CN111325239A - 一种基于图像的天气识别的方法及设备 - Google Patents

一种基于图像的天气识别的方法及设备 Download PDF

Info

Publication number
CN111325239A
CN111325239A CN202010072758.1A CN202010072758A CN111325239A CN 111325239 A CN111325239 A CN 111325239A CN 202010072758 A CN202010072758 A CN 202010072758A CN 111325239 A CN111325239 A CN 111325239A
Authority
CN
China
Prior art keywords
weather
loss function
image
labeling
training data
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.)
Pending
Application number
CN202010072758.1A
Other languages
English (en)
Inventor
周康明
吴昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Eye Control Technology Co Ltd
Original Assignee
Shanghai Eye Control Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Eye Control Technology Co Ltd filed Critical Shanghai Eye Control Technology Co Ltd
Priority to CN202010072758.1A priority Critical patent/CN111325239A/zh
Publication of CN111325239A publication Critical patent/CN111325239A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请的目的是提供一种基于图像的天气识别的方法及设备，本申请通过获取多个观测站所采集到的图像；对所述图像进行标注及按照天气类别进行标签标记，得到训练数据；将所述训练数据输入至改进的Resnet50网络中，构建天气分类模型；使用所述天气分类模型识别待识别天气图像所属的天气类别。从而可以通过分类效果更好的天气分类模型对采集到的观测地点的图像进行判断，判断此时所对应的天气状况，可以避免人工观测的弊端，节省人力成本的同时保证稳定持续的观测输出，而且可以更方便的建立新的观测站点来获取更多的天气信息。

