CN110766333A - 一种天气现象信息智能处理方法及系统 - Google Patents
一种天气现象信息智能处理方法及系统 Download PDFInfo
- Publication number
- CN110766333A CN110766333A CN201911035036.2A CN201911035036A CN110766333A CN 110766333 A CN110766333 A CN 110766333A CN 201911035036 A CN201911035036 A CN 201911035036A CN 110766333 A CN110766333 A CN 110766333A
- Authority
- CN
- China
- Prior art keywords
- weather phenomenon
- weather
- collected
- picture
- identification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000002372 labelling Methods 0.000 claims description 16
- 238000000034 method Methods 0.000 claims description 13
- 239000004576 sand Substances 0.000 claims description 13
- 238000001556 precipitation Methods 0.000 claims description 12
- 238000009833 condensation Methods 0.000 claims description 9
- 230000005494 condensation Effects 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 9
- 239000000428 dust Substances 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 2
- 230000026676 system process Effects 0.000 claims description 2
- 230000010365 information processing Effects 0.000 claims 6
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 241000533950 Leucojum Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Environmental & Geological Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Ecology (AREA)
- Development Economics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Environmental Sciences (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
一种天气现象信息智能处理方法,包括以下步骤:根据标注过的历史天气现象图片,构建天气现象识别模型;利于所述天气现象识别模型,对实时采集的天气现象图片进行识别生成判识结果;根据所述判识结果与测量数据对采集的图片进行标注,进行所述天气现象识别模型的训练迭代;将判识结果与站点信息进行展示。本发明还提供一种天气现象信息智能处理系统,利用构建的天气现象识别模型进行图片判识,天气现象识别模型无需与GPU服务器连接就可快速进行迭代,每个站点可单独建立基于该站点图片数据与观测数据的判识模型,从而进一步提升判识准确率;使预报员能够更好地掌握天气实况,利于准确预报。
Description
技术领域
本发明涉及天气现象观测技术领域,特别是涉及一种天气现象信息智能处理方法及系统。
背景技术
天气现象观测,通常包括地面气象观测、高空气象观测。地面气象观测主要是依靠气象观测站点对天气现象进行观测,而且依赖于人工对多种客观资料进行分析,根据预报员经验判识出现的天气现象,这种预报方法极大的依赖于预报员的经验,且工作量巨大。
