CN114220024A - 基于深度学习的静止卫星沙尘暴识别方法 - Google Patents
基于深度学习的静止卫星沙尘暴识别方法 Download PDFInfo
- Publication number
- CN114220024A CN114220024A CN202111577050.2A CN202111577050A CN114220024A CN 114220024 A CN114220024 A CN 114220024A CN 202111577050 A CN202111577050 A CN 202111577050A CN 114220024 A CN114220024 A CN 114220024A
- Authority
- CN
- China
- Prior art keywords
- data
- dust
- convolution
- sand
- deep learning
- 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
- G06F18/21—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
- 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
-
- 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)
- 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)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于深度学习的静止卫星沙尘暴识别方法,包括:提取m*m区域的静止卫星所有波段的光谱值,通过RGB值对m*m格点进行标记,形成包含非沙尘数据集和沙尘数据集的训练集;使用深度学习方法CNN自动学习训练集特征,通过每次均经过卷积层处理和池化层处理的三次隐藏层卷积过程,最后使用全连接层将卷积结果输出为沙尘和非沙尘两类数据,最终形成CNN沙尘模型;选取一个出现沙尘时次,采用RGB值标记方法生成测试集;将测试数据集输入CNN沙尘模型形成沙尘预测数据。本发明采用卷积神经网络CNN深度学习,从而提取有效的通道,以及提取对应特征,减少了人为选定特征或通道的不确定性,并且不需要不断调试阈值。
Description
技术领域
本发明属于沙尘暴识别技术领域,具体地讲,是涉及基于深度学习的静止卫星沙尘暴识别方法。
背景技术
沙尘暴是干旱和半干旱地区常见的气象灾害,沙尘暴造成的低能见度会引起交通混乱,细小的沙尘颗粒会损害人体的呼吸系统,给人们的生活和健康造成了严重的危害,当前识别沙尘过程主要包括气象站点和卫星识别,由于气象站点存在时间和空间上面的缺点,不能够大面积的观测沙尘,现在主要的研究方向为利用卫星数据识别沙尘,其中相较于极轨卫星,静止卫星其成像范围大,观测频次高,并且可以提供沙尘事件开始时间的时间覆盖范围以及显示沙尘事件的空间覆盖范围,静止卫星被广泛应用在沙尘识别过程中。
在使用静止卫星识别沙尘暴方法中,大多采用选取不同波段通道,选定阈值计算沙尘指数识别沙尘暴,比如,Legrand在《Satellite detection of dust using the IRimagery of Meteosat:1.Infrared difference dust index》中使用气象卫星红外通道,形成红外差异尘埃指数(IDDI)对沙尘进行探测;Qu在《Asian dust storm monitoringcombining terra and Aqua MODIS SRB measurements》中提出了一种利用MODIS反射率测量的归一化差分沙尘指数(NDDI);Lijian Han在《An enhanced dust index for Asiandust detection with MODIS images》中对NDDI进行了改进,形成增强尘埃指数(EDI),这些方法大致实现过程为,根据卫星传感器波段的特点,选取可见光、红外等多个通道光谱值,分析不同波段对沙尘的反射情况,根据通道的差异,使用算法和调节阈值,形成沙尘指数。