Description

一种基于图像的天气识别的方法及设备
技术领域
本申请涉及计算机领域，尤其涉及一种基于图像的天气识别的方法及设备。
背景技术
随着科技的发展，如今可以用数据来表达气候变化，比如天气预报，是通过分析温度、湿度、云、风和气压等数据，结合经验来判断未来天气变化。
目前的气象数据收集主要有三种方式：地基观测、空基观测(气象气球)和天基观测(卫星)。其中，地基观测方式对工作人员来说最为艰难，因为地面气象观测站需要人工24小时值班看守。不仅工作区域狭小，工作内容重复单调，而且部分站点位置偏远，几乎与世隔绝，对于工作人员是一种极大的考验。同时，人工的观测有时候也会因为疲劳和疏忽而产生错误。
发明内容
本申请的一个目的是提供一种基于图像的天气识别的方法及设备，解决现有技术中人工观测的准确度低及消耗人力成本、不能稳定观测输出的问题。
根据本申请的一个方面，提供了一种基于图像的天气识别的方法，该方法包括：
获取多个观测站所采集到的图像；
对所述图像进行标注及按照天气类别进行标签标记，得到训练数据；
将所述训练数据输入至改进的Resnet50网络中，构建天气分类模型；
使用所述天气分类模型识别待识别天气图像所属的天气类别。
进一步地，对所述图像进行标注及按照天气类别进行标签标记，得到训练数据包括：
对经过标注及标签标记的图像进行扩增处理，将扩增处理后的数据作为训练数据，其中，所述扩增处理包括水平翻转、随机剪裁以及图像亮度调整中任一或任几种组合。
进一步地，所述方法包括：
在Resnet50网络中加入高斯噪声层及指定的损失函数，构建改进的Resnet50网络，其中，所述指定的损失函数包括中心损失函数和多分类损失函数。
进一步地，在Resnet50网络中加入高斯噪声层及指定的损失函数，包括：
在Resnet50网络中的每个单位块的直连结构均加入高斯噪声层；
在Resnet50网络的第一全连接层后加入所述中心损失函数，在第二全连接层后加入所述中心损失函数及所述多分类损失函数。
进一步地，所述中心损失函数满足以下条件：
Figure BDA0002377706510000021
其中，xi表示全连接层的特征，cyi表示第yi个类别的特征中心，m为样本的数量。
进一步地，所述多分类损失函数满足以下条件：
Figure BDA0002377706510000022
其中，xi表示全连接层的特征，
Figure BDA0002377706510000023
表示全连接层的输出，n为分类数，m为样本的数量。
进一步地，所述方法包括：
由所述指定的损失函数确定所述改进的Resnet50网络的总损失函数，所述总损失函数满足L＝LS+λLC，其中，LS表示多分类损失函数，LC表示中心损失函数，λ表示中心损失函数的权重因子。
根据本申请又一个方面，还提供了一种基于图像的天气识别的设备，该设备包括：
获取装置，用于获取多个观测站所采集到的图像；
处理装置，用于对所述图像进行标注及按照天气类别进行标签标记，得到训练数据；
构建装置，用于将所述训练数据输入至改进的Resnet50网络中，构建天气分类模型；
识别装置，用于使用所述天气分类模型识别待识别天气图像所属的天气类别。
根据本申请另一个方面，还提供了一种基于图像的天气识别的设备，该设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如前述所述方法的操作。
根据本申请再一个方面，还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如前述所述的方法。
与现有技术相比，本申请通过获取多个观测站所采集到的图像；对所述图像进行标注及按照天气类别进行标签标记，得到训练数据；将所述训练数据输入至改进的Resnet50网络中，构建天气分类模型；使用所述天气分类模型识别待识别天气图像所属的天气类别。从而可以通过分类效果更好的天气分类模型对采集到的观测地点的图像进行判断，判断此时所对应的天气状况，可以避免人工观测的弊端，节省人力成本的同时保证稳定持续的观测输出。另外，获取多个位置处的观测站所采集到的图像时，可以通过在观测站点架设一个或多个遥控摄像头进行采集，进行远程操控即可，无需人工在观测站点进行实时观测，因此可以更方便的建立新的观测站点来获取更多的天气信息。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出根据本申请的一个方面提供的一种基于图像的天气识别的方法的流程示意图；
图2示出本申请一实施例中Resnet50网络的Identity Block的结构示意图；
图3示出本申请一实施例中Resnet50网络的Conv Block的结构示意图；
图4示出本申请一实施例中改进的Resnet50网络的结构示意图；
图5示出本申请又一个方面提供的一种基于图像的天气识别的设备的结构示意图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本申请作进一步详细描述。
在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(例如中央处理器(Central Processing Unit，CPU))、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RandomAccess Memory，RAM)和/或非易失性内存等形式，如只读存储器(Read Only Memory，ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(Phase-Change RAM，PRAM)、静态随机存取存储器(Static Random Access Memory，SRAM)、动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、数字多功能光盘(Digital Versatile Disk，DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
图1示出根据本申请的一个方面提供的一种基于图像的天气识别的方法的流程示意图，该方法包括：步骤S11～步骤S14，
在步骤S11中，获取多个观测站所采集到的图像；在此，获取多个位置处的观测站所采集到的图像，观测站采集的图像可以通过一个或多个遥控摄像头进行采集，在架设遥控摄像头时，需要保证遥控摄像头基本水平，朝向观测站附近的地面，且不被遮挡，从而可以保证得到大部分的图像中的信息。在本申请实施例中，通过在观测站点架设一个或多个遥控摄像头进行采集，进行远程操控即可，无需人工在观测站点进行实时观测，因此可以更方便的建立新的观测站点来获取更多的天气信息。
在步骤S12中，对所述图像进行标注及按照天气类别进行标签标记，得到训练数据；在此，将采集到的图像经过人工标注，打上标签完成图像的标签标记，从而标签后的数据可以用于网络进行模型的训练，其中，标签的类型可以根据天气类别分为晴天、降雨、降雪、雾霾、霜、露、冰雹、雨凇和雾凇九种，可以对应到不同的数字标签，如晴天为0，降雨为1，降雪为2等。
