流星检测方法、装置及电子设备

技术领域

本发明涉及信号检测技术领域，尤其是涉及一种流星检测方法、装置及电子设备。

背景技术

相关技术中，在对雷达监测的回波数据的处理过程中，通常以人工的方式查找回波数据中与流星信号相关的数据，然而该方式人工成本较高，且效率较低。此外，也会采用传统算法确定回波数据中的流星数据，该方式准确度较低，容易产生漏检的情况。

发明内容

有鉴于此，本发明的目的在于提供一种流星检测方法、装置及电子设备，以提高对雷达检测的回波数据中流星信号检测的准确度，同时提高了检测效率。

第一方面，本发明实施例提供了一种流星检测方法，包括：获取雷达的回波数据；根据回波数据，确定待检测的可识别图像；将可识别图像输入至预先训练的流星检测模型，得到回波数据对应的流星信号。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，上述流星检测模型通过以下方式训练：获取训练样本；训练样本包括多个训练图像和对应的标注信息；标注信息包括训练图像中的流星信号；训练图像基于雷达的回波数据确定；基于YOLO算法，建立神经网络的网络结构，设置网络结构对应的训练参数；将训练图像输入至网络结构中，得到检测结果；根据预设的损失函数及训练图像对应的标注信息，确定检测结果的损失值；根据损失值对网络进行训练，直至网络结构中的参数收敛，得到流星检测模型。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，根据回波数据，确定待检测的可识别图像的步骤，包括：对回波数据进行预处理；将预处理过的回波数据按照预设的文件格式保存为数据文件；基于流星检测模型的分辨率对数据文件进行分割，得到多个子数据文件；基于子数据文件，得到子数据文件对应的待检测的可识别图像。

结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，对回波数据进行预处理的步骤，包括：对回波数据进行脉冲压缩处理；对经过脉冲压缩处理的回波数据进行波束合成处理。

结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，基于子数据文件，得到子数据文件对应的待检测的可识别图像的步骤，包括：基于子数据文件，生成子数据文件对应的初始图像；基于流星检测模型的图像输入参数，对初始图像进行归一化及剪裁处理，得到子数据文件对应的待检测的可识别图像。

第二方面，本发明实施例还提供一种流星检测装置，包括：数据获取模块，用于获取雷达的回波数据；可识别图像确定模块，用于根据回波数据，确定待检测的可识别图像；检测模块，用于将可识别图像输入至预先训练的流星检测模型，得到回波数据对应的流星信号。

结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，上述装置还包括模型训练模块；模型训练模块还用于：获取训练样本；训练样本包括多个训练图像和对应的标注信息；标注信息包括训练图像中的流星信号；训练图像基于雷达的回波数据确定；基于YOLO算法，建立神经网络的网络结构，设置网络结构对应的训练参数；将训练图像输入至网络结构中，得到检测结果；根据预设的损失函数及训练图像对应的标注信息，确定检测结果的损失值；根据损失值对网络进行训练，直至网络结构中的参数收敛，得到流星检测模型。

结合第二方面，本发明实施例提供了第二方面的第二种可能的实施方式，其中，上述可识别图像确定模块还用于：对回波数据进行预处理；将预处理过的回波数据按照预设的文件格式保存为数据文件；基于流星检测模型的分辨率对数据文件进行分割，得到多个子数据文件；基于子数据文件，得到子数据文件对应的待检测的可识别图像。

第三方面，本发明实施例还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的机器可执行指令，处理器执行机器可执行指令以实现上述方法。

第四方面，本发明实施例还提供一种机器可读存储介质，机器可读存储介质存储有机器可执行指令，机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现上述方法。

本发明实施例带来了以下有益效果：

本发明实施例提供了一种流星检测方法、装置及电子设备，首先获取雷达的回波数据；然后根据回波数据，确定待检测的可识别图像；进而将可识别图像输入至预先训练的流星检测模型，得到回波数据对应的流星信号。该方式中，通过训练好的基于神经网络的流星检测模型对回波数据转换而成的可识别图像进行目标检测，得到回波数据对应的流星信号，提高了雷达检测数据中流星信号检测的准确度，同时提高了检测效率。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种流星检测方法的流程图；

