CN114580573A - 一种基于图像的云量、云状、天气现象反演装置及方法 - Google Patents

一种基于图像的云量、云状、天气现象反演装置及方法 Download PDF

Info

Publication number
CN114580573A
CN114580573A CN202210376162.XA CN202210376162A CN114580573A CN 114580573 A CN114580573 A CN 114580573A CN 202210376162 A CN202210376162 A CN 202210376162A CN 114580573 A CN114580573 A CN 114580573A
Authority
CN
China
Prior art keywords
cloud
channel
image
random
weather
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
Application number
CN202210376162.XA
Other languages
English (en)
Inventor
李强
郑昕
李华杰
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.)
Xiangji Technology Co ltd
Original Assignee
Xiangji Technology Co ltd
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 Xiangji Technology Co ltd filed Critical Xiangji Technology Co ltd
Priority to CN202210376162.XA priority Critical patent/CN114580573A/zh
Publication of CN114580573A publication Critical patent/CN114580573A/zh
Pending legal-status Critical Current

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
    • 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

本发明公开了一种基于图像的云量、云状、天气现象反演装置及方法，基于地面设备，获取天空云图，制作数据集；再标注数据，通过人工标注天空云图里的1‑100的数值，并且将数据集按照7:1.5:1.5的比例划分成训练集、验证集和测试集；然后对训练集，即图像采取随机缩放、随机旋转、随机翻转、随机裁剪、随机伽玛校正预处理操作；提取步骤S3的RGB图像中的R通道与B通道，基于用R通道与B通道构建新的通道——R/B通道，将R/B通道拼接到原RGB图像上；再用Resnet作为主干网络得到最终模型，本发明能够更加充分地利用特征，减少总体计算量；能够让三个分支任务互相监督，使输出结果更加自洽，减少出现诸如晴天但是云量100这种现象发生，从而提高网络精度。