在步骤S13中，将所述训练数据输入至改进的Resnet50网络中，构建天气分类模型；在此，为了提高网络的分类效果，对Resnet50网络进行改进，将上述训练数据输入至改进的Resnet50网络中，构建本申请所需的天气分类模型。其中，在Resnet50网络中包括2个基本的块(block)，一个为单位块(Identity Block)，如图2所示，输入和输出的维度dimension一样，可以串联多个；另一个基本block为连接块(Conv Block)，如图3所示，输入和输出的维度dimension是不一样的，不能连续串联，该连接块的作用是为了改变特征向量的dimension，在进入Identity Block之前，用Conv Block转换一下维度，从而后面可以连续接Identity Block。在图2和图3中，x(shotcut)为直连结构，将该块的输入和经过三次卷积之后的结果连接起来，conv2d为2维卷积，batchnorm为批归一化处理。本申请在Resnet50网络的基础上进行改进，具体地为：在Resnet50网络中加入高斯噪声层及指定的损失函数，构建改进的Resnet50网络，其中，所述指定的损失函数包括中心损失函数和多分类损失函数。从而提高了网络的分类效果。
在步骤S14中，使用所述天气分类模型识别待识别天气图像所属的天气类别。在此，待识别天气图像为需要检测出图像中天气状况的图像，将待识别天气图像输入训练好的天气分类模型中进行识别，得到分类结果，识别出该待识别天气图像中天气所属的天气类别，确定天气状况。
在本申请一实施例中，在步骤S12中，可以对经过标注及标签标记的图像进行扩增处理，将扩增处理后的数据作为训练数据，其中，所述扩增处理包括水平翻转、随机剪裁以及图像亮度调整中任一或任几种组合。在此，由于天气图像数据的多样性，在对获得的图像可以做一些扩增处理，包括水平翻转、随机剪裁及图像亮度变化等，其中，随机剪裁时需要保证关键信息不能丢失，比如积雪的图像不能裁剪完没有积雪；通过扩增处理可以使得训练出来的网络性能更加鲁棒。需要说明的是，进行扩增处理时可以对经过标注及标签标记后的图像进行扩增处理，还可以是对获得的原始图像进行扩增处理，之后再进行标注及标签标记。
在本申请一实施例中，在Resnet50网络中加入高斯噪声层及指定的损失函数时，具体为：在Resnet50网络中的每个单位块的直连结构均加入高斯噪声层；在Resnet50网络的第一全连接层后加入所述中心损失函数，在第二全连接层后加入所述中心损失函数及所述多分类损失函数。在此，高斯噪声是指它的概率密度函数服从高斯分布的一类噪声。加入高斯噪声层的作用是将该层的输入施加均值为mean，标准差为sigma的高斯噪声，通过给输入加入噪声，相当于给数据做了适当扩充，从而训练时可以拟制过拟合的同时提升模型鲁棒性，在本申请实施例中采用均值为0，标准差为0.1的高斯噪声层。示例性地，如图4所示的改进的Resnet50的结构示意图，包括数据输入、卷积层1、池化层1、多个Conv Block和多个Identity Bock，每一个Conv Block后连接多个Identity Bock，在最后的Identity Bock后连接池化层2，池化层后为全连接层1以及全连接层2，其中，全连接层1后加入中心损失函数(Center loss)，全连接层2后加入中心损失函数(Center loss)和多分类损失函数(Softmax loss)。每个Identity Bock的直连结构(shotcut)都加入一个高斯噪声层。从而通过对Resnet50网络添加Center loss和若干高斯噪声层，提高了网络的分类效果，利用改进后的Resnet50训练数据，得到训练比较好的天气分类模型，从而判断待检测的天气图像此时所对应的天气状况，可以避免人工观测的弊端，节省人力成本的同时保证稳定持续的观测输出。
具体地，希望每个样本的特征距离该类别的特征中心的距离的平方和越小越好，即样本的类内距离越小越好，因此，所述中心损失函数满足以下条件：
Figure BDA0002377706510000071
其中，xi表示全连接层的特征，cyi表示第yi个类别的特征中心，m为样本的数量。在实际训练中，根据每个训练的批量数据的样本进行不断计算和调整类别的特征中心。
具体地，所述多分类损失函数满足以下条件：
Figure BDA0002377706510000081
其中，xi表示全连接层的特征，
Figure BDA0002377706510000082
表示全连接层的输出，n为分类数，m为样本的数量。因此，由所述指定的损失函数确定所述改进的Resnet50网络的总损失函数，所述总损失函数满足L＝LS+λLC，其中，LS表示多分类损失函数，LC表示中心损失函数，λ表示中心损失函数的权重因子。在此，网络的整体的损失函数由Center loss和Softmax loss确定，本申请实施例中λ取值为0.008，Softmax loss会使类间距离扩大，同时，Center loss会减小类内距离，从而使得分类效果更好。
此外，本申请实施例还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述一种基于图像的天气识别的方法。
与上文所述的方法相对应的，本申请还提供一种基于图像的天气识别的设备，其包括能够执行上述图1或图2或图3或图4或各个实施例所述的方法步骤的模块或单元，这些模块或单元可以通过硬件、软件或软硬结合的方式来实现，本申请并不限定。例如，在本申请一实施例中，还提供了一种基于图像的天气识别的设备，所述设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如前述所述方法的操作。
例如，计算机可读指令在被执行时使所述一个或多个处理器：
获取多个观测站所采集到的图像；
对所述图像进行标注及按照天气类别进行标签标记，得到训练数据；
将所述训练数据输入至改进的Resnet50网络中，构建天气分类模型；
使用所述天气分类模型识别待识别天气图像所属的天气类别。
图5示出本申请又一个方面提供的一种基于图像的天气识别的设备的结构示意图，所述设备包括：获取装置11、处理装置12、构建装置13及识别装置14，其中，获取装置11用于获取多个观测站所采集到的图像；处理装置12用于对所述图像进行标注及按照天气类别进行标签标记，得到训练数据；构建装置13用于将所述训练数据输入至改进的Resnet50网络中，构建天气分类模型；识别装置14用于使用所述天气分类模型识别待识别天气图像所属的天气类别。
需要说明的是，获取装置11、处理装置12、构建装置13及识别装置14执行的内容分别与上述步骤S11、S12、S13和S14中的内容相同或相应相同，为简明起见，在此不再赘述。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本申请的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (10)