图2为本发明实施例提供的一种基于YOLOV5网络的目标检测算法的流程图；

图3为本发明实施例提供的一种YOLOV5网络的结构示意图；

图4为本发明实施例提供的一种流星数据的示意图；

图5为本发明实施例提供的一种采用流星检测模型检测到的流星目标的结果示意图；

图6为本发明实施例提供的一种流星检测装置的结构示意图；

图7为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

太阳系中的体积足够大，速度足够快的粒子进入地球与大气分子碰撞就会发生流星。不同类型流星在地球大气中运行时的表现形式不太一样,因而观测和研究的方法和手段也有所不同。较小的流星体进入大气后由于与大气分子的碰撞很快就被烧蚀掉,最后会在大气中留下一段等离子体柱,也即流星尾迹,可以利用无线电雷达或激光雷达来观测流星尾迹的散射现象来研究这种流星；较大的流星如果在晚上进入地球大气,就会发出肉眼可见的亮光,可以利用光学方法观测其光谱来研究这种流星；更大的流星进入地球大气后不会被全部烧蚀掉,它的残骸将会最终降落到地球表面,这样可以在实验室里来研究这种流星。

高功率大口径雷达由于其高功率大口径的特性，最近几十年常用于探测微流星回波,相比于光学相机观测，雷达观测流星具有更高的距离分辨率，可以观测更精细的流星结构。高功率大口径雷达在甚高频频段可以观测到头回波和尾迹回波，在特高频频段观测到的大部分是流星头回波，国际流星天文学中很多科学研究都是基于高功率大口径雷达。流星是电离层不规则的原因之一,但是在使用高功率大口径雷达进行流星观测的实验中，基于高功率大口径雷达的高采样率，高距离分辨率，流星回波数据量特别大，每分钟大约为1GB的数据，而且海量的流星回波数据中存在流星目标的数据非常少，因此需要对流星数据中的流星目标进行识别与提取。

过去将机器学习应用于流星分析的工作包括使用多层感知器检测无线电流星，并将自组织映射应用于原始音频和计算的频谱图，用于估计密度函数的非参数方法，将完全连接的神经网络和支持向量机应用到具有有限样本支持的狭窄衍生特征集上的检测后视频流星分类中，使用递归神经网络(Recurrent Neural Network，RNN)进行统计分析来预测流星雨特征和爆发，以及使用残差网络(Residual Network，ResNet)在小图像集上进行转移学习的流星分类。在2017年夏季，美国国家航空航天局(National Aeronautics andSpace Administration，NASA)的前沿发展实验室通过应用随机森林，长期短期记忆和卷积神经网络(Convolutional Neural Networks,CNN)解决了视频成像的自动流星确认问题。前沿发展实验室团队实现了高达90％的真实流星召回率，其中10％的错误警报通过经过训练的分类器泄漏。相关技术中，还使用深度学习方法进行光学仪器成像，其通过使用深度学习训练神经网络，实现了全自动使用光学仪器进行流星检测的过程，同时将其应用于NASA的前沿发展实验室中，并得到了良好的结果。

上述一系列机器学习和深度学习方法进行流星检测是针对光学照相机，光学照相机进行流星观测时，测量得到的流星图片数据量比较小，而且得到的流星目标的分辨率比较低，无法对流星目标进行精细的分析，更加无法满足科学分析的需要。因此需要使用高功率大口径雷达观测流星的精细变化，在使用高功率大口径雷达进行流星观测的实验中，基于高功率大口径雷达的测量精度高，相应的回波数据量非常大，流星数据每分钟GB量级，而且海量的数据中流星数据相对比较少，因此需要针对大量的回波数据进行高精度的流星识别与提取，将提取到的流星信号用于后续的科学分析。由于高功率大口径雷达的采样率比较高，数据量比较大，而且流星信号比较微弱，信噪比比较低，流星存在的时间比较短暂，使用传统的检测算法往往会漏检这些信号，漏检非常不利于流星的分析，为了不漏检流星信号，研究人员需要人工查找这些数据，这一过程费时费力，不利于有效利用观测数据，同时由于高功率大口径雷达的回波数据量非常大，人工查找这些数据工作量很大，容易因为疲劳工作导致错误。