静止卫星沙尘暴方法中的沙尘指数,根据不同的通道特性,人为的选定沙尘相关通道,并且不同的卫星其波段范围也不同,这就导致同一种方法不能够很好的移植到其他静止卫星,在沙尘指数形成中,需要通过不断的调试算法阈值,确定最终的沙尘指数,该阈值的筛选随意性较大,形成沙尘指数的过程中人为主观性较强,并没有很好的深度挖掘通道与沙尘相关性。
发明内容
为了克服现有技术中的上述不足,本发明提供一种采用卷积神经网络CNN深度学习,从而提取有效的通道,以及提取对应特征,减少人为选定特征或通道的不确定性,并且不需要不断调试阈值的静止卫星沙尘暴识别方法。
为了实现上述目的,本发明采用的技术方案如下:
基于深度学习的静止卫星沙尘暴识别方法,包括以下步骤:
S1:提取m*m区域的静止卫星所有波段的光谱值,通过RGB值对m*m格点进行标记,形成包含非沙尘数据集和沙尘数据集的训练集;
S2:对步骤S1中形成的训练集,使用深度学习方法CNN自动学习数据集特征,通过每次均经过卷积层处理和池化层处理的三次隐藏层卷积过程,最后使用全连接层将卷积结果输出为沙尘和非沙尘两类数据,最终形成CNN沙尘模型;
S3:选取一个出现沙尘时次,提取m*m区域的静止卫星所有波段的光谱值,通过RGB值对m*m格点进行标记,形成包含非沙尘数据集和沙尘数据集的测试集;将测试数据集输入CNN沙尘模型形成沙尘预测数据。
进一步地,所述步骤S2包括以下子步骤:
S201:CNN输入层对训练集数据进行预处理;
S202:对输入层预处理后的数据集通过第一层隐藏层进行第一次卷积,卷积层处理过程中将卷积核设置为a*a;将步长设置为b;对原始图片做边界填充处理;对所有数据中每个数据按照概率c更改为零;设置输出数据的通道数为d;池化层处理过程中将池化窗口设置为e*e;
S203:在第一次卷积基础上通过第二层隐藏层进行第二次卷积,卷积层处理过程中将卷积核设置为a*a;将步长设置为b;对原始图片做边界填充处理;对所有数据中每个数据按照概率f更改为零;设置输出数据的通道数为d;池化层处理过程中将池化窗口设置为e*e;
S204:在第二次卷积基础上通过第三层隐藏层进行第二次卷积,卷积层处理过程中将卷积核设置为a*a;将步长设置为b;对原始图片做边界填充处理;对所有数据中每个数据按照概率f更改为零;设置输出数据的通道数为g;池化层处理过程中将池化窗口设置为e*e;
S205:使用全连接层将卷积结果输出为沙尘和非沙尘两类数据;
S206:通过输出层生成CNN沙尘模型。
进一步地,在步骤S202、S203、S204中,选择ReLU激活函数缓解过拟合问题的发生。
进一步地,在步骤S205和步骤S206之间,设置训练次数构成控制循环。
进一步地,训练次数设置为10次。
进一步地,在步骤S1中,提取m*m区域的静止卫星所有波段的光谱值,并计算对应格点的RGB数值,将m*m格点复制扩展为n*n的格点,并做归一化处理,其特征在卷积过程中不变,最终形成个数*格点长*格点宽*通道数的非沙尘数据集。
进一步地,在步骤S1中,提取m*m区域的静止卫星所有波段的光谱值,并计算对应格点的RGB数值,将m*m格点复制扩展为n*n的格点,并做归一化处理,其特征在卷积过程中不变,最终形成个数*格点长*格点宽*通道数的沙尘数据集。
进一步地,计算格点RGB数值的公式为:(65536*Blue)+(256*Green)+(Red)。
与现有技术相比,本发明具有以下有益效果:
(1)本发明通过提取m*m区域的静止卫星所有波段的光谱值,采用RGB值对该区域进行标记,标记为沙尘区和非沙尘区,然后使用卷积神经网络CNN进行三次卷积,每一次都经过卷积和池化处理,最后使用全连接层将结果输出为沙尘和非沙尘两类数据,最终形成CNN沙尘模型,在建立的CNN沙尘模型基础上,将测试数据集输入CNN沙尘模型形成沙尘预测数据,本发明通过构建具有三个隐藏层的深度学习模型和输入标记的训练集数据,来学习更重要的特征,将特征的学习融入到建立沙尘暴识别模型的整个过程中,从而减弱了人为选择特征或通道造成的不确定性,并且最终的输出结果不用再调试阈值。
(2)本发明通过对CNN三次卷积处理具体步骤的设置,实现了对训练集数据的深度学习,并最终形成了CNN沙尘模型。
(3)本发明通过选择ReLU激活函数,缓解了过拟合问题的发生。
(4)本发明在全连接层输出结果基础上,通过设置训练次数构成控制循环,并将训练次数设置为10次,从而输出准确率更高的数据。