发明内容
为了解决现有技术存在的不足,本发明的目的在于提供一种天气现象信息智能处理方法及系统,将采集的天气现象图片数据结合标注与标注的图片类型对识别模型进行自动深度学习迭代,提高对天气现象判识的准确率并降低网络的流量。
为实现上述目的,本发明提供的天气现象信息智能处理方法,包括以下步骤:
根据标注过的历史天气现象图片,构建天气现象识别模型;
利于所述天气现象识别模型,对实时采集的天气现象图片进行识别生成判识结果;
根据所述判识结果与测量数据对采集的图片进行标注,进行所述天气现象识别模型的训练迭代;
将判识结果与站点信息进行展示。
进一步地,所述根据标注过的历史天气现象图片,构建天气现象识别模型的步骤,进一步包括:在TENSORFLOW框架下搭建CNN卷积神经网络,对标注过的天气现象历史图片数据,构建天气现象识别模型。
进一步地,所述天气现象识别模型,对实时采集的天气现象图片进行识别生成判识结果的步骤,进一步包括:所述天气现象识别模型对天空观测摄像机采集的图像进行云量、云状的判识;对地面观测摄像机采集的图像进行天气现象判识;生成判识结果。
进一步地,所述天气现象识别模型对天空观测摄像机采集的图像进行特征量的智能提取并且与已有判识库的云状特征量进行智能比对,找出最接近的云状,结合PM2.5、PM10、温度、湿度等测量数据,对轻雾、雾、霾、浮尘、扬沙、沙尘暴、雨、雪的天气现象进行分类判识,生成判识结果;
所述天气现象识别模型对地面观测摄像机采集的图像进行处理,并进行凝结类天气现象和降水类天气现象的判识,生成判识结果;所述凝结类天气现象包括:积雪、雪深、结露、结冰、结霜、雨凇、雾凇、电线积冰;所述降水类天气现象包括:毛毛雨、雨、雨夹雪、雪冰雹、无降水。
更进一步地,所述根据所述判识结果与测量数据对采集的图片进行标注,并进行天气现象识别模型的训练迭代的步骤,是根据所述判识结果与测量数据,对采集的图片进行自动标注或/和人工标注图片类型,进行所述天气现象识别模型训练迭代。
为实现上述目的,本发明还提供一种天气现象信息智能处理系统,包括,GPU服务器、气象观测站子系统、图片数据服务器,以及终端展示设备,其中,
所述GPU服务器,其根据标注过的天气现象历史图片数据构建天气现象识别模型,并将所述天气现象识别模型分别部署到各个气象观测站子系统;将判识结果及站点信息发送给终端展示设备进行展示;
所述气象观测站子系统,其对气象观测站站点的天气现象进行判识,并将判识结果发送给所述图片数据服务器;
所述图片数据服务器,其接收所述气象观测站子系统发送的判识结果,并进行图文展示;接收所述终端展示设备的请求,将所述判识结果以及站点信息发送给所述终端展示设备进行图文展示。
进一步地,所述GPU服务器,其对标注过的天气现象历史图片数据在TENSORFLOW框架下搭建CNN卷积神经网络,对天气现象历史图片进行天气现象识别模型的构建。
进一步地,所述气象观测站子系统,进一步包括,前端主机、天空观测摄像机、地面观测摄像机,以及气象参数观测站,其中,
所述前端主机,其通过搭建的天气现象识别模型结合所述气象参数观测站采集的气象参数测量数据对实时采集的图片进行判识并生成不同类别的判识结果;
所述天空观测摄像机,其用于云量、云状图片的采集,并将采集的图像发送给所述前端主机;
所述地面观测摄像机,其用于地面、结冰架、冰槽、雪深尺图片的采集,并将采集的图像发送给所述前端主机;
所述气象参数观测站,其用于气象参数测量数据的采集,包括温度、湿度、压力、风向、风速、雨量、PM2.5、PM10、照度及雪深。
更进一步地,所述前端主机,
其对所述天空观测摄像机采集的图像进行特征量的智能提取并且与已有判识库的云状特征量进行智能比对,找出最接近的云状,结合PM2.5、PM10、温度、湿度,提供轻雾、雾、霾、浮尘、扬沙、沙尘暴、雨、雪的天气现象判识结果;
其对所述地面观测摄像机采集的地面、结冰架、冰槽、雪深尺的图像进行处理和智能判识,提供凝结类天气现象、降水类天气现象判识结果;
其通过将采集的图片数据结合自动标注与人工标注的图片类型对模型进行自动深度学习迭代。
为实现上述目的,本发明还提供一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述计算机指令运行时执行如上文所述的天气现象信息智能处理方法的步骤。
