基于YOLO的射电天文信号搜索方法、设备和介质

本发明属于射电天文，具体涉及一种基于yolo的射电天文信号搜索方法、设备和介质。

背景技术：

1、现有的射电天文信号检测方法大致分为两类。第一类是传统搜索方法，通常先采用阈值法等进行射电干扰缓解，然后设置一系列色散量搜索网格对数据进行预测色散量补偿，再沿频率方向积分得到色散量-时间序列，通过匹配滤波计算信噪比，最后选择超过信噪比阈值的信号作为候选信号。典型的工具有脉冲星搜索软件sigproc、presto，快速射电暴搜索软件heimdall等。这类方法需要大量的人工检查，效率低下，容易产生漏检误检现象，在面对海量观测数据时搜索速度和效率存在欠缺。

2、第二类是机器学习和深度学习方法，从原始数据中提取色散量-时间、频率-时间、脉冲曲线等多方面因素，通过深度学习算法进行特征提取及检测识别。例如，drafts算法是目前应用于fast望远镜的快速射电暴检测工作的一种算法，其流程包括：首先进行非相干消色散操作，形成色散量-时间曲线；然后使用centernet网络对曲线进行检测识别，提取候选体信号；最后将候选体代入原始信号进行单独消色散处理，并输入resnet18网络进行判断。然而，这类机器学习算法依赖专家经验，需要人为定义目标特征，普适性差，且检测时间仍然较长。部分深度学习算法在低信噪比环境下表现较差，训练时间较长，检测速度仍有提升空间。

技术实现思路

1、有鉴于此，本发明提供了一种基于yolo的射电天文信号搜索方法、设备和介质，能够提高对微弱信号的检测能力，同时提高算法的整体运行速度和模型训练速度。

2、为实现上述目的，本发明技术方案如下：

3、一种基于yolo的射电天文信号搜索方法，包括：

4、步骤一，对原始射电天文信号数据进行非相干消色散处理，得到多个色散量处理结果；

5、步骤二，将每个色散量处理结果按频率轴进行叠加，并将所有色散量的叠加结果进行拼接，形成色散量-时间图；

6、步骤三，将所述色散量-时间图输入至改进的yolo模型中进行处理，输出目标的置信度和边界框位置信息，从而获取目标的色散量和时延信息，完成信号的检测；

7、其中，所述改进的yolo模型是在yolo11模型的基础上，集成了风车状卷积模块、差分注意力模块和内容引导注意力融合模块。

8、其中，所述步骤一中的非相干消色散处理过程，使用numba.cuda库进行加速，并采用四线程并行处理多个色散量结果。

9、其中，所述风车状卷积模块采用并行分支卷积与特征拼接的模块化设计，其卷积核呈向外扩散趋势，用于替换yolo11模型中detect层的浅层卷积，以扩张模型感受野。

10、其中，所述风车状卷积模块的计算过程包括：对输入张量执行四个方向的并行卷积操作，得到四个特征图；将四个特征图进行拼接；使用2×2卷积核对拼接后的张量进行归一化处理，得到输出特征图。

11、其中，所述差分注意力模块用于替换yolo11模型中c2psa模块原有的注意力机制，其通过将查询向量和键向量拆分为两个子向量，分别计算注意力分布，并将两者相减以抵消噪声，实现特征聚焦。

12、其中，所述差分注意力模块的输出由第一个注意力分布减去经可学习参数缩放的第二个注意力分布后，再与值向量相乘得到。

13、其中，所述内容引导注意力融合模块用于在yolo模型的neck部分进行特征融合，其通过生成通道注意力和空间注意力，并为每个特征通道分配专属的空间重要性图，以突出有效信息，抑制干扰。

14、其中，所述内容引导注意力融合模块的处理过程包括：计算通道注意力权重和空间注意力权重；将两者相加得到粗粒度空间重要性图；将输入特征与粗粒度空间重要性图进行通道重排和分组卷积，并通过sigmoid激活函数得到最终的精细化空间重要性图。

15、本发明还提出了一种基于yolo的射电天文信号搜索设备，包括处理器和存储器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本发明所述的方法。

16、本发明还提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本发明所述的方法。

17、有益效果

18、（1）本发明方法中，在检测速度和训练速度方面，由于模型采用了yolo模型，该模型具有在于检测速度快，训练速度快，适用于实时搜索等特点，本发明为yolo模型添加部分模块，基本不影响其检测和训练速度。在消色散方法上，采用多线程进行消色散处理，也提高了整体算法的运行速度。

19、（2）本发明方法中，在检测精度方面，如使用原yolo11模型进行检测，其检测精度不高，微弱目标难以检测，通过对yolo模型进行改进，能有效提高其对于微弱目标的检测效果。对比之前提到的其他技术，该算法在低信噪比环境下仍能保持较高的检测精度。

1.一种基于yolo的射电天文信号搜索方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述步骤一中的非相干消色散处理过程，使用numba.cuda库进行加速，并采用四线程并行处理多个色散量结果。

3.根据权利要求1所述的方法，其特征在于，所述风车状卷积模块采用并行分支卷积与特征拼接的模块化设计，其卷积核呈向外扩散趋势，用于替换yolo11模型中detect层的浅层卷积，以扩张模型感受野。

4.根据权利要求5所述的方法，其特征在于，所述风车状卷积模块的计算过程包括：对输入张量执行四个方向的并行卷积操作，得到四个特征图；将四个特征图进行拼接；使用2×2卷积核对拼接后的张量进行归一化处理，得到输出特征图。

5.根据权利要求1所述的方法，其特征在于，所述差分注意力模块用于替换yolo11模型中c2psa模块原有的注意力机制，其通过将查询向量和键向量拆分为两个子向量，分别计算注意力分布，并将两者相减以抵消噪声，实现特征聚焦。

6.根据权利要求7所述的方法，其特征在于，所述差分注意力模块的输出由第一个注意力分布减去经可学习参数缩放的第二个注意力分布后，再与值向量相乘得到。

7.根据权利要求1所述的方法，其特征在于，所述内容引导注意力融合模块用于在yolo模型的neck部分进行特征融合，其通过生成通道注意力和空间注意力，并为每个特征通道分配专属的空间重要性图，以突出有效信息，抑制干扰。

8.根据权利要求9所述的方法，其特征在于，所述内容引导注意力融合模块的处理过程包括：计算通道注意力权重和空间注意力权重；将两者相加得到粗粒度空间重要性图；将输入特征与粗粒度空间重要性图进行通道重排和分组卷积，并通过sigmoid激活函数得到最终的精细化空间重要性图。

9.一种基于yolo的射电天文信号搜索设备，其特征在于，包括处理器和存储器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法。