(5)本发明通过采用具体的RGB值标记方法,对沙尘区和非沙尘区进行了标记,以及给出了计算格点RGB数值的公式,从而得到更优的训练集数据。
附图说明
图1为本发明的沙尘暴识别方法主流程图。
图2为本发明的CNN深度学习过程流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。
实施例
如图1至图2所示,本实施例提供了基于深度学习的静止卫星沙尘暴识别方法,包括以下步骤:
S1:提取m*m区域的静止卫星所有波段的光谱值,通过RGB值对m*m格点进行标记,形成包含非沙尘数据集和沙尘数据集的训练集;
S2:对步骤S1中形成的训练集,使用深度学习方法CNN自动学习数据集特征,通过每次均经过卷积层处理和池化层处理的三次隐藏层卷积过程,最后使用全连接层将卷积结果输出为沙尘和非沙尘两类数据,最终形成CNN沙尘模型;
S3:选取一个出现沙尘时次,提取m*m区域的静止卫星所有波段的光谱值,通过RGB值对m*m格点进行标记,形成包含非沙尘数据集和沙尘数据集的测试集;将测试数据集输入CNN沙尘模型形成沙尘预测数据。
本实施例根据沙尘RGB图像区分标记沙尘和非沙尘区,将所有通道光谱值作为输入,通过训练形成CNN沙尘模型,CNN的是英文Convolutional Neural Network的简称,中文名为卷积神经网络,CNN是一类包含卷积计算且具有深度结构的前馈神经网络,CNN具有极强的适应性,善于挖掘数据局部特征,提取全局训练特征和分类,该方法有效避免了人为选取通道和设定阈值导致的不确定性缺陷。
在本实施例中,所述步骤S2包括以下子步骤:
S201:CNN输入层对训练集数据进行预处理;
S202:对输入层预处理后的数据集通过第一层隐藏层进行第一次卷积,卷积层处理过程中将卷积核设置为a*a;将步长设置为b;对原始图片做边界填充处理;对所有数据中每个数据按照概率c更改为零;设置输出数据的通道数为d;池化层处理过程中将池化窗口设置为e*e;
S203:在第一次卷积基础上通过第二层隐藏层进行第二次卷积,卷积层处理过程中将卷积核设置为a*a;将步长设置为b;对原始图片做边界填充处理;对所有数据中每个数据按照概率f更改为零;设置输出数据的通道数为d;池化层处理过程中将池化窗口设置为e*e;
S204:在第二次卷积基础上通过第三层隐藏层进行第二次卷积,卷积层处理过程中将卷积核设置为a*a;将步长设置为b;对原始图片做边界填充处理;对所有数据中每个数据按照概率f更改为零;设置输出数据的通道数为g;池化层处理过程中将池化窗口设置为e*e;
S205:使用全连接层将卷积结果输出为沙尘和非沙尘两类数据;
S206:通过输出层生成CNN沙尘模型。
在本实施例中,对于步骤S202中的第一次卷积过程,根据输入的训练集数据,设置相关具体参数值,其中,卷积核:定义卷积核的大小范围,提取不同尺度的特征,本实施例中设置为3*3;步长:代表提取数据的精度,定义了卷积核在目标数据上每次卷积跨越的长度,本实施例中设置为1;填充:对原始图片做边界填充处理,避免目标数据和卷积核尺寸不一致问题;对所有数据中每个数据按照概率0.5更改为零;选择ReLU激活函数缓解了过拟合问题的发生;设置输出数据的通道数为8;池化层:保留主要的特征,同时减少下一层的参数和计算量,防止过拟合,本实施例中池化窗口设置为2*2。
在本实施例中,对于步骤S203在第一次卷积基础上通过第二层隐藏层进行第二次卷积,设置相关具体参数值,其中,卷积核:定义卷积核的大小范围,提取不同尺度的特征,本实施例中设置为3*3;步长:代表提取数据的精度,定义了卷积核在目标数据上每次卷积跨越的长度,本实施例中设置为1;填充:对原始图片做边界填充处理,避免目标数据和卷积核尺寸不一致问题;对所有数据中每个数据按照概率0.25更改为零;选择ReLU激活函数缓解了过拟合问题的发生;设置输出数据的通道数为8;池化层:保留主要的特征,同时减少下一层的参数和计算量,防止过拟合,本实施例中池化窗口设置为2*2。
在本实施例中,对于步骤S204在第二次卷积基础上通过第三层隐藏层进行第三次卷积,设置相关具体参数值,其中,卷积核:定义卷积核的大小范围,提取不同尺度的特征,本实施例中设置为3*3;步长:代表提取数据的精度,定义了卷积核在目标数据上每次卷积跨越的长度,本实施例中设置为1;填充:对原始图片做边界填充处理,避免目标数据和卷积核尺寸不一致问题;对所有数据中每个数据按照概率0.25更改为零;选择ReLU激活函数缓解了过拟合问题的发生;设置输出数据的通道数为10;池化层:保留主要的特征,同时减少下一层的参数和计算量,防止过拟合,本实施例中池化窗口设置为2*2。
