基于能量集中度的广角望远镜自动调焦快速清晰度评价算法

地基广角相机阵由36个广角相机拼接组成,主要观测目标为光学瞬变源,具有超大视场、高时间采样率、实时数据处理的技术特点。实时自动调焦对于系统自动化观测与提高科学产出至关重要。自动调焦的核心目标为提高图像的能量集中度,目前常用评价指标如星像50%能量半径、点扩散函数的半高全宽均存在计算量过大的问题。基于地基广角相机阵调焦过程中星像中心区域能量变化大、星像总流量及分布范围基本不变这一点,提出了通过统计中心区域流量占星像总流量百分比的快速清晰度评价算法,并对两个流量孔径展开详细研究。进一步对算法中流量计算方法进行简化,细化了背景取值、选星标准、选星数目等对算法有影响的参数,最终确立了一套适用于地基广角相机阵系统实时自动调焦的清晰度评价算法。算法结果准确,单图运算时间在0.1 s左右,满足系统快速自动调焦的需求。     

大视场光学瞬变源认证系统的设计与实现

我国的大视场光学瞬变源巡天设备地基广角相机阵每2.5 min机器初步筛选出近千个瞬变源候选体,这些瞬变源候选体可能为超新星、变星、移动天体或者是噪声等。为进一步对瞬变源候选体进行管理和详细地筛选与认证,提出了基于网络开发框架的Django平台实现后台数据库管理和前端网页交互展示功能的光学瞬变源认证系统的设计方案。通过研究,本方案主要具备对瞬变源候选体的管理;光变曲线处理与展示;与已知多个类型天体星表的交叉进行分类;同时提供人机交互的人工认证界面接口等功能。得益于Django框架的优秀特性,系统无需额外的开发,即可提供良好的命令方式交互接口,方便科学家通过Django的接口对数据库进行面向对象的操作。通过将系统应用于我国已建成的迷你地基广角相机阵的观测数据测试,结果表明系统能将瞬变源候选体进行正确的分类与认证,为科学家对瞬变源候选体的后期认证提供了丰富的信息和方便实用的操作工具。同时,系统对于其它类似的瞬变源巡天项目也具有同样的实用意义。     

GWAC海量星表数据处理的数据库系统选型研究

为应对我国的宽视场地基广角相机阵在大数据管理和实时处理上带来的挑战,提出一种基于列存储数据库Monet DB的时序数据处理与管理系统设计方案。本方案充分利用Monet DB兼具数据处理和管理于一体的数据库平台特点,通过将交叉认证等核心数据处理算法内嵌于数据库中,从而实现将"计算带到数据中"的设计理念。同时,对本方案开展了多项关键技术的研究与测试:TPC-H基准性能测试;大数据加载能力测试及优化研究;基于Monet DB的Zone算法实现与测试;可定制函数开发功能的测试。初步的预研结果表明,列存储切实可行,同时对本设计方案作详细的介绍。提出的基于列存储Monet DB数据库设计的海量星表数据处理应用方案,是高效的数据处理与管理为一体的天文数据库解决方案。     

基于光变曲线的空间碎片基本形状分类

将未编目的空间碎片正确分类是空间态势感知的重要组成部分. 基于光变曲线, 通过仿真和实测实验, 探讨了空间碎片基本类型的机器学习分类方法. 在数据集中的仿真光变来自形状或材料不同的4类碎片, 实测光变从Mini-Mega TORTORA (MMT)数据库中提取, 实验以深度神经网络作为分类模型, 并和其他机器学习方法进行了比较. 结果显示深度卷积网络优于其他算法, 在仿真实验中对不同材料的圆柱体都能准确识别, 对其余两类卫星的识别率在90%左右; 实测实验中对火箭体和失效卫星的2分类准确率超过99%, 然而在进一步的型号/平台分类中, 准确率有所降低.     

