CN112801227A - 一种台风识别模型的生成方法、装置、设备及存储介质 - Google Patents
一种台风识别模型的生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112801227A CN112801227A CN202110364826.6A CN202110364826A CN112801227A CN 112801227 A CN112801227 A CN 112801227A CN 202110364826 A CN202110364826 A CN 202110364826A CN 112801227 A CN112801227 A CN 112801227A
- Authority
- CN
- China
- Prior art keywords
- typhoon
- detected
- frame
- generating
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供一种台风识别模型的生成方法、装置、设备及存储介质,台风识别技术领域。该台风识别模型的生成方法包括:获取遥感数据和对应的历史台风报文信息,生成包括台风区域信息的标识文件;根据预设的卷积神经网络提取待检数据,并输出所述待检数据的分类概率向量;根据所述分类概率向量生成台风训练检测模型;将标识文件带入所述台风训练检测模型进行模型训练,生成台风识别模型。该台风识别模型的生成方法可以不依赖任何第三方数据只使用遥感数据自动实现对台风系统的识别,标识出台风系统的区域,实现提高识别出台风位置信息的准确性的技术效果。
Description
技术领域
本申请涉及台风识别技术领域,具体而言,涉及一种台风识别模型的生成方法、装置、设备及存储介质。
背景技术
目前,台风生成于热带或副热带洋面,而海洋无法利用常规观测手段。气象卫星覆盖范围广,观测时次多等,因此自20世纪60年代业务运行以来,已经成为监测台风的主要手段。在台风业务预报中,台风定位定强是制作台风预报和发布预警的第一步,定位定强的准确性不仅会影响台风路径和强度预报的质量,也会影响其所带来的狂风、暴雨、和风暴潮预报的质量。卫星云图是台风定位定强最常用的资料,发展和改进基于卫星资料的算法是台风预报的重点。
现有技术中,利用红外和可见光云图估算台风强度的技术(Dvorak technology(DT))是目前最成熟的利用卫星云图确定台风强度的方法。目前世界上台风业务单位采用的自动客观定位定强台风的算法如ADT(Advanced Dvorak technology)也是由Dvorak的方法发展而来。但是ADT技术依赖于台风预报数据,具有定位不稳定和定强精度不高等缺点。
发明内容
本申请实施例的目的在于提供一种台风识别模型的生成方法、装置、设备及存储介质,可以实现提高识别出台风位置信息的准确性的技术效果。
第一方面,本申请实施例提供了一种台风识别模型的生成方法,包括:
获取遥感数据和对应的历史台风报文信息,生成包括台风区域信息的标识文件;
根据预设的卷积神经网络提取待检数据,并输出所述待检数据的分类概率向量;
根据所述分类概率向量生成台风训练检测模型;
将标识文件带入所述台风训练检测模型进行模型训练,生成台风识别模型。
在上述实现过程中,该台风识别模型的生成方法通过遥感数据和对应的历史台风报文信息、预设的卷积神经网络,最终生成台风识别模型,该台风识别模型可以仅仅依靠卫星云图对台风云系进行识别,并标出台风区域,为台风的中心定位和强度计算做预处理,使台风定位定强算法彻底摆脱对台风预报数据的依赖。从而,可以实现提高识别出台风位置信息的准确性的技术效果。
进一步地,所述获取遥感数据和对应的历史台风报文信息,生成包括台风区域信息的标识文件的步骤,包括:
将所述遥感数据转换成灰度图;
在所述灰度图上标注台风区域信息,生成所述标识文件,所述台风区域标注信息包括台风区域的坐标信息、高信息和宽信息。
在上述实现过程中,将遥感数据转换成灰度图,并在灰度图上标注台风区域信息,生成标识文件,从而使遥感数据装换为可供训练的样本,实现模型训练并最终生成台风识别模型。
进一步地,所述根据预设的卷积神经网络提取待检数据,并输出所述待检数据的分类概率向量的步骤,包括:
根据卷积神经网络生成特征图;
将所述特征图输入一个卷积层,获得待检框,所述待检框用于候选区域提取;
将所述待检框映射至所述特征图,提取所述待检框对应的特征图信息并获得待检数据;
将所述待检数据输入至全连接层、relu层和softmax层进行处理,并输出所述待检数据的分类概率向量。
进一步地,所述将所述特征图输入一个卷积层,获得待检框的步骤,包括:
对所述待检框使用softmax层进行筛选,根据所述待检框与所述目标框的重叠度对所述待检框进行分类,其中,将与所述目标框的重叠度大于第一阈值的所述待检框作为训练集的正样本,与所述目标框的重叠度小于第二阈值的所述待检框作为背景框,将与所述目标框的重叠度处于第一阈值和第二阈值之间的所述待检框舍去;
