用于识别气象图的方法和电子设备技术

用于识别气象图的方法和电子设备

【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，识别气象图快速输出高精度的气象类别是本专利技术要解决的问题
。

技术实现思路

[0005]本专利技术的目的在于提供一种用于识别气象图的方法和电子设备，至少能够将输入的气象图进行识别，快速输出该气象图各区域
(
或指定区域
)、
各地理方位的高精度气象类别，对科学认识重污染形成机制，准确分析重污染期间污染物的空间分布和随时间变化的特征提供决策支撑
。
[0006]根据本专利技术的一方面，至少一个实施例提供了一种用于识别气象图的方法，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
。
[0007]根据本专利技术的一方面，至少一个实施例还提供了一种用于训练气象图识别模型的方法，包括：获取气象图样本；如果所述气象图样本的数据均衡
、
且数据量大小满足要求，则提取所述气象图样本的训练融合特征，其中，所述训练融合特征由文本级特征和图像级特征拼接而成；基于所述训练融合特征对所述气象图识别模型进行训练，并通过
categorical_crossentropy
损失函数使得所述气象图识别模型趋于稳定
。
[0008]根据本专利技术的另一方面，至少一个实施例还提供了一种电子设备，包括：处理器，适于实现各指令；以及存储器，适于存储多条指令，所述指令适于由处理器加载并执行：本专利技术上述用于识别气象图的方法
、
和
/
或用于训练气象图识别模型的方法
。
[0009]根据本专利技术的另一方面，至少一个实施例还提供了一种用于识别气象图的系统，
包括：本专利技术上述电子设备
。
[0010]根据本专利技术的另一方面，至少一个实施例还提供了一种计算机可读的非易失性存储介质，存储计算机程序指令，当所述计算机执行所述程序指令时，执行：本专利技术上述用于识别气象图的方法
、
和
/
或用于训练气象图识别模型的方法
。
[0011]通过本专利技术上述实施例，以气象图为输入，提取该气象图的文本级特征和图像级特征，其中，采用
EAST
文本识别模型提取文本级特征
(
涉及文字和空间
)
，采用
VGG16
迁移学习模型提取图像级特征，进而对气象图进行预测分类
。
本专利技术集合了卷积神经网络对图像数据的一些优势
(
参数共享，局部连接，旋转不变性
)
，而非以单纯的曲线角度轮廓
、
风向角度
、
气压大小等固定指标角度来分析气象图
。
附图说明
[0012]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，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的附图
。
[0013]图1是根据本专利技术实施例的气象类别示意图；
[0014]图2是根据本专利技术实施例的应用环境示意图；
[0015]图3是根据本专利技术实施例的电子设备示意图；
[0016]图4是根据本专利技术实施例的用于训练气象图识别模型的方法流程图；
[0017]图5是根据本专利技术实施例的气象图识别模型示意图；
[0018]图6是根据本专利技术实施例的用于识别气象图的方法流程图；
[0019]图7是根据本专利技术实施例的所采集的气象图示意图；
[0020]图8是根据本专利技术实施例的
EAST
文本识别模型示意图；
[0021]图9是根据本专利技术实施例的
VGG16
迁移学习模型示意图；
[0022]图
10
是根据本专利技术实施例的气象图识别模型示意图
。
具体实施方式
[0023]下面将结合附图对本专利技术的技术方案进行清楚
、
完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例
。
基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围
。
[0024]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序
。
应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施
。
此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程
、
方法
、
系统
、
产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程
、
方法
、
产品或设备固有的其它步骤或单元
。
[0025]气象图，也叫天气图，用于分析大气物理状况和特性图表的统称，根据不同要求和目的而本文档来自技高网...

【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：