1.一种基于图像的天气识别的方法，其特征在于，所述方法包括：
获取多个观测站所采集到的图像；
对所述图像进行标注及按照天气类别进行标签标记，得到训练数据；
将所述训练数据输入至改进的Resnet50网络中，构建天气分类模型；
使用所述天气分类模型识别待识别天气图像所属的天气类别。
2.根据权利要求1所述的方法，其特征在于，对所述图像进行标注及按照天气类别进行标签标记，得到训练数据包括：
对经过标注及标签标记的图像进行扩增处理，将扩增处理后的数据作为训练数据，其中，所述扩增处理包括水平翻转、随机剪裁以及图像亮度调整中任一或任几种组合。
3.根据权利要求1所述的方法，其特征在于，所述方法包括：
在Resnet50网络中加入高斯噪声层及指定的损失函数，构建改进的Resnet50网络，其中，所述指定的损失函数包括中心损失函数和多分类损失函数。
4.根据权利要求3所述的方法，其特征在于，在Resnet50网络中加入高斯噪声层及指定的损失函数，包括：
在Resnet50网络中的每个单位块的直连结构均加入高斯噪声层；
在Resnet50网络的第一全连接层后加入所述中心损失函数，在第二全连接层后加入所述中心损失函数及所述多分类损失函数。
5.根据权利要求3所述的方法，其特征在于，所述中心损失函数满足以下条件：
Figure FDA0002377706500000011
其中，xi表示全连接层的特征，cyi表示第yi个类别的特征中心，m为样本的数量。
6.根据权利要求3所述的方法，其特征在于，所述多分类损失函数满足以下条件：
Figure FDA0002377706500000021
其中，xi表示全连接层的特征，
Figure FDA0002377706500000022
表示全连接层的输出，n为分类数，m为样本的数量。
7.根据权利要求3所述的方法，其特征在于，所述方法包括：
由所述指定的损失函数确定所述改进的Resnet50网络的总损失函数，所述总损失函数满足L＝LS+λLC，其中，LS表示多分类损失函数，LC表示中心损失函数，λ表示中心损失函数的权重因子。
8.一种基于图像的天气识别的设备，其特征在于，所述设备包括：
获取装置，用于获取多个观测站所采集到的图像；
处理装置，用于对所述图像进行标注及按照天气类别进行标签标记，得到训练数据；
构建装置，用于将所述训练数据输入至改进的Resnet50网络中，构建天气分类模型；
识别装置，用于使用所述天气分类模型识别待识别天气图像所属的天气类别。
9.一种基于图像的天气识别的设备，其特征在于，所述设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如权利要求1至7中任一项所述方法的操作。
10.一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1至7中任一项所述的方法。
CN202010072758.1A 2020-01-21 2020-01-21 一种基于图像的天气识别的方法及设备 Pending CN111325239A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010072758.1A CN111325239A (zh) 2020-01-21 2020-01-21 一种基于图像的天气识别的方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010072758.1A CN111325239A (zh) 2020-01-21 2020-01-21 一种基于图像的天气识别的方法及设备

