一种磁层系统软X射线光子数极大值检测方法

摘要

本发明涉及空间技术领域，具体涉及一种磁层系统软X射线光子数极大值检测方法，该方法包括：采集不同太阳风密度下的磁层系统软X射线光子数数据，经预处理后输入预先建立并训练好的语义分割网络模型中，获得磁层系统软X射线光子数的分类，进而提取磁层系统软X射线光子数极大值的位置；所述语义分割网络模型，通过对DeepLabV3+网络结构改进得到，改进包括：将DeepLabV3+的主干网络Xception改为Mobilenetv2，并在Mobilenetv2网络中引入CA注意力机制，更改DeepLabV3+特征融合模块中空洞卷积的空洞率组合，并在特征融合模块中加入可变形卷积分支度。

权利要求

1.一种磁层系统软X射线光子数极大值检测方法，该方法包括：

采集不同太阳风密度下的磁层系统软X射线光子数数据，经预处理后输入预先建立并训练好的语义分割网络模型中，获得磁层系统软X射线光子数的分类，进而提取磁层系统软X射线光子数极大值的位置；

所述语义分割网络模型，通过对DeepLabV3+网络结构改进得到，改进包括：将DeepLabV3+的主干网络Xception改为Mobilenetv2，并在Mobilenetv2网络中引入CA注意力机制，更改DeepLabV3+特征融合模块中空洞卷积的空洞率组合，并在特征融合模块中加入可变形卷积分支；

所述语义分割网络模型，具体包括：编码器和解码器；

所述编码器，用于对输入的磁层系统软X射线光子数二维数据的浅层语义信息和深层语义信息分别进行提取，包括：改进的MobileNetv2主干网络和改进的多分支特征融合模块；其中，改进的MobileNetv2主干网络，包括：1个conv‑2D和7个InvertedRsblock模块以及一个CA注意力模块；改进的多分支特征融合模块，是将DeepLabV3+网络结构中空洞空间卷积池化金字塔模块的3个空洞卷积的空洞率分别改为4、8、12，同时加入可变形卷积分支；

所述解码器，用于对编码器提取的浅层语义信息和深层语义信息进行融合，并进行上采样，最终输出磁层系统软X射线光子数二维仿真数据每个坐标的检测结果；

所述语义分割网络模型的处理过程具体包括：

步骤1）对光子数二维数据矩阵进行预处理，将预处理后的二维数据矩阵输入编码器；

通过 的conv‑2D卷积对输入光子数二维仿真数据进行处理获得特征图；再通过用卷积将输入的特征图维度变大，然后用 深度卷积方式做卷积运算，最后使用 的卷积运算将特征图维度缩小并使用线性激活函数，并将维度缩小后的特征图送入CA注意力模块；

步骤2）通过CA注意力模块获取输入特征图的深层语义信息和浅层语义信息并将深层语义信息传给多分支特征融合模块，将浅层语义信息传给解码器；

步骤3）通过特征融合模块的各分支分别对深层语义信息进行依次处理，获得各分支输出的特征图，并将各分支输出的特征图堆叠，再经过 卷积整合堆叠后的特征图，得到指定尺度的特征图；所述多分支特征融合模块，包括1个 卷积分支，3个空洞卷积分支，三个空洞卷积的空洞率分别为4、8、12，1个可变形卷积分支和1个全局平均池化分支；

步骤4）将步骤3）获取的特征图进行4倍采样并与步骤3）中获得的低级语义特征合并，获得合并特征图；

步骤5）将步骤4）中输出的合并特征图经过 卷积后再次进行4倍上采样得到特征图；

步骤6）将步骤5）输出的特征图大小调整为输入的光子数二维数据矩阵原始大小，输出最终的预测结果；

所述方法还包括：对语义分割网络模型进行训练，训练过程包括以下步骤：

步骤A：使用磁流体力学MHD模型模拟构建不同太阳风密度下磁层系统软X射线辐射强度三维数据，并将磁层系统软X射线辐射强度三维数据向固定视角下积分，得到磁层系统软X射线辐射强度二维数据矩阵即MHD二维数据，将MHD二维数据导入SXI仿真软件得到不同太阳风密度、不同积分时间的光子数仿真数据；从MHD二维数据矩阵中选取辐射强度极大值作为光子强度极大值的标签，并添加到仿真数据中；基于添加标签后的仿真数据分别构建训练数据集和测试数据集；

