一种基于图像的云量、云状、天气现象反演装置及方法制造方法及图纸

本发明专利技术公开了一种基于图像的云量、云状、天气现象反演装置及方法，基于地面设备，获取天空云图，制作数据集；再标注数据，通过人工标注天空云图里的1

【技术实现步骤摘要】
一种基于图像的云量、云状、天气现象反演装置及方法


[0001]本专利技术涉及天气预测
，具体为一种基于图像的云量、云状、天气现象反演装置及方法。

技术介绍

[0002]现有的技术主要是将天气的监测图像通过图像二值化处理、统计R通道与B通道的值去计算云量；手动提取一些图像特征来推理云类型；单独建立一个神经网络来推理天气现象；传统方法精度不高，太依赖颜色特征，不能够很好地利用云团纹理特征等信息，并且容易受其他亮度较大物体干扰(太阳、白色物体等)，不能很好地识别乌云、朝霞晚霞等；而单独使用一个神经网络去做分类任务，无法充分利用不同任务的中间信息。
[0003]为提高识别精度，所以就需要一种基于图像的云量、云状、天气现象反演装置及方法。

技术实现思路

[0004]本专利技术的目的在于提供一种基于图像的云量、云状、天气现象反演装置及方法，
[0005]本专利技术是这样实现的：
[0006]一种基于图像的云量、云状、天气现象反演装置及方法，具体按以下步骤：
[0007]具体按以下步骤：
[0008]S1:基于地面设备，获取天空云图，制作数据集；
[0009]S2:标注数据，通过人工标注天空云图里的1
‑
100的数值，并且将数据集按照7:1.5:1.5的比例划分成训练集、验证集和测试集；由于训练集太多，按此比例进行划分避免验证集和测试集太少会导致模型过拟合或者欠拟合，该比例能够一定程度上监督模型，充分训练的同事又能防止模型过拟合；
[0010]S3:对训练集，即图像采取随机缩放、随机旋转、随机翻转、随机裁剪、随机伽玛校正预处理操作；
[0011]其中随机缩放的比例采取0.8
‑
1.2倍缩放，随机旋转是以图像中心为原点，
±
10
°
区间内旋转；随机翻转是以p＝0.5概率随机进行左右翻转和上下翻转；随机裁剪是在图像中随机采取N(N<5)个方块，并填充随机像素值；随机伽玛校正是随机伽马值取0.5到1.5之间的数，对图像做伽马校正；伽马值如果大于1.5，图像会变得太暗，不利于模型识别云量，如果小于0.5，则图像变得偏亮，也不适合训练模型；
[0012]S4:提取步骤S3的RGB图像中的R通道与B通道，基于用R通道与B通道构建新的通道——R/B通道，将R/B通道拼接到原RGB图像上；
[0013]S5:用Resnet作为主干网络，在网络中添加注意力模块，其中主干网络下分有三个分支，分别负责云量反演任务、云状分类任务，以及天气现象分类任务；
[0014]S6:使用warm up(预热)技术训练上述步骤S5模型，损失函数使用MSE均方根误差，得到最终模型；具体如式(1)和式(2)所示：
[0015][0016][0017]其中：MSE表示均方误差损失方程，CE表示交叉熵损失方程，n样本个数，y
i
表示第i个样本的标签值，^y
i
表示第i个样本的预测值；
[0018]S7:基于地面设备，获取步骤S4的实时天空云图，经过上述步骤S4的拼接，再插入构建的模型中，得出云量；
[0019]S8:将步骤S7的实时云图，进行缩放操作，缩放至384*384，传入步骤S7中的模型，得到模型预测云量值。
[0020]进一步，一种基于图像的云量、云状、天气现象反演装置包括主控制器，与所述主控制器连接有摄像头、存储器、图像识别模组和无线通讯模块；所述图像识别模组接收图片并进行天气要素识别运算，运算后返回识别结果给主控制器通过无线通讯模块连接有数据服务器，与所述主控制器、摄像头、存储器、图像识别模组和无线通讯模块连接有电源管理单元，与所述电源管理单元连接有蓄电池。与所述蓄电池连接有太阳能发电板，所述主控制器用于执行步骤S1‑
S8的程序指令。
[0021]进一步，所述无线通讯模块采用SIM卡或射频天线与远端数据服务器通信，上传图片、天气要素识别结果、工作日志等内容。
[0022]进一步，一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被主控制器执行时实现如上述的任一项所述的方法
[0023]与现有技术相比，本专利技术的有益效果是：
[0024]1、本方法基于卷积神经网络去自动提取图像特征，避免了手动提取特征的繁琐过程，并且提取的特征量也更多；可以充分抽取图像的颜色、图像的纹理等信息，训练好的卷积神经网络中的卷积核可以自动提取纹理信息，这就是卷积的意义所在，较大程度上避免将白色物体全都判别为云或者雪；另外做了一些增广，对目标亮度、形状等要求不高，对于乌云、彩霞等颜色不是白色的云也能够较好地识别；
