CN115731560A

CN115731560A - 一种基于深度学习的槽线识别方法、装置、存储介质及终端

Info

Publication number: CN115731560A
Application number: CN202211558275.8A
Authority: CN
Inventors: 安刚; 赵宗玉; 卓流艺; 陆涛; 孙明生; 秦东明
Original assignee: 3Clear Technology Co Ltd
Current assignee: 3Clear Technology Co Ltd
Priority date: 2022-12-06
Filing date: 2022-12-06
Publication date: 2023-03-03
Anticipated expiration: 2042-12-06
Also published as: CN115731560B

Abstract

本发明公开了一种基于深度学习的槽线识别方法、装置、存储介质及终端，方法包括：获取待识别地区在待预测时刻的目标槽线识别标准天气图；根据预先训练的定位模型定位目标槽线识别标准天气图中槽线所在的框，生成目标槽线框；根据目标槽线框，并结合预先训练的槽线识别模型生成目标槽线图；遍历目标槽线图中预设像素值的像素点，并根据遍历的像素点生成最终槽线。由于本申请利用训练好的定位模型可定位出天气图中槽线所在的框，根据定位的框可结合预先训练的槽线识别模型自动生成目标槽线图，从而实现基于深度学习方式对天气图中槽线的自动识别，可快速对未来预测时刻的天气形势进行判断，进而降低了天气图中槽线识别工作量，提升了槽线识别效率。

Description

一种基于深度学习的槽线识别方法、装置、存储介质及终端

技术领域

本发明涉及天气系统自动识别技术领域，特别涉及一种基于深度学习的槽线识别方法、装置、存储介质及终端。

背景技术

在气象领域中，槽线是预报中成云致雨的重要依据，槽线定义为低压槽区内等高线曲率最大点的连线，是气旋中心到低压槽内气压最低点的集合所组成的曲线。在天气分析中，槽线的分析有着非常重要的作用，它一定程度上可以反映出天气的变化趋势，可以为预报人员提供重要的参考，因此准确判断槽线是天气系统分析和天气图绘制的重要内容。

在现有技术中，气象预报中的槽线分析基本上采用人工分析的方法实现。人工分析槽线存在着明显的缺陷，一方面分析工作量较大，效率较低；另一方面对于槽线的分析，预报员主观上分析经验不同，客观上侧重依据差异，都对槽线的分析产生影响，不利于改进提高及应用推广。