在本实施例中,通过对CNN三次卷积处理具体步骤的设置,实现了对训练集数据的深度学习,并最终形成了CNN沙尘模型。
在本实施例中,通过选择ReLU激活函数,缓解了过拟合问题的发生。
在本实施例中,在全连接层输出结果基础上,通过设置训练次数构成控制循环,并将训练次数设置为10次,从而输出准确率更高的数据。
在本实施例中,在步骤S1中,提取m*m区域的静止卫星所有波段的光谱值,并计算对应格点的RGB数值,将m*m格点复制扩展为n*n的格点,并做归一化处理,其特征在卷积过程中不变,最终形成个数*格点长*格点宽*通道数的非沙尘数据集,本实施例中,提取2*2格点对应的所有通道值,并计算对应格点的RGB数值,具体计算公式为:(65536*Blue)+(256*Green)+(Red),当值小于设定设定值时,该点值为0,2*2格点中出现3或以上标记为0的格点时,标记该2*2区域为0,将2*2格点复制扩展为8*8的格点,并做归一化处理,其特征在卷积过程中不变,最终形成个数*格点长*格点宽*通道数的非沙尘数据集。
在本实施例中,在步骤S1中,提取m*m区域的静止卫星所有波段的光谱值,并计算对应格点的RGB数值,将m*m格点复制扩展为n*n的格点,并做归一化处理,其特征在卷积过程中不变,最终形成个数*格点长*格点宽*通道数的沙尘数据集,本实施例中,提取2*2格点对应的所有通道值,并计算对应格点的RGB数值,具体计算公式为:(65536*Blue)+(256*Green)+(Red),当值大于设定设定值时,该点值为1,2*2格点中出现2或以上标记为1的格点时,标记该2*2区域为1。将2*2格点复制扩展为8*8的格点,并做归一化处理,其特征在卷积过程中不变。最终形成个数*格点长*格点宽*通道数的沙尘数据集。
在本实施例中,通过采用具体的RGB值标记方法,对沙尘区和非沙尘区进行了标记,以及给出了计算格点RGB数值的公式,从而得到更优的训练集数据,对于测试集的生成,同样也采用此RGB值标记方法以得到更优的测试集数据。
本发明使用时,通过提取m*m区域的静止卫星所有波段的光谱值,采用RGB值对该区域进行标记,标记为沙尘区和非沙尘区,然后使用卷积神经网络CNN进行三次卷积,每一次都经过卷积和池化处理,最后使用全连接层将结果输出为沙尘和非沙尘两类数据,最终形成CNN沙尘模型,在建立的CNN沙尘模型基础上,将测试数据集输入CNN沙尘模型形成沙尘预测数据,本发明通过构建具有三个隐藏层的深度学习模型和输入标记的训练集数据,来学习更重要的特征,将特征的学习融入到沙尘暴识别的整个过程中,从而减弱了人为选择特征或通道造成的不确定性,并且最终的输出结果不用再调试阈值。
上述实施例仅为本发明的优选实施例,并非对本发明保护范围的限制,但凡采用本发明的设计原理,以及在此基础上进行非创造性劳动而做出的变化,均应属于本发明的保护范围之内。
Claims (8)
1.基于深度学习的静止卫星沙尘暴识别方法,其特征在于,包括以下步骤:
S1:提取m*m区域的静止卫星所有波段的光谱值,通过RGB值对m*m格点进行标记,形成包含非沙尘数据集和沙尘数据集的训练集;
S2:对步骤S1中形成的训练集,使用深度学习方法CNN自动学习数据集特征,通过每次均经过卷积层处理和池化层处理的三次隐藏层卷积过程,最后使用全连接层将卷积结果输出为沙尘和非沙尘两类数据,最终形成CNN沙尘模型;
S3:选取一个出现沙尘时次,提取m*m区域的静止卫星所有波段的光谱值,通过RGB值对m*m格点进行标记,形成包含非沙尘数据集和沙尘数据集的测试集;将测试数据集输入CNN沙尘模型形成沙尘预测数据。
2.根据权利要求1所述的基于深度学习的静止卫星沙尘暴识别方法,其特征在于,所述步骤S2包括以下子步骤:
S201:CNN输入层对训练集数据进行预处理;
S202:对输入层预处理后的数据集通过第一层隐藏层进行第一次卷积,卷积层处理过程中将卷积核设置为a*a;将步长设置为b;对原始图片做边界填充处理;对所有数据中每个数据按照概率c更改为零;设置输出数据的通道数为d;池化层处理过程中将池化窗口设置为e*e;
