基于识别模型的气象景观实时识别方法技术

本发明专利技术公开了一种基于识别模型的气象景观实时识别方法，包括以下步骤：包括以下步骤：步骤一，数据采集：实时下载和存储气象景观视频监控、图片信息，并构建样本库；步骤二，图像处理：在构建的样本库中，对图像进行处理，对气象景观现场进行标识标注，并构建不同文件存储等。本发明专利技术能够智能识别气象景观并实时播报。本发明专利技术能够智能识别气象景观并实时播报。本发明专利技术能够智能识别气象景观并实时播报。

【技术实现步骤摘要】
基于识别模型的气象景观实时识别方法


[0001]本专利技术涉及气象景观智能识别
，具体来说，涉及一种基于识别模型的气象景观实时识别方法。

技术介绍

[0002]气象景观作为气象旅游资源，如云海、彩虹、雨雾淞等，具有流动性、易变性、周期性的特点。对此，对气象景观利用深度学习的方法，进行图像智能识别，及时发现气象景观产生的征兆，记录发展情况，可以较为及时地提供旅游气象信息，增强旅游体验。
[0003]目前，在现有的气象景观预报过程中，预报的技术手段主要是通过人工审查天气实景观测照片，对某一季节或某一较长时间段的气象景观预报。利用人工审查手段，对人的主观判断能力有较大的要求；同时，预报员的经验模型是针对较长期的气象景观的预报，无法对于每一次气象景观的出现达到点对点的精准预测。
[0004]行业内亟需一种利用图像智能识别的技术手段，对气象景观 (比如云海、彩虹、雨雾淞)等进行实时识别，可及时提醒预报员启动气象景观预报，实现对每一次气象景观的精准监测，为游客游览提供针对性提醒和服务。

