CN113887381A - 轻量化卫星云图神经网络训练方法以及降雨检测方法 - Google Patents
轻量化卫星云图神经网络训练方法以及降雨检测方法 Download PDFInfo
- Publication number
- CN113887381A CN113887381A CN202111147712.2A CN202111147712A CN113887381A CN 113887381 A CN113887381 A CN 113887381A CN 202111147712 A CN202111147712 A CN 202111147712A CN 113887381 A CN113887381 A CN 113887381A
- Authority
- CN
- China
- Prior art keywords
- satellite cloud
- cloud picture
- neural network
- satellite
- module
- 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
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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种轻量化卫星云图神经网络训练方法以及降雨检测方法,包括卫星云图图像预处理流程以及神经网络的训练流程;卫星云图图像预处理流程包括:将卫星云图照片输入卫星云图照片集;通过与卫星云图相同时间的GPM降水分布图;对卫星云图照片中所有降水区域进行画框标记;将已标注的卫星云图进行图像阈值二值化操作;神经网络的训练流程包括:将卫星云图照片进行图像增强处理;建立轻量化目标检测算法M‑YOLOv4;获取对应的损失函数;将卫星云图图像输入到神经网络中,得到该算法推理后的结果;计算对应的损失函数的函数值,得出对应的权重值。本发明使用深度学习技术进行图像训练,用于获取卫星云图中的降水检测区域。
Description
技术领域
本发明涉及遥感图像处理技术领域,特别是涉及一种轻量化卫星云图神经网络训练方法以及降雨检测方法。
背景技术
卫星云图属于一种遥感图像,由气象卫星拍摄而成,从卫星云图我们可以看到在地球上每天平均有近一半以上的地区是被云层覆盖着,有些地方云层厚一些,有些地方云层很薄,隐约可以看到云层下面地物信息,而覆盖着的云是天气过程的重要扮演者,它因大气运动而产生,同时也表征了空气的物理变化特征。天空里各种类型的云一般都是由水、冰晶或其混合物构成的,云不与地面相接,且必须有一定厚度。云按照形成的原因、物理特性,以及自身的外形特征、颜色、云底高度等被分为3组10属29类,不同云的出现,往往代表着不同的大气运动情况,对天气的变化起到很强的指示意义,因此也就有了看云识天气这么一说,一些天气现象的发生总是同一些类型的云联系在一起。卫星云图具有观察范围大,观测密度大,全天候等优势,经过多年的发展,卫星云图在大气科学研究、自然灾害观测和气象预测中发挥着越来越重要的作用。
目前对卫星云图检测研究较少,大部分做的还只是云图识别,无法精确定位到某一个云团,少部分做的云图检测,因边缘设备内存和计算受限的缘故,该部分算法模型无法应用在边缘设备上。
深度学习是学习样本数据的内在规律和表示层次,在学习的过程中,机器逐渐学会像人一样具有分析学习能力,深度学习是由许多层组成的人工神经网络,网络的较高层可以获得建立在来自较低层的输入上的更多抽象特征,深度学习的主要能力是自动提取特征。目前卫星云图降水检测大部分还是使用机器学习算法,只有少部分使用深度学习算法。采用机器学习算法,人工筛选出卫星云图云团特征,将筛选的特征送入机器学习算法。但是,有以下缺点:1、人工筛选特征成本过大;2、特征筛选所需周期长,现有采用深度学习算法去做卫星云图降水检测的模型,缺点有:模型参数量极大,检测速度慢。
因此,现有技术的缺陷是,缺少一种轻量化卫星云图降雨检测算法,该算法使用深度学习技术进行图像训练,用于获取卫星云图中的降水检测区域。
发明内容