Description

一种基于图像的云量、云状、天气现象反演装置及方法
技术领域
本发明涉及天气预测技术领域，具体为一种基于图像的云量、云状、天气现象反演装置及方法。
背景技术
现有的技术主要是将天气的监测图像通过图像二值化处理、统计R通道与B通道的值去计算云量；手动提取一些图像特征来推理云类型；单独建立一个神经网络来推理天气现象；传统方法精度不高，太依赖颜色特征，不能够很好地利用云团纹理特征等信息，并且容易受其他亮度较大物体干扰(太阳、白色物体等)，不能很好地识别乌云、朝霞晚霞等；而单独使用一个神经网络去做分类任务，无法充分利用不同任务的中间信息。
为提高识别精度，所以就需要一种基于图像的云量、云状、天气现象反演装置及方法。
发明内容
本发明的目的在于提供一种基于图像的云量、云状、天气现象反演装置及方法，
本发明是这样实现的：
一种基于图像的云量、云状、天气现象反演装置及方法，具体按以下步骤：
具体按以下步骤：
S1:基于地面设备，获取天空云图，制作数据集；
S2:标注数据，通过人工标注天空云图里的1-100的数值，并且将数据集按照7:1.5:1.5的比例划分成训练集、验证集和测试集；由于训练集太多，按此比例进行划分避免验证集和测试集太少会导致模型过拟合或者欠拟合，该比例能够一定程度上监督模型，充分训练的同事又能防止模型过拟合；
S3:对训练集，即图像采取随机缩放、随机旋转、随机翻转、随机裁剪、随机伽玛校正预处理操作；
其中随机缩放的比例采取0.8-1.2倍缩放，随机旋转是以图像中心为原点，±10°区间内旋转；随机翻转是以p＝0.5概率随机进行左右翻转和上下翻转；随机裁剪是在图像中随机采取N(N<5)个方块，并填充随机像素值；随机伽玛校正是随机伽马值取0.5到1.5之间的数，对图像做伽马校正；伽马值如果大于1.5，图像会变得太暗，不利于模型识别云量，如果小于0.5，则图像变得偏亮，也不适合训练模型；
S4:提取步骤S3的RGB图像中的R通道与B通道，基于用R通道与B通道构建新的通道——R/B通道，将R/B通道拼接到原RGB图像上；
S5:用Resnet作为主干网络，在网络中添加注意力模块，其中主干网络下分有三个分支，分别负责云量反演任务、云状分类任务，以及天气现象分类任务；
S6:使用warm up(预热)技术训练上述步骤S5模型，损失函数使用MSE均方根误差，得到最终模型；具体如式(1)和式(2)所示：
Figure BDA0003590479530000031
Figure BDA0003590479530000032
其中：MSE表示均方误差损失方程，CE表示交叉熵损失方程，n样本个数，yi表示第i个样本的标签值，^yi表示第i个样本的预测值；
S7:基于地面设备，获取步骤S4的实时天空云图，经过上述步骤S4的拼接，再插入构建的模型中，得出云量；
S8:将步骤S7的实时云图，进行缩放操作，缩放至384*384，传入步骤S7中的模型，得到模型预测云量值。
进一步，一种基于图像的云量、云状、天气现象反演装置包括主控制器，与所述主控制器连接有摄像头、存储器、图像识别模组和无线通讯模块；所述图像识别模组接收图片并进行天气要素识别运算，运算后返回识别结果给主控制器通过无线通讯模块连接有数据服务器，与所述主控制器、摄像头、存储器、图像识别模组和无线通讯模块连接有电源管理单元，与所述电源管理单元连接有蓄电池。与所述蓄电池连接有太阳能发电板，所述主控制器用于执行步骤S1-S8的程序指令。
进一步，所述无线通讯模块采用SIM卡或射频天线与远端数据服务器通信，上传图片、天气要素识别结果、工作日志等内容。
进一步，一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被主控制器执行时实现如上述的任一项所述的方法
与现有技术相比，本发明的有益效果是：
1、本方法基于卷积神经网络去自动提取图像特征，避免了手动提取特征的繁琐过程，并且提取的特征量也更多；可以充分抽取图像的颜色、图像的纹理等信息，训练好的卷积神经网络中的卷积核可以自动提取纹理信息，这就是卷积的意义所在，较大程度上避免将白色物体全都判别为云或者雪；另外做了一些增广，对目标亮度、形状等要求不高，对于乌云、彩霞等颜色不是白色的云也能够较好地识别；
2、本发明采用一个网络进行三项任务，三个任务目标共同约束网络训练，能够更加充分地利用特征，减少总体计算量；能够让三个分支任务互相监督，使输出结果更加自洽，减少出现诸如晴天但是云量100这种现象发生，能够更好地融合利用不同任务的中间信息，从而提高网络精度。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式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发明的某些实施例，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是本发明的方法流程图；
图2是本发明的系统结构图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
请参阅图1-2，一种基于图像的云量、云状、天气现象反演装置及方法，具体按以下步骤：
S1:基于地面设备，获取天空云图，制作数据集；
S2:标注数据，通过人工标注天空云图里的1-100的数值，并且将数据集按照7:1.5:1.5的比例划分成训练集、验证集和测试集；由于训练集太多，按此比例进行划分避免验证集和测试集太少会导致模型过拟合或者欠拟合，该比例能够一定程度上监督模型，充分训练的同事又能防止模型过拟合；
S3:对训练集，即图像采取随机缩放、随机旋转、随机翻转、随机裁剪、随机伽玛校正预处理操作；
其中随机缩放的比例采取0.8-1.2倍缩放，随机旋转是以图像中心为原点，±10°区间内旋转；随机翻转是以p＝0.5概率随机进行左右翻转和上下翻转；随机裁剪是在图像中随机采取N(N<5)个方块，并填充随机像素值；随机伽玛校正是随机伽马值取0.5到1.5之间的数，对图像做伽马校正；伽马值如果大于1.5，图像会变得太暗，不利于模型识别云量，如果小于0.5，则图像变得偏亮，也不适合训练模型；
S4:提取步骤S3的RGB图像中的R通道与B通道，基于用R通道与B通道构建新的通道——R/B通道，将R/B通道拼接到原RGB图像上；
S5:用Resnet作为主干网络，在网络中添加注意力模块，其中主干网络下分有三个分支，分别负责云量反演任务、云状分类任务，以及天气现象分类任务；
S6:使用warm up(预热)技术训练上述步骤S5模型，损失函数使用MSE均方根误差，得到最终模型；具体如式(1)和式(2)所示：
Figure BDA0003590479530000061
Figure BDA0003590479530000062
其中：MSE表示均方误差损失方程，CE表示交叉熵损失方程，n样本个数，yi表示第i个样本的标签值，^yi表示第i个样本的预测值；
根据所述预测结果与预先设定的标签值分别计算云量的MSE误差、云状的crossentropy(交叉熵)误差以及天气现象的cross entropy(交叉熵)误差；其中，所述标签值中包括反映云量、云状、天气现象的气象信息；
判断所述云量的MSE(均方)误差、云状的cross entropy(交叉熵)误差以及天气现象的cross entropy(交叉熵)误差的误差总和持续20轮未降低，或者训练次数达到所述最大训练次数N；
如果是，则确定所述气象分析模型已构建好，保存模型；
如果否，则利用Adam算法调整模型参数，并继续执行所述判断所述云量的MSE(均方)误差、云状的cross entropy(交叉熵)误差以及天气现象的cross entropy(交叉熵)误差的误差总和持续20轮未降低，或者训练次数达到所述最大训练次数N的步骤。