基于嵌入式人工智能设备的流星光学监测系统

流星光学监测网是定位陨石和观测火流星的基础科研设施. 流星光学监测系统利用光学相机高速采集天空图像, 使用嵌入式系统实时处理数据, 能够快速识别流星并获取流星位置和陨石落点信息, 是构成流星监测网的关键仪器. 为提高流星光学监测系统获取信息的实时性及准确性, 提出了一种基于嵌入式人工智能设备的流星光学监测系统. 该系统由软件及硬件部分组成: 硬件部分包括观测设备(商用高空抛物摄像头)以及数据处理设备(嵌入式人工智能设备); 软件部分运行于数据处理设备内, 主要包括控制界面模块、流星监测模块、数据管理模块. 实际工作时, 摄像头采集天空视频信息, 流星监测模块从视频流中实时监测流星并存储包含流星视频的数据, 数据管理模块将流星位置信息实时传回数据中心用于预警. 观测结束后, 将原始观测数据同步至数据中心用于后续科学研究. 在整个系统中, 流星监测模块决定了整个监测系统的实时性及准确性. 该系统采用嵌入式人工智能设备与人工智能算法结合的方法构建流星监测模块. 通过使用实测数据对搭载监测模块性能进行测试, 结果表明: 流星监测模块能够达到0.28%的低误检率以及100%的召回率, 且数据处理速度达到了Mobilenetv2的8倍. 进一步将包含监测模块的整个流星光学监测系统部署于太原理工大学-张壁古堡远程天文台, 通过实测表明流星光学监测系统实用中能达到100%的召回率和较低的误检率.     

基于图像相减和随机森林的AST3巡天暂现源及变源搜寻方法

AST3-2 (Antarctic Survey Telescopes)光学巡天望远镜位于南极大陆最高点冰穹A,其产生的大量观测数据对数据处理的效率提出了较高要求.同时南极通信不便,数据回传有诸多困难,有必要在南极本地实现自动处理AST3-2观测数据,进行变源和暂现源观测的数据处理,但是受到低功耗计算机的限制,数据的快速自动处理的实现存在诸多困难.将已有的图像相减方案同机器学习算法相结合,并利用AST3-2 2016年观测数据作为测试样本,发展一套的暂现源及变源的筛选方法成为可行的选择.该筛选方法使用图像相减法初步筛选出可能的变源,再用主成分分析法抽取候选源的特征,并选择随机森林作为机器学习分类器,在测试中对正样本的召回率达到了97%,验证了这种方法的可行性,并最终在2016年观测数据中探测出一批变星候选体.     

一种低表面亮度星系的自动搜索算法newline--YOLOX-CS

低表面亮度星系(Low Surface Brightness Galaxy, LSBG)的特征对于理解星系整体特征非常重要, 通过现代的机器学习特别是深度学习算法来搜寻扩充低表面亮度星系样本具有重要意义. LSBG因特征不明显而难以用传统方法进行自动和准确辨别, 但深度学习确具有自动找出复杂且有效特征的优势, 针对此问题提出了一种可用于在大样本巡天观测项目中搜寻LSBG的算法---YOLOX-CS (You Only Look Once version X-CS). 首先通过实验对比5种经典目标检测算法并选择较优的YOLOX算法作为基础算法, 然后结合不同注意力机制和不同优化器, 构建了YOLOX-CS的框架结构. 数据集使用的是斯隆数字化巡天(Sloan Digital Sky Survey, SDSS)中的图像, 其标签来自于$\alpha.40$-SDSS DR7 (40%中性氢苜蓿巡天与第7次数据发布的斯隆数字化巡天的交叉覆盖天区)巡天项目中的LSBG, 由于该数据集样本较少, 还采用了深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Networks, DCGAN)模型扩充了实验测试数据. 通过与一系列目标检测算法对比后, YOLOX-CS在扩充前后两个数据集中搜索LSBG的召回率和AP (Average Precision)值都有较好的测试结果, 其在未扩充数据集的测试集中的召回率达到97.75%, AP值达到97.83%, 在DCGAN模型扩充的数据集中, 同样测试集下进行实验的召回率达到99.10%, AP值达到98.94%, 验证了该算法在LSBG搜索中具有优秀的性能. 最后, 将该算法应用到SDSS部分测光数据上, 搜寻得到了765个LSBG候选体.