一种基于人工智能降雨测量方法、装置、设备及存储介质制造方法及图纸

本发明专利技术提供一种基于人工智能降雨测量方法、装置、设备及存储介质，包括获取目标地点的降雨图像和同步降雨强度信息，构建雨纹特征提取神经网络，输入降雨图像输出雨纹特征图，利用降雨

【技术实现步骤摘要】
一种基于人工智能降雨测量方法、装置、设备及存储介质


[0001]本专利技术涉及降雨测量
，具体涉及一种基于人工智能降雨测量方法、装置、设备及存储介质。

技术介绍

[0002]降雨的时空分布异常现象是诱发各种自然灾害的重要因素，因此对降雨强度的实时监测对防范洪水、泥石流等重大灾害具有重要的指导意义。同时降雨也是农业生产等经济活动中不可获取的一部分，因此对降雨强度的实时监测也具有重要的经济意义。
[0003]近年来，基于深度学习的视频雨量估计作为无接触的检测方法逐渐受到关注。
[0004]如专利CN202110223872.4公开了一种基于卷积神经网络的降雨强度检测方法。利用不同降雨条件下水面雨生表面波纹理特征的差异性，通过对连续两帧图像进行残差处理提取波纹纹理特征，进而使用全卷积神经网络进行有监督的深度学习。但该方法只能进行无雨、小雨、中雨、大雨四个等级进行分类检测，且只能以水面波纹作为采集对象，难以广泛应用，当无水面时，无法进行识别，受应用场景的限制大，适用性低。
[0005]专利CN201910701424 .3公开了一种针对雨天图片的卷积神经网络降雨强度分类方法。利用卷积神经网络对真实降雨图片和合成降雨图片的降雨强度进行六个等级分类，具有较好的效果和较低的误差率。但该方法没有专门针对雨纹信息进行特征提取，导致算法在实际场景下的泛化性能不足，精度不高。