[0025]2、本专利技术采用一个网络进行三项任务，三个任务目标共同约束网络训练，能够更加充分地利用特征，减少总体计算量；能够让三个分支任务互相监督，使输出结果更加自洽，减少出现诸如晴天但是云量100这种现象发生，能够更好地融合利用不同任务的中间信息，从而提高网络精度。
附图说明
[0026]为了更清楚地说明本专利技术实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，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相关的附图。
[0027]图1是本专利技术的方法流程图；
[0028]图2是本专利技术的系统结构图。
具体实施方式
[0029]为使本专利技术实施方式的目的、技术方案和优点更加清楚，下面将结合本专利技术实施方式中的附图，对本专利技术实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本专利技术一部分实施方式，而不是全部的实施方式。基于本专利技术中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本专利技术保护的范围。因此，以下对在附图中提供的本专利技术的实施方式的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施方式。基于本专利技术中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本专利技术保护的范围。
[0030]请参阅图1
‑
2，一种基于图像的云量、云状、天气现象反演装置及方法，具体按以下步骤：
[0031]S1:基于地面设备，获取天空云图，制作数据集；
[0032]S2:标注数据，通过人工标注天空云图里的1
‑
100的数值，并且将数据集按照7:1.5:1.5的比例划分成训练集、验证集和测试集；由于训练集太多，按此比例进行划分避免验证集和测试集太少会导致模型过拟合或者欠拟合，该比例能够一定程度上监督模型，充分训练的同事又能防止模型过拟合；
[0033]S3:对训练集，即图像采取随机缩放、随机旋转、随机翻转、随机裁剪、随机伽玛校正预处理操作；
[0034]其中随机缩放的比例采取0.8本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像的云量、云状、天气现象反演方法，其特征在于，包括以下步骤：获取实时天空云图；提取所述实时天空云图原始RGB通道中的R通道与B通道，利用所述R通道与所述B通道构建R/B通道，且基于所述R/B通道与所述实时天空云图的原始RGB通道进行拼接，得到拼接后的实时天空云图；将所述拼接后的实时天空云图输入预先构建的气象分析模型中，得出气象识别结果，所述气象识别结果中包括反映天空云量、云状、天气现象的气象信息。2.根据权利要求1所述的基于图像的云量、云状、天气现象反演方法，其特征在于，在所述将所述拼接后的实时天空云图输入预先构建的气象分析模型中之前，还包括：S1:获取预设数量的天空云图，且将获取的天空云图作为数据集；S2:标注数据：基于图像的像素值对所获取的每幅天空云图进行像素值标注，并且将数据集按照设定比例划分成训练集、验证集和测试集；S3:对训练集中的每幅训练图像进行预处理；其中，所述预处理包括图像采取随机缩放、随机旋转、随机翻转、随机裁剪、随机伽玛校正预处理操作中的一种或几种；S4:分别提取每幅训练图像原始RGB通道中的R通道与B通道，利用所述R通道与所述B通道构建R/B通道，且基于所述R/B通道与所述训练图像的原始RGB通道进行拼接，得到拼接后的训练图像；S5:用残差网络Resnet作为构建所述气象分析模型的主干网络，且在所述主干网络的卷积层中添加注意力模块；其中，所述主干网络设置有分别负责云量反演任务、云状分类任务，以及天气现象分类任务的三个分支；S6:使用Warm up学习率预热技术训练所述气象分析模型，利用MSE均方根误差作为损失函数，进而得到训练好的收敛模型。3.根据权利要求2所述的一种基于图像的云量、云状、天气现象反演方法，其特征在于，在步骤S3中：随机缩放的比例采取0.8
‑
1.2倍缩放，随机旋转是以图像中心为原点，
±
10
°
区间内旋转；随机翻转是以p＝0.5概率随机进行左右翻转和上下翻转；随机裁剪是在图像中随机采取N(N<5)个方块，并填充随机像素值；随机伽玛校正是随机伽马值取0.5到1.5之间的数，对图像做伽马校正。4.根据权利要求2所述的一种基于图像的云量、云状、天气现象反演方法，其特征在于，所述利用MSE均方根误差作为损失函数，进而得到训练好的收敛模型的步骤包括：设定模型最大训练次数N，将拼接后的训练图像输入至构建的气象分析模型，得到对应的预测结果；根据所述预测结果与预先设定的标签值分别计算云量的MSE误差、云状的cros...

【专利技术属性】
技术研发人员：李强，郑昕，李华杰，
申请(专利权)人：象辑科技股份有限公司，
类型：发明
国别省市：