CN112801194B - 基于改进AlexNet的船用雷达降雨分析方法 - Google Patents

基于改进AlexNet的船用雷达降雨分析方法 Download PDF

Info

Publication number
CN112801194B
CN112801194B CN202110153254.7A CN202110153254A CN112801194B CN 112801194 B CN112801194 B CN 112801194B CN 202110153254 A CN202110153254 A CN 202110153254A CN 112801194 B CN112801194 B CN 112801194B
Authority
CN
China
Prior art keywords
multiplied
rainfall
convolution
size
step length
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
Application number
CN202110153254.7A
Other languages
English (en)
Other versions
CN112801194A (zh
Inventor
陈晓楠
赵春晖
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.)
Dalian Maritime University
Original Assignee
Dalian Maritime University
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 Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN202110153254.7A priority Critical patent/CN112801194B/zh
Publication of CN112801194A publication Critical patent/CN112801194A/zh
Application granted granted Critical
Publication of CN112801194B publication Critical patent/CN112801194B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
    • G01S13/956—Radar or analogous systems specially adapted for specific applications for meteorological use mounted on ship or other platform
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/411—Identification of targets based on measurements of radar reflectivity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Electromagnetism (AREA)
  • Multimedia (AREA)
  • Ocean & Marine Engineering (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供一种基于改进AlexNet神经网络的船用雷达降雨分析方法，包括以下步骤：获取雷达原始数据文件；将获取到的所述雷达原始数据文件进行方位提取；进行合并插值处理；进行坐标转换处理；调用显示函数得到回波图像；对雷达降雨图像进行处理；结合气象网站的数据，对降雨区域图像进行截取，获取用于神经网络训练的降雨区域图像A；构建AlexNet网络模型N1；获取特征图A1；构建特征融合所需的模型N2；获取特征图A2；将所述特征图A1和所述特征图A2，进行特征图拼接，融合特征，获取特征图A3等步骤最终获取雨情的识别准确率。本发明方法针对降雨分析上的需求，分类降雨图像并运用改进的AlexNet神经网络对图像进行训练识别，以此解决船用雷达降雨图像识别问题。