技术实现思路

[0006]根据现有技术的不足，本专利技术的目的是提供一种基于人工智能降雨测量方法、装置、设备及存储介质，直接针对雨纹信息进行特征提取，且能够准确地获取降雨强度数值，准确率高。
[0007]为了解决上述技术问题，本专利技术采用的技术方案为：一种基于人工智能降雨测量方法，包括以下步骤：数据采集，获取目标地点的降雨图像和同步降雨强度信息；构建雨纹特征提取神经网络，其输入为降雨图像，输出为雨纹特征图；利用降雨
‑
清晰图像数据集，训练雨纹特征提取神经网络，其中，降雨
‑
清晰图像数据集包括各个地点的降雨
‑
清晰图像，降雨
‑
清晰图像为降雨
‑
清晰视频抽帧处理后选取的清晰的降雨图像；将目标地点的降雨图像，输入到训练好的雨纹特征提取神经网络中，得到对应的雨纹特征图，且根据同步降雨强度信息获取降雨图像对应的降雨强度，将降雨强度作为雨纹特征图的标签，生成雨纹
‑
降雨强度数据集；构建雨量估计神经网络，通过雨纹
‑
降雨强度数据集训练雨量估计神经网络；重新获取目标地点的真实降雨视频，抽帧提取新的降雨图像，输入到训练好的雨纹特征提取神经网络中，得到对应的新的雨纹特征图，将新的雨纹特征图输入到训练好的
雨量估计神经网络，得到对应的降雨强度信息。
[0008]进一步地，所述同步降雨强度信息根据雨量计或互联网发布降雨量信息获取。
[0009]进一步地，所述雨纹特征提取神经网络采用多维特征卷积网络，包括浅层特征提取、深层特征提取与特征重构；所述浅层特征提取通过多个三维卷积初步提取降雨图像的浅层信息；所述深层特征提取通过多个多维特征模块提取降雨图像的空间与通道维度的雨纹特征；所述特征重构用于生成雨纹特征图。
[0010]进一步地，所述多维特征模块由空间维度特征提取块、扩展卷积块和通道维度特征提取块依次串联组成。
[0011]进一步地，所述空间维度特征提取块采用多个1
×
1卷积执行隐藏层到输出层的特征映射；所述扩展卷积块包括两条路径，第一条路径由两个标准的卷积层组成，用于捕捉小尺度的空间图案，第二条路径包括两个扩展卷积层，以快速增加感受野，输出包括1
×
1卷积运算融合多个不同尺度的特征；所述通道维度特征提取块采用三个1
×
1卷积聚合来自不同通道的信息，以及两个1
×
1卷积提取通道间的相关性特征。
[0012]进一步地，在雨纹特征提取神经网络中，通过损失函数计算标签图像与预测图像间的差异，根据损失函数更新雨纹特征提取网络参数。
[0013]进一步地，所述雨量估计网络采用深度残差网络并采用跳跃连接的形式进行特征映射。
[0014]一种基于人工智能降雨测量装置，包括：数据采集模块，用于数据采集，获取目标地点的降雨图像和同步降雨强度信息；雨纹特征提取神经网络构建模块，用于构建雨纹特征提取神经网络，其输入为降雨图像，其输出为雨纹特征图；雨纹特征提取神经网络训练模块，用于利用降雨
‑
清晰图像数据集，训练雨纹特征提取神经网络，其中，降雨
‑
清晰图像数据集包括各个地点的降雨
‑
清晰图像，降雨
‑
清晰图像为降雨
‑
清晰视频抽帧处理后选取的清晰的降雨图像；雨纹
‑
降雨强度数据集获取模块，用于将目标地点的降雨图像，输入到训练好的雨纹特征提取神经网络中，得到对应的雨纹特征图，且根据同步降雨强度信息获取降雨图像对应的降雨强度，将降雨强度作为雨纹特征图的标签，生成雨纹
‑
降雨强度数据集；雨量估计神经网络训练模块，用于构建雨量估计神经网络，通过雨纹
‑
降雨强度数据集训练雨量估计神经网络；降雨强度信息获取模块，用于重新获取目标地点的真实降雨视频，抽帧提取新的降雨图像，输入到训练好的雨纹特征提取神经网络中，得到对应的新的雨纹特征图，将新的雨纹特征图输入到训练好的雨量估计神经网络，得到对应的降雨强度信息。
[0015]一种基于人工智能降雨测量设备，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，处理器用于运行计算机程序时，执行上述任一项所述基于人工智能降雨测量方法的步骤。
[0016]一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时，实现上述任一项所述人工智能降雨测量方法的步骤。
[0017]与现有技术相比，本专利技术具有以下优点和有益效果：本专利技术直接采集目标地点的降雨视频，通过雨纹特征提取神经网络获取该视频数据中的雨纹特征图，同步目标地点的同步降雨强度信息获取降雨图像的降雨强度，按时序将同一时刻的降雨强度作为该时刻雨纹特征图的标签，训练雨量估计神经网络，相比于现有技术，不仅能通过视频数据转换的雨纹特征图，获得实时的降雨强度数值，提供更详细的降雨数据，同时也能在无水面时，进行识别，应用广泛，不受环境条件的限制，可广泛用于各种场景，如城市、山区、田地等，适应性更高。
附图说明
[0018]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分。本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1为本专利技术基于人工智能降雨测量方法的流程图。
[0019]图2为本专利技术雨纹特征提取网络结构图。
[0020]图3为本专利技术空间维度特征提取模块结构图。
[0021]图4为本专利技术扩展卷积模块结构本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能降雨测量方法，其特征在于，包括以下步骤：数据采集，获取目标地点的降雨图像和同步降雨强度信息；构建雨纹特征提取神经网络，其输入为降雨图像，输出为雨纹特征图；利用降雨
‑
清晰图像数据集，训练雨纹特征提取神经网络，其中，降雨
‑
清晰图像数据集包括各个地点的降雨
‑
清晰图像，降雨
‑
清晰图像为降雨
‑
清晰视频抽帧处理后选取的清晰的降雨图像；将目标地点的降雨图像，输入到训练好的雨纹特征提取神经网络中，得到对应的雨纹特征图，且根据同步降雨强度信息获取降雨图像对应的降雨强度，将降雨强度作为雨纹特征图的标签，生成雨纹
‑
降雨强度数据集；构建雨量估计神经网络，通过雨纹
‑
降雨强度数据集训练雨量估计神经网络；重新获取目标地点的真实降雨视频，抽帧提取新的降雨图像，输入到训练好的雨纹特征提取神经网络中，得到对应的新的雨纹特征图，将新的雨纹特征图输入到训练好的雨量估计神经网络，得到对应的降雨强度信息。2.根据权利要求1所述的基于人工智能降雨测量方法，其特征在于：所述同步降雨强度信息根据雨量计或互联网发布降雨量信息获取。3.根据权利要求1所述的基于人工智能降雨测量方法，其特征在于：所述雨纹特征提取神经网络采用多维特征卷积网络，包括浅层特征提取、深层特征提取与特征重构；所述浅层特征提取通过多个三维卷积初步提取降雨图像的浅层信息；所述深层特征提取通过多个多维特征模块提取降雨图像的空间与通道维度的雨纹特征；所述特征重构用于生成雨纹特征图。4.根据权利要求3所述的基于人工智能降雨测量方法，其特征在于：所述多维特征模块由空间维度特征提取块、扩展卷积块和通道维度特征提取块依次串联组成。5.根据权利要求4所述的基于人工智能降雨测量方法，其特征在于：所述空间维度特征提取块采用多个1
×
1卷积执行隐藏层到输出层的特征映射；所述扩展卷积块包括两条路径，第一条路径由两个标准的卷积层组成，用于捕捉小尺度的空间图案，第二条路径包括两个扩展卷积层，以快速增加感受野，输出包括1
×
1卷积运算融合多个不同尺度的特征；所述通道维度特征提取块采用三个1
×
1卷积聚...

【专利技术属性】
技术研发人员：刘炳义，刘维高，杨博豪，张海洋，赵石磊，张雨，
申请(专利权)人：武汉大水云科技有限公司，
类型：发明
国别省市：