有鉴于现有技术的至少一个缺陷,本发明的目的是提供一种轻量化卫星云图神经网络训练方法以及降雨检测方法,该算法使用深度学习技术进行图像训练,用于获取卫星云图中的降水检测区域。
为了达到上述目的,本发明采用如下技术方案:一种轻量化卫星云图神经网络训练方法,包括卫星云图图像预处理流程以及神经网络的训练流程;
卫星云图图像预处理流程包括如下步骤:
步骤A1:建立卫星云图照片集,将卫星云图照片输入卫星云图照片集;建立相应的降水分布图集,将相应的GPM降水分布图存入降水分布图集;
步骤A2:依次从卫星云图照片集中取出卫星云图照片;
步骤A3:再取出相应的GPM降水分布图,该GPM降水分布图与卫星云图照片的日期相同;其中,GPM降水分布图由气象局提供;
步骤A4:找到GPM降水分布图中的降水区域,使用标记工具人工对相应的卫星云图照片中所有的降水云团进行标记;
步骤A5:将标记好的卫星云图照片,采用图像阈值二值化操作得到预处理后的卫星云图照片;
步骤A6:判断是否还有未标记的卫星云图照片,如果有转步骤A2,没有,则结束;
神经网络的训练流程包括如下步骤:
步骤B1:获取标记好的卫星云图照片集;
步骤B2:将卫星云图照片集中的卫星云图照片进行图像增强处理,得到增强处理后的卫星云图图像;
步骤B3:建立自定义的M-YOLOv4神经网络模型;
步骤B4:获取M-YOLOv4神经网络模型对应的损失函数;
步骤B5:确定损失函数的迭代次数阈值;
步骤B6:从卫星云图照片集中依次取出卫星云图图像,将卫星云图图像输入到M-YOLOv4神经网络模型中,得到预测结果;
步骤B7:根据人工标记的结果和对应的预测结果,计算对应的损失函数的函数值,训练M-YOLOv4神经网络模型,得出对应的权重值;
步骤B8:判断损失函数的迭代次数是否大于迭代次数阈值;如果是转步骤B9,否则转步骤B6;
步骤B9:保存该权重值作为最终权重值。
所述的轻量化卫星云图神经网络训练方法,所述步骤A5包括:
步骤A5:采用公式(1)对标记好的卫星云图照片进行图像阈值二值化操作;
其中,pre_pixel为卫星云图照片中原始像素点值,M为像素点阈值,M可取195;New_pixel是经过图像阈值二值化操作后的像素点值。
由于降水云最主要的特征是云层厚,这里我们可以采用图像阈值二值化来进行图像预处理,图像由RGB构成,云层厚的地方,图像像素值相应的更大,图像阈值二值化是指设定一个像素点阈值,大于该像素点阈值时像素的值不变,小于像素点阈值时则将该像素点的值取为0。
所述的轻量化卫星云图神经网络训练方法,所述步骤B2包括,
步骤B21:对卫星云图照片集中的卫星云图照片进行水平翻转;
步骤B22:将水平翻转和未水平翻转的卫星云图照片混合,从中随机取出4张图片,4张图片随机位置随机裁剪拼接成新图。
所述的轻量化卫星云图神经网络训练方法,所述步骤B3中自定义的M-YOLOv4神经网络模型包括:
Input模块、Backbone模块、Neck模块以及Head模块;
Input模块用于获取卫星云图图像;Backbone模块用于提取Input模块输入的卫星云图图像的浅层图像特征;Neck模块对Backbone模块提取的浅层图像特征进行增强处理;Head模块获取Neck模块增强处理后的图像特征,解码这些特征获得输出结果;其中,Backbone模块采用MobileNetv1网络作为主干特征提取网络;Neck模块采用深度可分离卷积DW-PANet作为特征融合模块,Neck模块还采用spp层作为附加模块。
所述的轻量化卫星云图神经网络训练方法,所述Backbone模块的Conv_block模块由3×3卷积、Batch Normalization层和Relu6激活函数构成;Backbone模块的DW_block模块由深度可分离卷积Dwconv、Batch Normalization层、Relu6激活函数、1×1卷积、BatchNormalization层和Relu6激活函数构成;
Backbone模块的DBM模块由深度可分离卷积Dwconv、Batch Normalization层和Mish激活函数构成;加强特征提取网络采用深度可分离卷积DW-PANet和spp层,进一步的加大感受野。后阶段我们采用spp层并定制了新的DW-PANet,进一步的加大感受野,而进一步加大了提取特征的能力。