本发明的天气现象信息智能处理方法及系统,无需持续与GPU服务器连接。在没有网络的情况下也可以进行图片判识;图片数据无需全部上传服务器,设备可自行筛选有训练价值的“边缘类别”图片进行上传从而降低网络的流量提升样本的代表性;无需与GPU服务器连接就可快速迭代模型,每个站点可单独建立基于该站点图片数据与观测数据的判识模型,从而进一步提升判识准确率;使预报员能够更好地掌握天气实况,利于准确预报。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,并与本发明的实施例一起,用于解释本发明,并不构成对本发明的限制。在附图中:
图1为根据本发明的天气现象信息智能处理方法流程图;
图2为根据本发明的天气现象信息智能处理系统结构示意图;
图3为根据本发明的气象观测站子系统结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
图1为根据本发明的天气现象信息智能处理方法流程图,下面将参考图1,对本发明的天气现象信息智能处理方法进行详细描述。
本发明的实施例中,采用CNN卷积神经网络架构对标注过的天气现象历史图片进行分类,并进行深度学习。深度学习跟传统的学习方法相比它的优势在于如果有足够多的数据样本,它可以达到非常高的准确度。而且在数据样本不断增加的同时我们还可以对模型架构进行相应的调整和优化从而提升识别分类的精确度。采用TensorBoard(Tensorflow自带可视化工具)来对模型进行分析和优化,通过搭建不同架构与节点的人工神经网络来判断学习模型的进步程度,然后从中筛选出学习效率较高的架构作为天气现象识别模型。
首先,在步骤101,根据标注过的天气现象历史图片数据构建天气现象识别模型。
在该步骤中,由GPU服务器对标注过的天气现象历史图片数据构建天气现象识别模型,并将天气现象识别模型分别部署到各个气象观测站子系统。
本发明的实施例中,可以采用网路或人工加载的方式将选出的一个或多个效率最高的天气现象识别模型分别部署到各个气象观测站子系统的前端主机上。
本发明的实施例中,天气现象识别模型的构建,通过对标注过的天气现象历史图片数据在TENSORFLOW框架下搭建CNN卷积神经网络对图片进行建模。CNN卷积神经网络是众多中深度学习架构的其中一种。它在图形识别中的优势主要在于神经网络只需要捕捉图形里面的部分特点和规律而不需把整个图片同时进行解析。它的基本识别过程是首先通过卷积运算+激活函数然后进行池化来提取图片上的特征,然后将提取的特征储存为一个2D数组。最后通过对这个2D数组的Flatten拉平处理和Softmax归一化指数函数来得出相应的图形分类。
在步骤102,采用搭建的天气现象识别模型对实时采集的图片进行判识,生成不同类别判识的判识结果。
前端主机通过搭建的天气现象识别模型结合各类传感器采集的数据直接对实时采集的图片进行判识并且生成不同类别判识的判识结果。同时可将判识结果进行自动标注作为模型迭代的数据集。在出现不确定的图片类别时可将该图片传回图片数据服务器进行人工标注。前端识别的优势在于无需持续与GPU服务器连接。在没有网络的情况下也可以进行图片判识。图片数据无需全部上传服务器,设备可自行筛选有训练价值的‘边缘类别’图片进行上传从而降低网络的流量提升样本的代表性。
本发明的实施例中,对实时采集的图片进行判识并且生成不同类别判识的判识结果,是根据相关气象规范中的天气现象类别,对观测到的天气现象进行类别判识,生成判识结果。
本发明的实施例中,前端主机接入天空观测摄像机(如鱼眼摄像机)采集图像进行云量、云状的判识,接入地面观测摄像机(如枪机、球机)采集图像进行天气现象判识;并接入气象参数测量数据(温度、湿度压力、压力、风向、风速、雨量、PM2.5、PM10、照度及雪深),进行辅助判识和气象要素测量。
用天空观测摄像机对天空进行图像采集,对采集的图像进行特征量的智能提取并且与已有判识库的云状特征量进行智能比对,找出最接近的云状,结合PM2.5、PM10、温度、湿度等测量数据,对轻雾、雾、霾、浮尘、扬沙、沙尘暴、雨、雪等天气现象进行分类判识。
用地面观测摄像机对地面、结冰架、冰槽、雪深尺,进行图像采集,提供相应智能识别的图片或视频。对采集的图像进行处理和智能判识,以提供凝结类天气现象的自动化观测:对如积雪、雪深;结露、结冰、结霜、雨凇、雾凇、电线积冰的判识;对降水类天气现象:如毛毛雨、雨、雨夹雪、雪冰雹、无降水,进行判识。
在步骤103,将判识结果发送给图片数据服务器并展示。
在该步骤中,前端主机通过网络将判识结果发送给图片数据服务器,图片数据服务器根据需求对各个前端主机发送的判识结果进行图文展示。