基于此，本发明实施例提供的一种流星检测方法、装置以及电子设备，可以应用于各种基于雷达检测数据确定流星信号的场景中。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种流星检测方法进行详细介绍。

本发明实施例提供了一种流星检测方法，如图1所示，该方法包括以下步骤：

步骤S100，获取雷达的回波数据。

上述雷达可以为高功率大口径雷达。该种雷达具有高功率大口径的特性，在观测流星时具有很高距离分辨率，可以观测精细的流星结构。

步骤S102，根据回波数据，确定待检测的可识别图像。

由于雷达的分辨率较高，流星观测时获取到的回波数据非常大，数据中的流星目标相对较少，同时又因为流星信号信噪比比较低，流星存在的时间比较短暂，难以从回波数据中获取到流星信号，需要对回波数据进行进一步处理。

具体而言，可以对回波数据进行预处理；其中，预处理包括脉冲压缩及波束合成处理；然后将预处理过的回波数据按照预设的文件格式保存为数据文件；基于流星检测模型的分辨率对数据文件进行分割，得到多个子数据文件；基于子数据文件，得到子数据文件对应的待检测的可识别图像；即基于子数据文件，生成子数据文件对应的初始图像；然后基于流星检测模型的图像输入参数，对初始图像进行归一化及剪裁处理，得到子数据文件对应的待检测的可识别图像。该可识别图像通常为以时间-距离为坐标系绘制的数据显示图。

步骤S104，将可识别图像输入至预先训练的流星检测模型，得到回波数据对应的流星信号。

在具体实现过程中，上述流星检测模型可以通过以下方式训练：

(1)获取训练样本；训练样本包括多个训练图像和对应的标注信息；标注信息包括训练图像中的流星信号；训练图像基于雷达的回波数据确定。

上述标注信息可以由人工进行标注，标注出训练图像中的流星信号的位置、长度等信息。训练图像根据雷达的回波数据确定的过程可以与上述步骤S102相同。其中，训练图像可以基于不同的观测模式的回波数据确定，如波束垂直于磁力线探测及波束指向天顶方向探测等。

(2)基于YOLO算法，建立神经网络的网络结构，设置网络结构对应的训练参数。

这里采用YOLO算法主要为YOLOV5算法，由四部分组成，输入层、Backbone层、Neck层、prediction层等。训练参数可以包括batch_size，epoch等。其中，batch就是每次送入网络中训练的一部分数据，而batch_size就是每个batch中训练样本的数量。一个epoch指代所有的数据送入网络中完成一次前向计算及反向传播的过程。

(3)将训练图像输入至网络结构中，得到检测结果。

(4)根据预设的损失函数及训练图像对应的标注信息，确定检测结果的损失值。具体而言，可以计算标准信息及检测结果之间的差异值，将差异值作为检测结果的损失值。

(5)根据损失值对网络进行训练，直至网络结构中的参数收敛，得到流星检测模型。

本发明实施例提供了一种流星检测方法，首先获取雷达的回波数据；然后根据回波数据，确定待检测的可识别图像；进而将可识别图像输入至预先训练的流星检测模型，得到回波数据对应的流星信号。该方式中，通过训练好的基于神经网络的流星检测模型对回波数据转换而成的可识别图像进行目标检测，得到回波数据对应的流星信号，提高了雷达检测数据中流星信号检测的准确度，同时提高了检测效率。

每天大约有百吨量级的流星体物质从外太空进入地球空间，受大气层保护，多数流星体在高空中烧蚀殆尽，只有极少数大质量流星体能坠落地表形成陨石。进入地球大气后，流星体通过溅射和高温蒸发给地球高空带来大量物质，如形成金属原子和离子层；蒸发产生的微粒可凝结形成尘埃/烟雾粒子并产生夜光云现象，这些粒子的缓慢沉降甚至会继续影响平流层气溶胶和臭氧的化学过程。由于观测手段和资料的缺乏，流星体与地球大气之间相互作用的物理过程尚不明确，流星物质与地球中高层大气中各种现象的直接关系仍没有定论，比如流星消融与Es层及极区中间层回波的关系。因此对流星体的消融过程进行观测和研究，对研究地球中高层大气粒子的来源以及各种现象的产生原因有着重要的科学意义。另外，流星物质的注入也给人类的航天活动带来了干扰和威胁，所以研究流星具有重要的应用价值。