S7:基于地面设备，获取步骤S4的实时天空云图，经过上述步骤S4的拼接，再插入构建的模型中，得出云量；
S8:将步骤S7的实时云图，进行缩放操作，缩放至384*384，传入步骤S7中的模型，得到模型预测云量值。
本实施例中，一种基于图像的云量、云状、天气现象反演装置包括主控制器，与所述主控制器连接有摄像头、存储器、图像识别模组和无线通讯模块；所述图像识别模组接收图片并进行天气要素识别运算，运算后返回识别结果给主控制器通过无线通讯模块连接有数据服务器，与所述主控制器、摄像头、存储器、图像识别模组和无线通讯模块连接有电源管理单元，与所述电源管理单元连接有蓄电池。与所述蓄电池连接有太阳能发电板，所述主控制器用于执行步骤S1-S8的程序指令。
本实施例中，所述无线通讯模块采用SIM卡或射频天线与远端数据服务器通信，上传图片、天气要素识别结果、工作日志等内容。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中的存储器中所包含的计算机可读存储介质；也可以是单独存在、未装配入计算机设备中的计算机可读存储介质。所述计算机可读存储介质存储有一个或者一个以上计算机程序，所述程序被处理器执行时实现上述所述的方法。
所述集成的模块/单元如果以软件功能单元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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器510、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述仅为本发明的优选实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于图像的云量、云状、天气现象反演方法，其特征在于，包括以下步骤：
获取实时天空云图；
提取所述实时天空云图原始RGB通道中的R通道与B通道，利用所述R通道与所述B通道构建R/B通道，且基于所述R/B通道与所述实时天空云图的原始RGB通道进行拼接，得到拼接后的实时天空云图；
将所述拼接后的实时天空云图输入预先构建的气象分析模型中，得出气象识别结果，所述气象识别结果中包括反映天空云量、云状、天气现象的气象信息。
2.根据权利要求1所述的基于图像的云量、云状、天气现象反演方法，其特征在于，在所述将所述拼接后的实时天空云图输入预先构建的气象分析模型中之前，还包括：
S1:获取预设数量的天空云图，且将获取的天空云图作为数据集；
S2:标注数据：基于图像的像素值对所获取的每幅天空云图进行像素值标注，并且将数据集按照设定比例划分成训练集、验证集和测试集；
S3:对训练集中的每幅训练图像进行预处理；其中，所述预处理包括图像采取随机缩放、随机旋转、随机翻转、随机裁剪、随机伽玛校正预处理操作中的一种或几种；
S4:分别提取每幅训练图像原始RGB通道中的R通道与B通道，利用所述R通道与所述B通道构建R/B通道，且基于所述R/B通道与所述训练图像的原始RGB通道进行拼接，得到拼接后的训练图像；
S5:用残差网络Resnet作为构建所述气象分析模型的主干网络，且在所述主干网络的卷积层中添加注意力模块；其中，所述主干网络设置有分别负责云量反演任务、云状分类任务，以及天气现象分类任务的三个分支；
S6:使用Warm up学习率预热技术训练所述气象分析模型，利用MSE均方根误差作为损失函数，进而得到训练好的收敛模型。
Figure FDA0003590479520000021
3.根据权利要求2所述的一种基于图像的云量、云状、天气现象反演方法，其特征在于，在步骤S3中：
随机缩放的比例采取0.8-1.2倍缩放，
随机旋转是以图像中心为原点，±10°区间内旋转；
随机翻转是以p＝0.5概率随机进行左右翻转和上下翻转；
随机裁剪是在图像中随机采取N(N<5)个方块，并填充随机像素值；
随机伽玛校正是随机伽马值取0.5到1.5之间的数，对图像做伽马校正。
4.根据权利要求2所述的一种基于图像的云量、云状、天气现象反演方法，其特征在于，所述利用MSE均方根误差作为损失函数，进而得到训练好的收敛模型的步骤包括：
设定模型最大训练次数N，将拼接后的训练图像输入至构建的气象分析模型，得到对应的预测结果；
根据所述预测结果与预先设定的标签值分别计算云量的MSE误差、云状的crossentropy误差以及天气现象的cross entropy误差；其中，所述标签值中包括反映云量、云状、天气现象的气象信息；
判断所述云量的MSE误差、云状的cross entropy误差以及天气现象的cross entropy误差的误差总和持续20轮未降低，或者训练次数达到所述最大训练次数N；
如果是，则确定所述气象分析模型已构建好，保存模型；
如果否，则利用Adam算法调整模型参数，并继续执行所述判断所述云量的MSE误差、云状的cross entropy误差以及天气现象的cross entropy误差的误差总和持续20轮未降低，或者训练次数达到所述最大训练次数N的步骤。
5.根据权利要求4所述的一种基于图像的云量、云状、天气现象反演方法，其特征在于，所述利用MSE均方根误差作为损失函数，进而得到训练好的收敛模型的步骤包括：
按照以下表达式进行模型训练直至得到所述收敛模型，
Figure FDA0003590479520000031
Figure FDA0003590479520000032
其中，MSE均方误差损失方程，CE表示交叉熵损失方程，n表示样本个数，yi表示第i个样本的标签值，^yi表示第i个样本的预测值。
6.一种基于图像的云量、云状、天气现象反演装置，其特征在于，包括：
云图获取模块，用于获取实时天空云图；
通道拼接模块，用于提取所述实时天空云图原始RGB通道中的R通道与B通道，利用所述R通道与所述B通道构建R/B通道，且基于所述R/B通道与所述实时天空云图的原始RGB通道进行拼接，得到拼接后的实时天空云图；
模型识别模块，用于将所述拼接后的实时天空云图输入预先构建的气象分析模型中，得出气象识别结果，所述气象识别结果中包括反映天空云量、云状、天气现象的气象信息。
7.一种基于图像的云量、云状、天气现象反演系统，其特征在于，包括：
主控制器，与所述主控制器连接有摄像头、存储器、图像识别模组和无线通讯模块；通过无线通讯模块连接有数据服务器，与所述主控制器、摄像头、存储器、图像识别模组和无线通讯模块连接有电源管理单元，与所述电源管理单元连接有蓄电池。
8.根据权利要求7所述的一种基于图像的云量、云状、天气现象反演系统，其特征在于：与所述蓄电池连接有太阳能发电板。
9.根据权利要求7所述的一种基于图像的云量、云状、天气现象反演装置，其特征在于，所述主控制器用于执行执行所述计算机程序时实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被主控制器执行时实现如权利要求1至5中任一项所述的方法。
CN202210376162.XA 2022-04-11 2022-04-11 一种基于图像的云量、云状、天气现象反演装置及方法 Pending CN114580573A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210376162.XA CN114580573A (zh) 2022-04-11 2022-04-11 一种基于图像的云量、云状、天气现象反演装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210376162.XA CN114580573A (zh) 2022-04-11 2022-04-11 一种基于图像的云量、云状、天气现象反演装置及方法

