1、“.....且识别过程互不干扰，本文采用种层次化的太阳黑子识别模型。第层模型的本质是个基于的深度神经网络，用于识别本影较大的黑子和黑子群这类较为明显的目标第层模型采用数字图像处理中的算法，针对斑点状的本影较小的黑子进行专门的识别。最终汇总两层模型的识别结果形成最终完整的识别结该方法基于传统的滑动窗口，并使用非极大值抑制算法产生最佳候选框，时间复杂度很高，在实际应用中相当耗时，因而无法完成实时检测工作。在以上研究背景下，本文提出了种两层的层次化结构来识别各种尺度的太阳黑子。在第层结构中，采用种名为的深度学习模型进行太阳黑子的识别。该模型基于回归的思想在图像中选取最佳候选框，以识别速度快著称。模型训练之前，仅需要框定出极少量图片中太阳黑子的所在位臵，即可作为训练数据集，大大减少了数据集的准备工作。在通常的目标识别任务中，小物体的识别往往是个难点。针对本影面积较小的太阳黑子......”。

2、“.....的均值聚类方法，对网络中的参数进多尺度预测方式增强了对于不同尺寸的目标检测的能力。此外，损失函数部分修改为值交叉熵函数，并使用逻辑回归选择评分最高的以减少损失函数的计算量。总而言之，由于在前两个版本上的改进，其工作过程变得更加可靠，产生的结果也更加准确。因此本文采用为基础模型进行太阳黑子识别的实验。目前，针对太阳黑子识别问题，大多数工作主要采用传统的图像处理技术。等提出了采用聚类的方法对太阳黑子进行自动检测，将太阳黑子映射到维笛卡尔坐标系中，再通过无监督聚类分析标记出太阳黑子群，但黑子群的分割粒度较大赵翠等通过形态学顶帽变换自适应阈值的方法识别太阳黑子提出了种基于边缘检测算法的太阳黑子识别方法。上述方法在数字图像处理领域被广泛采层次化的太阳黑子快速自动识别方法探究分析太阳系论文中，小物体的识别往往是个难点。针对本影面积较小的太阳黑子......”。

3、“.....的均值聚类方法，对网络中的参数进行优化，以提高小黑子的识别率。在经过第层结构的识别后，有些较为独立的小黑子仍然会被遗漏，因此设计了第层结构，结合数字图像处理中的自适应通用加速分割检测，算法，专门识别检测结果之外这类本影极小的太阳黑子。该层次化结构如图所示。层次化的太阳黑子快速自动识别方法探究分析太阳系论文。基于网络。其首先将输入图片输入大小压缩为，并将输入图片划分为个栅格，每阳黑子群，但黑子群的分割粒度较大赵翠等通过形态学顶帽变换自适应阈值的方法识别太阳黑子提出了种基于边缘检测算法的太阳黑子识别方法。上述方法在数字图像处理领域被广泛采用，然而其强烈依赖于数据本身的特征信息，识别速度和精度都具有定限制。对于目前提出的利用深度学习进行太阳黑子检测的方法，付小娜等提出了种利用卷积神经网络进行自动识别的方法......”。

4、“.....使用该方法可以对全日面太阳图像上各类黑子进行识别，尤其是较弱的磁孔倍平均光球强度，因此证明了基于深度学习的方法检测太阳黑子是可行的。然而，该工作使用的数据集规模较小，且网络结构单，输入大小有限，最初仅用于手写体果的分布如图所示，可以看出交并比的分布基本较为稳定且均大于等于。交并比在图像识别领域是常用的测试标准，通常交并比大于时便认为是个优秀的识别结果，因此本文太阳黑子的识别结果具有精确性和健壮性。实验使用张源自数据集中的连续谱强度图像进行标注并训练网络。最终结果表明，整个处理流程在测试数据集上取得的交并比约的识别率和的误识别率，并且在识别速度上远超传统的太阳黑子识别算法。本文提出的方法对太阳黑子的自动识别有着非常现实的意义，可以在定程度上减少天文工作者的工作量，文中的方法也可以直接被应用于其他太阳表面活动的识别......”。

5、“.....在太阳全日面图像中表现为不同的大小以及颜色深度。对于本影较大的黑子或黑子群，深度学习识别模型根据算法原理，为提升检测速度，可以使用算法构建决策树。年和等人提出了自适应通用加速分割检测，算法，将算法中决策树改造为叉树，并能够根据当前处理的图像信息动态且高效地分配决策树，提高了算法的运算速度。为了高效率地进步识别第层模型遗漏的小黑子，第层模型采用算法，识别第层模型标定的识别框之外的特征点。经过多次对比和调试，最终选用作为像素差异的阈值。检测实验及分析训练过程按图搭建了第层太阳黑子识别模型后开始训练。的训练目标是最优化以下损失函数其中包括个部分，前两行为坐标预测损失，第和第行为臵信度损失，最后行为类别损失。使用随机梯个尺寸。其中，大小的网格对应，和，的尺寸，用于检测较大目标大小的网格对应，以及，的尺寸，用于检测中等体型目标大小的网格对应，和......”。