根据预设的边框校准公式对所述待检框进行边框校准处理。
进一步地,在将所述待检框映射至所述特征图,提取所述待检框对应的特征图信息并获得待检数据的步骤之前,还包括:
根据所述待检框的尺寸分类信息和初始图像的缩放信息,将所述待检框的边框映射回初始尺寸。
在上述实现过程中,结合原本图像缩放信息,将待检框边框映射回原图尺寸,方便进一步处理。
第二方面,本申请实施例提供了一种台风识别模型的生成装置,包括:
获取模块,用于获取遥感数据和对应的历史台风报文信息,生成包括台风区域信息的标识文件;
提取模块,用于根据预设的卷积神经网络提取待检数据,并输出所述待检数据的分类概率向量;
第一生成模块,用于根据所述分类概率向量生成台风训练检测模型;
第二生成模块,用于将标识文件带入所述台风训练检测模型进行模型训练,生成台风识别模型。
进一步地,所述获取模块包括:
转换单元,用于将所述遥感数据转换成灰度图;
标识单元,用于在所述灰度图上标注台风区域信息,生成所述标识文件,所述台风区域标注信息包括台风区域的坐标信息、高信息和宽信息。
进一步地,所述提取模块包括:
生成单元,用于根据卷积神经网络生成特征图;
待检框单元,用于将所述特征图输入一个卷积层,获得待检框,所述待检框用于候选区域提取;
提取单元,用于将所述待检框映射至所述特征图,提取所述待检框对应的特征图信息并获得待检数据;
输出单元,用于将所述待检数据输入至全连接层、relu层和softmax层进行处理,并输出所述待检数据的分类概率向量。
进一步地,所述待检框单元还用于:
对所述待检框使用softmax层进行筛选,根据所述待检框与所述目标框的重叠度对所述待检框进行分类,其中,将与所述目标框的重叠度大于第一阈值的所述待检框作为训练集的正样本,与所述目标框的重叠度小于第二阈值的所述待检框作为背景框,将与所述目标框的重叠度处于第一阈值和第二阈值之间的所述待检框舍去;
根据预设的边框校准公式对所述待检框进行边框校准处理。
进一步地,所述提取模块还包括映射单元,用于根据所述待检框的尺寸分类信息和初始图像的缩放信息,将所述待检框的边框映射回初始尺寸。
第三方面,本申请实施例提供的一种设备,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面任一项所述的方法的步骤。
第四方面,本申请实施例提供的一种存储介质,所述存储介质上存储有指令,当所述指令在计算机上运行时,使得所述计算机执行如第一方面任一项所述的方法。
第五方面,本申请实施例提供的一种计算机程序产品,所述计算机程序产品在计算机上运行时,使得计算机执行如第一方面任一项所述的方法。
本申请公开的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本申请公开的上述技术即可得知。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例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申请的某些实施例,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。
图1为本申请实施例提供的一种台风识别模型的生成方法的流程示意图;
图2为本申请实施例提供的另一种台风识别模型的生成方法的流程示意图;
图3为本申请实施例提供的台风识别模型的生成装置的结构示意图;
图4为本申请实施例提供的获取模块的结构示意图;
图5为本申请实施例提供的提取模块的结构示意图;
图6为本申请实施例提供的一种设备的结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
本申请实施例提供了一种台风识别模型的生成方法、装置、设备及存储介质,可以应用于台风预报;该台风识别模型的生成方法通过遥感数据和对应的历史台风报文信息、预设的卷积神经网络,最终生成台风识别模型,该台风识别模型可以仅仅依靠卫星云图对台风云系进行识别,并标出台风区域,为台风的中心定位和强度计算做预处理,使台风定位定强算法彻底摆脱对台风预报数据的依赖。从而,可以实现提高识别出台风位置信息的准确性的技术效果。
请参见图1,图1为本申请实施例提供的一种台风识别模型的生成方法的流程示意图,该台风识别模型的生成方法包括如下步骤:
S100:获取遥感数据和对应的历史台风报文信息,生成包括台风区域信息的标识文件。
示例性地,遥感影像(RS,Remote Sensing Image)是指记录各种地物电磁波大小的胶片或照片,主要分为航空像片和卫星相片;在本申请实施例中,遥感数据可以是气象卫星检测图像,即卫星云图。
