CN111950812B - 一种自动识别与预测雨量的方法及其装置 - Google Patents
一种自动识别与预测雨量的方法及其装置 Download PDFInfo
- Publication number
- CN111950812B CN111950812B CN202010893765.8A CN202010893765A CN111950812B CN 111950812 B CN111950812 B CN 111950812B CN 202010893765 A CN202010893765 A CN 202010893765A CN 111950812 B CN111950812 B CN 111950812B
- Authority
- CN
- China
- Prior art keywords
- rainfall
- image data
- image
- images
- model
- 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.)
- Active
Links
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Abstract
本发明涉及降水观测技术领域,具体是一种自动识别与预测雨量的方法及其装置,自动识别与预测雨量的方法,包括:1)获取一地点的历史降雨图像数据及当时的时降雨量,根据时降雨量大小,赋予对应降雨图像雨量等级标签;2)对获取的历史降雨图像数据进行预处理,对预处理后的历史降雨图像数据进行雨量大小的预测与识别训练,训练得到的分类结果与对应的标签进行比对,计算误差;3)根据误差进行反向计算,更新模型参数,提高识别正确率;4)重复进行2)和3)两步,直到模型拟合,保存模型;5)获取同一地点当前环境下的降雨降雨图像数据,根据经历史降雨图像数据训练后模型,对预处理后的当前降雨图像数据进行雨量大小的识别与预测。
Description
技术领域
本发明涉及降水观测技术领域,具体是一种自动识别与预测雨量的装置。
背景技术
降水作为一种重要的水资源,在自然水循环和人类社会生活生产中是必不可少的,因此掌握降水情况至关重要。对降水雨量强度的识别和预测有利于社会生产、农业灌溉、城市排水等活动的开展,对降水雨量强度进行科学有效的识别与预测,能够加强水资源的利用,降低暴雨等高强度降雨带来的影响。对于雨量进行有效识别与预测的实施比较少,最传统的降水雨量强度识别方法是通过如雨量计的测量仪器来进行人为测量,这种方式过程繁琐,并且难以在恶劣环境下执行,无法达到自动识别与预测雨量。常见的降雨雨量强度识别有基于雷达图进行识别的方式,该方式所需数据为雷达影像图,该数据难以获取,且无法随时随地应用,实用性较低。现有的雨量识别方案,无法达到既识别雨量又预测雨量。
发明内容
为解决上述问题,本发明提供一种自动识别与预测雨量的方法及其装置。
本发明过以下技术方案予以实现:
一种自动识别与预测雨量的方法,包括:
1)获取一地点的历史降雨图像数据及当时的时降雨量,根据时降雨量大小,赋予对应降雨图像雨量等级标签;
2)对获取的历史降雨图像数据进行预处理,利用得到的处理后的历史降雨图像数据和对应标签,对预处理后的历史降雨图像数据进行雨量大小的预测与识别训练,训练得到的分类结果与对应的标签进行比对,计算误差;
3)根据误差进行反向计算,更新模型参数,提高识别正确率;
4)重复进行2)和3)两步,直到模型拟合,保存模型;
5)获取同一地点当前环境下的降雨降雨图像数据,对获取的当前降雨图像数据进行预处理,根据经历史降雨图像数据训练后的雨量大小的预测与识别模型,对预处理后的当前降雨图像数据进行雨量大小的识别与预测。
其中,步骤2)与5)中降雨图像数据的预处理步骤如下:
a)取一定数量的连续图像,将其叠在一起整成一批图像,转成张量形式;
b)计算这批图像每个通道的像素均值;
c)将每张降雨图像缩小到224*224像素;
d)将缩小后图像的各通道的像素值减去上述得到的像素均值,得到预处理后的降雨图像数据。
进一步的,步骤2)中降雨图像数据进行雨量大小的预测与识别训练,包括:
A)将预处理后的降雨图像数据按批次输入,并将每批次的降雨图像均分成4份;
B)对每份图像进行3D卷积操作和2DLSTM操作,提取降雨图像中降雨的纹路特征、颜色特征,以及连续降雨图像的变化特征;
C)将每份图像提取的图像数据特征在时间维度叠加起来,通过融合短时间的纹路特征和颜色特征来更好地识别以及预测雨量等级;
