XXVIII Международный конкурс научно-исследовательских и творческих работ учащихся
Старт в науке
Программно-аппаратный комплекс для регистрации метеоров и других астрономических явлений
Автор работы награжден дипломом победителя I степени
Полная версия работы доступна во вкладке "Файлы работы" в формате PDF
Введение
Разработан программно-аппаратный комплекс для регистрации метеорных потоков и других нерегулярных астрономических явлений – серебристых облаков, полярных сияний. Аппаратная часть включает автономную установку для видео-регистрации на основе камеры уличного наблюдения Tp-link 325w, а программная код в Python для нейросети GLM-4.6V-Flash, осуществляющий поиск метеоров на видео.
Испытания показали, что комплекс работает в сложных климатических условиях, регистрирует и затем распознает все визуальные метеоры, попадающие в его поле зрения, а также, делает качественные записи серебристых облаков. Высокий процент распознавания метеоров достигается за счет предискажения их изображений камерой, при котором они становятся близкими к образцам, на которых обучена нейросеть.
Ключевые слова: метеорные потоки, серебристые облака, видео-регистрация метеоров, программные методы обнаружения метеоров на видео.
Цели и задачи
Цель нашего проекта создать установку для регистрации метеоров и других астрономических явлений (серебристые облака, полярные сияния), где аппаратная и программная части дополняют друг друга.
Гипотеза исследований для получения изображения метеора и последующего его нахождения на видеокадре достаточно не самой дорогой видеокамеры от системы охраны дома и универсальной нейросети, если изображение метеора специально предискажается сначала камерой, а затем, программно, для лучшего его распознавания нейросетью.
Предмет исследования: оптические и программные методы регистрации метеоров.
Объект исследования: устройство и программа (аппаратно-программный комплекс) для регистрации и обнаружения метеоров на видео.
Задачи:
-
Проанализировать существующие способы регистрации указанных астрономических явлений.
-
Разработать и испытать мобильную установку для видео-регистрации, обладающую высокой чувствительностью, широким углом зрения и способную работать в суровых климатических условиях.
-
Провести обзор современных алгоритмов идентификации метеоров на видео.
-
Написать и оттестировать программу на Python для нахождения метеоров на видео, использующую уже обученную нейросеть, входные данные для которой специально предискажаются аппаратной частью для лучшей идентификации.
Новизна работы состоит в том, что, по существу, между выходом нейросети и ее входом вводится обратная отрицательная связь, которая так предскажает входной сигнал, что компенсирует этим неидеальность (искажения восприятия) нейросети. Эта идеология напоминает работу отрицательной обратной связи в усилителях мощности звуковой частоты.
Основная часть
Актуальность и новизна работы
В последнее десятилетие резко возросла чувствительность матриц видеокамер, что привело к росту данных, в том числе и в метеорной астрономии [1]. Автоматизированные инструменты обнаружения метеоров дают непрерывный ежедневный потока их изображений, что приводил к обнаружению нескольких новых метеорных потоков ежегодно и в итоге улучшает наше понимание происхождения и эволюции Солнечной системы. Если раньше в ночи с пиком метеорной активности оператор регистрировал не более нескольких десятков метеоров, и мог их вручную искать на видеокадрах, то теперь это невозможно. Сейчас отдельные энтузиасты используют сети из нескольких камер [2], работающих каждой ночью (и даже днем, для обнаружения ярких болидов) и никакого человеческого ресурса не хватит в принципе. На первый план выходит программное обеспечение, на жесткой или нейросетевой основе, которое находит метеоры на видео. В профессиональной части удалось добиться распознавания 98 % метеоров [3], однако основной объем данных по метеорам приносят любители астрономии, которым недоступно соответствующее сверхчувствительное оборудование, программы и мощности серверов. Необходимо разработать подход для любителей астрономии, которые работают, как правило, с недорогим оборудование и бесплатным ПО.
Существующие алгоритмы нахождения метеоров на видео используют два принципиально разных подхода:
1) Жесткие алгоритмы, которые находят отличающиеся по яркости пиксели между кадрами, анализируют их местоположение и делают вывод, был ли это метеор [1].