所述的轻量化卫星云图神经网络训练方法,所述M-YOLOv4神经网络模型的损失函数包括类别损失函数、置信度损失函数和位置损失函数;类别损失函数和置信度损失函数采用二元交叉熵损失函数L;
其中N表示样本个数;i=1-N;yi表示样本i的label,正类为1,负类为0;pi表示样本i预测正类的概率;
位置损失函数LcIou采用CIOU损失函数;
其中,b是预测框,bgt为真实框;w和h分别是预测框的宽和高;wgt和hgt分别是真实框的宽和高。
所述的轻量化卫星云图神经网络训练方法,所述迭代次数阈值为3000次。
一种轻量化卫星云图降雨检测方法;
包括如下步骤:
步骤C1:获取卫星云图照片;
步骤C2:将该卫星云图照片进行图像阈值二值化操作;
步骤C3:采用权利要求1-8的M-YOLOv4神经网络模型和最终权重值对卫星云图照片进行处理,生成对应的降水区域;
步骤C4:将降水区域显示在相应的未预处理的卫星云图照片上。
通过将日期相同的卫星云图和GPM降水分布图取出来,找到GPM降水分布图中降水区域,对应到卫星云图照片,得到已标注的卫星云图照片。
通过神经网络的训练流程在已标注卫星云图照片的基础上进行深度识别,使用深度神经网络算法进行降水区域生成。得到M-YOLOv4神经网络模型的最终权重值。
所述的轻量化卫星云图检测算法,所述步骤C3采用创新的轻量化目标检测算法M-YOLOv4;参数量更低,检测速度更快。
显著效果:本发明提供了一种轻量化卫星云图神经网络训练方法以及降雨检测方法,该方法使用深度学习技术进行图像训练,用于获取卫星云图中的降水检测区域。
附图说明
图1为卫星云图照片标注和图像预处理的流程图;
图2为M-YOLOv4神经网络模型的训练流程图;
图3为卫星云图降雨检测方法的流程图;
图4为本方法的一种具体使用示意图;
图5为卫星云图照片的水平翻转示意图;
图6为M-YOLOv4神经网络模型的网络结构图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
如图1-图6所示,一种轻量化卫星云图神经网络训练方法,包括卫星云图标注和图像预处理流程以及M-YOLOv4神经网络模型的训练流程;
卫星云图标注和图像预处理流程流程包括如下步骤:
步骤A1:建立卫星云图照片集,将卫星云图照片输入卫星云图照片集;
步骤A2:依次从卫星云图照片集中取出卫星云图照片;
步骤A3:取出与步骤A2中卫星云图时间相同的GPM降水分布图;
步骤A4:使用标记工具人工找到GPM降水分布图中降水区域,降水区域对应到卫星图像上,并标记;
步骤A5:利用图像阈值二值化操作对卫星云图进行图像预处理操作。
输入卫星云图照片,利用GPM降水分布图,两者对比标记,在卫星云图上找到降水区域,给出对应降水云的标签;其数据的XML文件示例如下:
其中,XML文件是生成的标记文件,我们对云图标记的结果储存在XML文件中;标记了一张卫星云图照片之后,标记框的坐标点,类别信息都储存在XML文件里面;object代表一个卫星云图照片中标记的一个降水区域;name代表标记的类别,这里将降水云标记为cloud,bndbox下面的四个值分别对应标记框左上角坐标点,右下角坐标点。
卫星云图照片来自于国家气象局提供的照片;
其中,步骤A6:判断是否还有未标记的卫星云图照片,如果有转步骤A2,没有,则结束。
M-YOLOv4神经网络模型的训练流程包括如下步骤:
步骤B1:获取标记的卫星云图照片集;
步骤B2:将卫星云图照片集中的卫星云图照片进行图像增强处理;得到增强处理的卫星云图图像;
步骤B3:建立自定义的M-YOLOv4神经网络模型;
步骤B4:获取M-YOLOv4神经网络模型对应的损失函数;
步骤B5:确定该神经网络模型训练的迭代次数阈值;
步骤B6:从卫星云图照片集中依次取出卫星云图图像,将卫星云图图像输入到M-YOLOv4神经网络模型中,得到降水区域结果;
步骤B7:根据人工标记的降水区域和模型推理得到的降水区域,计算对应的损失函数的函数值,训练M-YOLOv4神经网络模型,得出对应的权重值;