在一些实施方式中,遥感数据可以选择2017-2018年FY4A全圆盘遥感数据,结合历史台风报文信息,选出有台风报文信息时间的FY4A全圆盘数据,读取其10.8um通道转换成灰度图;应理解,遥感数据也可以选择其他年份或其他类型的数据,此处不作限定。
S200:根据预设的卷积神经网络提取待检数据,并输出待检数据的分类概率向量。
示例性地,卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deep learning)的代表算法之一。卷积神经网络具有表征学习(representationlearning)能力,能够按其阶层结构对输入信息进行平移不变分类(shift-invariantclassification),因此也被称为“平移不变人工神经网络(Shift-InvariantArtificialNeuralNetworks,SIANN)”。卷积神经网络仿造生物的视知觉(visual perception)机制构建,可以进行监督学习和非监督学习,其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化(grid-liketopology)特征,例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程(featureengineering)要求。
S300:根据分类概率向量生成台风训练检测模型。
400:将标识文件带入台风训练检测模型进行模型训练,生成台风识别模型。
示例性地,将标识文件带入台风训练检测模型进行模型训练,最终获得台风识别模型。
在一些实施场景中,台风强天气系统的登陆往往会给人们带来巨大的经济损失,更快更准确的识别跟踪台风系统能及时预报台风信息,可以有效降低人们的财产损失。目前大多的台风识别方法依赖于预报数据,给业务化以及初生台风的识别等带来了较大的难度和不确定性,而且时效性和准确性较差;该台风识别模型的生成方法通过遥感数据和对应的历史台风报文信息、预设的卷积神经网络,最终生成台风识别模型,该台风识别模型可以仅仅依靠卫星云图对台风云系进行识别,并标出台风区域,为台风的中心定位和强度计算做预处理,使台风定位定强算法彻底摆脱对台风预报数据的依赖。从而,可以实现提高识别出台风位置信息的准确性的技术效果,该台风识别模型与其他依赖于预报数据的台风识别方法相比,时效性更高。
请参见图2,图2为本申请实施例提供的另一种台风识别模型的生成方法的流程示意图。
示例性地,S100:获取遥感数据和对应的历史台风报文信息,生成包括台风区域信息的标识文件的步骤,包括:
S110:将遥感数据转换成灰度图;
S120:在灰度图上标注台风区域信息,生成标识文件,台风区域标注信息包括台风区域的坐标信息、高信息和宽信息。
示例性地,将遥感数据转换成灰度图,并在灰度图上标注台风区域信息,生成标识文件,从而使遥感数据装换为可供训练的样本,实现模型训练并最终生成台风识别模型。
示例性地,S200:根据预设的卷积神经网络提取待检数据,并输出待检数据的分类概率向量的步骤,包括:
S210:根据卷积神经网络生成特征图。
示例性地,借鉴VGG卷积神经网络生成特征图,其中特征图生成结构中包括13个卷积层、13个relu层和4个池化层,其中所有的卷积层卷积核均为3*3结构,所有池化层kernel_size和stride均为2。
S220:将特征图输入一个卷积层,获得待检框,待检框用于候选区域提取。
S230:将待检框映射至特征图,提取待检框对应的特征图信息并获得待检数据。
S240:将待检数据输入至全连接层、relu层和softmax层进行处理,并输出待检数据的分类概率向量。
示例性地,S220:将特征图输入一个卷积层,获得待检框的步骤,包括:
对待检框使用softmax层进行筛选,根据待检框与目标框的重叠度对待检框进行分类,其中,将与目标框的重叠度大于第一阈值的待检框作为训练集的正样本,与目标框的重叠度小于第二阈值的待检框作为背景框,将与目标框的重叠度处于第一阈值和第二阈值之间的待检框舍去;
根据预设的边框校准公式对待检框进行边框校准处理。
示例性地,针对候选区域提取,可使用特征图与遥感数据(原始图片)的比例选取锚点,以锚点为中心,面积为比例的[0.5,1,2]倍,分别选取面积保持不变、长宽比为[1:1,1:2,2:1]的三种待检框,总共9个待检框;然后,对于生成的待检框,去掉其中超过图片边界的待检框,将与目标框IOU>0.8的待检框作为训练集的正样本,与目标框IOU<0.2的作为背景框,0.2<IOU<0.8的待检框不作为训练样本舍去。
示例性地,IOU(重叠度,Intersection over Union)是一种测量在特定数据集中检测相应物体准确度的一个标准。IOU是一个简单的测量标准,只要是在输出中得出一个预测范围(bounding boxes)的任务都可以用IOU来进行测量。在本申请实施例中,待检框与目标框的IOU即待检框与目标框的重叠度,计算公式为待检框与目标框的重叠面积/待检框与目标框的总面积。
