CN114519806A - 一种大洋浪级观测模型训练方法及系统 - Google Patents
一种大洋浪级观测模型训练方法及系统 Download PDFInfo
- Publication number
- CN114519806A CN114519806A CN202210112584.6A CN202210112584A CN114519806A CN 114519806 A CN114519806 A CN 114519806A CN 202210112584 A CN202210112584 A CN 202210112584A CN 114519806 A CN114519806 A CN 114519806A
- Authority
- CN
- China
- Prior art keywords
- wave
- data
- level observation
- observation model
- 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.)
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请提供一种大洋浪级观测模型训练方法及系统,该方法包括:获取海浪视频、超广角天空视频和气象观测数据;对海浪视频、超广角天空视频和气象观测数据进行二次封装,得到封装海浪数据、封装天空数据和封装气象数据;根据封装天空数据和封装气象数据,对封装海浪数据进行筛选处理,得到有效海浪数据;根据预设的GPU卷积神经网络,对有效海浪数据进行深度学习建模,得到第一浪级观测模型;根据气象观测数据和第一浪级观测模型进行深度学习建模,得到大洋浪级观测模型。可见,实施这种实施方式,能够训练出一个优质的大洋浪级观测模型,从而以更低的成本、更高的精度、更高的稳定性对大洋海浪进行观测。
Description
技术领域
本申请涉及海浪观测领域,具体而言,涉及一种大洋浪级观测模型训练方法及系统。
背景技术
目前,海浪观测多集中于沿岸近海,不断更新的近海海浪观测方法已经能够较好的观测出近海海浪等级。然而,根据沿近海的海浪等级统计可知,轻浪及以下占比约70%,中浪占比约30%,除受台风等严重天气过程影响偶发短时大浪,并无再高级别海浪。
但是,大洋中的海浪变化因季节和海区的不同,通常会出现海浪等级中的所有级别。由此可见,近海海浪和大洋海浪之间具有极大差异,从而使得近海海浪观测方法并不适用于对大洋海浪进行观测。
同时,通过近岸视频观测到的海浪多为近岸海浪,该种近岸海浪与大洋海浪之间通常只有浪高存在相同之处,而至于风浪与涌浪的浪形近岸视频并不没有办法对其进行观测或记录。因此,近岸海浪和大洋海浪是两种不同的海浪,其不同浪形产生的能量谱构造完全不同。可见,由近岸海浪考虑大洋海浪并不合适,这就使得远海(大洋)中的海浪应当如何进行效观测仍是一个需要解决的问题。
因此,本领域人员提出了浮标观测法、卫星观测法和人工观测法。
然而,浮标观测法受到了浮标成本和应用范围的限制,并不能有效的获取到大量数据,从而使得大洋海浪观测效果具有极高的局限性。
另外,卫星观测方法虽然能够实现大面积海浪观测,但是其较低的分辨率,会导致海浪模型精度较低。
至于人工观测法,其所消耗的人力成本、物理成本非常之高,且数据获取依赖观测人的经验,从而使得其溯源能力较弱,且无法实现长时间稳定的观测。
发明内容
本申请实施例的目的在于提供一种大洋浪级观测模型训练方法及系统,能够直接以可视化形式进行数据采集,并实现对海浪的直接观测,同时加之海洋气象等要素的补充,使得深度学习方法能够对其训练出一个优质的大洋浪级观测模型,从而以更低的成本、更高的精度、更高的稳定性对大洋海浪进行观测。
本申请实施例第一方面提供了一种大洋浪级观测模型训练方法,包括:获取海浪视频、超广角天空视频和气象观测数据;所述海浪视频包括第一长焦海浪视频、第二长焦海浪视频、第三长焦海浪视频和广角海浪视频;
对所述海浪视频、所述超广角天空视频和所述气象观测数据进行二次封装,得到封装海浪数据、封装天空数据和封装气象数据;
根据所述封装天空数据和所述封装气象数据,对所述封装海浪数据进行筛选处理,得到有效海浪数据;
根据预设的GPU卷积神经网络,对所述有效海浪数据进行深度学习建模,得到第一浪级观测模型;所述有效海浪数据中设置有海浪等级的训练标签;
根据所述气象观测数据和所述第一浪级观测模型进行深度学习建模,得到大洋浪级观测模型。
本申请实施例第二方面提供了一种大洋浪级观测模型训练系统,所述大洋浪级观测模型训练系统包括:
获取单元,用于获取海浪视频、超广角天空视频和气象观测数据;所述海浪视频包括第一长焦海浪视频、第二长焦海浪视频、第三长焦海浪视频和广角海浪视频;
封装单元,用于对所述海浪视频、所述超广角天空视频和所述气象观测数据进行二次封装,得到封装海浪数据、封装天空数据和封装气象数据;
筛选单元,用于根据所述封装天空数据和所述封装气象数据,对所述封装海浪数据进行筛选处理,得到有效海浪数据;
建模单元,用于根据预设的GPU卷积神经网络,对所述有效海浪数据进行深度学习建模,得到第一浪级观测模型;所述有效海浪数据中设置有海浪等级的训练标签;
所述建模单元,还用于根据所述气象观测数据和所述第一浪级观测模型进行深度学习建模,得到大洋浪级观测模型。
本申请实施例第三方面提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行本申请实施例第一方面中任一项所述的大洋浪级观测模型训练方法。
本申请实施例第四方面提供了一种计算机可读存储介质,其存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行本申请实施例第一方面中任一项所述的大洋浪级观测模型训练方法。