步骤B9:判断该神经网络模型训练的迭代次数是否大于迭代次数阈值;如果是转步骤B10,否则转步骤B6;
步骤B10:保存该权重值作为最终权重值。
所述的轻量化卫星云图降水检测方法,其关键在于,
所述步骤A5中图像阈值二值化图像预处理操作,利用降水云云层厚,像素值大的特点,将非降水云区域的像素点值取为0。
通过上述方法设置,降水云区域保存下来了,非降水云区域去除了,极大的去除了非降水云区域的干扰;
所述的轻量化卫星云图降水检测方法,其关键在于,所述步骤B2包括,
步骤B21:对卫星云图照片集中的卫星云图照片进行水平翻转;
将卫星云图照片以垂直中线为中心,左右互换。这样做的目的在于:加大了照片集。
步骤B22:对水平翻转后的每张卫星云图照片随机一部分裁剪得到该图像子块,将四个随机裁剪后的图像子块进行拼接,得到新的卫星云图图片,将新的卫星云图图像加入卫星云图照片集中。
这个过程被称为数据增强,将图像增强后的卫星云图图像加入卫星云图照片集中;这个步骤的目的是克服掉我们图像库的图像不够多的问题。
所述的轻量化卫星云图降水检测方法,其关键在于,所述终止迭代次数阈值为3000次。
从卫星云图照片集中不断取增强图像进行迭代,如果迭代次数达到3000次后终止并保存权重。
本发明中,我们使用了自定义轻量化神经网络模型M-YOLOv4,其主干网络选用了MobileNetv1,并将加强特征提取网络PANet中的普通卷积全部换成深度可分离卷积,新的加强特征提取网络为DW-PANet,它能提供更好的精度和更快的速度;其最后在卫星云图上显示降水区域是用M-YOLOv4模型推理后的结果在未被预处理的卫星云图上显示来得到。
M-YOLOv4神经网络模型网络结构如图6所示。
M-YOLOv4网络结构主要包括backbone,neck,head三个部分。M-YOLOv4的backbone是mobilenetv1作为主干网络提取卫星云图图片中特征,由Conv_block,DW_block组成,其中Conv_block是由卷积核尺寸3x3的卷积、BN层和Relu6激活函数组成,DW_block是由3x3的深度卷积、BN层、Relu6、1x1的普通卷积、BN层和Relu6激活函数组成。Neck部分由DW-PANet和SPP层构成,该部分可以增强特征提取,SPP层由四个不同尺度的最大池化进行处理,最大池化的池化核大小分别为13×13、9×9、5×5、1×1(1×1即无处理),DW-PANet由一系列卷积,池化和上采样层构成,其非常重要的特点就是特征反复提取,head采用YOLOv3head,该部分功能将提取到的特征进行解码,得到预测的结果,YOLOv3head由3x3卷积和1x1卷积构成,3x3卷积的作用是特征整合,1x1卷积的作用是调整通道数。
其中:Conv_block由3×3卷积,Batch Normalization层和Relu6激活函数构成;DBM由深度可分离卷积DWconv,Batch Normalization层和Mish激活函数构成;DW_block由深度可分离卷积DWconv,Batch Normalization层,Relu6激活函数,1×1卷积,BatchNormalization层和Relu6激活函数构成。M-YOLOv4神经网络模型前面部分使用MobileNetv1网络作为主干网络,提取特征。后阶段我们采用spp层并定制了新的DW-PANet,进一步的加大感受野,而进一步加大了提取特征的能力。
所述的轻量化卫星云图降水检测方法,其关键在于,所述M-YOLOv4神经网络模型的对应损失函数由三个部分组成类别损失函数、置信度损失函数和位置损失函数。类别损失函数和置信度损失函数采用二元交叉熵损失函数,位置损失函数采用CIOU损失函数分别如公式(1)和(2)所示:
yi表示样本i的label,正类为1,负类为0;
pi表示样本i预测正类的概率;
使用这个M-YOLOv4神经网络模型和损失函数,我们可以把输入的增强图像和对应的人工标注的标签文件进行训练,并反向求导,不断逼近,得出对应的权重值。我们的初始学习率为0.01,整个迭代次数的百分之二十,学习率下降十倍,至0.0001后不再下降,这样的学习可以更快更准确。