步骤B：设置损失函数和模型训练参数，使用训练数据集对语义分割网络模型进行训练，并使用测试数据集进行测试，最终获得训练好的语义分割网络模型。

2.根据权利要求1所述的磁层系统软X射线光子数极大值检测方法，其特征在于，所述步骤A，具体包括：步骤A1：将不同太阳风密度条件下的MHD模拟结果作为光源输入，通过SXI仿真程序生成对应太阳风密度条件下的SXI光子数仿真数据，SXI的积分时间为t，同样的MHD模拟结果输入通过多次输出得到不完全一样的SXI光子数仿真数据；

步骤A2：将任意n张同样MHD模拟结果输入得到的不完全一样的SXI光子数仿真数据叠加得到积分时间为nt的SXI光子数仿真数据；

步骤A3：将MHD二维积分图中每行最大灰度值的像元构成X射线辐射强度极大值区域，作为对应太阳风密度条件下SXI仿真数据中磁层顶的标签，并将标签添加到SXI仿真数据中；

步骤A4：添加标签完成后，对仿真数据进行增强处理，扩充样本数据；

步骤A5：基于样本数据，通过设置不同的太阳风密度或积分时间，制作出多组训练数据集和测试数据集。

3.根据权利要求2所述的磁层系统软X射线光子数极大值检测方法，其特征在于，所述步骤A4中，对仿真二维数据矩阵进行增强处理，具体包括：对仿真二维数据矩阵进行旋转和添加高斯噪声的操作。

4.根据权利要求1所述的磁层系统软X射线光子数极大值检测方法，其特征在于，所述步骤B中，在训练过程中采用SGD优化器更新模型训练参数。

5.根据权利要求1所述的磁层系统软X射线光子数极大值检测方法，其特征在于，所述步骤B中，损失函数Loss使用二值交叉熵损失函数，表达式为：其中，N代表样本数，i表示第i个样本，i=1,2,…N，yi

代表第i个样本标签，pi代表第i个预测值。

6.根据权利要求1所述的磁层系统软X射线光子数极大值检测方法，其特征在于，所述步骤B中，训练过程依次包括：冻结阶段和解冻阶段；

所述冻结阶段中，使语义分割网络模型的MobileNetv2主干网络冻结运行；

所述解冻阶段中，使语义分割网络模型的MobileNetv2主干网络正常运行。

说明书

一种磁层系统软X射线光子数极大值检测方法

技术领域

[0001] 本发明涉及空间技术领域，具体涉及一种磁层系统软X射线光子数极大值检测方法，更具体地，涉及一种基于DeepLabV3+改进的磁层系统软X射线光子数极大值检测方法。

背景技术

[0002] 太阳风‑磁层相互作用全景成像卫星任务（Solar wind magnetosphere Ionosphere Link Explorer，SMILE）是中国科学院与欧空局联合发起的一项空间科学探测合作项目。SMILE卫星将首次实现对日侧地球磁层顶、极尖区与极光椭圆区的全景实时成
像，观测驱动空间天气变化的完整事件链条，揭示太阳风‑地球磁层相互作用的关联与因果关系，了解空间天气变化的驱动因素。该任务在人类进一步完善地球磁层物理模型，提升空间环境预报能力方面提供了重要的科学支持。

[0003] SMILE任务的一关键科学目标是探测太阳风‑磁层相互作用的大尺度结构和基本模式，其中包括通过软X射线成像方式对磁层顶进行检测。

[0004] 磁层顶是太阳风与磁层的交界区，它把太阳风等离子体和磁场与地球磁层等离子体和磁场区分开来。磁层顶位置和形状的变化可以反映上游太阳风条件对地球磁场的影
响。当来自太阳风的高电荷态的重离子（例如，C6+、O7+、O8+、Fe12+、Si10+），遇到地球空间环境中无处不在的中性原子或者分子（例如，H、H20、OH）时，二者会碰撞并发生相互作用，电子由中性原子和分子转移到重离子上，这个过程叫做太阳风电荷交换SWXC过程。太阳风电
荷交换SWXC过程中会辐射出一个或者多个极紫外或软X射线波段的光子，进而被卫星探测
到。SMILE搭载的软X射线成像仪(SXI)就是基于此成像原理，有望提供日下点区域附近大尺度磁层系统的软X射线图像。