示例性地,对以上所有选取待检框使用softmax层筛选出背景框和有目标框,训练softmax层。
示例性地,针对边框校准,对于目标框,一般使用四维向量(x,y,w,h)表示,分别表示窗口的中心点坐标和目标框的宽、高。使用A代表原始的待检框,G表示目标框,寻找一种关系使得待检框经过映射与目标框更接近的回归框G`,给定A=(Ax,Ay,Aw,Ah),寻找一种映射F,使得F(Ax,Ay,Aw,Ah)=(G'x,G'y,G'w,G'h),其中(G'x,G'y,G'w,G'h)约等于(Gx,Gy,Gw,Gh);转换过程包括平移过程和缩放过程,其中,平移:
缩放:
通过上式可知,需要学习的d x (A),d y (A),d w (A),d h (A)这四个变换中,当待检框与目标框相差较小时,可以认为这种变换是一种线性变换,可以用线性回归来对窗口进行微调。
给定输入的特征向量X,学习一组参数W,使得经过线性回归后的值跟真实值Y(目标框)非常接近,即Y=WX。对于该问题,输入X是一张经过原始图片经过VGG的特征图并经过1x1卷积获得的特征图,定义为Φ;同时还有训练传入的目标框GT,即(Tx, Ty, Tw, Th)。输出是d x (A),d y (A),d w (A),d h (A)四个变换。那么目标函数可以表示为:
其中Φ(Α)表示待检框的特征图组成的特征向量,w是需要学习的参数,d(A)是得到的预测值,(*表示x,y,w,h),为使(Tx, Ty, Tw, Th)与真实值更接近,得到损失函数:
函数优化目标为:
边框校准部分利用上面的公式根据正向待检框已有边框做回归出初步筛选和分类后的候选框。
示例性地,在S230:将待检框映射至特征图,提取待检框对应的特征图信息并获得待检数据的步骤之前,还包括:
S221:根据待检框的尺寸分类信息和初始图像的缩放信息,将待检框的边框映射回初始尺寸。
示例性地,结合原本图像缩放信息,将待检框边框映射回原图尺寸,方便进一步处理。
在一些实施场景中,结合图1和图2,该台风识别模型的生成方法的具体流程示例如下:
步骤1:选择2017-2018年FY4A全圆盘遥感数据,结合历史台风报文信息,选出有台风报文信息时间的FY4A全圆盘数据,读取其10.8um通道转换成灰度图;
步骤2:将转换后的灰度图经过顺时针、逆时针、上下和左右翻转得到更多的训练样本;
步骤3:使用图像目标标识工具结合台风报文信息,标注出所有灰度图中台风区域信息,包括台风区域左上角坐标、高、宽,生成标识文件;
步骤4:借鉴VGG卷积神经网络生成特征图,其中特征图生成结构中包括13个c卷积层、13个relu层和4个池化层,其中所有的卷积层卷积核均为3*3结构,所有池化层kernel_size和stride均为2。
步骤5:通过一个卷积层将特征图分为两个部分,一部分为候选区域提取,另一部分为具体区域信息特征量的偏移量信息;
步骤6:候选框层负责将上一步得到的待检框分类和待检框[dx(A),dy(A),dw(A),dh(A)]结合原本图像缩放信息,将待检框边框映射回原图尺寸;
步骤7:将上层得到的映射回原图尺寸的待检框映射回步骤4生成的特征图,并提取待检框对应的特征图将其水平和竖直都分为7份,对每一份进行maxpooling处理得到大小完全相同的待检数据;
步骤8:将得到的大小相同的待检数据通过全连接层、relu层和softmax层计算每个待检数据具体属于哪个分类,输出每个分类概率向量;同时利用经过全连接层和relu层的待检数据计算与目标框的位置偏移量,用于回归更加精确的目标检测框;至此台风训练检测模型结束。
步骤9:将2017-2018年best_track报文中记录的所有台风时刻的FY4A 4KM遥感数据的第十二通道数据转化成灰度图,并做数据增强处理,经过仿射变换等方式增加数据量,保持原有分辨率,按best_track信息标记台风位置信息,带入台风训练检测模型进行训练。
示例性地,本申请实施例提供的台风识别模型的生成方法,可生成台风识别模型;在一些实施方式中,台风训练检测模型使用2017-2018年best_track报文中记录的所有台风时刻的FY4A遥感数据进行训练,生成的台风识别模型用2019年7-8月台风季数据做测试,结果显示该台风识别模型能很好识别出台风位置信息,目标识别率正确率为95.4%,漏检率为2.3%。
请参见图3,图3为本申请实施例提供的一种台风识别模型的生成装置的结构示意图,该台风识别模型的生成装置包括:
获取模块100,用于获取遥感数据和对应的历史台风报文信息,生成包括台风区域信息的标识文件;
提取模块200,用于根据预设的卷积神经网络提取待检数据,并输出待检数据的分类概率向量;
第一生成模块300,用于根据分类概率向量生成台风训练检测模型;
第二生成模块400,用于将标识文件带入台风训练检测模型进行模型训练,生成台风识别模型。
请参见图4,图4为本申请实施例提供的获取模块的结构示意图。
