基于识别模型的气象景观实时识别方法与流程

1.本发明涉及气象景观智能识别技术领域，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。


背景技术：

2.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。
3.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。
4.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。


技术实现要素：

5.针对相关技术中的问题，本发明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。
6.为此，本发明采用的具体技术方案如下：
7.一种基于识别模型的气象景观实时识别方法，包括以下步骤：
8.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。
9.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。
10.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；
11.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；
12.步骤五，对智能识别的雨雾淞、云海现象，实现自动监测告警；
13.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；
14.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。
15.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。
16.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％。
17.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；
18.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；
19.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。
20.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。
21.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。
22.与现有技术相比，本发明的有益效果为：
23.本发明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
24.为了更清楚地说明本技术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技术的一些实施例，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。
25.图1示出了本技术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；
26.图2示出了本技术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；
27.图3示出了本技术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
28.为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，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发明的优点，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。
29.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：
30.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。
31.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。
32.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；
33.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；
34.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。
35.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；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。
36.步骤五，对智能识别的雨雾淞、云海现象，实现自动监测告警；
37.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；
38.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，具体可以设置为，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％。
39.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。
40.尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。结合本文所公开的实施例描述的各种解说性逻辑板块、模块、和电路可用通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执
行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如dsp与微处理器的组合、多个微处理器、与dsp 核心协作的一个或多个微处理器、或任何其他此类配置。结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在ram存储器、闪存、rom存储器、eprom存储器、 eeprom存储器、寄存器、硬盘、可移动盘、cd-rom、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在asic中。asic可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括ram、rom、eeprom、 cd-rom或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(dsl)、或诸如红外、无线电、以及微波之类的无线技术从 web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、dsl、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟 (disc)包括压缩碟(cd)、激光碟、光碟、数字多用碟(dvd)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
41.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。