[0005] 目前卫星还未发射，没有实际观测的磁层系统的软X射线光子图。但可以通过SXI仿真软件生成模拟图像，其原理如下：

[0006] X射线强度（X‑ray Intensity，IX）与太阳风通量相关。对于指定视线方向（Line Of Sight，LOS），地冕SWCX辐射的X射线强度可以从3维X射线辐射率（X‑rayEmissivity，PX）沿视场方向积分得到，见公式（1）

[0007]                  （1）

[0008] 通过太阳风‑磁层‑电离层系统的全球三维磁流体力学数值模拟代码，即MHD（Magneto Hydro Dynamic，磁流体力学）模型得到公式（1）中所需要的参数nsw、usw、uth。

[0009] 每一个数据点都可以作为一个点光源输入，将MHD积分数据得到的每一个位置的辐射强度作为SXI（Solar X‑ray Imager）仿真软件的输入，计算得到每个位置对应的光线数量N。由光子数二维矩阵构成SXI成像图。已知光线数量N与其MHD模拟下的X射线强度值成正比。

[0010] 通过观测或者模拟得到的磁层系统二维图像还需要通过计算得到磁层顶三维的位置信息。目前主要采用TFA切向拟合法，首先通过分析X射线辐射强度积分数据或者SXI收集到的光子数据，得出X射线信号的极大值方向，以此作为真实磁层顶的切线方向；然后通过含可变参数的磁层系统模型获得一系列磁层顶位形，针对各种可能位形计算切线方向，
找到与真实切线方向最佳匹配的磁层顶位形，以此作为三维磁层顶的反演结果。

[0011] 这种方法需要找到X射线光子强度极大值，目前采用的是对X射线辐射强度积分数据矩阵或者SXI收集到的光子数二维数据矩阵每行取极大值的方法，这种方法在对理论情
况——MHD积分图像的检测可行，但面对模拟的X射线成像图，以及未来卫星发射后得到的
实际图像的检测，会受宇宙背景噪声以及仪器噪声的影响，在太阳风密度较小时无法实现
有效检测。且这种方法需要靠长时间的能量累积，检测不够高效。

[0012] 磁层系统软X成像图中光子数极大值位置的检测可以考虑为语义分割问题。传统的语义分割方法包括阈值分割、区域生长法、边缘分割等。这些分割方法适用于目标类间性质区别明显的图片，都需要人为地从图像的灰度、对比度及纹理等信息中的设计特征来进
行分割，受噪声影响较大，其分割精度和准确度上达不到预期。

[0013] 随着深度学习的发展，基于机器学习的语义分割方法可以充分利用图像的语义信息在高维空间进行特征提取，提升了语义分割的精确度和准确度。通过运用卷积神经网络，计算机设备可以高效地处理大量的磁层系统软X射线光子数数据。目前常用的基于深度学
习的语义分割有FCN、U‑Net、SegNet、PSPNet、DeepLab系列等。其中DeepLabV3+使用了
Encoder‑Decoder（高层特征提供语义，Decoder逐步回复边界信息）在提升了分割效果的同时，关注了边界的信息，目前广泛应用于医疗领域的CT语义分割，有不错的检测效果。但将DeepLabV3+直接用于磁层系统软X射线光子数极大值检测中效果不佳。

发明内容

[0014] 本发明的目的在于为了有效解决太阳风密度较小时磁层系统软X射线光子数极大值位置的检测难题，以及提高磁层顶检测的整体检测速度。

[0015] 为达到上述目的，本发明通过下述技术方案实现。本发明提供一种基于DeepLabV3+改进的磁层系统软X射线光子数极大值检测方法，将受太阳风密度、积分时间、宇宙背景噪声、仪器噪声影响的光子强度极大值的提取问题考虑为语义分割问题。通过学习不同太阳
风密度、不同积分时间下的带噪声的磁层系统软X射线光子数的空间特性，得到了磁层系统软X射线光子数二维数组矩阵每个元素的分类，进而提取需要的光子数极大值位置。