雷达通过发射无线电脉冲，接收来自不同方位角的流星尾迹反射的回波，测量回波的传播时间，角度、径向速度等参数。通过观测到的流星信号经过进一步的反演计算可获得大气风场矢量，对70-110km高度上的大气风场随高度分布开展实时和长期监测，获得流星体参数和中高层大气三维风场参数。风是产生各种气象灾害的动力因素，通过对高空大气动力过程进行准确的分析，可以进一步提高应对气象灾害的能力。高功率大口径雷达相比于光学相机观测，在距离上具有高分辨率的优势。高功率大口径雷达可以观测到一些低功率雷达观测不到的现象，包括流星体破解、溅射消融和差别消融等，但是高功率大口径雷达观测流星的数据量大，数据中的流星目标相对较少，流星存在的时间比较短暂，再加之流星信号信噪比较低，没有高精度高速度的流星目标检测算法大大制约了研究人员的科研工作。使用传统的检测算法不仅处理过程比较慢，在检测的过程中往往会漏检流星信号，因此研究人员需要人工查找这些数据，这一过程费时费力，不利于有效利用观测数据。

针对上述的问题，本发明实施例提出一种基于YOLOV5的高功率大口径雷达的流星自动检测算法(相当于上述“流星检测方法”)，基于图1所述的方法实现。该方法应用于高功率大口径雷达快速准确的进行流星目标识别与提取，提取到的流星信号可以反演大气层的风场速度和温度等用于科学问题研究。

YOLOV5算法是目标检测算法中的一种。该算法的原理为通过卷积神经网络使用数据训练集对模型进行训练，并通过验证集和测试集对模型进行测试，通过不断的训练与调整参数得到一个好的训练模型，用于后续的大量数据的处理。

在流星目标中，回波数据需要根据实验模式进行一定的处理，处理后数据在转换成机器可以识别的图片，用于流星目标的识别与提取。在数据处理过程中，使用GPU(graphics processing unit，图形处理器)进行并行计算，可以非常快的对训练集数据进行训练来得到比较好的训练模型。之后继续使用GPU进行并行计算通过训练好的模型对大量的数据进行测试，提取出流星目标。使用YOLOV5算法训练的模型进行流星检测时，相比于传统方法，YOLOV5算法的流星检测准确率非常高，同时由于采用GPU进行计算，其计算速度非常快，因此该算法是一种非常有效的用于高功率大口径雷达流星检测的算法。

基于高功率大口径雷达流星检测存在的问题，将流星回波的检测问题转化为一个计算机视觉任务中的目标检测问题。深度学习旨在自动构建具有大量数据的从输入到输出的映射。这里的映射函数由巨大的可调参数组成，这些参数首先被随机初始化，然后使用训练数据集进行更新。在训练阶段，通过损失函数的梯度更新参数，该函数估计当前输出和真实情况之间的不匹配。经过适当的训练后，可以在测试数据集上评估其性能，并且可以将训练后的模型应用于新数据。

随着深度学习算法的不断发展，目标检测算法相比之前有了很大的提升，目标检测由一开始的YOLO算法升级为更好更快更强的YOLOV2算法，再到检测速度和检测精度都很高的YOLOV3网络，到目前2020年最新公布的YOLOV5算法，算法不断改进，网络模型更加复杂，同时检测速度和检测精度越来越好，相应的应用领域也越来越广泛。本申请将YOLOV5算法应用于高功率大口径雷达流星回波数据处理，以实现高速度高精度的流星目标检测，将识别和提取出的流星信号用于科学研究。

使用高功率大口径雷达进行流星观测，在数据处理中主要利用Anaconda3强大的依赖库，借助pytorch1.7深度学习框架，通过Python3.6编程在4块RTX 2080Ti GPU上并行计算实现网络的构建、训练和测试，在训练过程中并对数据进行预处理和结果的显示。