S203:在第一次卷积基础上通过第二层隐藏层进行第二次卷积,卷积层处理过程中将卷积核设置为a*a;将步长设置为b;对原始图片做边界填充处理;对所有数据中每个数据按照概率f更改为零;设置输出数据的通道数为d;池化层处理过程中将池化窗口设置为e*e;
S204:在第二次卷积基础上通过第三层隐藏层进行第二次卷积,卷积层处理过程中将卷积核设置为a*a;将步长设置为b;对原始图片做边界填充处理;对所有数据中每个数据按照概率f更改为零;设置输出数据的通道数为g;池化层处理过程中将池化窗口设置为e*e;
S205:使用全连接层将卷积结果输出为沙尘和非沙尘两类数据;
S206:通过输出层生成CNN沙尘模型。
3.根据权利要求2所述的基于深度学习的静止卫星沙尘暴识别方法,其特征在于:在步骤S202、S203、S204中,选择ReLU激活函数缓解过拟合问题的发生。
4.根据权利要求2或3所述的基于深度学习的静止卫星沙尘暴识别方法,其特征在于:在步骤S205和步骤S206之间,设置训练次数构成控制循环。
5.根据权利要求4所述的基于深度学习的静止卫星沙尘暴识别方法,其特征在于:训练次数设置为10次。
6.根据权利要求1所述的基于深度学习的静止卫星沙尘暴识别方法,其特征在于:在步骤S1中,提取m*m区域的静止卫星所有波段的光谱值,并计算对应格点的RGB数值,将m*m格点复制扩展为n*n的格点,并做归一化处理,其特征在卷积过程中不变,最终形成个数*格点长*格点宽*通道数的非沙尘数据集。
7.根据权利要求1所述的基于深度学习的静止卫星沙尘暴识别方法,其特征在于:在步骤S1中,提取m*m区域的静止卫星所有波段的光谱值,并计算对应格点的RGB数值,将m*m格点复制扩展为n*n的格点,并做归一化处理,其特征在卷积过程中不变,最终形成个数*格点长*格点宽*通道数的沙尘数据集。
8.根据权利要求6或7所述的基于深度学习的静止卫星沙尘暴识别方法,其特征在于:计算格点RGB数值的公式为:(65536*Blue)+(256*Green)+(Red)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111577050.2A CN114220024B (zh) | 2021-12-22 | 2021-12-22 | 基于深度学习的静止卫星沙尘暴识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111577050.2A CN114220024B (zh) | 2021-12-22 | 2021-12-22 | 基于深度学习的静止卫星沙尘暴识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114220024A true CN114220024A (zh) | 2022-03-22 |
CN114220024B CN114220024B (zh) | 2023-07-18 |
Family
ID=80704971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111577050.2A Active CN114220024B (zh) | 2021-12-22 | 2021-12-22 | 基于深度学习的静止卫星沙尘暴识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114220024B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117132752A (zh) * | 2023-10-24 | 2023-11-28 | 硕橙(厦门)科技有限公司 | 基于多维度加权的沙尘图像增强方法、装置、设备及介质 |
CN117951525A (zh) * | 2024-01-31 | 2024-04-30 | 内蒙古自治区气象数据中心(内蒙古自治区气象探测中心、内蒙古自治区气象档案馆) | 基于机器学习的静止卫星反演沙尘顶高方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104635242A (zh) * | 2015-02-16 | 2015-05-20 | 罗敬宁 | 一种基于多源卫星遥感数据的沙尘暴监测方法 |
