【技术实现步骤摘要】
用于识别气象图的方法和电子设备
[0001]本专利技术涉及气象图识别
,尤其是涉及一种用于识别气象图的方法和电子设备
。
技术介绍
[0002]为了有效应对气象变化,提高灾害监测和预警能力,十分有必要对气象图进行识别
。
随着人工智能的发展,大量采用神经网络进行气象图识别分析的技术相继涌现,例如,现有技术采用
opencv(
跨平台计算机视觉和机器学习软件库
)
对气象图进行处理
。
即,采用
tesseract OCR(Optical Character Recognition
,光学字符识别
)
对气象图中的文字进行识别,进而利用
tensorflow(
端到端开源机器学习平台
)
构建神经网络对气象图进行识别分类
。
[0003]然而,
tesseract OCR
技术的文字识别率很低
、
且对中文识别支持不友好
。tesseract OCR
技术对于人为选取图片曲线角度轮廓
、
风向角度
、
气压大小和相似度等特征过于繁琐,且对于隐藏的特征无法准确挖掘;并且,针对相同的大小的输入层,前馈神经网络所需模型参数过多,导致最优参数难得到,即
tesseract OCR
本身模型存在缺点,且忽视了气象图局部相关性的特点
。
[0004]因此,识别气象图 ...
【技术保护点】
【技术特征摘要】
1.
用于识别气象图的方法,其特征在于,包括:获取第一气象图;提取所述第一气象图的图像融合特征,以使已训练气象图识别模型根据所述图像融合特征对所述第一气象图进行预测识别,其中,所述图像融合特征由文本级特征和图像级特征拼接而成;输出所述第一气象图的气象类别
。2.
根据权利要求1所述的方法,其特征在于,获取第一气象图包括:实时采集气象图,其中,所述气象图用不同颜色表示气压场
、
气压数据值
、
等压线
、
地图边界
、
图例
、
和
/
或无效数字;利用所述不同颜色去除所述气象图的干扰数据,形成第一气象图,其中,所述干扰数据包括地图边界
、
图例
、
和
/
或无效数字
。3.
根据权利要求1所述的方法,其特征在于,提取所述第一气象图的图像融合特征包括:利用
EAST
文本识别模型提取所述第一气象图的文本级特征;利用
VGG16
迁移学习模型提取所述第一气象图的图像级特征;将所述文本级特征与图像级特征拼接合并后进行归一化处理,形成图像融合特征
。4.
根据权利要求3所述的方法,所述
EAST
文本识别模型包括特征提取层
、
特征融合层和输出层,所述文本级特征包括第一特征
、
第二特征和第三特征,其特征在于,利用
EAST
文本识别模型提取所述第一气象图的文本级特征包括:所述特征提取层通过通道数为
64、128、256、384
的4层卷积层输出第一层特征图
f1、
第二层特征图
f2、
第三层特征图
f3、
第四层特征图
f4
;所述特征融合层将
f1
上采样2倍与
f2
拼接形成第一层融合图
h1
,
h1
再上采样2倍与
f3
拼接形成第二层融合图
h2
,
h2
再上采样2倍与
f4
拼接形成第三层融合图
h3
,
h3
经卷积层形成第四层融合图
h4
,其中,
h1、h2、h3、h4
分别为所述第一气象图的
1/4、1/8、1/16、1/32
;所述输出层利用通道为1的
1*1
的卷积层输出第一特征,利用通道为5的
1*1
的卷积层输出第二特征,利用通道为8的
1*1
的卷积层输出第三特征,其中,所述第一特征代表每个像素点属于文本区域的概率,所述第二特征用来预测旋转矩形的文本特征,所述第三特征用来预测不规则四边形的文本
。5.
根据权利要求3所述的方法,所述
VGG16
迁移学习模型包含第一卷积模块
、
第二卷积模块
、
第三卷积模块
、
第四卷积模块和第五卷积模块,其特征在于,利用
VGG16
迁移学习模型提取所述第一气象图的图像级特征包括:第一气象图依次经第一卷积模块
、
第二卷积模块
、
第三卷积模块
、
第四卷积模块和第五卷积模块,生成图像级特征,其中,所述第一卷积模块包括2层级联的
64
通道
3*3
【专利技术属性】
技术研发人员:周佳,郑龙,周黎,李晶,何燕飞,
申请(专利权)人:周佳攀枝花市生态环境信息与技术评估服务中心,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。