如图3所示,一种轻量化卫星云图降水检测方法,其关键在于,
包括如下步骤:
步骤C1:获取新的卫星云图照片;
步骤C2:将该卫星云图进行图像阈值二值化操作;
步骤C3:使用M-YOLOv4神经网络模型和最终权重值对新的卫星云图照片进行处理,生成对应的降水区域;
步骤C4:将降水区域显示在未预处理的卫星云图上。
通过上述的检测方法设置,通过对新的卫星云图进行图像阈值二值化操作,我们将卫星云图中降水区域突显出来,去除非降水云的干扰;在本方法中,使用了自定义轻量化的神经网络模型M-YOLOv4,以达到更快的效果。并且一次性的给出待检测的卫星云图降水区域。
如图4所示,为本方法的一种具体使用示意图,步骤1为获取卫星云图数据集,步骤2为对卫星云图图片进行图像阈值二值化操作,步骤3为对卫星云图数据集进行图像增强处理,步骤4为采用自定义轻量化神经网络模型M-YOLOv4对增强图像进行推理,步骤5为推理后的结果在未预处理的卫星云图上显示出来。
由于存储空间和运算资源的受限,将神经网络模型运用在边缘设备上仍然是一个巨大的挑战。为了更好地将神经网络模型运用在边缘设备上,现在越来越多人开始关注轻量型神经网络,MobileNetv1能够减少参数量和计算量的原因是采用深度可分离卷积减少参数量和用步长为2的卷积来替代Maxpooling和卷积层,这样做计算量变为原来的1/4左右,且省去了Maxpooling的计算量。当使用3×3卷积核时,参数量得到了极大的下降,运算速度得到极大提升。能更好地的应用于边缘设备上。
本发明具有如下特征:
特征一、通过GPM降水分布图对卫星云图进行数据标注;
特征二、使用图像阈值二值化的方式对已标注的卫星云图进行图像预处理,使得我们卫星云图变为大部分是降水云的卫星云图;
特征三、第一阶段在图像预处理后的卫星云图基础上进行神经网络模型训练,使用训练好的自定义轻量化目标检测算法M-YOLOv4进行推理生成降水区域;
特征四、在本方法中,我们使用了自定义轻量化神经网络模型M-YOLOv4,以达到更快的效果。并且,我们一次性在卫星云图上显示降水区域的结果;精度也有一定的提升。
最后,需要注意的是:以上列举的仅是本发明的具体实施例子,当然本领域的技术人员可以对本发明进行改动和变型,倘若这些修改和变型属于本发明权利要求及其等同技术的范围之内,均应认为是本发明的保护范围。
Claims (8)
1.一种轻量化卫星云图神经网络训练方法,其特征在于,包括卫星云图图像预处理流程以及神经网络的训练流程;
卫星云图图像预处理流程包括如下步骤:
步骤A1:建立卫星云图照片集,将卫星云图照片输入卫星云图照片集;建立相应的降水分布图集,将相应的GPM降水分布图存入降水分布图集;
步骤A2:依次从卫星云图照片集中取出卫星云图照片;
步骤A3:再取出相应的GPM降水分布图,该GPM降水分布图与卫星云图照片的日期相同;
步骤A4:找到GPM降水分布图中的降水区域,使用标记工具人工对相应的卫星云图照片中所有的降水云团进行标记;
步骤A5:将标记好的卫星云图照片,采用图像阈值二值化操作得到预处理后的卫星云图照片;
步骤A6:判断是否还有未标记的卫星云图照片,如果有转步骤A2,没有,则结束;
神经网络的训练流程包括如下步骤:
步骤B1:获取标记好的卫星云图照片集;
步骤B2:将卫星云图照片集中的卫星云图照片进行图像增强处理,得到增强处理后的卫星云图图像;
步骤B3:建立自定义的M-YOLOv4神经网络模型;
步骤B4:获取M-YOLOv4神经网络模型对应的损失函数;
步骤B5:确定损失函数的迭代次数阈值;
步骤B6:从卫星云图照片集中依次取出卫星云图图像,将卫星云图图像输入到M-YOLOv4神经网络模型中,得到预测结果;
步骤B7:根据人工标记的结果和对应的预测结果,计算对应的损失函数的函数值,训练M-YOLOv4神经网络模型,得出对应的权重值;
步骤B8:判断损失函数的迭代次数是否大于迭代次数阈值;如果是转步骤B9,否则转步骤B6;
步骤B9:保存该权重值作为最终权重值。
3.根据权利要求1所述的轻量化卫星云图神经网络训练方法,其特征在于:所述步骤B2包括,