Недостатки таких методов в том, что они крайне чувствительны к гиперпараметрам (заданным пороговым уровням яркости или ее градиенту), поэтому они плохо работают в широко меняющемся диапазоне условий (от темного до светлого неба, в присутствии облаков, тумана). Есть решения, где при поиске автоматически подстраивают данные параметры в некотором диапазоне, но это лишь немного улучшает «выход метеоров». Во многих ситуациях такое ПО либо «теряет метеоры», либо находит много ложных объектов (самолеты, спутники, даже – полеты птиц и насекомых).
2) Методы, основанные на распознавании метеоров предварительно обученной нейросетью [2-5].
Данное ПО разрабатывается давно, и широко используется профессиональными астрономами и любителями. Однако, профессиональные варианты либо недоступны, либо дороги, а их урезанные «дешевые» или бесплатные версии работают некачественно либо имеют сильные ограничения (напр., видео только в низком разрешении) и их невозможно доработать.
Указанные программы стали разрабатывать сравнительно недавно на основе прогресса в области нейросетей (причем прогресс затронул как программную часть так и «железо» для нее). Благодаря гибкой логике рассуждений или «вероятностному» поиску, нейросети лучше находят целевые объекты в сложных условиях (напр., при неравномерной засветке неба, или когда часть изображения закрыта облаками) и значительно лучше отличают ложные объекты (самолеты, спутники и т.п.).
Однако обучение нейросетей дорогой процесс (а нужны еще значительные расходы на топовые видеокарты), поэтому данные программы не бесплатны, а их самостоятельная разработка (например, отдельными любителями астрономии) часто неподъемна.
Даже для случая уже разработанного ПО возникают вопросы к базе, на которой происходило обучение нейросетей. Обычно, это четкие изображения метеоров на темном фоне. Однако, хорошо известно, что если не обучать нейросеть сразу на нахождение объекта на фоне шума (в нашем случае шум, это облака, туман, засветка Луной, светлое небо в сумерки), то она плохо справляется с нахождением объекта на этом фоне и дает им низкую вероятность соответствия. Т.е. многие метеоры окажутся отсеянными.
Кроме того, метеоры имеют разное проявление на кадре от летящей тусклой точки до яркой прямой или искривленной линии (в случае длинного следа). Часто метеор начинается или заканчивается не в границах кадра. На все эти случаи нужно аккуратно обучить нейросеть. Но мы не знаем, как проходило обучение в реальности, и какие случаи нейросеть будет находить хуже. Нам же нужно обнаружение 100 % метеоров, пусть даже помимо них будет найдено множество ложных объектов. На практике, все рано окончательное подтверждение найденных объектов остается за человеком.
Здесь возможны два варианта решения:
А) Самим обучить с нуля нейросеть на широком наборе видео-метеоров в присутствии всевозможных мешающих факторов. Но, во-первых, несмотря обилие видео метеоров в сети (даже есть специальные бесплатные астрономические базы), все они в основном сняты, если не в идеальных, то в хороших условиях (а как мы помним, тогда нейросеть будет плохо работать на реальных данных с «шумами»). Но как говорилось выше – само обучение затратно, и кроме того, чтобы собственная нейросеть обучилась и работала хорошо, нужны топовые видеокарты (которые взлетели сейчас в цене и даже не самые топовые в дефиците).
Б) Взять уже обученную универсальную нейросеть и так аппаратно и программно подготовить для нее видео, чтобы она не нем могла идентифицировать все 100 % метеоров. Тем самым мы не тратим своих ресурсов на обучение, а также и на работу нейросети, т.к. она запускается на стороннем «железе».
Эксперименты и их обсуждение
Мы пошли вторым путем. В качестве нейросети выбрали бесплатную GLM-4.6V-Flash (9B параметров) от Zhipu AI, которая работает сейчас только через API (ранее был тестовый веб режим) [6-7], и не имеет суточных / месячных лимитов, кроме одного ограничения обработки только одного запроса одновременно не более чем на 128 000 токенов. Логика нейросети основана на движке DeepSeek, а за обработку видео отвечает отдельная нейросеть. По словам разработчиков, она может анализировать видео длиной до 1 часа и давать подробное саммари.
Опыты с этой нейросетью показали, что она находит метеор на видео, если он выглядят как яркий след на отдельном кадре, а не в виде развития процесса на отдельных кадрах.