Publications (1)

Publication Number Publication Date
CN111325239A true CN111325239A (zh) 2020-06-23

Family

ID=71168721

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010072758.1A Pending CN111325239A (zh) 2020-01-21 2020-01-21 一种基于图像的天气识别的方法及设备

Country Status (1)

Country Link
CN (1) CN111325239A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111967376A (zh) * 2020-08-14 2020-11-20 上海大学 基于神经网络的位姿识别与检测方法
CN114200548A (zh) * 2021-12-15 2022-03-18 南京信息工程大学 基于SE-Resnet模型的延伸期气象要素预报方法
CN114218429A (zh) * 2021-12-17 2022-03-22 天翼爱音乐文化科技有限公司 一种视频彩铃设置方法、系统、装置与存储介质
CN115032715A (zh) * 2022-06-06 2022-09-09 北京万云科技开发有限公司 一种基于图像识别技术的天气现象监测方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229589A (zh) * 2018-02-09 2018-06-29 天津师范大学 一种基于迁移学习的地基云图分类方法
US20180189564A1 (en) * 2016-12-30 2018-07-05 International Business Machines Corporation Method and system for crop type identification using satellite observation and weather data
CN108549866A (zh) * 2018-04-12 2018-09-18 上海海事大学 基于密集卷积神经网络的遥感飞机识别方法
CN108875818A (zh) * 2018-06-06 2018-11-23 西安交通大学 基于变分自编码机与对抗网络结合的零样本图像分类方法
CN109740495A (zh) * 2018-12-28 2019-05-10 成都思晗科技股份有限公司 基于迁移学习技术的室外天气图像分类方法
CN110197218A (zh) * 2019-05-24 2019-09-03 绍兴达道生涯教育信息咨询有限公司 基于多源卷积神经网络的雷雨大风等级预测分类方法
CN110263603A (zh) * 2018-05-14 2019-09-20 桂林远望智能通信科技有限公司 基于中心损失和残差视觉仿真网络的人脸识别方法及装置
CN110309696A (zh) * 2018-12-19 2019-10-08 北京同方软件有限公司 基于深度学习及多聚类中心损失函数的摊贩物品分类方法
CN110473154A (zh) * 2019-07-31 2019-11-19 西安理工大学 一种基于生成对抗网络的图像去噪方法
CN110555378A (zh) * 2019-07-29 2019-12-10 咪咕文化科技有限公司 基于直播视频的天气预测方法、系统及天气预测装置
JP2019211342A (ja) * 2018-06-05 2019-12-12 株式会社東芝 気象解析装置、気象解析方法、およびプログラム