对于高功率大口径雷达流星观测，针对雷达回波首先需要进行一定的处理，将雷达回波数据进行脉压处理，得到对应的数据，再经过一系列的变换得到可识别的图像，从而将雷达信号检测转化为图像检测问题。

针对深度学习方法，本申请采用YOLO算法中的YOLOV5进行目标检测。基于YOLOV5网络的目标检测算法流程如图2所示，通过对雷达回波信号进行预处理(如雷达数据切割)，构建适合网络输入的图像(可称为“可识别图像”)，然后将图像划分成训练集，验证集和测试集。使用训练集的图像训练模型，YOLOV5网络通过不同的卷积核对输入信号的不同特征进行提取，在不同尺寸的输出特征上实现多个尺度目标检测，综合各种特征信息实现对目标信号的检测和定位，从而生成可进行流星检测的模型。

在使用YOLOV5的过程中，因为流星目标大小不定，因此多个尺度的目标检测可以进一步降低流星的漏检率。在测试集上验证网络模型，将优化的目标检测模型用于高功率大口径雷达流星回波数据中进行流星目标检测。

基于YOLOV5网络的流星检测算法流程具体步骤为：

(a)雷达回波处理：读取原始数据，并通过脉冲压缩，波束合成等得到雷达回波的距离-时间幅度数据，并存储为mat文件。

(b)雷达数据切割：将雷达数据mat文件根据神经网络识别图像的分辨率对数据进行一定的切割，将数据转化成一系列可识别的图像。

(c)可识别图像：根据上述的操作可以得到可识别的图像，通过归一化及裁剪操作将数据制作成尺寸为800*800的RGB三维图像.流星的图像如图4所示。

(d)制作样本集和标签：根据得到可识别图像按照3：1：1的比例划分得到训练集、验证集和测试集。对样本集的图像进行手动标注，利用labelme等标注工具对目标进行标注，根据流星的位置，在图像上画出候选框，并标注目标的类别。

(e)网络训练：初始化网络参数，设置好batch_size为16，epoch为2000，梯度优化算法选择Adam下降函数,初始学习率为1e-2，衰减系数为0.2,寻求模型的最优解；利用YOLOV5网络初始化训练模型在训练集上训练，提取特征并进行多尺度目标检测。

(f)生成训练模型：根据训练网络的收敛来得到训练模型，将生成的训练模型用于后续的测试。训练网络中包含很多的参数，在开始阶段，这些参数被随机初始化，在训练期间，模型的输出结果和人工标定的结果被用来计算损失函数的梯度，之后再使用这些梯度来更新参数，使得模型更加准确。使用YOLOV5可以提取多尺度特征，进行多尺度探测。

(g)输出结果：训练优化的目标检测模型在新的回波数据上进行测试，检测回波图像中的流星目标，并计算检测召回率、虚警率等参数，判断结果是否符合检测要求，如果检测结果不好，可以调整参数继续进行训练。

由图中可以看出使用深度学习方法可以找到流星目标，并框选出流星位置，并根据相关结果计算得到概率，在后续的分析处理中可以根据需要设定不同的概率阈值来筛选流星目标。

YOLOV5算法主要由四部分组成，输入层、Backbone层、Neck层、prediction层等，基于pytorch的框架结构，所设计的YOLOV5目标检测网络结构如图3所示。

模型网络的各层结构具体如下：

A.输入层：输入大小为800x800，通道数为3的RGB(red green blue)三维图像；并将图像和经过选择的候选框输入到YOLOV5主框架中，进行卷积操作。

B.Backbone层：由Focus结构和CSP(Cross Stage Partial)结构组成。Focus结构主要是进行切片操作，在处理中其使用slice切片模块对图像进行切割并使用concat连接模块进行拼接。在Focus模块操作结束之后将图像通过CBL模块。

CBL模块是由卷积层conV,批标准化BatchNormalization,和激活函数Leaky ReLU构成，之后就完成了整个Focus过程。在YOLOV5中采用的激活函数Leaky ReLU区别于常用的激活函数ReLU将所有的负值都设为零，其所有的负数部分为一个非0的斜率，这样就进一步解决了激活函数ReLU的神经元死亡问题。对于激活函数Leaky ReLU由于其在负数部分有一个小的斜率，因此对于正输入值和负输入值其均能够在进行神经网络的反向传播。