示例性地,获取模块100包括:
转换单元110,用于将遥感数据转换成灰度图;
标识单元120,用于在灰度图上标注台风区域信息,生成标识文件,台风区域标注信息包括台风区域的坐标信息、高信息和宽信息。
请参见图5,图5为本申请实施例提供的提取模块的结构示意图。
示例性地,提取模块200包括:
生成单元210,用于根据卷积神经网络生成特征图;
待检框单元220,用于将特征图输入一个卷积层,获得待检框,待检框用于候选区域提取;
提取单元230,用于将待检框映射至特征图,提取待检框对应的特征图信息并获得待检数据;
输出单元240,用于将待检数据输入至全连接层、relu层和softmax层进行处理,并输出待检数据的分类概率向量。
示例性地,待检框单元220还用于对待检框使用softmax层进行筛选,根据待检框与目标框的重叠度对待检框进行分类,其中,将与目标框的重叠度大于第一阈值的待检框作为训练集的正样本,与目标框的重叠度小于第二阈值的待检框作为背景框,将与目标框的重叠度处于第一阈值和第二阈值之间的待检框舍去;
根据预设的边框校准公式对待检框进行边框校准处理。
示例性地,提取模块200还包括映射单元221,用于根据待检框的尺寸分类信息和初始图像的缩放信息,将待检框的边框映射回初始尺寸。
应理解,图3至图5所示的装置实施例与图1至图2所示的方法实施例相对应,为避免重复,此处不再赘述。
本申请还提供一种设备,请参见图6,图6为本申请实施例提供的一种设备的结构框图。设备可以包括处理器510、通信接口520、存储器530和至少一个通信总线540。其中,通信总线540用于实现这些组件直接的连接通信。其中,本申请实施例中设备的通信接口520用于与其他节点设备进行信令或数据的通信。处理器510可以是一种集成电路芯片,具有信号的处理能力。
上述的处理器510可以是通用处理器,包括中央处理器(CPU,Central ProcessingUnit)、网络处理器(NP,Network Processor)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器510也可以是任何常规的处理器等。
存储器530可以是,但不限于,随机存取存储器(RAM,Random Access Memory),只读存储器(ROM,Read Only Memory),可编程只读存储器(PROM ,Programmable Read-OnlyMemory),可擦除只读存储器(EPROM ,Erasable Programmable Read-Only Memory),电可擦除只读存储器(EEPROM ,Electric Erasable Programmable Read-Only Memory)等。存储器530中存储有计算机可读取指令,当所述计算机可读取指令由所述处理器510执行时,设备可以执行上述图1至图2方法实施例涉及的各个步骤。
可选地,设备还可以包括存储控制器、输入输出单元。
所述存储器530、存储控制器、处理器510、外设接口、输入输出单元各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通信总线540实现电性连接。所述处理器510用于执行存储器530中存储的可执行模块,例如设备包括的软件功能模块或计算机程序。
输入输出单元用于提供给用户创建任务以及为该任务创建启动可选时段或预设执行时间以实现用户与服务器的交互。所述输入输出单元可以是,但不限于,鼠标和键盘等。
可以理解,图6所示的结构仅为示意,所述设备还可包括比图6中所示更多或者更少的组件,或者具有与图6所示不同的配置。图6中所示的各组件可以采用硬件、软件或其组合实现。
本申请实施例还提供一种存储介质,所述存储介质上存储有指令,当所述指令在计算机上运行时,所述计算机程序被处理器执行时实现方法实施例所述的方法,为避免重复,此处不再赘述。
本申请还提供一种计算机程序产品,所述计算机程序产品在计算机上运行时,使得计算机执行方法实施例所述的方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种台风识别模型的生成方法,其特征在于,包括:
获取遥感数据和对应的历史台风报文信息,生成包括台风区域信息的标识文件;
根据预设的卷积神经网络提取待检数据,并输出所述待检数据的分类概率向量;
根据所述分类概率向量生成台风训练检测模型;
将标识文件带入所述台风训练检测模型进行模型训练,生成台风识别模型。
2.根据权利要求1所述的台风识别模型的生成方法,其特征在于,所述获取遥感数据和对应的历史台风报文信息,生成包括台风区域信息的标识文件的步骤,包括:
将所述遥感数据转换成灰度图;
在所述灰度图上标注台风区域信息,生成所述标识文件,所述台风区域标注信息包括台风区域的坐标信息、高信息和宽信息。