D)将得到的特征进行后续一系列的3D卷积、3D池化和全连接操作,得到更深层次的降雨图像的纹路特征、颜色特征及连续降雨图像的变化特征;
F)最后,通过全连接操作计算该组数据的特征分别对应五种雨量类别的概率值,概率最高的那一类即识别结果。
优选的,步骤F)中五种雨量类别分别对应零星小雨、小于、中雨、大雨、暴雨及以上。
进一步的,步骤5)对预处理的当前降雨图像数据进行雨量大小的识别与预测,包括:
根据经历史降雨图像数据训练后的雨量大小的预测与识别模型,检测当前降雨图像数据的特征分别对应五种雨量类别的概率值,概率最高的那一类即识别结果。
进一步的,雨量识别时,输入的图像数据是当前时刻及前一段时间连续拍摄的降雨图像;雨量预测时,输入的图像数据是按一定时间隔间拍摄的降雨图像。
进一步的,在对获取的历史降雨图像数据进行雨量大小的预测与识别训练时,雨量识别模型输入的标签是当前时刻的雨量标签,而雨量预测输入的是下一时刻的雨量标签。
根据本发明的另一个方面,提供一种自动识别与预测雨量的装置,包括:
摄像头、图像收集模块、图像识别模块与显示屏;所述摄像头可自由放置,且摄像头的输出端与图像收集模块的输入端相连,所述图像收集模块的输出端与图像识别模块输入端相连,所述图像识别模块的输出端与显示屏相连;
所述摄像头,用于拍摄当前摄像头所在环境下的降雨图,并将其输入到与摄像头相连的图像收集模块中;
所述图像收集模块,用于根据降雨图像拍摄的时期,对接收到降雨图像进行保存,并将保存的降雨图像输入到图像处理模块模块中;
所述图像处理模块,内含降雨图像预数据处理指令及训练好的雨量识别和预测模型;
所述降雨图像预数据处理指令,用于根据所接收降雨图像拍摄的时间对其进行前期的数据处理工作;
所述训练好的雨量识别和预测模型,用于将处理完的图像数据输入到训练好的雨量识别和预测模型中,达到自动识别和预测雨量等级的目的;
所述显示屏,用于接收训练好的雨量识别和预测模型得到的结果,以当前时刻和对应的雨量等级,以及未来某一时刻与其对应的雨量等级的形式显示在显示屏的屏幕上。
其中,所述图像处理模块内的所述降雨图像预数据处理指令,具体用于:
a)取一定数量的连续图像,将其叠在一起整成一批图像,转成张量形式;
b)计算这批图像每个通道的像素均值;
c)将每张降雨图像缩小到224*224像素;
d)将缩小后图像的各通道的像素值减去上述得到的像素均值,得到预处理后的降雨图像数据;
所述图像处理模块内的所述训练好的雨量识别和预测模型,具体用于:
A)将预处理后的降雨图像数据按批次输入,并将每批次的降雨图像均分成份;
B)对每份图像进行3D卷积操作和2DLSTM操作,提取降雨图像中降雨的纹路特征、颜色特征,以及连续降雨图像的变化特征;
C)将每份图像提取的图像数据特征在时间维度叠加起来,通过融合短时间的纹路特征和颜色特征来更好地识别以及预测雨量等级;
D)将得到的特征进行后续一系列的3D卷积、3D池化和全连接操作,得到更深层次的降雨图像的纹路特征、颜色特征及连续降雨图像的变化特征;
F)最后,通过全连接操作计算该组数据的特征分别对应五种雨量类别的概率值,概率最高的那一类即识别结果。
本发明的有益效果是:
(1)本发明方便快捷。
(2)本发明既能识别降雨雨量等级,还能够预测未来的降雨雨量等级。
(3)本发明只需要正常的降雨图就能达到识别与预测降雨雨量等级的效果。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
附图1本发明是自动识别与预测雨量的装置的示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
在本发明的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
一种自动识别与预测雨量的方法,包括:
1)获取一地点的历史降雨图像数据及当时的时降雨量,根据时降雨量大小,赋予对应降雨图像雨量等级标签;当时降雨量小于0.1毫米时,定义为零星小雨;当时降雨量在0.1毫米至1.5毫米范围内时,定义为小雨;当时降雨量在1.6毫米至6.9毫米范围内时,定义为中雨;当时降雨量在7毫米至14.9毫米范围内时,定义为大雨;当时降雨量在15毫米以上时,定义为暴雨及以上。
2)对获取的历史降雨图像数据进行预处理,利用得到的处理后的历史降雨图像数据和对应标签,对预处理后的历史降雨图像数据进行雨量大小的预测与识别训练,训练得到的分类结果与对应的标签进行比对,计算误差;
3)根据误差进行反向计算,更新模型参数,提高识别正确率;
4)重复进行2)和3)两步,直到模型拟合,保存模型;