在步骤104,根据传感器采集的数据与图片判识结果对采集的图片进行标注并对模型进行训练迭代。
本发明的实施例中,前端主机通过将采集的图片数据结合自动标注与人工标注的图片类型对模型进行自动深度学习迭代;从而改善模型的准确率,无需与GPU服务器连接就可快速迭代模型。每个站点可单独建立基于该站点图片数据与观测数据的判识模型,从而进一步提升判识准确率,实现一站一模型。
对于采集的图片进行分类,预入库,对于智能认可度较高的图片可以加入判识样本库,对于智能认可度较低并且易错判断和混淆的智能挑选后由有经验的预报员进行分类,加入样本库。反复多次进行学习,逐渐提高人工智能的判识率。
在步骤105,接收终端展示设备请求,将判识结果及站点信息发送给终端展示设备进行展示。
本发明的实施例中,终端展示设备与图片数据服务器相连接,图片数据服务器根据终端展示设备请求,将判识结果及站点信息发送给终端展示设备进行图文展示,其中,可以通过地图、页面、图片以及图表的形式展示站点位置及天气现象的识别结果。
图2为根据本发明的天气现象信息智能处理系统结构示意图,如图2所示,本发明的天气现象信息智能处理系统,包括,GPU服务器10、气象观测站子系统20、图片数据服务器30,以及终端展示设备40,其中,
GPU服务器10,其根据标注过的天气现象历史图片数据构建天气现象识别模型,并将天气现象识别模型分别部署到各个气象观测站子系统;将判识结果及站点信息发送给终端展示设备进行展示。
本发明的实施例中,GPU服务器10通过对标注过的天气现象历史图片数据在TENSORFLOW框架下搭建CNN卷积神经网络对天气现象历史图片进行建模。
气象观测站子系统20,其对气象观测站站点的天气现象进行判识,并将判识结果发送给图片数据服务器30。
本发明的实施例中,气象观测站子系统20对气象观测站站点的天气现象进行判识包括:进行图片采集、气象参数的数据采集;对采集图像进行云量、云状的判识天气现象;对采集的气象参数(温度、湿度压力、压力、风向、风速、雨量、PM2.5、PM10、照度传感器及超声波雪深尺)进行辅助判识和气象要素测量;通过将采集的图片数据结合自动标注与人工标注的图片类型对模型进行自动深度学习迭代。
图片数据服务器30,其接收气象观测站子系统20发送的判识结果,并进行图文展示;接收终端展示设备40的请求,将判识结果以及站点信息发送给终端展示设备进行图文展示。
终端展示设备40,其将接收的判识结果以及站点信息以地图、页面、图片以及图表的形式进行展示。
图3为根据本发明的气象观测站子系统结构示意图,如图3所示,本发明的气象观测站子系统,包括,前端主机301、天空观测摄像机302、地面观测摄像机303,以及气象参数观测站304,其中,
前端主机301通过搭建的天气现象识别模型结合气象参数观测站304采集气象参数测量数据直接对实时采集的图片进行判识并且生成不同类别判识的判识结果。
本发明的实施例中,前端主机301,其对天空观测摄像机302和地面观测摄像机的工作状态进行控制,并接收天空观测摄像机302采集的图像进行云量、云状的判识;对地面观测摄像机303采集的图像进行天气现象判识;并接收气象参数观测站304发送的气象参数测量数据(包括:温度、湿度压力、压力、风向、风速、雨量、PM2.5、PM10、照度传感器及超声波雪深尺),进行辅助判识和气象要素测量。
本发明的实施例中,前端主机301对天空观测摄像机302采集的图像进行特征量的智能提取并且与已有判识库的云状特征量进行智能比对,找出最接近的云状,结合PM2.5、PM10、温度、湿度等测量数据,对轻雾、雾、霾、浮尘、扬沙、沙尘暴、雨、雪等天气现象进行分类判识生成判识结果。
本发明的实施例中,前端主机301对地面观测摄像机采集的地面、结冰架、冰槽、雪深尺等图像进行处理和智能判识,以提供凝结类天气现象的自动化观测:对如积雪、雪深;结露、结冰、结霜、雨凇、雾凇、电线积冰的判识生成判识结果;对降水类天气现象:如毛毛雨、雨、雨夹雪、雪冰雹、无降水,进行判识生成判识结果。
本发明的实施例中,前端主机301通过将采集的图片数据结合自动标注与人工标注的图片类型对模型进行自动深度学习迭代;从而改善模型的准确率,无需与GPU服务器连接就可快速迭代模型。每个站点可单独建立基于该站点图片数据与观测数据的判识模型,从而进一步提升判识准确率,实现一站一模型。
本发明的实施例中,前端主机301对于采集的图片进行分类,预入库,对于智能认可度较高的图片可以加入判识样本库,对于智能认可度较低并且易错判断和混淆的智能挑选后由有经验的预报员进行分类,加入样本库。反复多次进行学习,逐渐提高人工智能的判识率。