3.根据权利要求1所述的台风识别模型的生成方法,其特征在于,所述根据预设的卷积神经网络提取待检数据,并输出所述待检数据的分类概率向量的步骤,包括:
根据卷积神经网络生成特征图;
将所述特征图输入一个卷积层,获得待检框,所述待检框用于候选区域提取;
将所述待检框映射至所述特征图,提取所述待检框对应的特征图信息并获得待检数据;
将所述待检数据输入至全连接层、relu层和softmax层进行处理,并输出所述待检数据的分类概率向量。
4.根据权利要求3所述的台风识别模型的生成方法,其特征在于,所述将所述特征图输入一个卷积层,获得待检框的步骤,包括:
对所述待检框使用softmax层进行筛选,根据所述待检框与目标框的重叠度对所述待检框进行分类,其中,将与所述目标框的重叠度大于第一阈值的所述待检框作为训练集的正样本,与所述目标框的重叠度小于第二阈值的所述待检框作为背景框,将与所述目标框的重叠度处于第一阈值和第二阈值之间的所述待检框舍去;
根据预设的边框校准公式对所述待检框进行边框校准处理。
5.根据权利要求4所述的台风识别模型的生成方法,其特征在于,在将所述待检框映射至所述特征图,提取所述待检框对应的特征图信息并获得待检数据的步骤之前,还包括:
根据所述待检框的尺寸分类信息和初始图像的缩放信息,将所述待检框的边框映射回初始尺寸。
6.一种台风识别模型的生成装置,其特征在于,包括:
获取模块,用于获取遥感数据和对应的历史台风报文信息,生成包括台风区域信息的标识文件;
提取模块,用于根据预设的卷积神经网络提取待检数据,并输出所述待检数据的分类概率向量;
第一生成模块,用于根据所述分类概率向量生成台风训练检测模型;
第二生成模块,用于将标识文件带入所述台风训练检测模型进行模型训练,生成台风识别模型。
7.根据权利要求6所述的台风识别模型的生成装置,其特征在于,所述获取模块包括:
转换单元,用于将所述遥感数据转换成灰度图;
标识单元,用于在所述灰度图上标注台风区域信息,生成所述标识文件,所述台风区域标注信息包括台风区域的坐标信息、高信息和宽信息。
8.根据权利要求6所述的台风识别模型的生成装置,其特征在于,所述提取模块包括:
生成单元,用于根据卷积神经网络生成特征图;
待检框单元,用于将所述特征图输入一个卷积层,获得待检框,所述待检框用于候选区域提取;
提取单元,用于将所述待检框映射至所述特征图,提取所述待检框对应的特征图信息并获得待检数据;
输出单元,用于将所述待检数据输入至全连接层、relu层和softmax层进行处理,并输出所述待检数据的分类概率向量。
9.一种设备,其特征在于,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的台风识别模型的生成方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有指令,当所述指令在计算机上运行时,使得所述计算机执行如权利要求1至5任一项所述的台风识别模型的生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110364826.6A CN112801227B (zh) | 2021-04-06 | 2021-04-06 | 一种台风识别模型的生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110364826.6A CN112801227B (zh) | 2021-04-06 | 2021-04-06 | 一种台风识别模型的生成方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112801227A true CN112801227A (zh) | 2021-05-14 |
CN112801227B CN112801227B (zh) | 2021-09-28 |
Family
ID=75816308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110364826.6A Active CN112801227B (zh) | 2021-04-06 | 2021-04-06 | 一种台风识别模型的生成方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801227B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114049545A (zh) * | 2021-11-05 | 2022-02-15 | 中山大学 | 一种基于点云体素的台风定强方法、系统、设备及介质 |
CN115016041A (zh) * | 2022-08-09 | 2022-09-06 | 中国科学院自动化研究所 | 台风强度确定方法、装置、电子设备及存储介质 |
