一种基于DeepLabV3+模型的射频干扰抑制方法及装置

本发明涉及一种基于deeplabv3+模型的射频干扰抑制方法及装置，属于信号处理、通信技术和深度学习领域。

背景技术：

1、射电天文学作为现代天文学的重要学科，不仅研究天体物理现象，还探讨射电波的传播特性。射频干扰是指任何非预期且非所需的信号，对于无线电天文学家而言，这种干扰可能会严重影响他们进行准确观测和深入研究。在收集天文源的无线电信号时，射频干扰的存在是一项不可忽视的问题，长期以来是许多无线电天文学家面临的主要挑战之一。

2、随着科技的发展，近年来深度学习技术崭露头角，为许多领域带来了技术革新，射频干扰研究也受益于这一趋势。通过应用新型技术，我们有望更好地理解和应对射频干扰，从而推动射电天文学的发展，揭示宇宙中更多神秘的天体现象。深度学习技术的应用为射电天文学领域带来了新的可能性，为解决射频干扰问题提供了更高效、更精确的方法。这种技术的崛起为射电天文学的研究和观测提供了重要的支持和促进。许多研究者正在探索如何利用深度神经网络对射频干扰图像进行分类处理，但是在实际工作中，我们常常面临模型训练完对于干扰信号识别不准确导致边界模糊的问题。

3、针对边界识别需要更高精度的复杂图像，传统的全连接层或卷积层堆叠结构可能无法达到较为理想的效果。在这种情况下，如何进一步提升模型在特征提取方面的能力，这不仅对于提高特征提取的稳定性有所帮助，同时也能增强深度学习分类的精度，从而准确的识别出干扰部分并进行标记，进而抑制。然而，至今仍旧缺乏针对天文数据高精度分类和识别的有效解决方案。这意味着我们有必要对目前的深度学习分类方法进行探索与优化，以解决这一明显的短板问题。

4、有鉴于此，特提出本发明。

技术实现思路

1、本发明提供了一种基于deeplabv3+模型的射频干扰抑制方法及装置，以用于构建基于deeplabv3+的射频干扰检测模型，并进一步依据基于deeplabv3+的射频干扰检测模型实现真实射电天文望远镜的观测数据的射频干扰预测，进而在获得更高精度带射频干扰掩膜图像的基础上实现干扰抑制。

2、本发明的技术方案是：

3、根据本发明的第一方面，提供了一种基于deeplabv3+模型的射频干扰抑制方法，包括：依据射电天文望远镜的观测数据，获取射电时频图像；通过标注工具对射电时频图像制作掩膜标签图像；将射电时频图像及对应的掩膜标签图像，划分为训练集、验证集；依据训练集和验证集对构建的基于deeplabv3+的射频干扰检测模型进行训练和验证，获得训练好的基于deeplabv3+的射频干扰检测模型；将待射频干扰抑制的射电时频图像输入训练好的基于deeplabv3+的射频干扰检测模型，获得预测的带射频干扰掩膜图像；依据带射频干扰掩膜图像中的干扰标记，对原始待射频干扰抑制的射电时频图像中带干扰部分逐像素点进行干扰置0。

4、所述依据训练集和验证集对构建的基于deeplabv3+的射频干扰检测模型进行训练和验证，获得训练好的基于deeplabv3+的射频干扰检测模型，包括：对训练集和验证集中射电时频图像及对应的掩膜标签图像进行预处理，获得预处理后的训练集和验证集；依据预处理后的训练集和验证集对基于deeplabv3+的射频干扰检测模型进行训练和验证，获得训练好的基于deeplabv3+的射频干扰检测模型。

5、所述预处理包括缩放、裁剪、归一化操作。

6、所述基于deeplabv3+的射频干扰检测模型，包括编码器和解码器；所述编码器包括采用resnet50的特征提取网络、ca模块、assp模块、卷积层，所述解码器包括两个卷积层；输入的图像经resnet50获得两个有效特征层，将较浅的有效特征层直接传递到解码器的第一个卷积层获得的输出、较深的有效特征层依次经ca模块、aspp模块、编码器卷积层后传递至解码器进行上采样操作的输出进行拼接操作，拼接完后依次经解码器的第二个卷积层、上采样操作后获得输出。

7、所述基于deeplabv3+的射频干扰检测模型采用骰子损失函数评价预测的带射频干扰掩膜图像与真实掩膜标签图像之间的相似程度；采用miou、accuracy和f1分数作为模型评价指标。