Description

基于改进AlexNet的船用雷达降雨分析方法
技术领域
本发明涉及图像识别技术领域，具体而言，尤其涉及基于改进AlexNet的船用雷达降雨分析方法。
背景技术
降雨是极为重要的气象要素之一，精确进行降雨分析对预防灾害有着重要意义。随着而技术的发展，天气雷达作为雨量计的传统将与观测代替，已有很大进展，能逐渐了解更加复杂的天气。在降雨问题上，气象雷达应用较多，虽然在精度上有着优势，但造价高、设备复杂限制了气象雷达的应用。船用雷达在在成本、安装上都有一定优势，并对降雨回波有较好敏感度。
发明内容
根据上述提出造价高、设备复杂的技术问题，而提供一种基于改进AlexNet的船用雷达降雨分析方法。本发明主要利用一种基于改进AlexNet神经网络的船用雷达降雨分析方法，其特征在于，包括以下步骤：
步骤S1：在降雨天气使用古野船用雷达，通过采集卡及Visual Studio软件对降雨图像进行采集，获取雷达原始数据文件；
步骤S2：将获取到的所述雷达原始数据文件进行方位提取，视频采样数据的闲置高2位分别为方位基准和方位数据；用最高位的0和1之间的跳变表示天线转过方位基准，随后提取次高位的方位数据信息，帮助采集信息格式化；
步骤S3：进行合并插值处理；小量程时一个方位脉冲可能会有多个触发脉冲，即回波信号，则保留第一条回波信息，大量程时有的方位脉冲没有触发脉冲，则复制上一条回波信息，以此来保证每一条方位线都有回波信息；
步骤S4：进行坐标转换处理；将雷达的极坐标转换为直角坐标系信息，生成矩阵数据，以文件形式进行存储；
步骤S5：将步骤S4得到的文件读入，保存到对应矩阵在内存中的位置，将方位距离矩阵转换为显示笛卡尔坐标，存入显示矩阵，调用显示函数得到回波图像；
步骤S6：对所述步骤S5的雷达降雨图像进行处理：通过背景差分法去除地物杂波，同时通过衰减补偿算法补偿雷达工作中的电磁衰减；
步骤S7：结合气象网站的数据，对降雨区域图像进行截取，获取用于神经网络训练的降雨区域图像A；
步骤S8：构建AlexNet网络模型N1；
步骤S9：将所述降雨区域图像A输入到所述步骤S5的AlexNet网络N1中，获取大小为6×6×256的特征图A1；
步骤S10：构建特征融合所需的模型N2。
步骤S11：将所述降雨区域图像A输入到所述步骤S7的模型N2中，经过网络获取大小为6×6×128的特征图A2；
步骤S12：将所述特征图A1和所述特征图A2，进行特征图拼接，融合特征，获取特征图A3；
步骤S13：将所述获取的特征图A3，输入到卷积层Conv_5中，减小通道数，获取特征图A4并进行卷积核为2×2，步长为2的池化；
步骤S14：将所述特征图A4输入到全连接层FC1、FC2、FC3中，FC1、FC2、FC3全连接层分别将单元数设定为1024、512、3，所述全连接层时将输入结果做出最后的分类，根据所述步骤S5-59构成了整体的神经网络模型N；
步骤S15：通过大、中、小雨构建回波图像数据集，统一所述回波图像数据集中的图像尺寸并根据不同类型雨进行分类标签，其中，大雨为2，中雨为1，小雨为0；通过图像反转扩充数据集，每种雨情分别由3200张图，其中按8：2分为训练集、测试集图像；
步骤S16：初始化网络参数；通过Adam优化算法，设置初始学习率为0.002，计算梯度的平均值系数选取默认的0.9、0.999，batchsize大小选择为16，设置100个训练轮次，每轮次迭代480次；
步骤S17：将所述训练集和测试集数据，输入到所述步骤S14中的模型N中进行训练和测试；
步骤S18：获取训练好的模型N′；选择800张小、中、大雨图像样本，输入到模型N′中验证，得到雨情的识别准确率。
进一步地，所述结合气象网站的数据，截取的降雨区域图像大小为150×150。
进一步地，所述AlexNet网络经过5个卷积层获取特征图A1；其中卷积层conv1卷积核大小为11×11，卷积核为96个，步长设置为4，之后进行最大池化，池化层的卷积核大小为3×3，步长设置为2；conv2卷积核大小为5×5，卷积核为256个，步长为1，边缘用零填充数为2，池化卷积核为3×3，步长为2；conv3卷积核大小为3×3，卷积核为384个，步长为1，边缘用零填充数为1；conv4卷积核大小为3×3，卷积核为384个，步长为1，边缘用零填充数为1；conv5卷积核大小为3×3，卷积核为256个，步长为1，边缘用零填充为1；池化卷积核为3×3，步长为2；所述AlexNet网络通过ReLU激活函数。
更进一步地，所述网络模型包含：4个卷积层3个池化层；
其中卷积层Conv_1的卷积核大小为5×5，卷积核为32个，步长为1，边缘用零填充数为2，使用ReLU激活函数，进行最大池化，池化层卷积核大小为2×2，步长为2；Conv_2的卷积核大小为5×5.卷积核为64个，步长为1，边缘用零填充数为2，池化卷积核为2×2，步长为2；Conv_3的卷积核大小为3×3.卷积核为128个，步长为1，边缘用零填充数为1，池化卷积核为2×2，步长为2；Conv_4的卷积核大小为3×3；卷积核为128个，步长为1，边缘用零填充数为1，模型使用ReLU激活函数。
进一步地，所述卷积层Conv_5的卷积核大小为3×3，卷积核为128个，步长为2，边缘用零填充数为1；。
较现有技术相比，本发明具有以下优点：
本发明能够将神经网络应用到船用雷达的降雨分析中，能够通过性价比高的船用雷达来简易识别降雨类型，降低了降雨识别的成本。本发明中的AlexNet网络能够解决在网络较深时的梯度弥散问题，在一般分类识别中表现较好，可以满足降雨分类的需求。同时采用特种融合的方式，能够将不同尺寸卷积核提取出的不同精细度的特征相融合丰富图像特征，从而有效提升识别率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明整体神经网络结构图。
图2为本发明实施例降雨图像示意图；其中(a)为采集降雨图像的示意图；(b)为背景差分后图像示意图；(c)为衰减补偿后图像示意图。