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大洋浪级观测模型训练方法的流程示意图;
图2为本申请实施例提供的一种大洋浪级观测模型训练系统的结构示意图;
图3为本申请实施例提供的一种船载观测摄像头的结构示意图;
图4为本申请实施例提供的一种大洋海浪的实景示意图;
图5为本申请实施例提供的另一种大洋海浪的实景示意图。
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。
实施例1
请参看图1,图1为本实施例提供了一种大洋浪级观测模型训练方法的流程示意图。其中,该大洋浪级观测模型训练方法包括:
S101、获取海浪视频、超广角天空视频和气象观测数据;海浪视频包括第一长焦海浪视频、第二长焦海浪视频、第三长焦海浪视频和广角海浪视频。
本实施例中,该方法可以通过四个船载摄像头获取海浪视频,通过一个船载的超广角摄像头获取广角天空视频。
在本实施例中,获取海浪视频的四个船载摄像头包括三个长焦摄像头和一个广角摄像头。
在本实施例中,超广角摄像头用于采集其正上方天空现象,例如晴天,多云等。
本实施例中,该方法可以通过船载的自动气象站观测获取气象观测数据。其中,气象观测数据包括真风速,真风向,温度,气压,湿度,能见度,天气现象,GPS坐标位置,船艏向,航向,船速等。
请参阅图3,图3示出了一种船载观测摄像头的结构示意图。该种结构设置于科考船高处侧舷,例如驾驶台顶,以保证有足有的可视角度。其中,
A1是长焦相机,与可控云台A2相连,用于精细化观测记录海浪精细结构;
A2是可控云台,与长焦相机A1和支架A3相连,用于保持长焦相机A1处于水平状态;
A3是支架,与可控云台A2相连和科考船主体相连,作为长焦相机A1和可控云台A2的主体支架,为其在科考船上提供稳固的支撑;
A4是长焦相机,与可控云台A5相连,用于精细化观测记录海浪精细结构;
A5是可控云台,与长焦相机A4和支架A6相连,用于保持长焦相机A4处于水平状态;
A6是支架,与可控云台A5相连和科考船主体相连,作为长焦相机A4和可控云台A5的主体支架,为其在科考船上提供稳固的支撑;
A7是广角相机,与可控云台A8相连,用于精细化观测记录海浪精细结构;
A8是可控云台,与广角相机A7和支架A9相连,用于保持长焦处相机A7于水平状态;
A9是支架,与可控云台A8相连和科考船主体相连,作为长焦相机A7和可控云台A8的主体支架,为其在科考船上提供稳固的支撑;
A10是长焦相机,与可控云台A11相连,用于精细化观测记录海浪精细结构,作为机动相机存在,用于捕捉区域内最大海浪,同时作为补充相机存在,用于工作人员控制其对关注的区域进行数据采集;
A11是可控云台,与长焦相机A10和支架A12相连,用于保持长焦相机A10处于水平状态;
A12是支架,与可控云台A11相连和科考船主体相连,作为长焦相机A10和可控云台A11的主体支架,为其在科考船上提供稳固的支撑。
请参阅图4和图5。图4和图5示出了一种大洋海浪的实景示意图。
S102、对海浪视频、超广角天空视频和气象观测数据进行二次封装,得到封装海浪数据、封装天空数据和封装气象数据。
作为一种可选的实施方式,对海浪视频、超广角天空视频和气象观测数据进行二次封装,得到封装海浪数据、封装天空数据和封装气象数据的步骤包括:
对海浪视频、超广角天空视频和气象观测数据进行拷贝,得到拷贝海浪视频、拷贝天空视频和拷贝气象数据;拷贝海浪视频包括第一拷贝长焦海浪视频、第二拷贝长焦海浪视频、第三拷贝长焦海浪视频和拷贝广角海浪视频;
根据数据获取时间和视频种类建立多个文件夹;
将第一拷贝长焦海浪视频、第二拷贝长焦海浪视频、第三拷贝长焦海浪视频、拷贝广角海浪视频、拷贝天空视频和拷贝气象数据分别存储至多个文件夹中;
将多个文件夹中的第一拷贝长焦海浪视频、第二拷贝长焦海浪视频、第三拷贝长焦海浪视频、拷贝广角海浪视频确定为封装海浪数据,将拷贝天空视频确定为封装天空数据,将拷贝气象数据确定为封装气象数据。
本实施例中,该方法可以通过计算机对海浪视频、超广角天空视频和气象观测数据进行二次封装。具体的,该方法可以将视频图像和自动气象站相关数据按照两类进行文件夹分类。其中,视频图像可以按照数据获取时间命名文件夹并进行相应存储,例如长焦相机A1放入文件夹为A1的文件夹中;气象观测数据,则存储于气象观测数据文件夹中。
在本实施例中,因为海洋观测数据非常重要,所需处理数据需要将其拷贝出来,从而避免对原始数据的改动。这种方式,能够在后续处理程序出错导致需要读取的文件夹数据丢失时,从原始数据文件夹中获取之前的数据。
S103、根据封装天空数据和封装气象数据,对封装海浪数据进行筛选处理,得到有效海浪数据。
作为一种可选的实施方式,根据封装天空数据和封装气象数据,对封装海浪数据进行筛选处理,得到有效海浪数据的步骤包括:
根据封装天空数据,确定有效采集时段;有效采集时段为日出至日落的时间段;
根据有效采集时段,在封装海浪数据中提取白天海浪数据;
根据封装气象数据,确定无效采集时段;
根据无效采集时段,在白天海浪数据中提取有效海浪数据。
本实施例中,因黑夜无法有效采集波浪和天气情况,因此需要获取日出至日落的时间段的数据。这是自动化采集的象征。
在本实施例中,根据广角天空数据可以确定出当地海洋时区对日出时间和日落时间,从而选取出白天的时间段,例如早晨六点为日出时间,下午六点为日落时间,则优先选取早晨六点半至下午五点半的数据为白天数据。
本实施例中,在获取到白天海浪数据之后,还会因天气现象、能见度等问题导致采集数据质量不佳。例如,天气现象为雨或能见度低于10公里时,该类视频图像质量不佳,需要剔除。