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180189564A1 (en) * 2016-12-30 2018-07-05 International Business Machines Corporation Method and system for crop type identification using satellite observation and weather data
CN108229589A (zh) * 2018-02-09 2018-06-29 天津师范大学 一种基于迁移学习的地基云图分类方法
CN108549866A (zh) * 2018-04-12 2018-09-18 上海海事大学 基于密集卷积神经网络的遥感飞机识别方法
CN110263603A (zh) * 2018-05-14 2019-09-20 桂林远望智能通信科技有限公司 基于中心损失和残差视觉仿真网络的人脸识别方法及装置
JP2019211342A (ja) * 2018-06-05 2019-12-12 株式会社東芝 気象解析装置、気象解析方法、およびプログラム
CN108875818A (zh) * 2018-06-06 2018-11-23 西安交通大学 基于变分自编码机与对抗网络结合的零样本图像分类方法
CN110309696A (zh) * 2018-12-19 2019-10-08 北京同方软件有限公司 基于深度学习及多聚类中心损失函数的摊贩物品分类方法
CN109740495A (zh) * 2018-12-28 2019-05-10 成都思晗科技股份有限公司 基于迁移学习技术的室外天气图像分类方法
CN110197218A (zh) * 2019-05-24 2019-09-03 绍兴达道生涯教育信息咨询有限公司 基于多源卷积神经网络的雷雨大风等级预测分类方法
CN110555378A (zh) * 2019-07-29 2019-12-10 咪咕文化科技有限公司 基于直播视频的天气预测方法、系统及天气预测装置
CN110473154A (zh) * 2019-07-31 2019-11-19 西安理工大学 一种基于生成对抗网络的图像去噪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张枫;田联房;杜启亮;: "基于残差网络与中心损失的人脸识别", 计算机工程与设计, no. 06 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111967376A (zh) * 2020-08-14 2020-11-20 上海大学 基于神经网络的位姿识别与检测方法
CN114200548A (zh) * 2021-12-15 2022-03-18 南京信息工程大学 基于SE-Resnet模型的延伸期气象要素预报方法
CN114200548B (zh) * 2021-12-15 2023-07-18 南京信息工程大学 基于SE-Resnet模型的延伸期气象要素预报方法
CN114218429A (zh) * 2021-12-17 2022-03-22 天翼爱音乐文化科技有限公司 一种视频彩铃设置方法、系统、装置与存储介质
CN114218429B (zh) * 2021-12-17 2022-11-15 天翼爱音乐文化科技有限公司 一种视频彩铃设置方法、系统、装置与存储介质
CN115032715A (zh) * 2022-06-06 2022-09-09 北京万云科技开发有限公司 一种基于图像识别技术的天气现象监测方法
CN115032715B (zh) * 2022-06-06 2024-03-29 北京万云科技开发有限公司 一种基于图像识别技术的天气现象监测方法

Similar Documents

Publication Publication Date Title
CN111325239A (zh) 一种基于图像的天气识别的方法及设备
CN110245709B (zh) 基于深度学习和自注意力的3d点云数据语义分割方法
CN110033132B (zh) 基于深度目标检测和数值天气预报的热带气旋预报方法
CN111985455A (zh) 一种光伏组件可见光故障模型的训练和识别方法及装置
CN116468730B (zh) 基于YOLOv5算法的航拍绝缘子图像缺陷检测方法
CN111178438A (zh) 一种基于ResNet101的天气类型识别方法
CN111814597A (zh) 一种耦合多标签分类网络和yolo的城市功能分区方法
CN112036249B (zh) 端对端行人检测及属性识别的方法、系统、介质及终端
CN115713537A (zh) 基于光谱引导与深度注意力的光学遥感图像云雾分割方法
CN113486975A (zh) 遥感图像的地物分类方法、装置、设备及存储介质
Pathan et al. Analyzing the impact of meteorological parameters on rainfall prediction
CN111832387A (zh) 一种基于无人机影像的宅基地房屋识别方法
CN116452850A (zh) 一种基于数据挖掘和深度学习的道路积水区域识别方法
CN114387446A (zh) 一种高分率遥感影像水体自动提取方法
CN114694130A (zh) 基于深度学习的铁路沿线电线杆及杆号检测方法和装置
Pegion et al. Understanding predictability of daily southeast US precipitation using explainable machine learning
CN112966656A (zh) 数据处理方法及装置
CN116403071B (zh) 基于特征重构的少样本混凝土缺陷检测方法及装置
CN117233869A (zh) 一种基于GRU-BiTCN的站点短期风速预测方法
CN116704366A (zh) 基于transformer深度学习模型的暴雨落区识别预警方法和装置
CN116630743A (zh) 基于深度学习的天气图像识别方法、装置、设备及介质
CN115546658A (zh) 一种数据集质量提升与改进cnn相结合的夜间云检测方法
CN115019044A (zh) 单株植物的分割方法、装置、终端设备和可读存储介质
CN115035406A (zh) 遥感场景数据集的标注方法、系统、存储介质及电子设备
Andreev et al. Cloud detection from the Himawari-8 satellite data using a convolutional neural network

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
AD01 Patent right deemed abandoned

Effective date of abandoning: 20240621