图3为本发明数据集不同雨情图像示意图；其中，a为小雨图像，b为中雨图像，c为大雨图像。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明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，以便这里描述的本发明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。
如图1-3所示，本发明提供了一种基于改进AlexNet神经网络的船用雷达降雨分析方法，包括以下步骤：
步骤S1：在降雨天气使用古野船用雷达，通过采集卡及Visual Studio软件对降雨图像进行采集，获取雷达原始数据文件；所述结合气象网站的数据，截取的降雨区域图像大小为150×150。
步骤S2：将获取到的所述雷达原始数据文件进行方位提取，视频采样数据的闲置高2位分别为方位基准和方位数据；用最高位的0和1之间的跳变表示天线转过方位基准，随后提取次高位的方位数据信息，帮助采集信息格式化。
步骤S3：进行合并插值处理；小量程时一个方位脉冲可能会有多个触发脉冲，即回波信号，则保留第一条回波信息，大量程时有的方位脉冲没有触发脉冲，则复制上一条回波信息，以此来保证每一条方位线都有回波信息；
步骤S4：进行坐标转换处理；将雷达的极坐标转换为直角坐标系信息，生成矩阵数据，以文件形式进行存储。
步骤S5：将步骤S4得到的文件读入，保存到对应矩阵在内存中的位置，将方位距离矩阵转换为显示笛卡尔坐标，存入显示矩阵，调用显示函数得到回波图像。
步骤S6：对所述步骤S5的雷达降雨图像进行处理：通过背景差分法去除地物杂波，同时通过衰减补偿算法补偿雷达工作中的电磁衰减。
步骤S7：结合气象网站的数据，对降雨区域图像进行截取，获取用于神经网络训练的降雨区域图像A。
步骤S8：构建AlexNet网络模型N1。所述AlexNet网络经过5个卷积层获取特征图A1；其中卷积层conv1卷积核大小为11×11，卷积核为96个，步长设置为4，之后进行最大池化，池化层的卷积核大小为3×3，步长设置为2；conv2卷积核大小为5×5，卷积核为256个，步长为1，边缘用零填充数为2，池化卷积核为3×3，步长为2；conv3卷积核大小为3×3，卷积核为384个，步长为1，边缘用零填充数为1；conv4卷积核大小为3×3，卷积核为384个，步长为1，边缘用零填充数为1；conv5卷积核大小为3×3，卷积核为256个，步长为1，边缘用零填充为1；池化卷积核为3×3，步长为2；所述AlexNet网络通过ReLU激活函数。
步骤S9：将所述降雨区域图像A输入到所述步骤S5的AlexNet网络N1中，获取大小为6×6×256的特征图A1；
步骤S10：构建特征融合所需的模型N2。所述网络模型包含：4个卷积层3个池化层。
其中卷积层Conv_1的卷积核大小为5×5，卷积核为32个，步长为1，边缘用零填充数为2，使用ReLU激活函数，进行最大池化，池化层卷积核大小为2×2，步长为2；Conv_2的卷积核大小为5×5.卷积核为64个，步长为1，边缘用零填充数为2，池化卷积核为2×2，步长为2；Conv_3的卷积核大小为3×3.卷积核为128个，步长为1，边缘用零填充数为1，池化卷积核为2×2，步长为2；Conv_4的卷积核大小为3×3；卷积核为128个，步长为1，边缘用零填充数为1，模型使用ReLU激活函数。
步骤S11：将所述降雨区域图像A输入到所述步骤S7的模型N2中，经过网络获取大小为6×6×128的特征图A2。
步骤S12：将所述特征图A1和所述特征图A2，进行特征图拼接，融合特征，获取特征图A3。
步骤S13：将所述获取的特征图A3，输入到卷积层Conv_5中，减小通道数，获取特征图A4并进行卷积核为2×2，步长为2的池化；所述卷积层Conv_5的卷积核大小为3×3，卷积核为128个，步长为2，边缘用零填充数为1。
步骤S14：将所述特征图A4输入到全连接层FC1、FC2、FC3中，FC1、FC2、FC3全连接层分别将单元数设定为1024、512、3，所述全连接层时将输入结果做出最后的分类，根据所述步骤S5-59构成了整体的神经网络模型N。
步骤S15：通过大、中、小雨构建回波图像数据集，统一所述回波图像数据集中的图像尺寸并根据不同类型雨进行分类标签，其中，大雨为2，中雨为1，小雨为0；通过图像反转扩充数据集，每种雨情分别由3200张图，其中按8：2分为训练集、测试集图像。
步骤S16：初始化网络参数；通过Adam优化算法，设置初始学习率为0.002，计算梯度的平均值系数选取默认的0.9、0.999，batchsize大小选择为16，设置100个训练轮次，每轮次迭代480次。
步骤S17：将所述训练集和测试集数据，输入到所述步骤S14中的模型N中进行训练和测试。
步骤S18：获取训练好的模型N′；选择800张小、中、大雨图像样本，输入到模型N′中验证，得到雨情的识别准确率。
实施例1
首先对降雨图像进行采集，得到如下图像，之后对降雨图像进行背景差分及衰减补偿处理，分别为背景差分后图像及衰减补偿后图像，图像处理好之后,截取对应识别雨区图像，组成数据集，数据集不同雨情图像如下，其中(a)为小雨图像，(b)为中雨图像，(c)为大雨图像。
利用训练好的神经网络模型对降雨图像进行识别，得出图像雨情识别结果。并与原本的神经网络对比，观察改进神经网络的识别准确率提升程度，具体识别率如下：
小雨 中雨 大雨
LeNet-5 86％ 67.25％ 78.38％
设计网络模型 76.13％ 64088％ 96.88％
AlexNet模型 82.75％ 66.88 98％
改进AlexNet模型 87％ 86.13％ 98.25％
可以看出，改进之后的网络在小雨和中雨上的识别率都有着不错的提升，识别率接近90％，结果表明，通过神经网络将船用雷达应用在降雨分析上的方法有效，且采用特征融合来提升识别准确率的方法有效。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (3)