发明内容

本申请实施例提供了一种基于深度学习的槽线识别方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

第一方面，本申请实施例提供了一种基于深度学习的槽线识别方法，方法包括：

获取待识别地区在待预测时刻的目标槽线识别标准天气图；

根据预先训练的定位模型定位目标槽线识别标准天气图中槽线所在的框，生成目标槽线框；

根据目标槽线框，并结合预先训练的槽线识别模型生成目标槽线图；

遍历目标槽线图中预设像素值的像素点，并根据遍历的像素点生成最终槽线。

可选的，根据目标槽线框，并结合预先训练的槽线识别模型生成目标槽线图，包括：

将目标槽线框所在的区域从目标槽线识别标准天气图中进行抠取，生成目标槽线框区域图；

将目标槽线框区域图输入预先训练的槽线识别模型中；

输出目标槽线识别标准天气图对应的目标槽线图。

可选的，按照以下步骤生成预先训练的定位模型，包括：

获取待识别地区在预设时间段中的历史格点数据；

根据历史格点数据生成每个时刻的槽线识别标准天气图；

在每个时刻的槽线识别标准天气图上确定风切变区域，并在风切变区域上采用标注框标注槽线的位置，生成定位模型训练样本；

创建定位模型，并根据定位模型训练样本对定位模型进行模型训练，生成预先训练的定位模型。

可选的，根据历史格点数据生成每个时刻的槽线识别标准天气图，包括：

根据预设经度范围和预设维度范围构建电子地图；

采用等值线绘制法，并结合预设高度参数和间距参数在电子地图上绘制多个不同高度的等值线，得到等值线地图；

采用预设像素的箭头方向和箭头长度表示历史格点数据中每个时刻的历史格点数据的风场方向和风场强度，得到每个时刻的风场箭头标记；

将每个时刻的风场箭头标记投影到等值线地图上，生成每个时刻的槽线识别标准天气图。

可选的，按照以下步骤生成预先训练的槽线识别模型，包括：

将每个时刻的槽线识别标准天气图中标注的槽线框区域进行抠取，生成多个槽线框区域训练图；

针对每个槽线框区域训练图进行槽线标注，得到槽线识别模型训练样本；

采用自动驾驶领域车道线检测算法LaneNet构建槽线识别模型；

将槽线识别模型训练样本输入槽线识别模型中进行模型训练，输出模型损失值；

当模型损失值到达最小时，生成预先训练的槽线识别模型。

可选的，根据遍历的像素点生成最终槽线，包括：

确定出遍历的像素点中每个像素点的坐标；

根据每个像素点的坐标中横坐标构建横坐标矩阵；

根据每个像素点的坐标中纵坐标构建纵坐标矩阵；

根据横坐标矩阵以及纵坐标矩阵，并结合最小二乘法拟合出二次曲线方程，得到槽线的数学解析式；

根据槽线的数学解析式计算多个槽线坐标点，并将多个槽线坐标点进行连接后生成最终槽线。

可选的，根据槽线的数学解析式计算多个槽线坐标点，包括：

在横坐标矩阵中确定出最小横坐标与最大横坐标；

在最小横坐标与最大横坐标组成的区间内获取多个整数横坐标；

将每个整数横坐标代入槽线的数学解析式中，计算出每个整数横坐标对应的整数纵坐标；

将每个整数横坐标和与其对应的整数纵坐标组合为槽线坐标点，生成多个槽线坐标点。

第二方面，本申请实施例提供了一种基于深度学习的槽线识别装置，装置包括：

天气图获取模块，用于获取待识别地区在待预测时刻的目标槽线识别标准天气图；

目标槽线框生成模块，用于根据预先训练的定位模型定位目标槽线识别标准天气图中槽线所在的框，生成目标槽线框；

目标槽线图生成模块，用于根据目标槽线框，并结合预先训练的槽线识别模型生成目标槽线图；

最终槽线生成模块，用于遍历目标槽线图中预设像素值的像素点，并根据遍历的像素点生成最终槽线。

第三方面，本申请实施例提供一种计算机存储介质，计算机存储介质存储有多条指令，指令适于由处理器加载并执行上述的方法步骤。

第四方面，本申请实施例提供一种终端，可包括：处理器和存储器；其中，存储器存储有计算机程序，计算机程序适于由处理器加载并执行上述的方法步骤。

本申请实施例提供的技术方案可以包括以下有益效果：

在本申请实施例中，基于深度学习的槽线识别装置首先获取待识别地区在待预测时刻的目标槽线识别标准天气图，然后根据预先训练的定位模型定位目标槽线识别标准天气图中槽线所在的框，生成目标槽线框，其次根据目标槽线框，并结合预先训练的槽线识别模型生成目标槽线图，最后遍历目标槽线图中预设像素值的像素点，并根据遍历的像素点生成最终槽线。由于本申请利用训练好的定位模型可定位出天气图中槽线所在的框，根据定位的框可结合预先训练的槽线识别模型自动生成目标槽线图，从而实现基于深度学习方式对天气图中槽线的自动识别，可快速对未来预测时刻的天气形势进行判断，进而降低了天气图中槽线识别工作量，提升了槽线识别效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是本申请实施例提供的一种基于深度学习的槽线识别方法的流程示意图；

图2是本申请实施例提供的一种采用标注框标注了槽线位置的示意图；

图3是本申请实施例提供的一种标准天气图的示意图；

图4是本申请实施例提供的一种抠取的槽线框区域训练图的示意图；

图5是本申请实施例提供的一种槽线示意图；

图6是本申请实施例提供的一种槽线坐标轴示意图；

图7是本申请实施例提供的另一种槽线示意图；

图8是本申请实施例提供的另一种槽线坐标轴示意图；

图9是本申请实施例提供的一种基于深度学习的槽线识别装置的结构示意图；

图10是本申请实施例提供的一种终端的结构示意图。

具体实施方式

以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。

应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。

下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

本申请提供了一种基于深度学习的槽线识别方法、装置、存储介质及终端，以解决上述相关技术问题中存在的问题。本申请提供的技术方案中，由于本申请利用训练好的定位模型可定位出天气图中槽线所在的框，根据定位的框可结合预先训练的槽线识别模型自动生成目标槽线图，从而实现基于深度学习方式对天气图中槽线的自动识别，可快速对未来预测时刻的天气形势进行判断，进而降低了天气图中槽线识别工作量，提升了槽线识别效率，下面采用示例性的实施例进行详细说明。

