基于EasyDL的超新星自动搜寻系统设计

孙睿康

(淄博实验中学, 山东 淄博 255000)

0 引 言

超新星作为恒星在演化接近末期时经历一次剧烈爆炸而形成的天体，形成时会发出强烈的电磁波，其中可见光波段是超新星搜寻的主要途径[1]。超新星的可见光搜寻工作主要分为2类：一类是专业天文学家所做的巡天工作，使用大型望远镜自动搜寻大面积天空，如美国加州大学Berkeley分校的CCD巡天和北京天文台兴隆观测站的60cm望远镜巡天[2-3]。另一类为天文爱好者使用小型望远镜人工在较亮星系搜寻的工作，如新疆星明天文台的公共超新星搜寻项目[4]。前者的搜寻工作主要依靠计算机自动处理，具有速度快、自动化程度高的特点，但同样具有准确性不高、容易遗漏目标的缺点，而且其图像识别系统与相关程序不公开。后者的搜寻工作准确性高，但效率低下，因为超新星爆发持续时间、视星等有限。可见光图像数据量庞大，对超新星的人工搜寻效率低下，会浪费大量人力。近年来，信息技术迅速发展，计算机的数据处理能力迅速上升，使得人工智能应用更加广泛。机器学习作为人工智能领域的重要分支，也迅速发展。计算机处理可见光图像具有速度快、准确性高的特点，能有效弥补上述2种超新星搜寻工作的不足，故通过计算机模式识别来搜寻超新星的相关研究十分有必要。本文总结了前人的研究成果，通过“EasyDL”定制化图像识别平台，建立了可见光图像搜寻超新星的模型，从而完成超新星搜寻。

1 图像数据的获取

本文选取了新疆星明天文台在2015年7月至2018年7月间拍摄的部分可见光静态图像。此静态图像是将新拍摄的图像与历史图像(以前拍摄的同一目标位置的图像)进行减法运算的产物。新拍摄的图像与历史图像均由Celestron C14望远镜拍摄，视场19分(Dec)*25分(RA)，曝光时间60s。理想状况下，在静态图像中的超新星以圆形白色亮斑的形式存在，对超新星的搜寻可以通过搜寻可见光图像上的白色亮斑的方式进行。获得的可见光静态图像总共572张，从中人工选取了拍摄质量合格、拍摄时间距离超新星爆发时间接近的典型图像335张。此典型图像上的超新星亮度高、所占面积大、与图像背景的边缘明锐，具有超新星的典型特征。

2 EasyDL平台的使用

本文采用百度EasyDL定制化训练平台对图像进行深度学习。该平台支持定制图像分类和物体检测2类图像识别模型。采用物体检测模型能在一张图像上定制识别出每个物体的位置、数量、名称。平台用户创建模型后可上传并标注数据，然后训练模型并检验其效果，最终上线模型，获取应用程序编程接口(API)或离线软件开发工具包(SDK)。具体步骤如下：

(1)将335张典型静态图像上传EasyDL平台后，使用EasyDL平台的标注工具，拖动画框，圈出图像中的超新星，人工标注超新星在可见光图像的位置，使超新星与可见光照片背景间有一条分明的界线。

(2)标注完成后，训练该模型，令其进行机器学习。EasyDL平台自动将图像的70%用于训练，将30%的模型用于检验模型效果。约2 h后第一次训练完成。

(3)重复训练操作5次。为了评估系统的效果，本文计算了3次模型训练结果的平均准确率(mAP)、精确率、召回率[5]。

mAP是衡量模型效果的指标。对于物体检测任务，每一类物体都可以计算出其精确率和召回率，在不同阈值下多次计算/试验，每个类都可以得到一条P-R曲线，曲线下的面积就是AP的值。“m”的意思是对每个类的AP再求平均，得到的就是mAP的值。mAP越接近1，模型效果越好。精确率为正确识别的物体数与识别物体总数之比，召回率为正确识别的物体数与真实物体数之比。

3 测试结果分析

5次模型训练结果的mAP、精确率、召回率见表1。由于在检验模型效果时部分 “supernova”标签被EasyDL平台错误地认为“标签检测有误”或“标签未被检测到”， 训练结果的mAP、精确率、召回率的真实值应优于实验值。

实验结果表明，此超新星自动搜寻系统有一定效果，能在较快的时间内识别超新星，能准确地反馈超新星在可见光图像的位置坐标，大大减少了搜寻超新星的工作量。系统采用EasyDL平台，可获取系统的API和SDK，不仅能实现超新星的自动搜寻，而且通过适当扩充训练图像可以实现系统的进化，进而提高系统的识别效果，具有较强的可开发性。

表1 测试结果

4 结束语

超新星自动搜寻系统经过长时间的发展，已经取得了较多的进展，其应用与相关应用(如近地小行星自动搜寻系统)前景广泛[6-7]。本文依托百度EasyDL定制化图像识别系统平台，设计出了超新星搜寻系统。在未来的超新星搜寻工作中，可以使用“自动搜寻系统为主，人工确认为辅”的工作模式，提高搜寻超新星的效率。但由于时间与技术有限，本文设计的超新星自动搜寻系统在识别暗弱超新星、分辨噪点等方面有待进一步改进。