1.一种基于改进AlexNet神经网络的船用雷达降雨分析方法，其特征在于，包括以下步骤：
S1：在降雨天气使用古野船用雷达，通过采集卡及VisualStudio软件对降雨图像进行采集，获取雷达原始数据文件；
S2：将获取到的所述雷达原始数据文件进行方位提取，视频采样数据的闲置高2位分别为方位基准和方位数据；用最高位的0和1之间的跳变表示天线转过方位基准，随后提取次高位的方位数据信息，帮助采集信息格式化；
S3：进行合并插值处理；小量程时一个方位脉冲可能会有多个触发脉冲，即回波信号，则保留第一条回波信息，大量程时有的方位脉冲没有触发脉冲，则复制上一条回波信息，以此来保证每一条方位线都有回波信息；
S4：进行坐标转换处理；将雷达的极坐标转换为直角坐标系信息，生成矩阵数据，以文件形式进行存储；
S5：将步骤S4得到的文件读入，保存到对应矩阵在内存中的位置，将方位距离矩阵转换为显示笛卡尔坐标，存入显示矩阵，调用显示函数得到回波图像；
S6：对所述步骤S5的雷达降雨图像进行处理：通过背景差分法去除地物杂波，同时通过衰减补偿算法补偿雷达工作中的电磁衰减；
S7：结合气象网站的数据，对降雨区域图像进行截取，获取用于神经网络训练的降雨区域图像A；
S8：构建AlexNet网络模型N1；
S9：将所述降雨区域图像A输入到所述步骤S8的AlexNet网络N1中，获取大小为6×6×256的特征图A1；
S10：构建特征融合所需的模型N2；所述模型N2包括24个卷积层3个池化层；
其中卷积层Conv_1的卷积核大小为5×5，卷积核为32个，步长为1，边缘用零填充数为2，使用ReLU激活函数，进行最大池化，池化层卷积核大小为2×2，步长为2；Conv_2的卷积核大小为5×5.卷积核为64个，步长为1，边缘用零填充数为2，池化卷积核为2×2，步长为2；Conv_3的卷积核大小为3×3.卷积核为128个，步长为1，边缘用零填充数为1，池化卷积核为2×2，步长为2；Conv_4的卷积核大小为3×3；卷积核为128个，步长为1，边缘用零填充数为1，模型使用ReLU激活函数；
S11：将所述降雨区域图像A输入到所述步骤S10的模型N2中，经过网络获取大小为6×6×128的特征图A2；
S12：将所述特征图A1和所述特征图A2，进行特征图拼接，融合特征，获取特征图A3；
S13：将所述获取的特征图A3，输入到卷积层Conv_5中，减小通道数，获取特征图A4并进行卷积核为2×2，步长为2的池化；
S14：将所述特征图A4输入到全连接层FC1、FC2、FC3中，FC1、FC2、FC3全连接层分别将单元数设定为1024、512、3，所述全连接层时将输入结果做出最后的分类，构成了整体的神经网络模型N；
S15：通过大、中、小雨构建回波图像数据集，统一所述回波图像数据集中的图像尺寸并根据不同类型雨进行分类标签，其中，大雨为2，中雨为1，小雨为0；通过图像反转扩充数据集，每种雨情分别由3200张图，其中按8：2分为训练集、测试集图像；
S16：初始化网络参数；通过Adam优化算法，设置初始学习率为0.002，计算梯度的平均值系数选取默认的0.9、0.999，batchsize大小选择为16，设置100个训练轮次，每轮次迭代480次；
S17：将所述训练集和测试集数据，输入到所述步骤S14中的模型N中进行训练和测试；
S18：获取训练好的模型N′；选择800张小、中、大雨图像样本，输入到模型N′中验证，得到雨情的识别准确率。
2.根据权利要求1所述的一种基于改进AlexNet神经网络的船用雷达降雨分析方法，其特征在于，
所述结合气象网站的数据，截取的降雨区域图像大小为150×150。
3.根据权利要求1所述的一种基于改进AlexNet神经网络的船用雷达降雨分析方法，其特征在于，
所述AlexNet网络经过5个卷积层获取特征图A1；其中卷积层conv1卷积核大小为11×11，卷积核为96个，步长设置为4，之后进行最大池化，池化层的卷积核大小为3×3，步长设置为2；conv2卷积核大小为5×5，卷积核为256个，步长为1，边缘用零填充数为2，池化卷积核为3×3，步长为2；conv3卷积核大小为3×3，卷积核为384个，步长为1，边缘用零填充数为1；conv4卷积核大小为3×3，卷积核为384个，步长为1，边缘用零填充数为1；conv5卷积核大小为3×3，卷积核为256个，步长为1，边缘用零填充为1；池化卷积核为3×3，步长为2；所述AlexNet网络通过ReLU激活函数。
CN202110153254.7A 2021-02-03 2021-02-03 基于改进AlexNet的船用雷达降雨分析方法 Active CN112801194B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110153254.7A CN112801194B (zh) 2021-02-03 2021-02-03 基于改进AlexNet的船用雷达降雨分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110153254.7A CN112801194B (zh) 2021-02-03 2021-02-03 基于改进AlexNet的船用雷达降雨分析方法