Publications (1)

Publication Number Publication Date
CN114580573A true CN114580573A (zh) 2022-06-03

Family

ID=81784361

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210376162.XA Pending CN114580573A (zh) 2022-04-11 2022-04-11 一种基于图像的云量、云状、天气现象反演装置及方法

Country Status (1)

Country Link
CN (1) CN114580573A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117874526A (zh) * 2024-03-11 2024-04-12 南京信息工程大学 一种基于lstm神经网络的fy4a/4b云覆盖率反演方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117874526A (zh) * 2024-03-11 2024-04-12 南京信息工程大学 一种基于lstm神经网络的fy4a/4b云覆盖率反演方法及系统

Similar Documents

Publication Publication Date Title
CN111767801B (zh) 一种基于深度学习的遥感影像水域自动提取方法及系统
CN111079764B (zh) 一种基于深度学习的低照度车牌图像识别方法及装置
CN113919442B (zh) 一种基于卷积神经网络烟叶成熟度状态识别方法
CN108897786A (zh) 应用程序的推荐方法、装置、存储介质及移动终端
CN108875820A (zh) 信息处理方法和装置、电子设备、计算机可读存储介质
CN112989995B (zh) 文本检测方法、装置及电子设备
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
CN114241326B (zh) 一种渐进式遥感影像地物要素智能生产方法及系统
CN110969154A (zh) 文本识别方法、装置、计算机设备和存储介质
CN114580573A (zh) 一种基于图像的云量、云状、天气现象反演装置及方法
CN113435254A (zh) 一种基于哨兵二号影像的耕地深度学习提取方法
CN116612417A (zh) 利用视频时序信息的特殊场景车道线检测方法及装置
CN117409083B (zh) 一种基于红外图像和改进yolov5的电缆终端识别方法及装置
CN113570554A (zh) 一种基于场景深度的单幅图像能见度检测方法
CN112434176A (zh) 一种基于图像处理的图像存储方法和装置
CN112116569A (zh) 基于阴影识别的光伏电站发电功率预测方法
CN115170420A (zh) 一种图像对比度的处理方法及系统
CN108805894A (zh) 图像分析方法及其系统
CN111832422A (zh) 用于智能农业器械的夜间图像识别方法、装置和存储介质
CN113127863A (zh) 恶意代码的检测方法、装置、计算机设备和存储介质
CN107945201A (zh) 基于自适应阈值分割的视频风景处理方法及装置
CN117557775B (zh) 基于红外和可见光融合的变电站电力设备检测方法及系统
CN115100517B (zh) 田间昆虫识别方法及装置
Zhen et al. A robust ragged cloud detection algorithm for remote sensing image
CN115546647A (zh) 一种基于遥感影像的语义分割模型

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