技术实现思路

[0005]针对相关技术中的问题，本专利技术提出一种基于识别模型的气象景观实时识别方法，以克服现有相关技术所存在的上述技术问题。
[0006]为此，本专利技术采用的具体技术方案如下：
[0007]一种基于识别模型的气象景观实时识别方法，包括以下步骤：
[0008]步骤一，数据采集：实时下载和存储气象景观视频监控、图片信息，并构建样本库。
[0009]步骤二，图像处理：在构建的样本库中，对图像进行处理，对气象景观现场进行标识标注，并构建不同文件存储。
[0010]步骤三，模型构建：构建深度学习卷积神经网络VGG16模型，建立INPUT、CONV、RELU、POOL、FC神经网络库；
[0011]步骤四，集成神经网络框架，对采集图像和视频数据进行信息管理和数据标注，实现数据自动化预处理流程，通过训练任务管理，智能识别雨雾淞、云海现象；
[0012]步骤五，对智能识别的雨雾淞、云海现象，实现自动监测告警；
[0013]步骤六，效果检验：基于雨雾淞、云海实际数据，检验图像和视频智能识别效果，并记录效果检验信息并集中汇总展示；
[0014]步骤七，循环步骤四至六，直至识别错漏率、空报率达到设定值。
[0015]在可能的一个设计中，步骤二中至少包括判定为云海的存储于一个路径，判定为雨雾淞的存储于一个路径；判定为无云海的存储于一个路径，判定为非雨雾淞的存储于一个路径；无法准确地判定云海的存储于一个路径，无法准确判读雨雾淞的存储于一个路径。
[0016]在可能的一个设计中，步骤七中的设定值为，针对云海的识别错漏率小于10％，空
报率小于10％；对雨雾淞的识别错漏率小于20％，空报率小于15％。
[0017]在可能的一个设计中，所述步骤三具体包括以下步骤，步骤a，区域推荐：通过选择性搜索算法产生1000～2000个候选边框，但形状和大小是不相同的，这些框之间是可以互相重叠互相包含的；利用图像中的纹理、边缘、颜色等信息，保证在选取较少窗口的情况下保持较高的召回率；
[0018]步骤b，特征提取：利用卷积神经网络对每一个候选边框提取深层特征；
[0019]步骤c，分类：利用线性支持向量机对卷积神经网络提取的深层特征进行分类。
[0020]在可能的一个设计中，所述步骤三中，VGG由5层卷积层、3 层全连接层、softmax输出层构成，层与层之间使用max
‑
pooling 分开，所有隐层的激活单元都采用ReLU函数，VGG使用多个较小卷积核的卷积层代替一个卷积核较大的卷积层。
[0021]在可能的一个设计中，所述步骤四，具体为：定时自动提取气象景观摄像头图片数据；基于前一步骤训练的模型进行数据识别；根据识别结果针对不同识别率，正对识别相似度在90％以上的结果按景观现象类别进行归档，生成归档数据集；监控归档数据集数量，归档数据超过200份时自动生成新的训练任务，重新进行步骤三模型构建。
[0022]与现有技术相比，本专利技术的有益效果为：
[0023]本专利技术的利用图像智能识别方法，识别云海等气象景观，及时发现云海产生的征兆，记录发展情况，一是可以减轻预报员人工审查工作量；二是可以较大程度的利用天气实景观测设备数据资源，实现设备利用效率的提高；三是可以为游客提供及时的云海旅游气象服务，增强旅游体验。
附图说明
[0024]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0025]图1示出了本申请实施例提出的一种基于识别模型的气象景观实时识别方法中模型构建过程图像特征提取的示意图；
[0026]图2示出了本申请实施例提出的一种基于识别模型的气象景观实时识别方法中模型构建过程图像特征提取的示意图；
[0027]图3示出了本申请实施例提出的一种基于识别模型的气象景观实时识别方法中模型构建过程图像特征提取的示意图。
具体实施方式
[0028]为进一步说明各实施例，本专利技术提供有附图，这些附图为本专利技术揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本专利技术的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
[0029]本专利提出的基于识别模型的气象景观实时识别方法包括以下步骤：
[0030]步骤一，数据采集：实时下载和存储气象景观视频监控、图片信息，并构建样本库。
[0031]步骤二，图像处理：在构建的样本库中，对图像进行处理，对气象景观现场进行标识标注，并构建不同文件存储。
[0032]如图1
‑
3所示，步骤三，模型构建：构建深度学习卷积神经网络VGG16模型，建立INPUT、CONV、RELU、POOL、FC神经网络库；VGG由5层卷积层、3层全连接层、softmax输出层构成，层与层之间使用max
‑
pooling分开，所有隐层的激活单元都采用 ReLU函数，VGG使用多个较小卷积核的卷积层代替一个卷积核较大的卷积层，一方面可以减少参数，另一方面相当于进行了更多的非线性映射，可以增加网络的拟合/表达能力；步骤三具体包括以下步骤，步骤a，区域推荐：通过选择性搜索算法产生 1000～2000个候选边框，但形状和大小是不相同的，这些框之间是可以互相重叠互相包含的；利用图像中的纹理、边缘、颜色等信息，保证在选取较少窗口的情况下保持较高的召回率；
[0033]步骤b，特征提取：利用卷积神经网络对每一个候选边框提取深层特征；
[0034]步骤c，分类：利用线性支持向量机对卷本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于识别模型的气象景观实时识别方法，其特征在于，包括以下步骤：步骤一，数据采集：实时下载和存储气象景观视频监控、图片信息，并构建样本库；步骤二，图像处理：在构建的样本库中，对图像进行处理，对气象景观现场进行标识标注，并构建不同文件存储；步骤三，模型构建：基于深度学习卷积神经网络VGG16模型构建气象景观识别模型，建立INPUT、CONV、RELU、POOL、FC神经网络库；步骤四，集成神经网络框架，对采集图像和视频数据进行信息管理和数据标注，实现数据自动化预处理流程，通过训练任务管理，智能识别雨雾淞、云海现象；步骤五，对智能识别的雨雾淞、云海现象，实现自动监测告警；步骤六，效果检验：基于雨雾淞、云海实际数据，检验图像和视频智能识别效果，并记录效果检验信息并集中汇总展示；步骤七，循环步骤四至六，直至识别错漏率、空报率达到设定值。2.根据权利要求1所述的一种基于识别模型的气象景观实时识别方法，其特征在于，步骤二中至少包括判定为云海的存储于一个路径，判定为雨雾淞的存储于一个路径；判定为无云海的存储于一个路径，判定为非雨雾淞的存储于一个路径；无法准确地判定云海的存储于一个路径，无法准确判读雨雾淞的存储于一个路径。3.根据权利要求1或2所述的一种基于识别模型的气象景观实时识别方法，其特征在于，步骤七中的设定值为，针对云海的识别错漏率小于10％，空报率小于10％；对雨雾淞的识别错漏率小于20...

【专利技术属性】
技术研发人员：颜新春，刘德和，许光耀，陈臻皓，林金标，郑露娟，
申请(专利权)人：福建省泉州市气象局，
类型：发明
国别省市：