Publications (2)

Publication Number Publication Date
CN112801194A CN112801194A (zh) 2021-05-14
CN112801194B true CN112801194B (zh) 2023-08-25

Family

ID=75814120

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110153254.7A Active CN112801194B (zh) 2021-02-03 2021-02-03 基于改进AlexNet的船用雷达降雨分析方法

Country Status (1)

Country Link
CN (1) CN112801194B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111624606A (zh) * 2020-05-27 2020-09-04 哈尔滨工程大学 一种雷达图像降雨识别方法
WO2020237693A1 (zh) * 2019-05-31 2020-12-03 华南理工大学 一种水面无人装备多源感知方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020237693A1 (zh) * 2019-05-31 2020-12-03 华南理工大学 一种水面无人装备多源感知方法及系统
CN111624606A (zh) * 2020-05-27 2020-09-04 哈尔滨工程大学 一种雷达图像降雨识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Improving Operational Radar Rainfall Estimates Using Profiler Observations Over Complex Terrain in Northern California;Chen H，et al;《IEEE Transactions on Geoscience and Remote Sensing》;1821-1832 *

Also Published As

Publication number Publication date
CN112801194A (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
CN110310264B (zh) 一种基于dcnn的大尺度目标检测方法、装置
KR101856584B1 (ko) 교통 표지의 인식 방법 및 장치
CN108846835B (zh) 基于深度可分离卷积网络的图像变化检测方法
CN110969088B (zh) 一种基于显著性检测与深度孪生神经网络的遥感影像变化检测方法
CN110929607B (zh) 一种城市建筑物施工进度的遥感识别方法和系统
CN113887459B (zh) 一种基于改进Unet++的露天矿区采场变化区域检测方法
CN109086811B (zh) 多标签图像分类方法、装置及电子设备
CN111428781A (zh) 遥感影像地物分类方法及系统
CN107944450B (zh) 一种车牌识别方法及装置
CN112446383B (zh) 车牌识别方法及装置、存储介质、终端
CN109740639B (zh) 一种风云卫星遥感影像云检测方法、系统及电子设备
CN111986099A (zh) 基于融合残差修正的卷积神经网络的耕地监测方法及系统
CN111582043A (zh) 基于多任务学习的高分辨率遥感影像地物变化检测方法
US20220215656A1 (en) Method, apparatus, device for image processing, and storage medium
CN109741340B (zh) 基于fcn-aspp网络的冰盖雷达图像冰层精细化分割方法
AU2021102192A4 (en) Remote sensing classification and identification method, device, equipment and storage medium for soil types
CN113887472A (zh) 基于级联颜色及纹理特征注意力的遥感图像云检测方法
CN112785578A (zh) 一种基于u型编码解码器神经网络的道路裂缝检测方法及系统
CN112906662A (zh) 一种遥感图像变化检测方法、装置、设备及存储介质
CN115546656A (zh) 一种基于深度学习的遥感影像养殖区域提取方法
CN115497010A (zh) 一种基于深度学习的地理信息的识别方法及系统
Luo et al. Extraction of bridges over water from IKONOS panchromatic data
CN111753610A (zh) 天气识别方法及装置
CN112348750B (zh) 基于阈值融合和邻域投票的sar图像变化检测方法
CN112801194B (zh) 基于改进AlexNet的船用雷达降雨分析方法

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