6、“.....用于检测较小目标。图数据预处理流程图第层模型基于的深度神经网络第层太阳黑子识别模型经过观察，在识别结果中，存在着极少的温度较高且本影极小的太阳黑子未能被识别。原因是这类黑子的波长与太阳表面平静区的波长相近，使得容易将其误判为太阳表面的平静区。为解决该问题，建立第层太阳黑子识别模型，采用数字图像处理中特征检测算法标定出小黑子的位臵。在性能上，第层模型以增加识别时间为代价，提高了小黑子的识别率。第层模型以第层模型的识别结果作为输入，专门负责识别第层模型中还未能被此可在数据准备充足的情况下，将本文的范围直接扩展至其他太阳活动的识别。结论本文建立了层次化的太阳黑子识别模型。在第层模型的识别过程中，使用张数据集中标注后的太阳黑子图像训练深度神经网络用于太阳黑子识别，并在测试集上达到了较高的分类准确率。针对小型黑子识别率低的问题，使用基于交并比的均值算法确定了网络中的......”。

7、“.....为了进步提升小黑子的识别率，建立了第层太阳黑子识别过程，采用特征检测算法，专门进行本影较小的太阳黑子的快速识别。该层次化模型在测试数据集上获得了的测试交并比，约的识别率以及约的误识别率，并在识别速度每秒帧率上远超传统方法，甚至能够对太阳黑子进行实时检测，同时满足了准确性和高效性。文中的模型与算法可能为角点，即可以被认为是本影较小的太阳黑子。算法的基本原理如图所示，首先设定阈值，对图像中的每个像素点，考虑其以为半径的圆上的个像素点至与的像素差异。若个像素点中有个及以上的像素点与的像素差异超过，则认为是特征点，最终采用非极大值抑制的方法进行筛选得到结果。从模型的泛化能力进行分析，由于模型的诸多参数如图片尺寸像素差异阈值等均由实验测出，因此识别结果可能与数据的来源高度相关。尤其地，对于其他观测设备得到的不同分辨率的全日面图像......”。

8、“.....针对这现象，应当寻找尽可能提高模型泛化能力的可行方案。如对于图片尺寸，将不同来源的数据缩放至同大小对于像素差异阈值，对图像进行合适的预处理，如归化，使得不同来源图像的阈值相近对于分辨率问题，尺寸。常用的均值算法使用欧氏距离作为优化目标，在获取尺寸时容易引发大框优势，故将聚类函数修改为。多次运行聚类算法，设臵不同的值。经过多次实验进行效果的验证，最终确定值为。因此，最终确定的网络结构输出个网格尺寸，每个输出分别对应两个尺寸。其中，大小的网格对应，和，的尺寸，用于检测较大目标大小的网格对应，以及，的尺寸，用于检测中等体型目标大小的网格对应，和，的尺寸，用于检测较小目标。图数据预处理流程图第层模型基于的深度神经网络第层太阳黑子识别模型经过观察，在识别结果中，存在着极少的温度较高且本影极小的太阳层次化的太阳黑子快速自动识别方法探究分析太阳系论文识别的小黑子......”。

9、“.....在大小的太阳黑子图像中，本影较小的太阳黑子可看作图像中的特征点进行处理，符合数字图像处理中特征检测问题的基本性质。等人将角点定义为若像素点与其周围足够多的像素点处在不同范围内，则该像素点可能为角点。考虑灰度太阳黑子图像，若点的灰度值比其周围领域内数量较多的像素点的灰度值大或者小，则该点可能为角点，即可以被认为是本影较小的太阳黑子。算法的基本原理如图所示，首先设定阈值，对图像中的每个像素点，考虑其以为半径的圆上的个像素点至与的像素差异。若个像素点中有个及以上的像素点与的像素差异超过，则认为是特征点，最终采用非极大值抑制的方法进行筛选得到结果。层次化的太阳黑子快速自动识别方法探究分析太阳系论文果对应位臵的网格相关联。每个尺度输出的第维的分量由网络中的部件计算得到。每个尺度对应两个，每个输出个值，中心点坐标和宽高，臵信度以及类别概率分别对应小黑子和黑子群......”。