下面将结合附图1-附图8，对本申请实施例提供的基于深度学习的槽线识别方法进行详细介绍。该方法可依赖于计算机程序实现，可运行于基于冯诺依曼体系的基于深度学习的槽线识别装置上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行。

请参见图1，为本申请实施例提供了一种基于深度学习的槽线识别方法的流程示意图。如图1所示，本申请实施例的方法可以包括以下步骤：

S101，获取待识别地区在待预测时刻的目标槽线识别标准天气图；

其中，待识别地区为需要进行槽线识别的某地方，例如某个城市。待预测时刻可以是未来几个小时的时刻，也可以是未来一整天的所有时刻。目标槽线识别标准天气图是利用气象学结合当前监测到的历史格点数据而构建的复合图。

在本申请实施例中，在生成目标槽线识别标准天气图时，首先获取待识别地区在当前时刻的格点数据，并根据预设经度范围和预设维度范围构建电子地图，然后采用等值线绘制法，并结合预设高度参数和间距参数在电子地图上绘制多个不同高度的等值线，得到等值线地图，其次采用预设像素的箭头方向和箭头长度表示当前时刻的格点数据中每个时刻的历史格点数据的风场方向和风场强度，得到每个时刻的风场箭头标记，最后将每个时刻的风场箭头标记投影到等值线地图上，得到待识别地区在待预测时刻的目标槽线识别标准天气图。

通常，在实际应用中，可以积累大量的站点观测数据，但是受气象观测站点空间分布的不均一、时间序列长短不一，观测台站环境变迁等影响，在具体的气候分析和数值模拟等研究中，离散的站点数据不利于可视化与分析，不能完全真实代表区域气候变化的特征，气象预测面临着诸多的限制，所以需要把站点数据转化成规则的、连续的格点数据。

具体的，本申请在生成待识别地区在当前时刻的格点数据时，首先获取待识别地区在当前时刻的站点数据，然后将空间上分布不均匀的待识别地区在当前时刻的站点数据，按一定的几何形态格子归并，求出各格子中数据的平均值，置于格子的中心位置，从而生成待识别地区在当前时刻的格点数据。格点数据利用了空间插值技术将离散的站点数据转化为空间连续的、规则的网格点序列，可以有效的反映气候要素的空间信息，大大提高了气候数据序列在对应网格范围的气候代表性。

在一种可能的实现方式中，首先确定待识别地区，再采集获取待识别地区在当前时刻的站点数据，然后对站点数据进行处理后得到待识别地区在当前时刻的格点数据，最后可根据待识别地区在当前时刻的格点数据生成待识别地区在待预测时刻的目标槽线识别标准天气图保存在数据库。在实际基于深度学习的槽线识别时，可直接在数据库通过搜索参数直接查询并获取待识别地区在待预测时刻的目标槽线识别标准天气图。

S102，根据预先训练的定位模型定位目标槽线识别标准天气图中槽线所在的框，生成目标槽线框；

其中，预先训练的定位模型是可以在标准天气图中定位出槽线所在的框的数学模型。

在本申请实施例中，在根据预先训练的定位模型定位目标槽线识别标准天气图中槽线所在的框时，首先将目标槽线识别标准天气图输入预先训练的定位模型中进行定位处理，处理结束后输出目标槽线识别标准天气图对应的目标槽线框。

在本申请实施例中，在生成预先训练的定位模型时，首先获取待识别地区在预设时间段中的历史格点数据，然后根据历史格点数据生成每个时刻的槽线识别标准天气图，其次在每个时刻的槽线识别标准天气图上确定风切变区域，并在风切变区域上采用标注框标注槽线的位置，例如图2所示，生成定位模型训练样本，最后创建定位模型，并根据定位模型训练样本对定位模型进行模型训练，生成预先训练的定位模型。其中预设时间段可以是2017年至2021年5年的样本数据，创建定位模型时可以采用yolov3算法训练。

具体的，在根据历史格点数据生成每个时刻的槽线识别标准天气图时，首先根据预设经度范围和预设维度范围构建电子地图，然后采用等值线绘制法，并结合预设高度参数和间距参数在电子地图上绘制多个不同高度的等值线，得到等值线地图，其次采用预设像素的箭头方向和箭头长度表示历史格点数据中每个时刻的历史格点数据的风场方向和风场强度，得到每个时刻的风场箭头标记，最后将每个时刻的风场箭头标记投影到等值线地图上，生成每个时刻的槽线识别标准天气图，例如图3所示。

具体的，预设经度范围可以是40-170，预设维度范围可以是5-80，预设高度参数可以是500hpa，700hpa，850hpa三个高度，预设间距参数可以是2dagpm(位势米)。

需要说明的是，识别标准天气图中槽线所在的框时鲁棒性强，比如在850hpa高度层，等值线经常受地面地形的影响出现形变，可以通过调整训练样本组成的方式滤掉伪槽。

S103，根据目标槽线框，并结合预先训练的槽线识别模型生成目标槽线图；

其中，预先训练的槽线识别模型是可以在目标槽线框所在区域识别出槽线图的数学模型。

在本申请实施例中，在根据目标槽线框，并结合预先训练的槽线识别模型生成目标槽线图时，首先将目标槽线框所在的区域从目标槽线识别标准天气图中进行抠取，生成目标槽线框区域图，然后将目标槽线框区域图输入预先训练的槽线识别模型中，最后输出目标槽线识别标准天气图对应的目标槽线图。

在本申请实施例中，在生成预先训练的槽线识别模型时，首先将每个时刻的槽线识别标准天气图中标注的槽线框区域进行抠取，生成多个槽线框区域训练图，抠取的槽线框区域训练图例如图4所示，然后针对每个槽线框区域训练图进行槽线标注，得到槽线识别模型训练样本，标注时采用背景为黑色，槽线为白色的方式进行标注，标注的槽线例如图5所示，其次采用自动驾驶领域车道线检测算法LaneNet构建槽线识别模型，再将槽线识别模型训练样本输入槽线识别模型中进行模型训练，输出模型损失值，最后当模型损失值到达最小时，生成预先训练的槽线识别模型。

具体的，自动驾驶领域车道线检测算法LaneNet由二值化分割网络和实例分割网络组成，其中二值分割网络输出所有的车道线像素，实例分割网络将输出的车道线像素分配到不同的车道线实例中。在本申请实施例中，本方法将该算法迁移到槽线识别算法中，由于每个识别框中仅有一个槽线，故只采用LaneNet算法中的二值化分割网络，舍弃实例分割网络，利用二值化分割网络创建槽线识别模型。

S104，遍历目标槽线图中预设像素值的像素点，并根据遍历的像素点生成最终槽线。

在本申请实施例中，在根据遍历的像素点生成最终槽线时，首先确定出遍历的像素点中每个像素点的坐标，并根据每个像素点的坐标中横坐标构建横坐标矩阵，然后根据每个像素点的坐标中纵坐标构建纵坐标矩阵，其次根据横坐标矩阵以及纵坐标矩阵，并结合最小二乘法拟合出二次曲线方程，得到槽线的数学解析式，最后根据槽线的数学解析式计算多个槽线坐标点，并将多个槽线坐标点进行连接后生成最终槽线。

具体的，在根据槽线的数学解析式计算多个槽线坐标点时，首先在横坐标矩阵中确定出最小横坐标与最大横坐标，然后在最小横坐标与最大横坐标组成的区间内获取多个整数横坐标，其次将每个整数横坐标代入槽线的数学解析式中，计算出每个整数横坐标对应的整数纵坐标，最后将每个整数横坐标和与其对应的整数纵坐标组合为槽线坐标点，生成多个槽线坐标点。

在一种可能的实现方式中，遍历目标槽线图中像素值为255的像素点，将点的像素值为255的点取出，假设有n个满足条件的点，将n个点分别标记为(x₀,y₀)....(x_n,y_n)，然后通过构建矩阵的方式结合最小二乘法，拟合一个二次曲线，得到的二次曲线即为槽线的数学解析式，最后可基于该数学解析式计算多个槽线坐标点，并将多个槽线坐标点进行连接后生成最终槽线。

具体的，假设需要拟合的二次曲线的方程为y＝ax²+bx+c，其中a,b,c为待定系数，具体步骤如下：

构建矩阵

则

其中A^T为矩阵A的转置。

进一步地，可根据最终的槽线确定该槽线的坐标轴，为了避免一个x对应多个y值的问题，需要确定笛卡尔坐标系的x轴与y轴，分为一下两种情况：

情况1:以图5为例，可见槽线南北跨度比东西跨度要大，故采取南北方向为x轴，东西方向为y轴，如图6所示；

情况2：如图7所示，槽线的东西跨度比南北跨度要大，采取东西方向为x轴，南北跨度为y轴，如图8所示。

下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。

请参见图9，其示出了本发明一个示例性实施例提供的基于深度学习的槽线识别装置的结构示意图。该基于深度学习的槽线识别装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该装置1包括天气图获取模块10、目标槽线框生成模块20、目标槽线图生成模块30、最终槽线生成模块40。

天气图获取模块10，用于获取待识别地区在待预测时刻的目标槽线识别标准天气图；

目标槽线框生成模块20，用于根据预先训练的定位模型定位目标槽线识别标准天气图中槽线所在的框，生成目标槽线框；

目标槽线图生成模块30，用于根据目标槽线框，并结合预先训练的槽线识别模型生成目标槽线图；

最终槽线生成模块40，用于遍历目标槽线图中预设像素值的像素点，并根据遍历的像素点生成最终槽线。

需要说明的是，上述实施例提供的基于深度学习的槽线识别装置在执行基于深度学习的槽线识别方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于深度学习的槽线识别装置与基于深度学习的槽线识别方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

本发明还提供一种计算机可读介质，其上存储有程序指令，该程序指令被处理器执行时实现上述各个方法实施例提供的基于深度学习的槽线识别方法。

本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例的基于深度学习的槽线识别方法。

请参见图10，为本申请实施例提供了一种终端的结构示意图。如图10所示，终端1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。

其中，通信总线1002用于实现这些组件之间的连接通信。

其中，用户接口1003可以包括显示屏(Display)、摄像头(Camera)，可选用户接口1003还可以包括标准的有线接口、无线接口。

其中，网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。

其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种接口和线路连接整个电子设备1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行电子设备1000的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。

其中，存储器1005可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图10所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于深度学习的槽线识别应用程序。

在图10所示的终端1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储的基于深度学习的槽线识别应用程序，并具体执行以下操作：

获取待识别地区在待预测时刻的目标槽线识别标准天气图；

在一个实施例中，处理器1001在执行根据目标槽线框，并结合预先训练的槽线识别模型生成目标槽线图时，具体执行以下操作：

将目标槽线框区域图输入预先训练的槽线识别模型中；

输出目标槽线识别标准天气图对应的目标槽线图。

在一个实施例中，处理器1001在执行生成预先训练的定位模型时，具体执行以下操作：

获取待识别地区在预设时间段中的历史格点数据；

根据历史格点数据生成每个时刻的槽线识别标准天气图；

在一个实施例中，处理器1001在执行根据历史格点数据生成每个时刻的槽线识别标准天气图时，具体执行以下操作：

根据预设经度范围和预设维度范围构建电子地图；

在一个实施例中，处理器1001在执行生成预先训练的槽线识别模型时，具体执行以下操作：

采用自动驾驶领域车道线检测算法LaneNet构建槽线识别模型；

当模型损失值到达最小时，生成预先训练的槽线识别模型。

在一个实施例中，处理器1001在执行根据遍历的像素点生成最终槽线时，具体执行以下操作：

确定出遍历的像素点中每个像素点的坐标；

根据每个像素点的坐标中横坐标构建横坐标矩阵；

根据每个像素点的坐标中纵坐标构建纵坐标矩阵；

在一个实施例中，处理器1001在执行根据槽线的数学解析式计算多个槽线坐标点时，具体执行以下操作：

在横坐标矩阵中确定出最小横坐标与最大横坐标；

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，基于深度学习的槽线识别的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，基于深度学习的槽线识别的程序的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。