[0016] 本发明提出了一种磁层系统软X射线光子数极大值检测方法，该方法包括：

[0017] 采集不同太阳风密度下的磁层系统软X射线光子数数据，经预处理后输入预先建立并训练好的语义分割网络模型中，获得磁层系统软X射线光子数的分类，进而提取磁层系统软X射线光子数极大值的位置；

[0018] 所述语义分割网络模型，通过对DeepLabV3+网络结构改进得到，改进包括：将DeepLabV3+的主干网络Xception改为Mobilenetv2，并在Mobilenetv2网络中引入CA注意力
机制，更改DeepLabV3+特征融合模块中空洞卷积的空洞率组合，并在特征融合模块中加入
可变形卷积分支。

[0019] 作为上述技术方案的改进之一，所述语义分割网络模型，具体包括：编码器和解码器；

[0020] 所述编码器，用于对输入的磁层系统软X射线光子数二维数据的浅层语义信息和深层语义信息分别进行提取，包括：改进的MobileNetv2主干网络和改进的多分支特征融合模块；其中，改进的MobileNetv2主干网络，包括：1个conv‑2D和7个InvertedRsblock模块以及一个CA注意力模块；改进的多分支特征融合模块，是将DeepLabV3+网络结构中空洞空间
卷积池化金字塔模块的3个空洞卷积的空洞率分别改为4、8、12，同时加入可变形卷积分支；

[0021] 所述解码器，用于对编码器提取的浅层语义信息和深层语义信息进行融合，并进行上采样，最终输出磁层系统软X射线光子数二维仿真数据每个坐标的检测结果。

[0022] 作为上述技术方案的改进之一，所述语义分割网络模型的处理过程具体包括：

[0023] 步骤1）对光子数二维数据矩阵进行预处理，将预处理后的二维数据矩阵输入编码器；通过3*3的conv‑2D卷积对输入光子数二维仿真数据进行处理获得特征图；再通过用1*1卷积将输入的特征图维度变大，然后用3*3 深度卷积方式做卷积运算，最后使用1*1的卷积运算将特征图维度缩小并使用线性激活函数，并将维度缩小后的特征图送入CA注意力模
块；

[0024] 步骤2）通过CA注意力模块获取输入特征图的深层语义信息和浅层语义信息并将深层语义信息传给多分支特征融合模块，将浅层语义信息传给解码器；

[0025] 步骤3）通过特征融合模块的各分支分别对深层语义信息进行依次处理，获得各分支输出的特征图，并将各分支输出的特征图堆叠，再经过1*1卷积整合堆叠后的特征图，得到指定尺度的特征图；所述多分支特征融合模块，包括1个1*1卷积分支，3个空洞卷积分支，三个空洞卷积的空洞率分别为4、8、12，1个可变形卷积分支和1个全局平均池化分支；

[0026] 步骤4）将步骤3）获取的特征图进行4倍采样并与步骤3）中获得的低级语义特征合并，获得合并特征图；

[0027] 步骤5）将步骤4）中输出的合并特征图经过3*3卷积后再次进行4倍上采样得到特征图；

[0028] 步骤6）将步骤5）输出的特征图大小调整为输入的光子数二维数据矩阵原始大小，输出最终的预测结果。

[0029] 作为上述技术方案的改进之一，所述方法还包括：对语义分割网络模型进行训练，训练过程包括以下步骤：

[0030] 步骤A：使用磁流体力学MHD模型模拟构建不同太阳风密度下磁层系统软X射线辐射强度三维数据，并将磁层系统软X射线辐射强度三维数据向固定视角下积分，得到磁层系统软X射线辐射强度二维数据矩阵即MHD二维数据，将MHD二维数据导入SXI仿真软件得到不
同太阳风密度、不同积分时间的光子数仿真数据；从MHD二维数据矩阵中选取辐射强度极大值作为光子强度极大值的标签，并添加到仿真数据中；基于添加标签后的仿真数据分别构
建训练数据集和测试数据集；