在本实施例中,剔除的根本条件是视频图像数据不够清晰,因为,不够清晰的视频图像会直接影响到后续深度学习的效率与质量。所以,例如雨天,大雾天气,这种遮蔽性比较强的天气情况不利于拍摄的情况就会触发剔除条件,从而将这些无效时间段的数据进行剔除,以保障拍摄到的都是清晰的照片。之所以会选择雨天、大雾天气之类情况,是因为具备天气现象能见度仪能够自主判断天气情况,而且也能够同时记录能见度。通过天气和能见度的组合判断能够知道天气情况是否符合拍摄情况,从而自动判断出哪些数据是有效的,进而实现自动化获取数据的效果。毕竟整个拍摄周期很长,需要的视频图像很多,只有这样才有足够的样本去进行深度学习训练,由此可见此种自动化判断是后续深度学习训练的基础。
S104、根据预设的GPU卷积神经网络,对有效海浪数据进行深度学习建模,得到第一浪级观测模型;有效海浪数据中设置有海浪等级的训练标签。
作为一种可选的实施方式,根据预设的GPU卷积神经网络,对有效海浪数据进行深度学习建模,得到第一浪级观测模型的步骤包括:
提取有效海浪数据中的多个图像画面;
按照640*360的分辨率将每个图像画面拆分成9个图像子画面;
将所有图像子画面划分为训练集和验证集;
根据训练集、验证集和预设的GPU卷积神经网络进行深度学习建模,得到第一浪级观测模型。
本实施例中,相对于CPU训练,GPU训练具有更高的计算速度,同时耗电总量低于CPU耗电总量,总体来说就是高速低耗,不仅利于工作进展,而且为碳中和起到节能减排效果。
在本实施例中,GPU卷积神经网络会优先选取全连接神经网络,对筛选出的有效海浪数据进行处理。具体的,该方法先将有效海浪数据进行拆分,例如将画面拆分成3*3的小画面例如拆分成640*360的分辨率。这样就可以实现一个时刻的图片产生多组有效观测数据的结果。
本实施例中,训练集与验证集之间的数量比例为8:2。
本实施例中,需要注意一点,有效海浪数据中通常是海浪等级比较高的海浪视频图像。
S105、判断第一浪级观测模型的模型精度是否高于预设精度,若是,则执行步骤S106;若否,则对有效海浪数据进行改进,并触发执行步骤S104。
本实施例中,该方法优先采用有效海浪数据进行训练,等第一浪级观测模型精度不低于80%之后,再根据需要增加要素风(即执行步骤S106)。
本实施例中,观测精度是固定的。可以理解的是,摄像头拍摄的精度(分辨率)是固定的,所以使得观测精度是固定的。
本实施例中,模型精度用于表示浪级观测模型能够实现的观测准确率。举例来说,该模型精度用于表示该浪级观测模型在接收到数据输入后所得到的输出结果的准确率。
在本实施例中,模型精度通常会受到图像分辨率、数据量大小等因素的影响。这就使得测试集成为了实际中对模型训练效果影响较大的因素之一(即测试集精度是相对最贴近实际的判断标准),因此该方法可以通过改善训练集精度来提高该模型精度。
可以理解的是,该方法可以使用测试集对浪级别观测模型进行测试,得到测试集精度。该测试集精度即为上述的模型精度。
本实施例中,对有效数据进行改进的目的是提高训练集的有效程度。其中,改进方法可以包括对数据进行扩容方法,还可以包括对数据进行加精的方法等。
举例来说,该方法可以通过增加训练集,来提高第一浪级观测模型上述的模型精度,从而使第一浪级观测模型的模型精度达到最终的预设精度。
本实施例中,后续的训练过程也都可以采用该种方式进行优化改进处理。
本实施例中,该方法需要实现的过程中需要确保完成对第一浪级观测模型的训练。本步骤中使用了循环改进法,以使第一浪级观测模型切实的被训练出来。从而为后续的深度学习过程提供基础。简单来说,在遇到数据部分无效的问题时,可以通过剔除无效数据的方法进行改进;在遇到模型精度不高的问题时,可以通过增加有效数据的方法进行改进。总之,该方法能够确保完成对第一浪级观测模型的训练。
S106、根据气象观测数据和第一浪级观测模型进行深度学习建模,得到大洋浪级观测模型。
本实施例中,因为有效海浪数据是以像素的形式存在的,所以气象观测场数据中的风速数据也应采用图像形式。例如3米速度的风,图片便以03,03,03这种纯数字矩阵形式形成与图片相对应的640*360分辨率的图片。并在,最终在经过数据读取的时候,将此处理后的数据按照不同通道读入初始场进行训练。
作为一种可选的实施方式,根据气象观测数据和第一浪级观测模型进行深度学习建模,得到大洋浪级观测模型的步骤包括:
提取气象观测数据包括风速数据、风向数据、温度数据、气压数据、湿度数据和能见度数据;
根据风速数据和第一浪级观测模型进行深度学习建模,得到第二浪级观测模型;
判断第二浪级观测模型的模型精度是否高于预设精度;
当第二浪级观测模型的模型精度是否高于预设精度时,根据风向数据和第二浪级观测模型进行深度学习建模,得到第三浪级观测模型;
判断第三浪级观测模型的模型精度是否高于预设精度;
当第三浪级观测模型的模型精度是否高于预设精度时,根据温度数据和第三浪级观测模型进行深度学习建模,得到第四浪级观测模型;
判断第四浪级观测模型的模型精度是否高于预设精度;
当第四浪级观测模型的模型精度是否高于预设精度时,根据气压数据和第四浪级观测模型进行深度学习建模,得到第五浪级观测模型;
判断第五浪级观测模型的模型精度是否高于预设精度;
当第五浪级观测模型的模型精度是否高于预设精度时,根据湿度数据和第五浪级观测模型进行深度学习建模,得到第六浪级观测模型;
判断第六浪级观测模型的模型精度是否高于预设精度;
当第六浪级观测模型的模型精度是否高于预设精度时,根据能见度数据和第六浪级观测模型进行深度学习建模,得到大洋浪级观测模型;
当第二浪级观测模型的模型精度、第三浪级观测模型的模型精度、第四浪级观测模型的模型精度、第五浪级观测模型的模型精度或第六浪级观测模型的模型精度不高于预设精度时,对应的将第二浪级观测模型、第三浪级观测模型、第四浪级观测模型、第五浪级观测模型或第六浪级观测模型确定为大洋浪级观测模型。
本实施例中,因为在大洋中的海浪等级训练并不容易,如果一次性加齐相关要素,训练成果的获取会变得非常慢,并且会在一定程度上被黑盒训练影响精度。因此,使用该种方式能够实现一种先保底,再加量的稳定建模效果。