5)获取同一地点当前环境下的降雨降雨图像数据,对获取的当前降雨图像数据进行预处理,根据经历史降雨图像数据训练后的雨量大小的预测与识别模型,对预处理后的当前降雨图像数据进行雨量大小的识别与预测。
其中雨量识别时,输入的图像数据是当前时刻及前一段时间连续拍摄的降雨图像;雨量预测时,输入的图像数据是按一定时间隔间拍摄的降雨图像。在对获取的历史降雨图像数据进行雨量大小的预测与识别训练时,雨量识别模型输入的标签是当前时刻的雨量标签,而雨量预测输入的是下一时刻的雨量标签。
其中,步骤2)与5)中降雨图像数据的预处理步骤如下:
a)取4的倍数数量的连续图像,将其叠在一起整成一批图像,转成张量形式;
b)计算这批图像每个通道的像素均值;
c)将每张降雨图像缩小到224*224像素;
d)将缩小后图像的各通道的像素值减去上述得到的像素均值,得到预处理后的降雨图像数据。
其中,步骤2)中降雨图像数据进行雨量大小的预测与识别训练,包括:
A)将预处理后的降雨图像数据按批次输入,并将每批次的降雨图像均分成4份;
B)对每份图像进行3D卷积操作和2DLSTM操作,提取降雨图像中降雨的纹路特征、颜色特征,以及连续降雨图像的变化特征;
C)将每份图像提取的图像数据特征在时间维度叠加起来,通过融合短时间的纹路特征和颜色特征来更好地识别以及预测雨量等级;如:将第1份数据和第2份数据在时间维度叠加起来,第3份数据和第4份数据在时间维度叠加起来,将堆叠后的数据再经过2DLSTM操作,提取图像特征,重复进行3D卷积、堆叠和2DLSTM操作,直到数据重新叠到1份为止。
D)将得到的特征进行后续一系列的3D卷积、3D池化和全连接操作,得到更深层次的降雨图像的纹路特征、颜色特征及连续降雨图像的变化特征;
F)最后,通过全连接操作计算该组数据的特征分别对应五种雨量类别的概率值,概率最高的那一类即识别结果。五种雨量类别分别对应零星小雨、小于、中雨、大雨、暴雨及以上。
进一步的,步骤5)对预处理的当前降雨图像数据进行雨量大小的识别与预测,包括:
根据经历史降雨图像数据训练后的雨量大小的预测与识别模型,检测当前降雨图像数据的特征分别对应五种雨量类别的概率值,概率最高的那一类即识别结果。
参照附图1,本发明还提供一种自动识别与预测雨量的装置,其包括:
摄像头1,用于拍摄当前摄像头所在环境下的降雨图,并将其输入到与1摄像头相连的2图像收集模块中;
图像收集模块2,用于根据降雨图像拍摄的时期,对接收到降雨图像进行保存,并将保存的降雨图像输入到图像处理模块3模块中;
图像处理模块3,内含降雨图像预数据处理指令5及训练好的雨量识别和预测模型6;
图像识别模块中的降雨图像预数据处理指令将接收到的降雨图像整合成所需的数据形式,图像识别模块中的雨量识别与预测模型根据其他同类型的降雨图提前将模型训练好。在使用时,训练好的雨量识别与预测模型接收到整合好的降雨图像数据自动进行雨量的识别与预测,得到的识别和预测结果对应记录的其拍摄时间一起输入到显示屏设备中。
降雨图像预数据处理指令5,用于根据所接收降雨图像拍摄的时间对其进行前期的数据处理工作;
训练好的雨量识别和预测模型6,用于将处理完的图像数据输入到训练好的雨量识别和预测模型中,达到自动识别和预测雨量等级的目的;
显示屏4,用于接收训练好的雨量识别和预测模型6得到的结果,以当前时刻和对应的雨量等级,以及未来某一时刻与其对应的雨量等级的形式显示在显示屏4的屏幕上。
进一步的,图像处理模块3内的降雨图像预数据处理指令5,具体用于:
a)取一定数量的连续图像,将其叠在一起整成一批图像,转成张量形式;
b)计算这批图像每个通道的像素均值;
c)将每张降雨图像缩小到224*224像素;
d)将缩小后图像的各通道的像素值减去上述得到的像素均值,得到预处理后的降雨图像数据;
图像处理模块3内的训练好的雨量识别和预测模型6,具体用于:
A)将预处理后的降雨图像数据按批次输入,并将每批次的降雨图像均分成4份;
B)对每份图像进行3D卷积操作和2DLSTM操作,提取降雨图像中降雨的纹路特征、颜色特征,以及连续降雨图像的变化特征;
C)将每份图像提取的图像数据特征在时间维度叠加起来,通过融合短时间的纹路特征和颜色特征来更好地识别以及预测雨量等级;
D)将得到的特征进行后续一系列的3D卷积、3D池化和全连接操作,得到更深层次的降雨图像的纹路特征、颜色特征及连续降雨图像的变化特征;
F)最后,通过全连接操作计算该组数据的特征分别对应五种雨量类别的概率值,概率最高的那一类即识别结果。