步骤B21:对卫星云图照片集中的卫星云图照片进行水平翻转;
步骤B22:将水平翻转和未水平翻转的卫星云图照片混合,从中随机取出4张图片,4张图片随机位置随机裁剪拼接成新图。
4.根据权利要求1所述的轻量化卫星云图神经网络训练方法,其特征在于:所述步骤B3中自定义的M-YOLOv4神经网络模型包括:
Input模块、Backbone模块、Neck模块以及Head模块;
Input模块用于获取卫星云图图像;Backbone模块用于提取Input模块输入的卫星云图图像的浅层图像特征;Neck模块对Backbone模块提取的浅层图像特征进行增强处理;Head模块获取Neck模块增强处理后的图像特征,解码这些特征获得输出结果;其中,Backbone模块采用MobileNetv1网络作为主干特征提取网络;Neck模块采用深度可分离卷积DW-PANet作为特征融合模块,Neck模块还采用spp层作为附加模块。
5.根据权利要求4所述的轻量化卫星云图神经网络训练方法,其特征在于:所述Backbone模块的Conv_block模块由3×3卷积、Batch Normalization层和Relu6激活函数构成;Backbone模块的DW_block模块由深度可分离卷积Dwconv、Batch Normalization层、Relu6激活函数、1×1卷积、Batch Normalization层和Relu6激活函数构成;
Backbone模块的DBM模块由深度可分离卷积Dwconv、Batch Normalization层和Mish激活函数构成;
加强特征提取网络采用深度可分离卷积DW-PANet和spp层,进一步的加大感受野。
6.根据权利要求1所述的轻量化卫星云图神经网络训练方法,其特征在于:所述M-YOLOv4神经网络模型的损失函数包括类别损失函数、置信度损失函数和位置损失函数;类别损失函数和置信度损失函数采用二元交叉熵损失函数L;
其中N表示样本个数;i=1-N;yi表示样本i的label,正类为1,负类为0;pi表示样本i预测正类的概率;
位置损失函数LcIou采用CIOU损失函数;
其中,b是预测框,bgt为真实框;w和h分别是预测框的宽和高;wgt和hgt分别是真实框的宽和高。
7.根据权利要求1所述的轻量化卫星云图神经网络训练方法,其特征在于:所述迭代次数阈值为3000次。
8.一种轻量化卫星云图降雨检测方法,其特征在于:
包括如下步骤:
步骤C1:获取卫星云图照片;
步骤C2:将该卫星云图照片进行图像阈值二值化操作;
步骤C3:采用权利要求1-8任一项所述的M-YOLOv4神经网络模型和最终权重值对卫星云图照片进行处理,生成对应的降水区域;
步骤C4:将降水区域显示在相应的未预处理的卫星云图照片上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111147712.2A CN113887381A (zh) | 2021-09-29 | 2021-09-29 | 轻量化卫星云图神经网络训练方法以及降雨检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111147712.2A CN113887381A (zh) | 2021-09-29 | 2021-09-29 | 轻量化卫星云图神经网络训练方法以及降雨检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113887381A true CN113887381A (zh) | 2022-01-04 |
Family
ID=79007752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111147712.2A Pending CN113887381A (zh) | 2021-09-29 | 2021-09-29 | 轻量化卫星云图神经网络训练方法以及降雨检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887381A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898171A (zh) * | 2022-04-07 | 2022-08-12 | 中国科学院光电技术研究所 | 一种适用于嵌入式平台的实时目标检测方法 |