[0031] 步骤B：设置损失函数和模型训练参数，使用训练数据集对语义分割网络模型进行训练，并使用测试数据集进行测试，最终获得训练好的语义分割网络模型。

[0032] 作为上述技术方案的改进之一，所述步骤A，具体包括：

[0033] 步骤A1：将不同太阳风密度条件下的MHD模拟结果作为光源输入，通过SXI仿真程序生成对应太阳风密度条件下的SXI光子数仿真数据，SXI的积分时间为t，同样的MHD模拟
结果输入可以通过多次输出得到不完全一样的SXI光子数仿真数据；

[0034] 步骤A2：将任意n张同样MHD模拟结果输入得到的不完全一样的SXI光子数仿真数据叠加得到积分时间为nt的SXI光子数仿真数据；

[0035] 步骤A3：将MHD二维积分图中每行最大灰度值的像元构成X射线辐射强度极大值区域，作为对应太阳风密度条件下SXI仿真数据中磁层顶的标签，并将标签添加到SXI仿真数
据中；

[0036] 步骤A4：添加标签完成后，对仿真数据进行增强处理，扩充样本数据；

[0037] 步骤A5：基于样本数据，通过设置不同的太阳风密度或积分时间，制作出多组训练数据集和测试数据集。

[0038] 作为上述技术方案的改进之一，所述步骤A4中，对仿真二维数据矩阵进行增强处理，具体包括：对仿真二维数据矩阵进行旋转和添加高斯噪声的操作。

[0039] 作为上述技术方案的改进之一，所述步骤B中，在训练过程中采用SGD优化器更新模型训练参数。

[0040] 作为上述技术方案的改进之一，所述步骤B中，损失函数Loss使用二值交叉熵损失函数，表达式为：

[0041]

[0042] 其中，N代表样本数，i表示第i个样本，i=1,2,…N，yi代表第i个样本标签，pi代表第i个预测值。

[0043] 作为上述技术方案的改进之一，所述步骤B中，训练过程依次包括：冻结阶段和解冻阶段；

[0044] 所述冻结阶段中，使语义分割网络模型的MobileNetv2主干网络冻结运行；

[0045] 所述解冻阶段中，使语义分割网络模型的MobileNetv2主干网络正常运行。

[0046] 本发明相比于直接取极大值的检测方法，基于DeepLabV3+改进的磁层系统软X射线光子数极大值检测方法具有以下优势：

[0047] 1、该方法通过学习不同太阳风密度、不同积分时间下的带噪声的磁层系统软X射线光子数的空间特性，得到磁层系统软X射线光子数二维数组矩阵每个元素的分类，实现对光子数极大值检测，同时降低了对输入数据的积分时间要求，提高了磁层顶检测的整体检
测速度。

[0048] 2、针对太阳风密度较小的磁层系统软X射线光子数极大值检测难题，设计了基于DeepLabV3+改进的网络模型，间接实现了对太阳风密度较小的磁层顶位置的检测。

[0049] 3、在Mobilenetv2网络中引入CA注意力机制，增强移动网络学习特征的表达能力。

[0050] 4、特征融合模块在原有的ASPP模块上做了改动，将空洞卷积的空洞率组合由6、12、18改为4、8、12，使网络更符合磁层系统软X射线光子数的特征提取，同时加入可变形卷积，能够自适应目标的局部定位，增强网络对的检测区域的特征学习。

附图说明

[0051] 图1是SMILE卫星任务示意图。

[0052] 图2是磁层系统MHD在固定视角下的软X射线辐射强度二维积分数据可视化图像，其中图2(a)是太阳风密度N=5 的情况，图2(b)是太阳风密度N=12 的情况，图2
(c)是太阳风密度N=20 的情况，图2(d)是太阳风密度N=25 的情况；

[0053] 图3是SXI仿真软件以图2（图2(a)、图2(b)、图2(c)和图2(d)）为输入生成的光子数仿真数据可视化图像，其中，图3（a1）、图3（a2）、图3（a3）、图3（a4）的积分时间为30s，图3（b1）、图3（b2）、图3（b3）、图3（b4）的积分时间为60s，图3（c1）、图3（c2）、图3（c3）、图3（c4）的积分时间为120s；