以上所述仅为本发明的优选实施方式而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (6)
1.一种自动识别与预测雨量的方法,其特征在于,包括:
1)获取一地点的历史降雨图像数据及当时的时降雨量,根据时降雨量大小,赋予对应降雨图像雨量等级标签;
2)对获取的历史降雨图像数据进行预处理,利用得到的处理后的历史降雨图像数据和对应标签,对预处理后的历史降雨图像数据进行雨量大小的预测与识别训练,训练得到的分类结果与对应的标签进行比对,计算误差;其中,在对获取的历史降雨图像数据进行雨量大小的预测与识别训练时,雨量识别模型输入的标签是当前时刻的雨量等级标签,雨量预测模型输入的是下一时刻的雨量等级标签;
3)根据误差进行反向计算,更新模型参数,提高识别正确率;
4)重复进行步骤2)和3),直到模型拟合,保存模型;
5)获取同一地点当前环境下的降雨图像数据,对获取的当前降雨图像数据进行预处理,根据经历史降雨图像数据训练后的雨量大小的预测模型与识别模型,对预处理后的当前降雨图像数据进行雨量大小的识别与预测;
步骤2)与5)中降雨图像数据的预处理步骤如下:
a)取预定数量的连续图像,将其叠在一起整成一批图像,转成张量形式;
b)计算这批图像每个通道的像素均值;
c)将每张降雨图像缩小到224*224像素;
d)将缩小后图像的各通道的像素值减去上述得到的像素均值,得到预处理后的降雨图像数据;
步骤2)中对预处理后的历史降雨图像数据进行雨量大小的预测与识别训练,包括:
A)将预处理后的降雨图像数据按批次输入,并将每批次的降雨图像均分成4份;
B)对每份图像进行3D卷积操作和2DLSTM操作,提取降雨图像中降雨的纹路特征、颜色特征,以及连续降雨图像的变化特征;
C)将每份图像提取的图像数据特征在时间维度上叠加起来,通过融合短时间的纹路特征和颜色特征来识别以及预测雨量等级;
D)将融合短时间的纹路特征和颜色特征进行后续一系列的3D卷积、3D池化和全连接操作,得到更深层次的降雨图像的纹路特征、颜色特征及连续降雨图像的变化特征;
F)最后,通过全连接操作计算更深层次的降雨图像的纹路特征、颜色特征及连续降雨图像的变化特征分别对应五种雨量类别的概率值,概率值最高的那一类即识别结果。
2.根据权利要求1所述的一种自动识别与预测雨量的方法,其特征在于,步骤a)中连续图像的取数为4的倍数。
3.根据权利要求1所述的一种自动识别与预测雨量的方法,其特征在于,步骤F)中五种雨量类别分别对应零星小雨、小雨、中雨、大雨、暴雨。
4.根据权利要求3所述的一种自动识别与预测雨量的方法,其特征在于,步骤5)中对预处理后的当前降雨图像数据进行雨量大小的识别与预测,包括:
根据经历史降雨图像数据训练后的雨量大小的预测模型与识别模型,检测预处理后的当前降雨图像数据的特征分别对应五种雨量类别的概率值,概率值最高的那一类即识别结果。
5.根据权利要求1所述的一种自动识别与预测雨量的方法,其特征在于,雨量识别时,输入的降雨图像数据是当前时刻及前一段时间连续拍摄的降雨图像;雨量预测时,输入的降雨图像数据是按预定时间隔间拍摄的降雨图像。
6.一种自动识别与预测雨量的装置,用于实现如权利要求1所述的自动识别与预测雨量的方法,其特征在于,包括:
摄像头(1)、图像收集模块(2)、图像处理模块(3)与显示屏(4);所述摄像头(1)可自由放置,且摄像头(1)的输出端与图像收集模块(2)的输入端相连,所述图像收集模块(2)的输出端与图像处理模块(3)的输入端相连,所述图像处理模块(3)的输出端与显示屏(4)相连;
所述摄像头(1),用于拍摄当前摄像头所在环境下的降雨图像,并将其输入到与摄像头(1)相连的图像收集模块(2)中;
所述图像收集模块(2),用于根据降雨图像拍摄的时期,对接收到降雨图像进行保存,并将保存的降雨图像输入到图像处理模块(3)中;
所述图像处理模块(3),内含降雨图像数据预处理指令(5)及训练好的雨量识别模型和预测模型(6);
所述降雨图像数据预处理指令(5),用于根据所接收降雨图像拍摄的时间对其进行前期的数据处理工作;
所述训练好的雨量识别模型和预测模型(6),用于将处理完的降雨图像数据输入到训练好的雨量识别模型和预测模型中,实现自动识别和预测雨量等级;