WO2022266910A1 (zh) * | 2021-06-24 | 2022-12-29 | 清华大学 | 台风活动的预测方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104966102A (zh) * | 2015-06-23 | 2015-10-07 | 国家卫星气象中心 | 基于卫星图像的台风检测方法 |
US20180143347A1 (en) * | 2016-11-18 | 2018-05-24 | The Government Of The United States Of America, As Represented By The Secretary Of The Navy | Automated Tropical Cyclone Genesis Definition and Tracking |
CN110751209A (zh) * | 2019-10-18 | 2020-02-04 | 北京邮电大学 | 一种融合深度图像分类和检索的智能台风定强方法 |
CN111273378A (zh) * | 2020-05-07 | 2020-06-12 | 南京海气智绘信息技术有限公司 | 一种基于风应力扰动的台风中心定位方法 |
CN112069955A (zh) * | 2020-08-26 | 2020-12-11 | 河海大学 | 基于深度学习的台风强度遥感反演方法 |
CN112419259A (zh) * | 2020-11-19 | 2021-02-26 | 中国石油大学(华东) | 基于卷积神经网络的台风图像自动检测系统、计算机设备、存储介质 |
CN112509285A (zh) * | 2020-11-14 | 2021-03-16 | 韩瑞 | 基于cnn的全球台风报文收集方法及收集系统 |
-
2021
- 2021-04-06 CN CN202110364826.6A patent/CN112801227B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104966102A (zh) * | 2015-06-23 | 2015-10-07 | 国家卫星气象中心 | 基于卫星图像的台风检测方法 |
US20180143347A1 (en) * | 2016-11-18 | 2018-05-24 | The Government Of The United States Of America, As Represented By The Secretary Of The Navy | Automated Tropical Cyclone Genesis Definition and Tracking |
CN110751209A (zh) * | 2019-10-18 | 2020-02-04 | 北京邮电大学 | 一种融合深度图像分类和检索的智能台风定强方法 |
CN111273378A (zh) * | 2020-05-07 | 2020-06-12 | 南京海气智绘信息技术有限公司 | 一种基于风应力扰动的台风中心定位方法 |
CN112069955A (zh) * | 2020-08-26 | 2020-12-11 | 河海大学 | 基于深度学习的台风强度遥感反演方法 |
CN112509285A (zh) * | 2020-11-14 | 2021-03-16 | 韩瑞 | 基于cnn的全球台风报文收集方法及收集系统 |
CN112419259A (zh) * | 2020-11-19 | 2021-02-26 | 中国石油大学(华东) | 基于卷积神经网络的台风图像自动检测系统、计算机设备、存储介质 |
Non-Patent Citations (2)
Title |
---|
王晓霞: "基于多源卫星数据的台风定位方法比较研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
蒋众名: "基于遥感数据的台风识别与中心定位方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022266910A1 (zh) * | 2021-06-24 | 2022-12-29 | 清华大学 | 台风活动的预测方法、装置、设备及存储介质 |
CN114049545A (zh) * | 2021-11-05 | 2022-02-15 | 中山大学 | 一种基于点云体素的台风定强方法、系统、设备及介质 |
CN115016041A (zh) * | 2022-08-09 | 2022-09-06 | 中国科学院自动化研究所 | 台风强度确定方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112801227B (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Heinzler et al. | Cnn-based lidar point cloud de-noising in adverse weather | |