CN109214250A (zh) * | 2017-07-05 | 2019-01-15 | 中南大学 | 一种基于多尺度卷积神经网络的静态手势识别方法 |
US20190019087A1 (en) * | 2016-03-25 | 2019-01-17 | Sony Corporation | Information processing apparatus |
CN109325514A (zh) * | 2018-08-02 | 2019-02-12 | 成都信息工程大学 | 基于改进cnn的简单学习框架的图像分类方法 |
CN109782373A (zh) * | 2018-12-14 | 2019-05-21 | 内蒙古工业大学 | 一种基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法 |
CN109784298A (zh) * | 2019-01-28 | 2019-05-21 | 南京航空航天大学 | 一种基于深度学习的室外非固定场景天气识别方法 |
CN110348624A (zh) * | 2019-07-04 | 2019-10-18 | 内蒙古工业大学 | 一种基于Stacking集成策略的沙尘暴等级预测方法 |
CN112633195A (zh) * | 2020-12-28 | 2021-04-09 | 杭州电子科技大学 | 一种基于频域特征与深度学习的心肌梗塞识别分类方法 |
CN214406429U (zh) * | 2020-12-23 | 2021-10-15 | 内蒙古自治区气象信息中心(内蒙古自治区农牧业经济信息中心)(内蒙古自治区气象档案馆) | 档案馆库房空气质量控制系统 |
-
2021
- 2021-12-22 CN CN202111577050.2A patent/CN114220024B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104635242A (zh) * | 2015-02-16 | 2015-05-20 | 罗敬宁 | 一种基于多源卫星遥感数据的沙尘暴监测方法 |
US20190019087A1 (en) * | 2016-03-25 | 2019-01-17 | Sony Corporation | Information processing apparatus |
CN109214250A (zh) * | 2017-07-05 | 2019-01-15 | 中南大学 | 一种基于多尺度卷积神经网络的静态手势识别方法 |
CN109325514A (zh) * | 2018-08-02 | 2019-02-12 | 成都信息工程大学 | 基于改进cnn的简单学习框架的图像分类方法 |
CN109782373A (zh) * | 2018-12-14 | 2019-05-21 | 内蒙古工业大学 | 一种基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法 |
CN109784298A (zh) * | 2019-01-28 | 2019-05-21 | 南京航空航天大学 | 一种基于深度学习的室外非固定场景天气识别方法 |
CN110348624A (zh) * | 2019-07-04 | 2019-10-18 | 内蒙古工业大学 | 一种基于Stacking集成策略的沙尘暴等级预测方法 |
CN214406429U (zh) * | 2020-12-23 | 2021-10-15 | 内蒙古自治区气象信息中心(内蒙古自治区农牧业经济信息中心)(内蒙古自治区气象档案馆) | 档案馆库房空气质量控制系统 |
CN112633195A (zh) * | 2020-12-28 | 2021-04-09 | 杭州电子科技大学 | 一种基于频域特征与深度学习的心肌梗塞识别分类方法 |
Non-Patent Citations (1)
Title |
---|
马林;孙艳云;苗传海;张钰祺;郭宗凯;王一;李琳;: "天气现象视频智能观测仪技术要求分析", 电子元器件与信息技术, no. 04, pages 73 - 74 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117132752A (zh) * | 2023-10-24 | 2023-11-28 | 硕橙(厦门)科技有限公司 | 基于多维度加权的沙尘图像增强方法、装置、设备及介质 |