[0054] 图4是本发明方法的基于DeepLabV3+改进的磁层系统软X射线光子数极大值检测网络的结构示意图；

[0055] 图5是本发明方法中使用的改进后的Mobilenetv2网络结构示意图；

[0056] 图6是本发明方法中使用的改进后的Mobilenetv2网络中的InvertedRsblock1和InvertedRsblock2结构示意图，其中，图6（a）是InvertedRsblock1结构图，图6（b）是
InvertedRsblock2结构图；

[0057] 图7是本发明方法中使用的改进后的Mobilenetv2网络中的CA_Block结构示意图；

[0058] 图8是本发明实施例中改进前后DeepLabV3+对磁层系统软X图像光子强度极大值的分割效果图。

具体实施方式

[0059] 故本文提出一种基于DeepLabV3+改进的磁层系统软X射线光子数极大值检测方法，针对现有方法存在的对太阳风密度较小时的软X成像图光子数极大值检测不准、检测速度慢等问题，本发明以DeepLabV3+为网络基本结构，编码(Encoder)部分选取了
Mobilenetv2网络作为特征提取的主干网络，通过CA(Coordinate attention)注意力模块
增强网络特征表达能力，输出的高层语义信息输入到多分支特征融合模块进行深度提取。
在解码器(Decoder)模块，将高层次的语义信息与低层次的语义信息堆叠，通过上采样等操作逐渐恢复特征图的大小，完成空间信息的提取，提升了磁层系统软X射线光子数极大值检测精度的同时也减小了对输入数据的积分时间要求，大大提高了磁层顶检测的整体检测速
度。

[0060] 针对SMILE卫星工程任务中基于软X射线探测成像的磁层顶检测问题，如图1所示，是SMILE卫星任务示意图，本文申请提出一种基于DeepLabV3+改进的磁层系统软X射线光子
数极大值检测方法，包括如下步骤：

[0061] 步骤A：使用MHD流体力学模型构建不同太阳风密度下的磁层系统软X射线辐射强度二维积分数据，将MHD积分数据导入SXI仿真软件得到不同太阳风密度、不同积分时间的
仿真图象。从MHD二维积分数据中选取辐射强度极大值作为同等条件下SXI光子强度极大值
的标签，构建训练数据集和测试数据集。

[0062] 步骤B：构建基于深度学习的语义分割网络模型。该网络模型包括两个阶段：Encode和Decode阶段，Encode阶段包含改进后的Mobilenetv2网络和多分支特征融合模块，Decode阶段对Encode阶段提取的浅层语义信息和深层语义信息融合，上采样后最终输出每
个像元的检测结果。

[0063] 步骤C：设置损失函数、模型训练参数，对基于深度学习的语义分割网络模型进行训练。

[0064] 步骤D: 用训练好的基于深度学习的语义分割网络模型在仿真数据集上测试SXI光子强度极大值的检测效果。为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和实施例对本发明实施方案做进一步的详细描述。
实施例

[0065] 本发明方案由四个部分组成：先用MHD模型和SXI仿真数据，建立训练数据集和测试数据集；然后建立语义分割的网络模型；之后设置损失函数、训练参数，使用训练数据集对网络模型进行训练；最后用测试数据集验证网络模型对磁层系统软X成像图SXI光子强度
极大值的检测效果。

[0066] 第一步：制作数据集

[0067] 步骤A:使用MHD流体力学模型构建不同太阳风密度下的磁层系统图像，将MHD积分数据导入SXI仿真软件得到不同太阳风密度、不同积分时间的仿真数据。从MHD二维积分图
中选取辐射强度极大值作为同等条件下SXI光子强度极大值的标签，构建训练数据集和测
试数据集。具体过程包括：

[0068] 如图2所示，是磁层系统MHD在固定视角下的二维积分数据可视化图像，其中图2‑3 ‑3
(a)是太阳风密度N=5cm  (A)的情况，图2(b)是太阳风密度N=12cm (A)的情况，图2(c)是
‑3 ‑3
太阳风密度N=20cm  (A)的情况，图2(d)是太阳风密度N=25cm  (A)的情况。

[0069] 如图3所示，是SXI仿真软件以图2（图2(a)、图2(b)、图2(c)和图2(d)）为输入生成的光子数仿真数据可视化图像，其中，图3（a1）、图3（a2）、图3（a3）、图3（a4）的积分时间为30s，图3（b1）、图3（b2）、图3（b3）、图3（b4）的积分时间为60s，图3（c1）、图3（c2）、图3（c3）、图
3（c4）的积分时间为120s。