为实现上述目的,本发明还提供一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述计算机指令运行时执行如上文所述的天气现象信息智能处理方法的步骤。
本发明的天气现象信息智能处理方法及系统,基于计算机视觉和深度学习,可以实现对拍摄的天气现象(或气象要素)进行实时自动观测识别,包括对总云量、云状、云高、低云量、地面凝结现象(霜、露、雨凇、雾凇)、结冰、积雪、雪深、电线结冰、视程障碍现象(轻雾、雾、霾、浮尘、扬沙、沙尘暴)的自动观测识别能力,使预报员能够更好地掌握天气实况,利于准确预报。
本领域普通技术人员可以理解:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。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。
Claims (10)
1.一种天气现象信息智能处理方法,包括以下步骤:
根据标注过的历史天气现象图片,构建天气现象识别模型;
利于所述天气现象识别模型,对实时采集的天气现象图片进行识别生成判识结果;
根据所述判识结果与测量数据对采集的图片进行标注,进行所述天气现象识别模型的训练迭代;
将判识结果与站点信息进行展示。
2.根据权利要求1所述的天气现象信息智能处理方法,其特征在于,所述根据标注过的历史天气现象图片,构建天气现象识别模型的步骤,进一步包括:在TENSORFLOW框架下搭建CNN卷积神经网络,对标注过的天气现象历史图片数据,构建天气现象识别模型。
3.根据权利要求1所述的天气现象信息智能处理方法,其特征在于,所述天气现象识别模型,对实时采集的天气现象图片进行识别生成判识结果的步骤,进一步包括:所述天气现象识别模型对天空观测摄像机采集的图像进行云量、云状的判识;对地面观测摄像机采集的图像进行天气现象判识;生成判识结果。
4.根据权利要求3所述的天气现象信息智能处理方法,其特征在于,
所述天气现象识别模型对天空观测摄像机采集的图像进行特征量的智能提取并且与已有判识库的云状特征量进行智能比对,找出最接近的云状,结合PM2.5、PM10、温度、湿度等测量数据,对轻雾、雾、霾、浮尘、扬沙、沙尘暴、雨、雪的天气现象进行分类判识,生成判识结果;
所述天气现象识别模型对地面观测摄像机采集的图像进行处理,并进行凝结类天气现象和降水类天气现象的判识,生成判识结果;所述凝结类天气现象包括:积雪、雪深、结露、结冰、结霜、雨凇、雾凇、电线积冰;所述降水类天气现象包括:毛毛雨、雨、雨夹雪、雪冰雹、无降水。
5.根据权利要求1所述的天气现象信息智能处理方法,其特征在于,所述根据所述判识结果与测量数据对采集的图片进行标注,并进行天气现象识别模型的训练迭代的步骤,是根据所述判识结果与测量数据,对采集的图片进行自动标注或/和人工标注图片类型,并进行所述天气现象识别模型的训练迭代。
6.一种天气现象信息智能处理系统,包括,GPU服务器、气象观测站子系统、图片数据服务器,以及终端展示设备,其中,
所述GPU服务器,其根据标注过的天气现象历史图片数据构建天气现象识别模型,并将所述天气现象识别模型分别部署到各个气象观测站子系统;将判识结果及站点信息发送给终端展示设备进行展示;
所述气象观测站子系统,其对气象观测站站点的天气现象进行判识,并将判识结果发送给所述图片数据服务器;
所述图片数据服务器,其接收所述气象观测站子系统发送的判识结果,并进行图文展示;接收所述终端展示设备的请求,将所述判识结果以及站点信息发送给所述终端展示设备进行图文展示。
7.根据权利要求6所述的天气现象信息智能处理系统,其特征在于,所述GPU服务器,其对标注过的天气现象历史图片数据在TENSORFLOW框架下搭建CNN卷积神经网络,对天气现象历史图片进行天气现象识别模型的构建。
8.根据权利要求6所述的天气现象信息智能处理系统,其特征在于,所述气象观测站子系统,进一步包括,前端主机、天空观测摄像机、地面观测摄像机,以及气象参数观测站,其中,
所述前端主机,其通过搭建的天气现象识别模型结合所述气象参数观测站采集的气象参数测量数据对实时采集的图片进行判识并生成不同类别的判识结果;
所述天空观测摄像机,其用于云量、云状图片的采集,并将采集的图像发送给所述前端主机;
所述地面观测摄像机,其用于地面、结冰架、冰槽、雪深尺图片的采集,并将采集的图像发送给所述前端主机;