作为一种可选的实施方式,根据气象观测数据和第一浪级观测模型进行深度学习建模,得到大洋浪级观测模型的步骤包括:
提取气象观测数据包括风速数据、风向数据、温度数据、气压数据、湿度数据和能见度数据;
根据风速数据和第一浪级观测模型进行深度学习建模,得到第二浪级观测模型;
根据风向数据和第一浪级观测模型进行深度学习建模,得到第三浪级观测模型;
根据温度数据和第一浪级观测模型进行深度学习建模,得到第四浪级观测模型;
根据气压数据和第一浪级观测模型进行深度学习建模,得到第五浪级观测模型;
根据湿度数据和第一浪级观测模型进行深度学习建模,得到第六浪级观测模型;
根据第二浪级观测模型的模型精度、第三浪级观测模型的模型精度、第四浪级观测模型的模型精度、第五浪级观测模型的模型精度、第六浪级观测模型的模型精度,对第二浪级观测模型、第三浪级观测模型、第四浪级观测模型、第五浪级观测模型、第六浪级观测模型进行相应的模型融合,得到大洋浪级观测模型。
作为一种可选的实施方式,根据气象观测数据和第一浪级观测模型进行深度学习建模,得到大洋浪级观测模型之后,该方法还包括:
获取当前海浪视频图像;
将海浪视频图像输入至大洋浪级观测模型,得到海浪等级。
本实施例中,该方法可以通过船载设备获取大量数据(该大量数据包括的长焦相机A1的数据、长焦相机A4的数据、广角相机A7的数据、长焦相机A10的数据、超广角相机B1的数据以及包括真风速、真风向、气压、温度、湿度、能见度、天气现象的封装天空数据;同时,该大量数据还可以包括:GPS坐标位置、船艏向、航向、船速以及经识别得到的海浪等级),并发送该大量数据至云平台。
在本实施例中,云平台可以以不同颜色(该颜色可以参照我国海浪灾害等级颜色进行标注)显示上述的大量数据。如云平台识别出蓝色海浪等级级别,则进一步获取船载设备获取到的拍摄视频,其中,该拍摄视频通常不超过十秒。
在本实施例中,云平台还可以提供基于时间,经纬度,区域等查询模式。除工作人员外,并为经过认证的国家级海洋预报业务人员提供海浪等级修改权限,用以修正深度学习的海浪等级判断出现错误之处,此修改与深度学习海浪等级模型判断等级同步显示,如人工修正正确,则为后续优化大洋浪级观测模型提供数据支撑。
在本实施例中,通过云平台的应用,可以获取到大量有效数据,从而使得大洋浪级观测模型可以进一步优化,从而最大化地提升大洋中海浪等级观测的准确性。
实施这种实施方式,能够有效观测并记录远海(大洋)的真实海况,这种海况是在近海观测不到的,因此近岸观测只有近岸浪无法有效观测到波浪中的风浪与涌浪,这是本方法特有的特有优点。同时,该方法能够基于此完成的深度学习模型(大洋浪级观测模型)进行波浪等级划分,从而高精度地完成对大洋海浪的识别。另外,该方法能够通过云平台,对大洋浪级观测模型接收的照片与视频和大洋浪级观测模型输出的海浪等级进行共享,从而实现对大洋海况的共享,进而便于基于该共享数据对大洋海况进行相应的预警;在上述云平台的基础上,云平台还允许专业人员对海浪等级进行人工修改,以使最终的海浪等级更加客观公正。
本实施例中,该方法的执行主体可以为计算机、服务器等计算系统,对此本实施例中不作任何限定。
本实施例中,该方法中所描述的及远海、深海等相似描述的含义皆为大洋的含义,对此本实施例中不进行赘述。
可见,实施本实施例所描述的大洋浪级观测模型训练方法,能够训练出一种用于对大洋海景进行海浪等级观测的神经网络模型,从而使得对应的装置在获取到大洋图像时,可以自动地对大洋海浪进行识别,得到海浪等级。该种模型的应用能够实现对大洋海浪等级进行低成本、高精度、高稳定性的观测,从而更能够为商船,渔民,海洋科研和业务人员等提供有力数据支撑。
实施例2
请参看图2,图2为本实施例提供的一种大洋浪级观测模型训练系统的结构示意图。如图2所示,该大洋浪级观测模型训练系统包括:
获取单元210,用于获取海浪视频、超广角天空视频和气象观测数据;海浪视频包括第一长焦海浪视频、第二长焦海浪视频、第三长焦海浪视频和广角海浪视频;
封装单元220,用于对海浪视频、超广角天空视频和气象观测数据进行二次封装,得到封装海浪数据、封装天空数据和封装气象数据;
筛选单元230,用于根据封装天空数据和封装气象数据,对封装海浪数据进行筛选处理,得到有效海浪数据;
建模单元240,用于根据预设的GPU卷积神经网络,对有效海浪数据进行深度学习建模,得到第一浪级观测模型;有效海浪数据中设置有海浪等级的训练标签;
建模单元240,还用于根据气象观测数据和第一浪级观测模型进行深度学习建模,得到大洋浪级观测模型。
作为一种可选的实施方式,封装单元220包括:
拷贝子单元221,用于对海浪视频、超广角天空视频和气象观测数据进行拷贝,得到拷贝海浪视频、拷贝天空视频和拷贝气象数据;拷贝海浪视频包括第一拷贝长焦海浪视频、第二拷贝长焦海浪视频、第三拷贝长焦海浪视频和拷贝广角海浪视频;
建立子单元222,用于根据数据获取时间和视频种类建立多个文件夹;
存储子单元223,用于将第一拷贝长焦海浪视频、第二拷贝长焦海浪视频、第三拷贝长焦海浪视频、拷贝广角海浪视频、拷贝天空视频和拷贝气象数据分别存储至多个文件夹中;
封装子单元224,用于将多个文件夹中的第一拷贝长焦海浪视频、第二拷贝长焦海浪视频、第三拷贝长焦海浪视频、拷贝广角海浪视频确定为封装海浪数据,将拷贝天空视频确定为封装天空数据,将拷贝气象数据确定为封装气象数据。
作为一种可选的实施方式,筛选单元230包括:
确定子单元231,用于根据封装天空数据,确定有效采集时段;有效采集时段为日出至日落的时间段;
筛选子单元232,用于根据有效采集时段,在封装海浪数据中提取白天海浪数据;
确定子单元231,还用于根据封装气象数据,确定无效采集时段;
筛选子单元232,还用于根据无效采集时段,在白天海浪数据中提取有效海浪数据。
作为一种可选的实施方式,建模单元240包括:
