基于改进YOLOv8的太阳黑子自动识别

Journal of Applied Optics 2026 Open access

Read full text
Authors: Xudong Nan, 西安工程大学 电子信息学院，陕西 西安 710600, Rui WANG, Sibo Niu, Zhijun ZHAO, Mengwei Ban, Xiaogai Chen, Zhongyan LIU, 河南平原光电有限公司，河南 焦作 454002, 河南师范大学 物理学院，河南 新乡 453007, 河南省红外光谱测量与应用重点实验室，河南 新乡 453007, 西安电子科技大学 光电工程学院，陕西 西安 710071
DOI: 10.5768/jao202647.0402002
Cited by: 1

Abstract

随着众多地面和空间太阳望远镜的投入使用，产生了大量的太阳图像数据。基于光球图像的太阳活动区实测研究是一个重要话题，例如，太阳黑子的形成与演化问题、黑子旋转以及动力传输问题等，这些都需要对太阳黑子进行大量的统计分析。因此，黑子的自动识别是开展研究的关键步骤。本文依据太阳黑子形态特征及其在日面上的位置，将其分为规则黑子、不规则黑子、小黑子、黑子群、边缘黑子以及边缘黑子群6大类，并提出一种太阳黑子识别模型——VanillaNet-MBConv-YOLOv8，实现对全日面光球图像中这6类黑子的自动识别。所提网络以VanillaNet替换YOLOv8的原有主干网络Darknet53，以MBConv模块优化原C2f模块，从而增强模型对太阳黑子特征提取的能力，改善网络模型错减、漏检现象，提升检测精度。在SDO/HMI(solar dynamics observatory/helioseismic and magnetic imager)的全日面太阳光球图像上的实验结果表明，所提网络模型相较于原YOLOv8模型以及其他主流网络模型，在网络性能、识别准确率以及漏检现象上均有显著提升。平均识别准确率达到91.0%，召回率达到71.5%，F1-score达到0.80。

Fields of Study & Subjects

Solar and Space Plasma Dynamics Solar Radiation and Photovoltaics Ionosphere and magnetosphere dynamics

Publication details

Journal / source
Journal of Applied Optics
Publisher
Journal of Applied Optics
Volume
47
Issue
4
Pages
794–800
Publication date
1 January 2026
Language
EN