所述显示屏(4),用于接收训练好的雨量识别模型和预测模型(6)得到的结果,以当前时刻和对应的雨量等级,以及未来某一时刻与其对应的雨量等级的形式显示在显示屏(4)的屏幕上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010893765.8A CN111950812B (zh) | 2020-08-31 | 2020-08-31 | 一种自动识别与预测雨量的方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010893765.8A CN111950812B (zh) | 2020-08-31 | 2020-08-31 | 一种自动识别与预测雨量的方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111950812A CN111950812A (zh) | 2020-11-17 |
CN111950812B true CN111950812B (zh) | 2022-05-24 |
Family
ID=73367254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010893765.8A Active CN111950812B (zh) | 2020-08-31 | 2020-08-31 | 一种自动识别与预测雨量的方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111950812B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112526641B (zh) * | 2020-12-10 | 2023-04-07 | 重庆市气象台 | 一种实时标识雨量观测值质量的方法、系统及设备 |
CN113297760A (zh) * | 2021-05-19 | 2021-08-24 | 天津万峰环保科技有限公司 | 雨洪预测调度方法、装置、电子设备和机器可读存储介质 |
CN113421437B (zh) * | 2021-06-03 | 2023-03-21 | 上海大学 | 一种基于计算机视觉的雨天路况监测方法及系统 |
CN113552656B (zh) * | 2021-07-26 | 2022-05-24 | 福建农林大学 | 基于室外影像多时空融合的降水强度监测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110322009A (zh) * | 2019-07-19 | 2019-10-11 | 南京梅花软件系统股份有限公司 | 基于多层卷积长短时记忆神经网络的图像预测方法 |
CN110363327A (zh) * | 2019-06-04 | 2019-10-22 | 东南大学 | 基于ConvLSTM和3D-CNN的短临降水预测方法 |
CN111145245A (zh) * | 2019-12-31 | 2020-05-12 | 哈尔滨工业大学(深圳) | 一种短时临近降雨预报方法、系统及计算机可读存储介质 |
CN111161217A (zh) * | 2019-12-10 | 2020-05-15 | 中国民航大学 | 基于Conv-LSTM多尺度特征融合的模糊检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6843780B2 (ja) * | 2018-01-18 | 2021-03-17 | ヤフー株式会社 | 情報処理装置、学習済みモデル、情報処理方法、およびプログラム |
US10955584B2 (en) * | 2018-04-25 | 2021-03-23 | Microsoft Technology Licensing, Llc | Predicting microclimate |
-
2020
- 2020-08-31 CN CN202010893765.8A patent/CN111950812B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110363327A (zh) * | 2019-06-04 | 2019-10-22 | 东南大学 | 基于ConvLSTM和3D-CNN的短临降水预测方法 |
CN110322009A (zh) * | 2019-07-19 | 2019-10-11 | 南京梅花软件系统股份有限公司 | 基于多层卷积长短时记忆神经网络的图像预测方法 |
CN111161217A (zh) * | 2019-12-10 | 2020-05-15 | 中国民航大学 | 基于Conv-LSTM多尺度特征融合的模糊检测方法 |