提取子单元241,用于提取有效海浪数据中的多个图像画面;
拆分子单元242,用于按照640*360的分辨率将每个图像画面拆分成9个图像子画面;
划分子单元243,用于将所有图像子画面划分为训练集和验证集;
建模子单元244,用于根据训练集、验证集和预设的GPU卷积神经网络进行深度学习建模,得到第一浪级观测模型。
作为一种可选的实施方式,大洋浪级观测模型训练系统还包括:
判断单元250,用于判断第一浪级观测模型的模型精度是否高于预设精度;
建模单元240,具体用于当第一浪级观测模型的模型精度高于预设精度时,执行根据气象观测数据和第一浪级观测模型进行深度学习建模,得到大洋浪级观测模型的操作。
作为一种可选的实施方式,建模单元240包括:
提取子单元241,用于提取气象观测数据包括风速数据、风向数据、温度数据、气压数据、湿度数据和能见度数据;
建模子单元244,用于根据风速数据和第一浪级观测模型进行深度学习建模,得到第二浪级观测模型;
判断子单元245,用于判断第二浪级观测模型的模型精度是否高于预设精度;
建模子单元244,还用于风向数据和第二浪级观测模型进行深度学习建模,得到第三浪级观测模型;
判断子单元245,还用于判断第三浪级观测模型的模型精度是否高于预设精度;
建模子单元244,还用于当第三浪级观测模型的模型精度是否高于预设精度时,根据温度数据和第三浪级观测模型进行深度学习建模,得到第四浪级观测模型;
判断子单元245,还用于判断第四浪级观测模型的模型精度是否高于预设精度;
建模子单元244,还用于当第四浪级观测模型的模型精度是否高于预设精度时,根据气压数据和第四浪级观测模型进行深度学习建模,得到第五浪级观测模型;
判断子单元245,还用于判断第五浪级观测模型的模型精度是否高于预设精度;
建模子单元244,还用于当第五浪级观测模型的模型精度是否高于预设精度时,根据湿度数据和第五浪级观测模型进行深度学习建模,得到第六浪级观测模型;
判断子单元245,还用于判断第六浪级观测模型的模型精度是否高于预设精度;
建模子单元244,还用于当第六浪级观测模型的模型精度是否高于预设精度时,根据能见度数据和第六浪级观测模型进行深度学习建模,得到大洋浪级观测模型;
建模子单元244,还用于当第二浪级观测模型的模型精度、第三浪级观测模型的模型精度、第四浪级观测模型的模型精度、第五浪级观测模型的模型精度或第六浪级观测模型的模型精度不高于预设精度时,对应的将第二浪级观测模型、第三浪级观测模型、第四浪级观测模型、第五浪级观测模型或第六浪级观测模型确定为大洋浪级观测模型。
作为一种可选的实施方式,建模单元240包括:
提取子单元241,用于提取气象观测数据包括风速数据、风向数据、温度数据、气压数据、湿度数据和能见度数据;
建模子单元244,用于根据风速数据和第一浪级观测模型进行深度学习建模,得到第二浪级观测模型;
建模子单元244,还用于根据风向数据和第一浪级观测模型进行深度学习建模,得到第三浪级观测模型;
建模子单元244,还用于根据温度数据和第一浪级观测模型进行深度学习建模,得到第四浪级观测模型;
建模子单元244,还用于根据气压数据和第一浪级观测模型进行深度学习建模,得到第五浪级观测模型;
建模子单元244,还用于根据湿度数据和第一浪级观测模型进行深度学习建模,得到第六浪级观测模型;
建模子单元244,还用于根据第二浪级观测模型的模型精度、第三浪级观测模型的模型精度、第四浪级观测模型的模型精度、第五浪级观测模型的模型精度、第六浪级观测模型的模型精度,对第二浪级观测模型、第三浪级观测模型、第四浪级观测模型、第五浪级观测模型、第六浪级观测模型进行相应的模型融合,得到大洋浪级观测模型。
本申请实施例中,对于大洋浪级观测模型训练系统的解释说明可以参照实施例1中的描述,对此本实施例中不再多加赘述。
可见,实施本实施例所描述的大洋浪级观测模型训练系统,能够训练出一种用于对大洋海景进行海浪等级观测的神经网络模型,从而使得对应的装置在获取到大洋图像时,可以自动地对大洋海浪进行识别,得到海浪等级。该种模型的应用能够实现对大洋海浪等级进行低成本、高精度、高稳定性的观测,从而更能够为商船,渔民,海洋科研和业务人员等提供有力数据支撑。
本申请实施例提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行本申请实施例1中的大洋浪级观测模型训练方法。
本申请实施例提供了一种计算机可读存储介质,其存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行本申请实施例1中的大洋浪级观测模型训练方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,也可以通过其它的方式实现。以上所描述的系统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系统、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)
1.一种大洋浪级观测模型训练方法,其特征在于,包括:
获取海浪视频、超广角天空视频和气象观测数据;所述海浪视频包括第一长焦海浪视频、第二长焦海浪视频、第三长焦海浪视频和广角海浪视频;
对所述海浪视频、所述超广角天空视频和所述气象观测数据进行二次封装,得到封装海浪数据、封装天空数据和封装气象数据;
根据所述封装天空数据和所述封装气象数据,对所述封装海浪数据进行筛选处理,得到有效海浪数据;
根据预设的GPU卷积神经网络,对所述有效海浪数据进行深度学习建模,得到第一浪级观测模型;所述有效海浪数据中设置有海浪等级的训练标签;
根据所述气象观测数据和所述第一浪级观测模型进行深度学习建模,得到大洋浪级观测模型。