[0070] 步骤A1：将不同太阳风条件下的MHD模拟结果作为光源输入，通过SXI仿真程序生成对应条件下的SXI仿真数据可视化图象，SXI的积分时间为30s，同样的MHD输入可以通过
多次输出得到不完全一样的SXI仿真数据。

[0071] 步骤A2：将任意两张同样MHD输入得到的SXI仿真图象叠加可以得到积分时间为60s的SXI仿真数据可视化图象。以此类推，可以得到积分时间为120s、180s、240s、300s的SXI仿真数据。

[0072] 步骤A3：MHD二维数据矩阵中每行最大值的元素构成X射线辐射强度极大值区域，作为对应的SXI仿真数据中磁层顶的标签。（整幅X射线图像是磁层系统辐射的，包括磁鞘和极尖区。X射线图上极大值对应的是磁层顶。）

[0073] 步骤A4：数据增强处理。对SXI仿真数据进行旋转、添加高斯噪声的操作，扩充样本数据。由于卫星轨道固定，拍摄的图像角度有限，故不考虑做翻转、平移、缩放、长宽扭曲等数据增强处理方式。

[0074] 步骤A5：通过设置不同的参数，制作出多组训练数据集和测试数据集。每个数据集包括不少于20000对训练数据。按8:1:1的比例随机划分为训练集、验证集和测试集。

[0075] 第二步：构建网络模型

[0076] 如图4所示，是本发明方法的基于DeepLabV3+改进的磁层系统软X射线光子数极大值检测网络的结构示意图。

[0077] 步骤B：构建基于DeepLabV3+改进的磁层系统软X射线光子数极大值检测网络模型。该网络模型包括两个阶段：Encode和Decode阶段，Encode包含改进后的MobileNetv2主干网络和多分支特征融合模块，Decode阶段对Encode阶段提取的浅层语义信息和深层语义
信息融合，上采样后最终输出每个像元的检测结果。具体过程包括：

[0078] 步骤B1：输入33*55的SXI光子数二维数据矩阵，通过resize调整为512*512大小，方便传入神经网络进行卷积操作。

[0079] 步骤B2：主干网络由MobileNetv2改进得到，包括1个conv‑2D和7个InvertedRsblock模块以及一个CA注意力模块。如图5所示。InvertedRsblock模块由3个
conv‑2D、2个Relu、1条残差连接组成，如图6所示。其中卷积核的大小是3*3，padding是1，步长是1。先用1*1卷积将输入的feature map维度变大，然后用3*3 depthwise convolution
方式做卷积运算，最后使用1*1的卷积运算将其维度缩小，不再使用ReLU激活函数，而是使用线性激活函数，以保留更多特征信息，保证模型的表达能力。

[0080] 如图5所示，是本发明方法中使用的改进后的Mobilenetv2网络结构示意图。如图6所示，是本发明方法中使用的改进后的Mobilenetv2网络中的InvertedRsblock1（倒置残差模块1）和InvertedRsblock2（倒置残差模块2）的结构示意图，其中，图6（a）是
InvertedRsblock1结构图，图6（b）是InvertedRsblock2结构图。

[0081] 步骤B3：将步骤B2获取的特征图送入CA注意力模块，如图7所示。从高度和宽度两个维度聚合特征，增强Mobilenetv2网络对目标——光子数极大值的定位。获取输入特征图的高级与低级语义特征。深层语义信息（30×30×320）传给特征融合模块，浅层语义信息
（128×128×24）传给Encode阶段，保留更多的全局信息。

[0082] 如图7所示，是本发明方法中使用的改进后的Mobilenetv2网络中的CA_Block（CA注意力模块）的结构示意图。

[0083] 步骤B4：将步骤B3输出图像的高级语义特征送入多分支特征融合模块。包括1个1*1卷积，3个膨胀率分别为4、8、12的空洞卷积，获得不同的感受野，捕获多尺度信息，实验表明4、8、12的膨胀率在不改变其他条件下更适用于对SXI光子数极大值的特征提取。1个可变形卷积根据当前特征图内容动态调整对特征图的采样位置的偏置，使网络对光子数极大值
的位置更加敏感和1个全局平均池化模块，克服远距离下有效权重减少的问题。将各分支的特征图堆叠，如公式(2)‑(8)所示。然后经过1*1卷积整合特征，得到32×32×256的特征图。