所述气象参数观测站,其用于气象参数测量数据的采集,包括温度、湿度、压力、风向、风速、雨量、PM2.5、PM10、照度及雪深。
9.根据权利要求6所述的天气现象信息智能处理系统,其特征在于,所述前端主机,
其对所述天空观测摄像机采集的图像进行特征量的智能提取并且与已有判识库的云状特征量进行智能比对,找出最接近的云状,结合PM2.5、PM10、温度、湿度,提供轻雾、雾、霾、浮尘、扬沙、沙尘暴、雨、雪的天气现象判识结果;
其对所述地面观测摄像机采集的地面、结冰架、冰槽、雪深尺的图像进行处理和智能判识,提供凝结类天气现象、降水类天气现象判识结果;
其通过将采集的图片数据结合自动标注与人工标注的图片类型对模型进行自动深度学习迭代。
10.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述计算机指令运行时执行权利要求1至5任一项所述的天气现象信息智能处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911035036.2A CN110766333B (zh) | 2019-10-29 | 2019-10-29 | 一种天气现象信息智能处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911035036.2A CN110766333B (zh) | 2019-10-29 | 2019-10-29 | 一种天气现象信息智能处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110766333A true CN110766333A (zh) | 2020-02-07 |
CN110766333B CN110766333B (zh) | 2024-01-26 |
Family
ID=69334262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911035036.2A Active CN110766333B (zh) | 2019-10-29 | 2019-10-29 | 一种天气现象信息智能处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766333B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340151A (zh) * | 2020-05-25 | 2020-06-26 | 南京信息工程大学 | 一种用于辅助车辆自动驾驶的天气现象识别系统和方法 |
CN112396020A (zh) * | 2020-11-30 | 2021-02-23 | 中铁建新疆京新高速公路有限公司 | 基于人工智能算法的雪深监测系统 |
CN114359696A (zh) * | 2022-01-07 | 2022-04-15 | 博微(宁波)新技术有限公司 | 一种天气图特征类型识别及相似度匹配系统和方法 |
CN115508916A (zh) * | 2022-10-17 | 2022-12-23 | 重庆市气象台 | 一种星空景观预报方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107179566A (zh) * | 2017-05-12 | 2017-09-19 | 周调彪 | 一种区县天气预测的自学习修正方法及系统 |
CN107703564A (zh) * | 2017-10-13 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、系统及电子设备 |
-
2019
- 2019-10-29 CN CN201911035036.2A patent/CN110766333B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107179566A (zh) * | 2017-05-12 | 2017-09-19 | 周调彪 | 一种区县天气预测的自学习修正方法及系统 |
CN107703564A (zh) * | 2017-10-13 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、系统及电子设备 |