CN111145245A (zh) * | 2019-12-31 | 2020-05-12 | 哈尔滨工业大学(深圳) | 一种短时临近降雨预报方法、系统及计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
Convolutional LSTM Network A Machine Learning Approach for Precipitation Nowcasting;Xingjian Shi et al.;《Proceedings of the 28th International Conference on Neural Information Processing Systems》;20151231;第1卷;第802-810页 * |
SOPNet Method for the Fine-Grained Measurement and Prediction of Precipitation Intensity Using Outdoor Surveillance Cameras;C.-W.Lin et al.;《IEEE Access》;20201020;第8卷;第188813-188824页 * |
结合深度卷积网络及光学图像的降雨强度识别;洪思弟 等;《福建农林大学学报(自然科学版)》;20200714(第04期);第567-576页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111950812A (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111950812B (zh) | 一种自动识别与预测雨量的方法及其装置 | |
CN108154508B (zh) | 产品缺陷检测定位的方法、装置、存储介质及终端设备 | |
CN113065578B (zh) | 一种基于双路区域注意力编解码的图像视觉语义分割方法 | |
CN111401419A (zh) | 基于改进RetinaNet的员工着装规范检测方法 | |
CN104913797A (zh) | 指针式仪表的读数识别方法及系统 | |
CN108711148A (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN110569856B (zh) | 样本标注方法及装置、损伤类别的识别方法及装置 | |
CN114049356B (zh) | 一种结构表观裂缝检测方法、装置及系统 | |
CN111310835A (zh) | 目标对象的检测方法及装置 | |
CN114758249A (zh) | 基于野外夜间环境的目标物监测方法、装置、设备及介质 | |
CN116660270B (zh) | 电力电缆的检测方法、装置及存储介质 | |
CN110728269B (zh) | 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法 | |
CN114494826A (zh) | 一种多水尺水位识别方法、系统、电子设备以及可存储介质 | |
CN111461121A (zh) | 一种基于yolov3网络的电表示数识别方法 | |
CN113780484B (zh) | 工业产品缺陷检测方法和装置 | |
CN115171045A (zh) | 一种基于yolo的电网作业现场违章识别方法及终端 | |
CN114417981A (zh) | 一种智能河长巡测系统 | |
CN109102486B (zh) | 基于机器学习的表面缺陷检测方法及装置 | |
CN115880266B (zh) | 一种基于深度学习的肠道息肉检测系统和方法 | |
CN110738208A (zh) | 一种高效的尺度规范化目标检测训练方法 | |
CN115438945A (zh) | 基于电力设备巡检的风险识别方法、装置、设备及介质 | |
CN110837805B (zh) | 视频标签的置信度的测量方法、装置、设备及存储介质 | |
CN113642582B (zh) | 电表读数识别方法、装置、电子设备和存储介质 | |
CN117253096B (zh) | 手指自适应的健康指标监控方法、装置、设备及存储介质 | |
CN116434082B (zh) | 基于深度学习的湖泊水环境遥感监测方法 |
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 |