J]. Advances in astronomy， 2019（1）： 1?10.

[8] 顏銘靖，蘇喜友.基于三維空洞卷積殘差神經(jīng)網(wǎng)絡的高光譜影像分類方法[J].光學學報，2020，40（16）：163?172.

[9] WEI Y C， XIAO H X， SHI H H， et al. Revisiting dilated convolution： A simple approach for weakly? and semi? supervised semantic segmentation [C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York： IEEE， 2018： 7268?7277.

[10] LI Y H， ZHANG X F， CHEN D M. CSRNet： Dilated convolutional neural networks for understanding the highly congested scenes [C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York： IEEE， 2018： 1091?1100.

[11] LIANG J. Confusion matrix： Machine learning [J]. POGIL activity clearinghouse， 2022， 3（4）： 26.

[12] VISA S， RAMSAY B， RALESCU A L， et al. Confusion matrix?based feature selection [C]// Proceedings of the 22nd Midwest Artificial Intelligence and Cognitive Science Conference 2011. [S.l.： s.n.]， 2011： 120?127.

[13] 張開放，蘇華友，竇勇.一種基于混淆矩陣的多分類任務準確率評估新方法[J].計算機工程與科學，2021，43（11）：1910?1919.