Отсюда родилась идея использовать:
А) либо сверхчувствительные камеры, как это делал P. Slansky [8]. На кадрах его Canon ME20F-SH прекрасной чувствительности ISO 4 млн. (и не менее хорошей цены 1,7 млн. руб.) следы метеоров светились до 10 и более секунд – т.е. почти все время релаксации возбужденного состояния в газе.
Б) либо менее дорогие камеры для охранных систем дома, которые помимо относительно высокой чувствительности матриц используют сложение кадров за прошедшую секунду, что дополнительно повышает яркость изображения (видны более слабые метеоры), и самое главное, переводят точечное изображение полета метеора в отдельные моменты времени в длинный след на целой серии кадров, что как раз и нужно, для корректной работы нейросети. Мы выбрали этот вариант.
Используемое оборудование
Как возникла идея. Мы подбирали аппаратуру для съемки метеров, серебристых облаков, а также, более редких в наших широтах (65 с.ш.) полярных сияний. Поиск навел на английского любителя астрономии из Эмблтона (графство Нортумберленд) [9], который для регистрации полярных сияний использует умную уличную камеру Tp-link 325w, рис. 1.
Рис. 1. Полярное сияние в Англии от любителя астрономии c ником GazUpNorth [9].
Собрав информацию об этой камере и аналогах [10], мы поняли, что это - лучшее для нас решение, т.к.:
-
Камера недорогая, 7-12 тыс. руб., что дешевле б/у фотоаппарата с широкоугольным объективом,
-
Высокая чувствительность - камера снимает в цвете при освещенности 0,0005 лк, что достаточно даже для полярных сияний.
-
Светочувствительный (1:1,0) и широкоугольный (диагональ кадра 127°) объектив,
-
Камеру можно питать от внешнего аккумулятора любой емкости,
-
Режимы камеры дистанционно настраиваются через телефон,
-
Камеру можно использовать на улице круглосуточно, что позволяет проводить мониторинг указанных явлений и вести их веб-трансляцию,
-
За счет наличия в камере процессора, она нагревается и не запотевает от росы, поэтому дополнительный нагреватель объектива не нужен.
Процесс сборки экспериментальной установки и ее готовый вид показан в Приложении. Местом наблюдения выбрали д. Скатова Курганской области по карте засветки неба, как наиболее темное (индекс Бортля = 2) в разумной доступности от г. Тюмени (2 часа на машине), Приложение.
Рис. 2. Подключение и наведение камеры в полевых условиях
Испытания установки провели в августе 2025 года, т.к. планировали ее использовать еще и для съемки метеоров, то выезжали с вечера и вели съемку всю ночь, чтобы оценить ее проницающую способность по звездам и метеорам, а утром "поймать" серебристые облака, рис. 2. Наши усилия были не напрасны, т.к. несколько раз под утро появлялись серебристые облака, причем яркие и обширные. Широкий угол Tapo c325wb и большое число пикселей кадра (2688 × 1520) позволяют детально заснять широкое поле серебристых облаков в их развитии, что дает возможность последующей обработки снимков для получения скорости облаков и скорости волн в них, рис. 3.
Рис. 3. Широкое поле серебристых облаков в августе 2025 г близ д. Скатова.
Пример кадра показывает проницающую силу по звездам +7. Особенностью камеры оказалось то, что для повышения чувствительности она складывает кадра за время порядка 1 секунды. Однако, при этом складываются и шумы матрицы, поэтому изображение темного неба получается зашумленным, но на ярких серебристых облаках это не заметно, рис. 4.
Рис. 4. Пример кадра на темном небе, показывающий небольшие шумы камеры.
Программная часть
Для автоматического нахождения метеоров на видео написали программу в Python, которая работает с нейросетью GLM-4.6V-Flash через API, для чего нужно зарегистрироваться и получить ключ от z.ai [6].
Запрос к нейросети сформирован так, чтобы она для всех найденных метеоров указывала время начала и конца полета в формате [tн, tк] от начала видео. Далее все эти интервалы собираются в один отчет, а из середины этих интервалов вырезаются видеокадры, который соответствующим образом именуются. По этим кадрам оператору легко понять, что за объект был найден.
Мы провели визуальные наблюдения и видео-регистрацию метеоров вблизи максимума метеорного потока Персеиды 14.08.2025 (сам максимум 12 августа был недоступен из-за облачности). Отмечали время пролета метеоров в области зрения камеры, а затем обработали видео нейросетью, которая нашла все эти метеоры, рис 5. Тем самым и высокая эффективность связки предискажающей видеокамеры и универсальной нейросети доказана на практике.
Рис. 5. Пример одного из найденных метеоров потока Персеид.
Перспективы практического использования
Поскольку установка на основе камеры Tp-link Tapo c325wb может работать и управляться в дистанционном режиме, то на следующем этапе планируем размещать ее в области темного неба на все периоды активности основных метеорных потоков, чтобы получить больше материала для статистики и совершенствования.
Заключение
1. Благодаря высокой чувствительности и широкому углу зрения камера Tp-link Tapo c325wb подходит для съемки и изучения метеоров и серебристых облаков. Ее проницающая сила по звездам оценена нами как +7.
2. Внешний аккумулятор позволяет использовать камеру всю ночь, чтобы регистрировать такие плохо предсказуемые явления, как серебристые облака, полярные сияния и метеоры, а также вести их интернет-трансляцию.
3. При работе процессора, камера нагревается и не запотевает даже при выпадении росы вокруг, что очень облегчает ее эксплуатацию, особенно дистанционную.
4. Для повышения ISO камера использует сложение 20 кадров подряд, тем самым на завершающих кадрах пролета метеора получается не конец его траектории, а весь он целиком. Такое предсикажение кадров камерой делает их понятными для универсальной нейросети GLM-4.6V-Flash, которая в итоге находит все 100 % метеоров.
5. По соотношению цена/качество и возможностям данная камера лучшее решение для любительской метеорной астрономии, наблюдателей полярных сияний и серебристых облаков. Мы провели испытания и рекомендуем ее другим любителям астрономии, особенно использующим дистанционный формат наблюдений.
Список используемой литературы
1. Карташова А. П. Исследование потока метеорного вещества через околоземное пространство по данным телевизионных наблюдений / А. П.Карташова // Автореферат диссертации на соискание ученой степени кандидата физико-математических наук, Москва – 2016. С. 22.
2. Cecil D. The application of convolutional neural networks to the automation of a meteor detection pipeline / D. Cecil, M. Campbell-Brown // Planetary and Space Science 2020. Vol 186, pp. 104920.
3. Anghel S. Machine learning in meteor science: A review / S. Anghel // Presentation in IMC 2025. URL: https://www.youtube.com/watch?v=CWyXUX_ E7Nc&list=PLEypPv_8eK02sF1a3l5ooMPAxG4yHsvBL&index=11.
4. Tóth J. AMOS global meteor network: Instrumentation, procedures, accuracy validation and results / Juraj Tóth, Leonard Kornoš, František Ďuriš, Pavol Matlovič. // Icarus 2026. Vol 454 (in press).
5. Koten P. A single-station 2002 Leonid meteor cluster / P. Koten // Presentation in IMC 2025. URL: https://www.youtube.com/watch?v=Lesj3xpT 3ZM&list=PLEypPv_8eK02sF1a3l5ooMPAxG4yHsvBL&index=6
6. https://apidog.com/blog/glm-4-6v-api/.
7. https://docs.bigmodel.cn/cn/guide/models/free/glm-4.6v-flash.
8. Slansky P. Meteor Film Recording with Digital Film Cameras with Large CMOS Sensors / P.C. Slansky // WGN, Journal of the IMO. 2016. Vol 44:6, pp. 190-197.
9. Star Cam / Meteor Cam - C320WS. URL: https://community.tp-link.com/en/smart-home/forum/topic/621130
10. Обзор умной уличной IP-камеры Tapo C325WB с технологией ColorPro. URL: https://club.dns-shop.ru/review/t-281-ip-kameryi/105664-obzor-umnoi-ulichnoi-ip-kameryi-tapo-c325wb-s-tehnologiei-colorpro/.
11. Карта светового загрязнения. URL: https://www.lightpollutionmap. info/
Приложение
Процесс сборки установки на основе камеры Tp-link Tapo c325wb