8、根据本发明的第二方面，提供了一种基于deeplabv3+模型的射频干扰抑制装置，包括：获取模块，用于依据射电天文望远镜的观测数据，获取射电时频图像；通过标注工具对射电时频图像制作掩膜标签图像；划分模块，用于将射电时频图像及对应的掩膜标签图像，划分为训练集、验证集；第一获得模块，用于依据训练集和验证集对构建的基于deeplabv3+的射频干扰检测模型进行训练和验证，获得训练好的基于deeplabv3+的射频干扰检测模型；第二获得模块，用于将待射频干扰抑制的射电时频图像输入训练好的基于deeplabv3+的射频干扰检测模型，获得预测的带射频干扰掩膜图像；抑制模块，用于依据带射频干扰掩膜图像中的干扰标记，对原始待射频干扰抑制的射电时频图像中带干扰部分逐像素点进行干扰置0。

9、根据本发明的第三方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的基于deeplabv3+模型的射频干扰抑制方法。

10、根据本发明的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的基于deeplabv3+模型的射频干扰抑制方法。

11、本发明的有益效果是：本发明构建的基于deeplabv3+的射频干扰检测模型中引入依次连接的resnet50+ca注意力机制，该模型不仅在像素级细粒度语义信息理解和预测能力方面表现优异，同时模型更加关注边界和细节部分，显著提高了分割精度，尤其在处理物体边界和细节方面有出众的表现；同时，从实验结果中，也进一步验证了本发明特别是在rfi边缘分割方面具备优秀的语义分割性能，其对于射频干扰的敏感性和准确性比其他模型强，进而能更有效地抑制干扰。

技术特征：

1.一种基于deeplabv3+模型的射频干扰抑制方法，其特征在于，包括：

2.根据权利要求1所述的基于deeplabv3+模型的射频干扰抑制方法，其特征在于，所述依据训练集和验证集对构建的基于deeplabv3+的射频干扰检测模型进行训练和验证，获得训练好的基于deeplabv3+的射频干扰检测模型，包括：

3.根据权利要求2所述的基于deeplabv3+模型的射频干扰抑制方法，其特征在于，所述预处理包括缩放、裁剪、归一化操作。

4.根据权利要求1所述的基于deeplabv3+模型的射频干扰抑制方法，其特征在于，所述基于deeplabv3+的射频干扰检测模型，包括编码器和解码器；所述编码器包括采用resnet50的特征提取网络、ca模块、assp模块、卷积层，所述解码器包括两个卷积层；输入的图像经resnet50获得两个有效特征层，将较浅的有效特征层直接传递到解码器的第一个卷积层获得的输出、较深的有效特征层依次经ca模块、aspp模块、编码器卷积层后传递至解码器进行上采样操作的输出进行拼接操作，拼接完后依次经解码器的第二个卷积层、上采样操作后获得输出。

5.根据权利要求1所述的基于deeplabv3+模型的射频干扰抑制方法，其特征在于，所述基于deeplabv3+的射频干扰检测模型采用骰子损失函数评价预测的带射频干扰掩膜图像与真实掩膜标签图像之间的相似程度；采用miou、accuracy和f1分数作为模型评价指标。

6.一种基于deeplabv3+模型的射频干扰抑制装置，其特征在于，包括：

7.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1-5中任意一项所述的基于deeplabv3+模型的射频干扰抑制方法。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1-5中任意一项所述的基于deeplabv3+模型的射频干扰抑制方法。

技术总结本发明公开了一种基于DeepLabV3+模型的射频干扰抑制方法及装置，属于信号处理、通信技术和深度学习领域。方法包括：对获取的射电时频图像制作掩膜标签图像；将射电时频图像及对应的掩膜标签图像划分为训练集、验证集；将待射频干扰抑制的射电时频图像输入经依据训练集和验证集对基于DeepLabV3+的射频干扰检测模型进行训练和验证后获得的训练好的基于DeepLabV3+的射频干扰检测模型，获得预测的带射频干扰掩膜图像；依据带射频干扰掩膜图像中的干扰标记，对原始待射频干扰抑制的射电时频图像中带干扰部分逐像素点进行干扰置0。本发明所提模型在干扰识别的准确率及干扰边缘识别的精确度上要优于现有的深度学习模型。技术研发人员：梁波,罗鑫,戴伟受保护的技术使用者：昆明理工大学技术研发日：技术公布日：2024/7/29