2.根据权利要求1所述的大洋浪级观测模型训练方法,其特征在于,所述对所述海浪视频、所述超广角天空视频和所述气象观测数据进行二次封装,得到封装海浪数据、封装天空数据和封装气象数据的步骤包括:
对所述海浪视频、所述超广角天空视频和所述气象观测数据进行拷贝,得到拷贝海浪视频、拷贝天空视频和拷贝气象数据;所述拷贝海浪视频包括第一拷贝长焦海浪视频、第二拷贝长焦海浪视频、第三拷贝长焦海浪视频和拷贝广角海浪视频;
根据数据获取时间和视频种类建立多个文件夹;
将所述第一拷贝长焦海浪视频、所述第二拷贝长焦海浪视频、所述第三拷贝长焦海浪视频、所述拷贝广角海浪视频、所述拷贝天空视频和所述拷贝气象数据分别存储至所述多个文件夹中;
将所述多个文件夹中的所述第一拷贝长焦海浪视频、所述第二拷贝长焦海浪视频、所述第三拷贝长焦海浪视频、所述拷贝广角海浪视频确定为封装海浪数据,将所述拷贝天空视频确定为封装天空数据,将所述拷贝气象数据确定为封装气象数据。
3.根据权利要求1所述的大洋浪级观测模型训练方法,其特征在于,所述根据所述封装天空数据和所述封装气象数据,对所述封装海浪数据进行筛选处理,得到有效海浪数据的步骤包括:
根据所述封装天空数据,确定有效采集时段;所述有效采集时段为日出至日落的时间段;
根据所述有效采集时段,在所述封装海浪数据中提取白天海浪数据;
根据所述封装气象数据,确定无效采集时段;
根据所述无效采集时段,在所述白天海浪数据中提取有效海浪数据。
4.根据权利要求1所述的大洋浪级观测模型训练方法,其特征在于,所述根据预设的GPU卷积神经网络,对所述有效海浪数据进行深度学习建模,得到第一浪级观测模型的步骤包括:
提取所述有效海浪数据中的多个图像画面;
按照640*360的分辨率将每个图像画面拆分成9个图像子画面;
将所有图像子画面划分为训练集和验证集;
根据所述训练集、验证集和预设的GPU卷积神经网络进行深度学习建模,得到第一浪级观测模型。
5.根据权利要求1所述的大洋浪级观测模型训练方法,其特征在于,所述方法还包括:
判断所述第一浪级观测模型的模型精度是否高于预设精度;
当所述第一浪级观测模型的模型精度高于所述预设精度时,执行所述根据所述气象观测数据和所述第一浪级观测模型进行深度学习建模,得到大洋浪级观测模型的步骤。
6.根据权利要求1所述的大洋浪级观测模型训练方法,其特征在于,所述根据所述气象观测数据和所述第一浪级观测模型进行深度学习建模,得到大洋浪级观测模型的步骤包括:
提取所述气象观测数据包括风速数据、风向数据、温度数据、气压数据、湿度数据和能见度数据;
根据所述风速数据和所述第一浪级观测模型进行深度学习建模,得到第二浪级观测模型;
判断所述第二浪级观测模型的模型精度是否高于预设精度;
当所述第二浪级观测模型的模型精度是否高于所述预设精度时,根据所述风向数据和所述第二浪级观测模型进行深度学习建模,得到第三浪级观测模型;
判断所述第三浪级观测模型的模型精度是否高于所述预设精度;
当所述第三浪级观测模型的模型精度是否高于所述预设精度时,根据所述温度数据和所述第三浪级观测模型进行深度学习建模,得到第四浪级观测模型;
判断所述第四浪级观测模型的模型精度是否高于所述预设精度;
当所述第四浪级观测模型的模型精度是否高于所述预设精度时,根据所述气压数据和所述第四浪级观测模型进行深度学习建模,得到第五浪级观测模型;
判断所述第五浪级观测模型的模型精度是否高于所述预设精度;
当所述第五浪级观测模型的模型精度是否高于所述预设精度时,根据所述湿度数据和所述第五浪级观测模型进行深度学习建模,得到第六浪级观测模型;
判断所述第六浪级观测模型的模型精度是否高于所述预设精度;
当所述第六浪级观测模型的模型精度是否高于所述预设精度时,根据所述能见度数据和所述第六浪级观测模型进行深度学习建模,得到大洋浪级观测模型;
当所述第二浪级观测模型的模型精度、所述第三浪级观测模型的模型精度、所述第四浪级观测模型的模型精度、所述第五浪级观测模型的模型精度或所述第六浪级观测模型的模型精度不高于所述预设精度时,对应的将所述第二浪级观测模型、所述第三浪级观测模型、所述第四浪级观测模型、所述第五浪级观测模型或所述第六浪级观测模型确定为大洋浪级观测模型。
7.根据权利要求1所述的大洋浪级观测模型训练方法,其特征在于,所述根据所述气象观测数据和所述第一浪级观测模型进行深度学习建模,得到大洋浪级观测模型的步骤包括:
提取所述气象观测数据包括风速数据、风向数据、温度数据、气压数据、湿度数据和能见度数据;
根据所述风速数据和所述第一浪级观测模型进行深度学习建模,得到第二浪级观测模型;
根据所述风向数据和所述第一浪级观测模型进行深度学习建模,得到第三浪级观测模型;
根据所述温度数据和所述第一浪级观测模型进行深度学习建模,得到第四浪级观测模型;
根据所述气压数据和所述第一浪级观测模型进行深度学习建模,得到第五浪级观测模型;
根据所述湿度数据和所述第一浪级观测模型进行深度学习建模,得到第六浪级观测模型;
根据所述第二浪级观测模型的模型精度、所述第三浪级观测模型的模型精度、所述第四浪级观测模型的模型精度、所述第五浪级观测模型的模型精度、所述第六浪级观测模型的模型精度,对所述第二浪级观测模型、所述第三浪级观测模型、所述第四浪级观测模型、所述第五浪级观测模型、所述第六浪级观测模型进行相应的模型融合,得到大洋浪级观测模型。
8.一种大洋浪级观测模型训练系统,其特征在于,所述大洋浪级观测模型训练系统包括:
获取单元,用于获取海浪视频、超广角天空视频和气象观测数据;所述海浪视频包括第一长焦海浪视频、第二长焦海浪视频、第三长焦海浪视频和广角海浪视频;
封装单元,用于对所述海浪视频、所述超广角天空视频和所述气象观测数据进行二次封装,得到封装海浪数据、封装天空数据和封装气象数据;
筛选单元,用于根据所述封装天空数据和所述封装气象数据,对所述封装海浪数据进行筛选处理,得到有效海浪数据;