[0084]                            （2）

[0085]                           （3）

[0086]                           （4）

[0087]                           （5）

[0088]                           （6）

[0089]                          （7）

[0090]                       （8）

[0091] 式中：x表示输入信号，X为多分支特征融合模块最终输出的特征图；X1表示1*1卷积分支输出的特征图；X2表示空洞率为4的空洞卷积分支输出的特征图；X3表示空洞率为8
的空洞卷积分支输出的特征图；X4空洞率为12的空洞卷积分支输出的特征图； 、
3 分别表示空洞率分别为4、8、12的空洞卷积操作。

[0092] 步骤B5：将步骤B4获取的特征图通过一个1*1卷积调整通道数，然后进行4倍上采样并与步骤B2中获得的低级语义特征合并，获得合并特征图；

[0093] 步骤B6：将步骤B5中的输出经过3*3卷积后再次进行4倍上采样得到512*512大小特征图，再通过resize输出55*33大小的SXI光子数极大值分割结果；

[0094] 第三步：训练网络

[0095] 步骤C:设置损失函数、模型训练参数，对网络模型进行训练，训练分为两个阶段，分别是冻结阶段和解冻阶段。具体过程包括：

[0096] 步骤C1:损失函数使用二值交叉熵损失函数，如公式（9）所示。

[0097] 其中N代表样本数，yi代表标签0或1，pi代表预测值

[0098]                      （9）

[0099] 步骤C2:采用深度学习常用的SGD优化器更新网络模型参数，学习率lr是7e‑3。初始化训练参数，加载训练集和验证集，创建网络模型，对网络进行训练。训练过程包括两阶段：冻结阶段和解冻阶段。冻结阶段，模型的主干被冻结了，特征提取网络不发生改变，占用的显存较小，仅对网络进行微调，此时的batchsize是8，Epoch为50。解冻阶段，模型的主干不被冻结了，特征提取网络会发生改变，此时的batchsize是4，总的Epoch为100。

[0100] 第四步：检测

[0101] 步骤D：用训练好的网络模型在仿真数据集上测试磁层系统软X成像图SXI光子强度极大值的检测效果，具体过程包括：

[0102] 步骤D1：创建网络模型，加载预训练权重。将数据集输入到网络模型中，经过网络模型处理得到输入磁层系统软X成像图的每个像元的分类。

[0103] 步骤D2：将检测结果保存为.jpg文件，用mIOU评估检测的性能。检测效果如图8所示，是实施例中使用DeepLabV3+网络和使用本发明改进的DeepLabV3+网络对磁层系统软X
‑3
图像光子强度极大值的分割效果图。通过对比可以看出：太阳风密度较小时（N<10cm（A））‑3 ‑3
改进前的网络失效；在太阳风密度在N=10cm  (A)到N=20cm  (A)之间时，改进前网络的检
‑3
测结果有时会有偏差，例如对阳风密度N=12cm  (A)的光子数检测结果与阳风密度N=13cm
‑3 ‑3
 (A)更接近；太阳风密度较大时（N>20cm  (A)）都能提取出磁层顶位置，但改进后网络更加精确。

[0104] 从上述对本发明的具体描述可以看出，本申请提出的一种基于DeepLabV3+改进的磁层系统软X射线光子数极大值检测方法，以DeepLabV3+为网络基本结构，更改Encoder部
分的主干网络为Mobilenetv2网络，通过CA注意力模块，输入到多分支特征融合模块提取高层次的语义信息。在Decoder模块，将高层次的语义信息与低层次的语义信息堆叠，通过上采样等操作逐渐恢复特征图的大小，完成空间信息的提取，提升了磁层系统软X射线光子数极大值检测精度的同时也减小了对输入数据的积分时间要求，大大提高了磁层顶检测的整
体检测速度。

[0105] 最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方
案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明
的权利要求范围当中。