在YOLOV5中多次使用了CSP结构，CSP模块主要是由CBL模块，残差模块ResUnit，卷积模块ConV，连接模块Concat等组成。残差模块有非常大的作用，在深度神经网络中增加深度会导致梯度消失，而残差模块可以优化在深度神经网络中梯度消失问题，由于解决了梯度消失问题，可以通过增加网络的深度来进一步提高模型的准确率。

根据图3可以知道在Backbone层图像需要经过三次CSP模块，在每次CSP模块后都需要经过CBL模块，在上述操作结束后需要经过一个SPP(Spatial Pyramid Pooling)模块，SPP模块是由CBL模块，最大池化模块Maxpool和连接模块Concat组成。Backbone层通过卷积核实现局部特征共享，不改变输入图像的尺寸，逐层提取目标特征，得到不同位置上的特征值。网络中卷积核的数量越多，特征图的厚度，即宽度越宽，网络提取特征的学习能力也越强。

C.Neck层：由特征金字塔网络Feature Pyramid Network(FPN)和PAN(PathAggregation Network)结构组成。FPN网络利用了不同层的不同特征，将这些特征层进行融合，由于不同的特征层的大小和深度不同，可以实现高层和底层的不同尺度融合，同时在融合后的每一层单独进行预测。

FPN网络可以分为三部，首先是自底向上的前向过程，在前向过程中不断提取更深层次的信息；其次是自顶向下的过程，主要是将特征深度变小，不断提高高度和宽度维度的尺寸，提高空间分辨率；最后是横向连接，也就是将前向过程和上采样过程连接起来，通过连接将自底向上和自顶向下两个过程大小相同的映射连接起来，主要是合并自底向上路径和自顶向下路径过程空间大小相同的特征映射，这样就完成了特征金字塔网络。Neck层在FPN的后面还添加了一个自底向上的特征金字塔，其中包含两个PAN结构。前面的FPN层自顶向下传达强语义特征，而包含两个PAN结构的特征金字塔则是自底向上传达强定位特征。

D.YOLO层：分为大、中、小尺度YOLO层，每层包含3个边框输出，4个回归坐标值，1个边框置信度，2个类别概率，最终在三个尺度上分别进行分类和位置回归。同时将得到的不同特征层的结果进行进一步的解码，对结果进行排序，使用非极大值抑制等方法得到最终的预测结果。

上述流星检测方法已经应用于实际实验中。在中国的海南省三亚市，已经建设了一部高功率大口径的非相干散射雷达(SYISR)。SYISR雷达主要用于观测研究低纬电离层。为了对流星检测方法进行探究，在南京郊区(31.96N，119.16°E)搭建了一套原型机小系统进行测试，并使用该系统进行了流星观测。原型机小系统的天线单元数是大面阵的1/16，其他工作参数和功能与SYISR大阵系统基本相同。SYISR原型机系统相关技术参数详见表1。

表1流星观测参数

2019年7月17号使用小系统进行了流星的观测。流星观测实验中，雷达波束垂直于磁力线探测，波束方位角为354°，俯仰角为42°，雷达数据采样率为4MHz，发射脉宽为200us,脉冲重复周期为6.6ms，雷达发射频率为440MHz。2019年11月12号使用该系统进行了流星的观测，其中雷达波束指向天顶方向探测，俯仰角为90°，其他相关参数与2019年7月17号的数据相同。根据雷达方程，发射脉冲宽度越宽，辐射的总能量越大，探测弱小目标的能力越强。但是对于单载频信号，雷达在距离分辨率能力与脉宽成反比，与信号带宽成正比。

在流星观测实验中，将2019年7月17号20:00到2019年7月17号24：00的4个小时的数据作为数据集，将数据集按照3：1：1的比例划分成训练集(相当于上述“训练样本”)，测试集和验证集。首先通过训练集对初始模型进行训练，然后使用验证集验证模型效果，最后使用测试集测试模型性能；在该过程中，通过不断调整参数来得到最优的训练模型，然后使用2019年11月12号18：00到2019年11月12号22：00的4小时的数据进行新的测试，并对测试结果进行分析。7月17号用来训练模型的数据是波束垂直于磁力线探测，11月12号用来测试模型的数据是波束指向天顶方向探测，使用不同的观测模式的数据测试模型，可以进一步提升模型的鲁棒性。图4展示的是7月17号的数据中的流星目标。图5展示的是通过上述方法检测到的流星信号。