建模单元,用于根据预设的GPU卷积神经网络,对所述有效海浪数据进行深度学习建模,得到第一浪级观测模型;所述有效海浪数据中设置有海浪等级的训练标签;
所述建模单元,还用于根据所述气象观测数据和所述第一浪级观测模型进行深度学习建模,得到大洋浪级观测模型。
9.一种电子设备,其特征在于,所述电子设备包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至7中任一项所述的大洋浪级观测模型训练方法。
10.一种可读存储介质,其特征在于,所述可读存储介质中存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行权利要求1至7任一项所述的大洋浪级观测模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210112584.6A CN114519806B (zh) | 2022-01-29 | 2022-01-29 | 一种大洋浪级观测模型训练方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210112584.6A CN114519806B (zh) | 2022-01-29 | 2022-01-29 | 一种大洋浪级观测模型训练方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114519806A true CN114519806A (zh) | 2022-05-20 |
CN114519806B CN114519806B (zh) | 2022-10-11 |
Family
ID=81597458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210112584.6A Active CN114519806B (zh) | 2022-01-29 | 2022-01-29 | 一种大洋浪级观测模型训练方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114519806B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359787A (zh) * | 2018-12-06 | 2019-02-19 | 上海海事大学 | 一种小范围海域多模态海浪预测系统及其预测方法 |
CN109886217A (zh) * | 2019-02-26 | 2019-06-14 | 上海海洋大学 | 一种基于卷积神经网络从近岸海浪视频中检测浪高的方法 |
CN110232342A (zh) * | 2019-06-03 | 2019-09-13 | 中国人民解放军海军航空大学 | 基于卷积神经网络的海况等级判断方法及装置 |
CN111736148A (zh) * | 2020-06-28 | 2020-10-02 | 国家海洋环境预报中心 | 卫星雷达高度计海浪有效波高的订正方法及相关装置 |
CN113033094A (zh) * | 2021-03-24 | 2021-06-25 | 上海海洋大学 | 一种海浪高度预测方法 |
CN113221777A (zh) * | 2021-05-19 | 2021-08-06 | 江苏奥易克斯汽车电子科技股份有限公司 | 一种近岸海浪等级监测方法及装置 |
US20220003894A1 (en) * | 2018-09-26 | 2022-01-06 | Sofar Ocean Technologies, Inc. | Ocean weather forecasting system |
CN113899349A (zh) * | 2021-10-26 | 2022-01-07 | 湖北中南鹏力海洋探测系统工程有限公司 | 海浪参数检测方法、设备及存储介质 |
-
2022
- 2022-01-29 CN CN202210112584.6A patent/CN114519806B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220003894A1 (en) * | 2018-09-26 | 2022-01-06 | Sofar Ocean Technologies, Inc. | Ocean weather forecasting system |
CN109359787A (zh) * | 2018-12-06 | 2019-02-19 | 上海海事大学 | 一种小范围海域多模态海浪预测系统及其预测方法 |
CN109886217A (zh) * | 2019-02-26 | 2019-06-14 | 上海海洋大学 | 一种基于卷积神经网络从近岸海浪视频中检测浪高的方法 |
CN110232342A (zh) * | 2019-06-03 | 2019-09-13 | 中国人民解放军海军航空大学 | 基于卷积神经网络的海况等级判断方法及装置 |
CN111736148A (zh) * | 2020-06-28 | 2020-10-02 | 国家海洋环境预报中心 | 卫星雷达高度计海浪有效波高的订正方法及相关装置 |
CN113033094A (zh) * | 2021-03-24 | 2021-06-25 | 上海海洋大学 | 一种海浪高度预测方法 |
CN113221777A (zh) * | 2021-05-19 | 2021-08-06 | 江苏奥易克斯汽车电子科技股份有限公司 | 一种近岸海浪等级监测方法及装置 |
CN113899349A (zh) * | 2021-10-26 | 2022-01-07 | 湖北中南鹏力海洋探测系统工程有限公司 | 海浪参数检测方法、设备及存储介质 |