CN117132752B (zh) * | 2023-10-24 | 2024-02-02 | 硕橙(厦门)科技有限公司 | 基于多维度加权的沙尘图像增强方法、装置、设备及介质 |
CN117951525A (zh) * | 2024-01-31 | 2024-04-30 | 内蒙古自治区气象数据中心(内蒙古自治区气象探测中心、内蒙古自治区气象档案馆) | 基于机器学习的静止卫星反演沙尘顶高方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114220024B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | HDCB-Net: A neural network with the hybrid dilated convolution for pixel-level crack detection on concrete bridges | |
CN108154192B (zh) | 基于多尺度卷积与特征融合的高分辨sar地物分类方法 | |
CN106875373B (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
CN104751478B (zh) | 一种基于多特征融合的面向对象的建筑物变化检测方法 | |
CN114220024A (zh) | 基于深度学习的静止卫星沙尘暴识别方法 | |
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 | |
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 | |
CN110929607A (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
CN108921120B (zh) | 一种适应广泛零售场景下的香烟识别方法 | |
CN113361425A (zh) | 一种基于深度学习的检测工人是否佩戴安全帽的方法 | |
CN110298227B (zh) | 一种基于深度学习的无人机航拍图像中的车辆检测方法 | |
CN112950780B (zh) | 一种基于遥感影像的网络地图智能生成方法及系统 | |
CN111126127B (zh) | 一种多级空间上下文特征指导的高分辨率遥感影像分类方法 | |
CN112488046B (zh) | 一种基于无人机高分辨率影像的车道线提取方法 | |
CN112149512A (zh) | 一种基于两阶段深度学习的安全帽佩戴识别方法 | |
CN107967474A (zh) | 一种基于卷积神经网络的海面目标显著性检测方法 | |
US20230351576A9 (en) | Half-cast mark identification and damaged flatness evaluation and classification method for blastholes in tunnel blasting | |
CN106023218B (zh) | 基于空谱联合背景共同稀疏表示的高光谱异常检测方法 | |
CN111368825A (zh) | 一种基于语义分割的指针定位方法 | |
CN115170979A (zh) | 一种多源数据融合的矿区精细用地分类方法 | |
CN109961105A (zh) | 一种基于多任务深度学习的高分辨率遥感影像分类方法 | |
CN115861715B (zh) | 基于知识表示增强的图像目标关系识别算法 | |
CN107506769A (zh) | 一种城市水体信息的提取方法及系统 | |
CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN113269028B (zh) | 一种基于深度卷积神经网络的水体变化检测方法和系统 |
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 |