-
2021
- 2021-09-29 CN CN202111147712.2A patent/CN113887381A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898171A (zh) * | 2022-04-07 | 2022-08-12 | 中国科学院光电技术研究所 | 一种适用于嵌入式平台的实时目标检测方法 |
CN114898171B (zh) * | 2022-04-07 | 2023-09-22 | 中国科学院光电技术研究所 | 一种适用于嵌入式平台的实时目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jia et al. | Detection and segmentation of overlapped fruits based on optimized mask R-CNN application in apple harvesting robot | |
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
CN109977918B (zh) | 一种基于无监督域适应的目标检测定位优化方法 | |
CN111415316B (zh) | 基于生成对抗网络的缺陷数据合成方法 | |
CN108805070A (zh) | 一种基于嵌入式终端的深度学习行人检测方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN106897673B (zh) | 一种基于retinex算法和卷积神经网络的行人再识别方法 | |
CN108121997A (zh) | 使用机器学习模型的图像数据中的对象分类 | |
CN104462494B (zh) | 一种基于无监督特征学习的遥感图像检索方法及系统 | |
CN111753677B (zh) | 基于特征金字塔结构的多角度遥感船舶图像目标检测方法 | |
CN108122239A (zh) | 使用深度分割的图像数据中的对象检测 | |
CN112560675B (zh) | Yolo与旋转-融合策略相结合的鸟类视觉目标检测方法 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN113160062B (zh) | 一种红外图像目标检测方法、装置、设备及存储介质 | |
CN113076871A (zh) | 一种基于目标遮挡补偿的鱼群自动检测方法 | |
CN114612769B (zh) | 一种融入局部结构信息的集成感知红外成像舰船检测方法 | |
CN112733614B (zh) | 一种带有相似尺寸强化识别的害虫图像检测方法 | |
CN106709517A (zh) | 红树林识别方法及系统 | |
CN114943876A (zh) | 一种多级语义融合的云和云影检测方法、设备及存储介质 | |
CN114943893B (zh) | 一种土地覆盖分类的特征增强方法 | |
CN114140665A (zh) | 一种基于改进YOLOv5的密集小目标检测方法 | |
CN111563408A (zh) | 多层次感知特征渐进自学习的高分辨率影像滑坡自动检测方法 | |
CN115050021A (zh) | 基于改进YOLOv4的非结构环境下葡萄识别方法 | |
CN116091946A (zh) | 一种基于YOLOv5的无人机航拍图像目标检测方法 | |
CN113887649B (zh) | 一种基于深层特征和浅层特征融合的目标检测方法 |
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 |