Non-Patent Citations (5)
Title |
---|
HEEJEONG CHOI 等: "Real-time significant wave height estimation from raw ocean images based on 2D and 3D deep neural networks", 《ELSEVIER》 * |
WEI SONG 等: "Determining Wave Height from Nearshore Videos Based on Multi-level Spatiotemporal Feature Fusion", 《2021 IEEE》 * |
孟雷: "神经网络方法对海浪有效波高数值模拟的改进", 《海洋预报》 * |
林民龙: "基于神经网络集成的增量式学习", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
郝剑波: "基于深度学习的近岸海浪等级分类研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114519806B (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hess et al. | Geocoded digital videography for validation of land cover mapping in the Amazon basin | |
CN110110641B (zh) | 一种流域性洪涝场景的无人机监测方法及系统 | |
Meaden et al. | Geographical information systems: applications to marine fisheries | |
JP5283214B2 (ja) | 定点観測装置、及び定点観測方法 | |
CN112488020B (zh) | 基于无人机航拍数据的水环境污染情况检测评估装置 | |
CN109375290B (zh) | 一种基于机器学习的跨海大桥雾监测系统及其应用方法 | |
CN103605171A (zh) | 全天空成像仪及基于全天空成像仪的云层特性分析方法 | |
CN111145136A (zh) | 用于变电站表计图像数据集的合成方法、系统及存储介质 | |
Chen et al. | Real-time garbage object detection with data augmentation and feature fusion using SUAV low-altitude remote sensing images | |
CN116223511A (zh) | 基于无人机自动巡检的分布式屋顶光伏组件缺陷诊断方法及装置 | |
Abessolo et al. | African coastal camera network efforts at monitoring ocean, climate, and human impacts | |
Xu et al. | UAV-ODS: A real-time outfall detection system based on UAV remote sensing and edge computing | |
Petković et al. | Image Dataset for Neural Network Performance Estimation with Application to Maritime Ports | |
CN114519806B (zh) | 一种大洋浪级观测模型训练方法及系统 | |
He et al. | A novel image recognition algorithm of target identification for unmanned surface vehicles based on deep learning | |
CN112785678B (zh) | 基于三维模拟的日照分析方法和系统 | |
CN115760885B (zh) | 基于消费级无人机影像的高郁闭度湿地森林参数提取方法 | |
Knudby | Remote sensing | |
CN113867404B (zh) | 一种基于无人机的海滩垃圾巡检方法和系统 | |
Long et al. | Whiting events in SW Florida coastal waters: A case study using MODIS medium-resolution data | |
Sullivan et al. | Electric transmission visibility and visual contrast threshold distances in western landscapes | |
Amery | Capturing the Northern Lights: Standardizing the practice of auroral photography during the Second International Polar Year, 1932–1933 | |
Pfeiffer et al. | Detecting beach litter in drone images using deep learning | |
CN113505699A (zh) | 一种基于RetinaNet算法的船舶检测方法 | |
CN113128559A (zh) | 基于跨尺度特征融合金字塔网络的遥感图像目标检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |