Solar Radio Burst Classification

Classification of solar radio bursts from spectrogram images using transfer learning models.

Overview

This project classifies solar radio burst spectrograms into three categories:

• Type II: Slow-drifting bursts associated with CMEs
• Type III: Fast-drifting bursts from electron beams
• Empty: Background spectrograms without bursts

Setup

# Clone repository
git clone https://github.com/Hermanlrx/SRBClassificationCodeAndData.git
cd SRBClassificationCodeAndData

# Create conda environment
conda create -n solar-bursts python=3.9
conda activate solar-bursts

# Install dependencies
conda install tensorflow keras opencv matplotlib pandas numpy scikit-learn jupyter
pip install ultralytics  # For YOLO

Usage

Navigate to any model folder and run the corresponding Jupyter notebook:

jupyter notebook "Code and results of each model/1.Comparison Transferlearning Densenet201/1. Model+code/TransferLearningTest.ipynb"

Project Structure

Each model folder contains:

• 1. Model+code/: Jupyter notebooks with implementation
• 2. Images/: Training plots and visualizations
• 3. Results/: CSV files and result analysis notebooks
• confusion_matrix*.png: Model performance visualization

├── .gitignore
├── Code and results of each model/
│   ├── 1.Comparison Transferlearning Densenet201/
│   │   ├── 1. Model+code/
│   │   │   └── TransferLearningTest.ipynb
│   │   ├── 2. Images/
│   │   │   ├── DenseNetAcc.png
│   │   │   └── DenseNetLoss.png
│   │   ├── 3. Results/
│   │   │   ├── densenet.csv
│   │   │   └── Results.ipynb
│   │   └── confusion_matrixDensenet.png
│   ├── 2.Comparison Transferlearning LOCAL YOLOV8/
│   │   ├── 1. Model+code/
│   │   │   └── PYTORCH.ipynb
│   │   ├── 2. Images (Pytorch run)/
│   │   │   └── run/
│   │   │       ├── args.yaml
│   │   │       ├── confusion_matrix_normalized.png
│   │   │       ├── confusion_matrix.png
│   │   │       ├── results.csv
│   │   │       ├── results.png
│   │   │       ├── train_batch0.jpg
│   │   │       ├── train_batch1.jpg
│   │   │       ├── train_batch2.jpg
│   │   │       ├── val_batch0_labels.jpg
│   │   │       ├── val_batch0_pred.jpg
│   │   │       ├── val_batch1_labels.jpg
│   │   │       ├── val_batch1_pred.jpg
│   │   │       ├── val_batch2_labels.jpg
│   │   │       └── val_batch2_pred.jpg
│   │   ├── 3. Results/
│   │   │   ├── results.csv
│   │   │   └── results.ipynb
│   │   └── confusion_matrixYOLO.png
│   ├── 3.Comparison Transferlearning MobileNet/
│   │   ├── 1. Model+code/
│   │   │   └── TransferLearningTest.ipynb
│   │   ├── 2. Images/
│   │   │   ├── 0.8218125700950623_loss.png
│   │   │   └── MobileNet.png
│   │   ├── 3. Results/
│   │   │   ├── mobilenet.csv
│   │   │   └── Results.ipynb
│   │   └── confusion_matrix_MobileNet.png
│   ├── 4.Comparison Transferlearning RESnet152/
│   │   ├── 1. Model+code/
│   │   │   └── TransferLearningTest.ipynb
│   │   ├── 2. Images/
│   │   │   ├── 0.8003072142601013_loss.png
│   │   │   └── ResNet.png
│   │   ├── 3. Results/
│   │   │   ├── resnet152.csv
│   │   │   └── Results.ipynb
│   │   └── confusion_matrixResnet.png
│   └── 5.Comparison Transferlearning VGG19/
│       ├── 1. Model+code/
│       │   └── TransferLearningTest.ipynb
│       ├── 2. Images/
│       │   ├── 0.8064516186714172_loss.png
│       │   └── VGG.png
│       ├── 3. Results/
│       │   ├── Results.ipynb
│       │   ├── ResultsVgg19.xlsx
│       │   └── vgg19.csv
│       └── confusion_matrix_VGNETT.png
├── DATA/...
|
├── LICENSE
└── README.md