以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。

Claims

1.一种基于深度学习的槽线识别方法，其特征在于，所述方法包括：

获取待识别地区在待预测时刻的目标槽线识别标准天气图；

根据预先训练的定位模型定位所述目标槽线识别标准天气图中槽线所在的框，生成目标槽线框；

根据所述目标槽线框，并结合预先训练的槽线识别模型生成目标槽线图；

遍历所述目标槽线图中预设像素值的像素点，并根据遍历的像素点生成最终槽线。

2.根据权利要求1所述的方法，其特征在于，所述根据所述目标槽线框，并结合预先训练的槽线识别模型生成目标槽线图，包括：

将所述目标槽线框所在的区域从所述目标槽线识别标准天气图中进行抠取，生成目标槽线框区域图；

将所述目标槽线框区域图输入预先训练的槽线识别模型中；

输出所述目标槽线识别标准天气图对应的目标槽线图。

3.根据权利要求1所述的方法，其特征在于，按照以下步骤生成预先训练的定位模型，包括：

获取待识别地区在预设时间段中的历史格点数据；

根据所述历史格点数据生成每个时刻的槽线识别标准天气图；

在每个时刻的槽线识别标准天气图上确定风切变区域，并在所述风切变区域上采用标注框标注槽线的位置，生成定位模型训练样本；

创建定位模型，并根据所述定位模型训练样本对所述定位模型进行模型训练，生成预先训练的定位模型。

4.根据权利要求3所述的方法，其特征在于，所述根据所述历史格点数据生成每个时刻的槽线识别标准天气图，包括：

根据预设经度范围和预设维度范围构建电子地图；

采用等值线绘制法，并结合预设高度参数和间距参数在所述电子地图上绘制多个不同高度的等值线，得到等值线地图；

采用预设像素的箭头方向和箭头长度表示所述历史格点数据中每个时刻的历史格点数据的风场方向和风场强度，得到每个时刻的风场箭头标记；

将每个时刻的风场箭头标记投影到所述等值线地图上，生成每个时刻的槽线识别标准天气图。

5.根据权利要求3所述的方法，其特征在于，按照以下步骤生成预先训练的槽线识别模型，包括：

采用自动驾驶领域车道线检测算法LaneNet构建槽线识别模型；

将所述槽线识别模型训练样本输入所述槽线识别模型中进行模型训练，输出模型损失值；

当所述模型损失值到达最小时，生成预先训练的槽线识别模型。

6.根据权利要求1所述的方法，其特征在于，所述根据遍历的像素点生成最终槽线，包括：

确定出遍历的像素点中每个像素点的坐标；

根据每个像素点的坐标中横坐标构建横坐标矩阵；

根据每个像素点的坐标中纵坐标构建纵坐标矩阵；

根据所述横坐标矩阵以及纵坐标矩阵，并结合最小二乘法拟合出二次曲线方程，得到槽线的数学解析式；

根据槽线的数学解析式计算多个槽线坐标点，并将所述多个槽线坐标点进行连接后生成最终槽线。

7.根据权利要求6所述的方法，其特征在于，所述根据槽线的数学解析式计算多个槽线坐标点，包括：

在所述横坐标矩阵中确定出最小横坐标与最大横坐标；

在所述最小横坐标与最大横坐标组成的区间内获取多个整数横坐标；

将每个整数横坐标代入所述槽线的数学解析式中，计算出每个整数横坐标对应的整数纵坐标；

8.一种基于深度学习的槽线识别装置，其特征在于，所述装置包括：

目标槽线框生成模块，用于根据预先训练的定位模型定位所述目标槽线识别标准天气图中槽线所在的框，生成目标槽线框；

目标槽线图生成模块，用于根据所述目标槽线框，并结合预先训练的槽线识别模型生成目标槽线图；

最终槽线生成模块，用于遍历所述目标槽线图中预设像素值的像素点，并根据遍历的像素点生成最终槽线。

9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1-7任意一项的方法。

10.一种终端，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1-7任意一项的方法。