CN112801227B (zh) | 一种台风识别模型的生成方法、装置、设备及存储介质 | |
CN107563372B (zh) | 一种基于深度学习ssd框架的车牌定位方法 | |
Siriborvornratanakul | An automatic road distress visual inspection system using an onboard in‐car camera | |
CN107784288B (zh) | 一种基于深度神经网络的迭代定位式人脸检测方法 | |
CN111598098B (zh) | 一种基于全卷积神经网络的水尺水位线检测及有效性识别方法 | |
CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
Yuan et al. | A method for the evaluation of image quality according to the recognition effectiveness of objects in the optical remote sensing image using machine learning algorithm | |
CN112232371A (zh) | 一种基于YOLOv3与文本识别的美式车牌识别方法 | |
Ghosh et al. | Automated detection and classification of pavement distresses using 3D pavement surface images and deep learning | |
CN112001922B (zh) | 带电设备的缺陷诊断方法及设备 | |
Berezina et al. | Hurricane damage assessment using coupled convolutional neural networks: a case study of hurricane Michael | |
Wen et al. | Automated pavement distress segmentation on asphalt surfaces using a deep learning network | |
CN117011274A (zh) | 自动化玻璃瓶检测系统及其方法 | |
CN113378642B (zh) | 一种对农村违法占地建筑物进行检测的方法 | |
Khoshboresh-Masouleh et al. | Robust building footprint extraction from big multi-sensor data using deep competition network | |
Boppana et al. | Comparative analysis of single-stage yolo algorithms for vehicle detection under extreme weather conditions | |
CN115984646B (zh) | 面向遥感跨卫星观测的分布式目标检测方法、装置和卫星 | |
Gao et al. | Traffic video-based moving vehicle detection and tracking in the complex environment | |
Su et al. | Change detection in synthetic aperture radar images based on non-local means with ratio similarity measurement | |
Tang et al. | Comparison of visual features for image-based visibility detection | |
McFall et al. | Technical feasibility of creating a beach grain size database with citizen scientists | |
CN113780270B (zh) | 目标检测方法和装置 | |
CN115359346B (zh) | 基于街景图片的小微空间识别方法、装置及电子设备 | |
CN116129280B (zh) | 一种遥感影像雪检测的方法 |
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 |