在评估算法性能时定义两个重要的评估参数，召回率就是所有的流星目标中被正确探测到的比例，虚警率就是所有检测认定为流星的目标中，错误认定为流星的比例。

召回率＝TP/(TP+FN)

虚警率＝FP/(TP+FP)

其中TP为True PositiVes，是指正确检测，我们需要的目标。FP为FalsePositiVes是指错误检测，不是我们需要的目标。FN是False NegatiVes是指错误检测，我们需要的目标。

使用高功率大口径雷达流星数据进行了训练，并使用训练好的模型对2019年11月12日从18：00到22：00的回波数据进行了测试，从18：00到22：00的时间段内，检测到流星，该算法的召回率为98.4％，虚警率为0％，由于使用之前训练的时候采用的是有流星目标的数据对模型进行的训练，因此模型的虚警率为0，也就是模型不存在不是流星信号但是检测为流星信号的情况。使用YOLOV5算法进行测试的过程中，检测每张图的速度为0.01-0.02s，因此可以非常快的对大量的图片数据进行检测。

基于YOLOV5的高功率大口径雷达流星检测算法，可以解决高功率大口径雷达回波数据量大，流星信号信噪比微弱等问题引起的检测效率低，检测准确率低的问题。因此，这项专利可能会大大提高高功率大口径雷达的流星识别与提取技术，极大的方便了研究人员进行后续的数据处理，同时也可以将处理后的数据用于科学分析，通过科学分析进一步提升抗灾害，航天活动抗干扰能力，进一步得到电离层动力学过程等。

对应于上述方法实施例，本发明实施例还提供一种流星检测装置，如图6所示，该装置包括：

数据获取模块600，用于获取雷达的回波数据；

可识别图像确定模块602，用于根据回波数据，确定待检测的可识别图像；

检测模块604，用于将可识别图像输入至预先训练的流星检测模型，得到回波数据对应的流星信号。

进一步地，上述装置还包括模型训练模块；模型训练模块还用于：获取训练样本；训练样本包括多个训练图像和对应的标注信息；标注信息包括训练图像中的流星信号；训练图像基于雷达的回波数据确定；基于YOLO算法，建立神经网络的网络结构，设置网络结构对应的训练参数；将训练图像输入至网络结构中，得到检测结果；根据预设的损失函数及训练图像对应的标注信息，确定检测结果的损失值；根据损失值对网络进行训练，直至网络结构中的参数收敛，得到流星检测模型。

进一步地，其中，上述可识别图像确定模块还用于：对回波数据进行预处理；将预处理过的回波数据按照预设的文件格式保存为数据文件；基于流星检测模型的分辨率对数据文件进行分割，得到多个子数据文件；基于子数据文件，得到子数据文件对应的待检测的可识别图像。

本发明实施例提供的流星检测装置，与上述实施例提供的流星检测方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。

本发明实施例还提供了一种电子设备，参见图7所示，该电子设备包括处理器130和存储器131，该存储器131存储有能够被处理器130执行的机器可执行指令，该处理器130执行机器可执行指令以实现上述流星检测方法。

进一步地，图7所示的电子设备还包括总线132和通信接口133，处理器130、通信接口133和存储器131通过总线132连接。

其中，存储器131可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-Volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口133(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线132可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

处理器130可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器130中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器130可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processing，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器131，处理器130读取存储器131中的信息，结合其硬件完成前述实施例的方法的步骤。

本发明实施例还提供了一种机器可读存储介质，该机器可读存储介质存储有机器可执行指令，该机器可执行指令在被处理器调用和执行时，该机器可执行指令促使处理器实现上述流星检测方法，具体实现可参见方法实施例，在此不再赘述。

本发明实施例所提供的流星检测方法、装置和电子设备的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，网关电子设备，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。