Non-Patent Citations (1)
Title |
---|
黄小玉;张垚;叶成志;潘志祥;傅承浩: "地面积雪天气现象人工智能观测识别研究" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340151A (zh) * | 2020-05-25 | 2020-06-26 | 南京信息工程大学 | 一种用于辅助车辆自动驾驶的天气现象识别系统和方法 |
CN111340151B (zh) * | 2020-05-25 | 2020-08-25 | 南京信息工程大学 | 一种用于辅助车辆自动驾驶的天气现象识别系统和方法 |
CN112396020A (zh) * | 2020-11-30 | 2021-02-23 | 中铁建新疆京新高速公路有限公司 | 基于人工智能算法的雪深监测系统 |
CN114359696A (zh) * | 2022-01-07 | 2022-04-15 | 博微(宁波)新技术有限公司 | 一种天气图特征类型识别及相似度匹配系统和方法 |
CN115508916A (zh) * | 2022-10-17 | 2022-12-23 | 重庆市气象台 | 一种星空景观预报方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110766333B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766333B (zh) | 一种天气现象信息智能处理方法及系统 | |
CN111784685B (zh) | 一种基于云边协同检测的输电线路缺陷图像识别方法 | |
CN108037770B (zh) | 基于人工智能的无人机输电线路巡检系统和方法 | |
CN104463196A (zh) | 一种基于视频的天气现象识别方法 | |
CN111126183A (zh) | 一种基于近地面影像数据的震后建筑物损毁检测方法 | |
CN112101088A (zh) | 一种无人机电力自动巡检方法、装置及系统 | |
CN109086803B (zh) | 一种基于深度学习与个性化因子的雾霾能见度检测系统及方法 | |
CN113469278B (zh) | 一种基于深度卷积神经网络的强天气目标识别方法 | |
CN113160184B (zh) | 一种基于深度学习的无人机智能巡检电缆表面缺陷检测方法 | |
CN112686833A (zh) | 一种基于卷积神经网络的工业产品表面缺陷检测和分类装置 | |
CN113516771A (zh) | 一种基于实景三维模型的建筑物变化特征提取方法 | |
CN116719339A (zh) | 一种基于无人机的电力线路巡检控制方法及系统 | |
CN116448773A (zh) | 一种图像-振动特征融合的路面病害检测方法及系统 | |
CN112883969B (zh) | 一种基于卷积神经网络的降雨强度检测方法 | |
CN110033045A (zh) | 一种训练识别图像雾化的方法和装置 | |
Katrojwar et al. | Design of Image based Analysis and Classification using Unmanned Aerial Vehicle | |
WO2022104798A1 (zh) | 基于5g的无人驾驶电子交警执勤系统 | |
CN116086547B (zh) | 一种基于红外成像和气象监测的接触网覆冰检测方法 | |
CN117011759A (zh) | 钻爆法隧道掌子面围岩多元地质信息解析方法及系统 | |
CN109523509B (zh) | 小麦抽穗期的检测方法、装置及电子设备 | |
CN116363088A (zh) | 基于无人机的高速公路混凝土路面裂缝检测方法、电子设备及存储介质 | |
CN109902607A (zh) | 一种基于倾斜相机的城市自动优化建模系统 | |
CN114463678A (zh) | 一种利用摄像头视频图像的降雨类型识别方法 | |
CN113705442A (zh) | 一种户外大牌广告画面监控识别系统及方法 | |
CN111160224B (zh) | 一种基于fpga和地平线分割的高铁接触网异物检测系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |