CN115761525B - 一种遥感影像热带气旋目标检测和可视化方法 - Google Patents

Abstract

本发明是一种遥感影像热带气旋目标检测和可视化方法。包括利用基于生成对抗网络的超分辨模型处理热带气旋遥感影像数据，根据生成的高分辨率遥感影像生成瓦片金字塔；解析遥感影像，提取元数据，使用多种存储方式存储热带气旋遥感影像元数据、遥感影像、遥感影像瓦片数据；使用混合时空编码Geohash‑ST生成热带气旋遥感影像时空索引；构建一种融合紧凑特征提取网络和注意力机制的轻量化热带气旋目标检测模型；利用轻量级Web应用框架Flask和OGC WPS网络协议实现轻量化热带气旋目标检测模型的自动封装和智能网络调用；基于Cesium框架的数字地球平台实现高分辨率热带气旋遥感影像及热带气旋目标检测结果的可视化。提供准确、实时的热带气旋监测服务。

Description

一种遥感影像热带气旋目标检测和可视化方法

技术领域

本发明涉及遥感影像技术领域，尤其是一种遥感影像热带气旋目标检测和可视化方法。

背景技术

热带气旋是一种发生在热带或者副热带洋面上的低压涡流，是一种强大而深厚的热带天气系统。热带气旋在其发展运动过程中可能会登陆沿海地区，其带来的暴雨、狂风、风暴潮对人民生命财产安全造成极大威胁。我国是登陆热带气旋最多、受影响最严重的国家之一，准确、及时的热带气旋监测服务对评估热带气旋危害等级、制定防灾预案、降低灾害损失等具有重要意义。

对热带气旋进行目标检测是一种重要的热度气旋监测手段，能够直观识别和划定出热带气旋的位置，但离线、非智能的热带气旋目标检测方法操作繁琐、灵活度低、实时性差。

早期基于静态图像的热带气旋可视化方法在二维平面空间采用单一分辨率展现固定时空范围的内容，无法支持交互分析。近年来，数字地球技术迅猛发展，可对地球进行多分辨率、多尺度、多时空和多种类的三维描述，为热带气旋遥感影像提供多尺度、大范围的多维、动态展示，为热带气旋监测在线智能分析服务提供了交互可视化的平台，可以更为直观揭示现象和规律。

发明内容

有鉴于此，本发明提供一种遥感影像热带气旋目标检测和可视化方法，包括以下步骤：

S1、基于原始影像，使用基于生成对抗网络的图像超分辨率算法生成高空间分辨率热带气旋遥感影像；

S2、对步骤S1中所述高空间分辨率热带气旋遥感影像进行切片，生成瓦片金字塔；

S3、提取原始影像的元数据，存储原始影像、高空间分辨率热带气旋遥感影像、热带气旋遥感影像瓦片数据，并根据所述元数据构建遥感影像时空索引；

S4、基于原始影像数据，基于经典单阶段目标检测算法YOLOv5，融合轻量化特征提取网络和注意力机制，构建目标检测模型；

S5、使用轻量级Web应用框架Flask和OGC WPS协议，建立所述目标检测模型封装、调用服务和自定义化的在线、智能热带气旋目标检测网络服务；

S6、基于所述目标检测网络服务和遥感影像时空索引构建基于Cesium的检测和可视化数字地球平台。

进一步地，步骤S1具体为：

S11、获取原始影像，筛选含有热带气旋的AWX格式文件，处理为JPG格式图像；

S12、随机使用双三次下采样、双线性下采样、最近邻下采样方法处理步骤S11中得到的图像，构建高分辨率-低分辨率数据对，划分80％数据作为训练集，20％数据作为验证集；

S13、构建一种基于生成对抗网络的图像超分辨率模型，模型包括生成器、判别器两部分；所述生成器采用了Encoder-Decoder结构，包含对称的2个下采样模块和2个上采样模块，上采样模块采用残余通道注意力模块，生成器网络中采用了跳层连接；判别器是典型的分类网络，包含四个相同的卷积块，分别包含两个卷积层和两个批归一化层，激活函数采用了LeakyReLU，使用Sigmoid函数进行二分类；并使用深度学习框架PyTorch实现超分辨率模型；

S14、将训练数据进行归一化后送入步骤S13中构建的模型，使用SGD优化器交替训练生成器、判别器，直到损失值趋于稳定，模型收敛，得到训练好的图像超分辨率模型；其中，总损失由内容损失、对抗损失和判别器分类损失三部分加权得到；

S15、将验证数据送入训练好的图像超分辨率模型中进行推理，获取推理结果；使用峰值信噪比、结构相似度评估超分辨率模型的效果，将效果最优的图像超分辨率模型保存至指定位置；

S16、将原始影像送入步骤S15中得到的效果最优的图像超分辨率模型中，生成高分辨率图像，并将高分辨率图像保存至指定位置。

进一步地，步骤S2具体为：

S21、读取步骤S1中生成的高空间分辨率热带气旋遥感影像，获取影像中的地理位置和参考系信息；

S22、使用Python版gdal2tiles工具包制作0-5级瓦片金字塔，该瓦片金字塔采用WEB墨卡托投影坐标系，投影后的世界地图为第0级，将第0级四等分构成第1层，然后依次构建至第n级，瓦片数据以四叉树形式存储。

进一步地，步骤S3具体为：

S31、读取原始影像数据，对原始影像进行降采样生成缩略图；

S32、根据原始影像文件名获取成像时间、成像平台信息，解析原始影像数据中附带的空间参考系和地理坐标信息，提取元数据；

S33、将步骤S32中提取的元数据以键值对方式进行存储，存入HBase分布式NoSQL数据库，将原始影像、步骤S1中生成的高空间分辨率热带气旋遥感影像以及步骤S31中生成的缩略图存入分布式文件系统HDFS中，将步骤S2中生成的瓦片数据存入本地磁盘；

S34、根据步骤S32中提取的元数据对遥感影像构建时空索引。

进一步地，步骤S4具体为：

S41、处理原始影像数据，得到原始分辨率热带气旋遥感影像数据，原始分辨率热带气旋遥感影像数据的数据标签格式如下：

name x_center y_center width height

其中，name为类别编号，x_center为目标中心横轴坐标，y_center为目标中心纵轴坐标，width为框宽度，height为框高度；

S42、划分80％原始分辨率热带气旋遥感影像数据为训练集，20％数据作为验证集；

S43、以YOLOv5作为基础算法，集成轻量化特征提取网络GhostNet，构成YOLOv5-GhostNet，融入注意力机制-卷积块注意力模块，构建YOLOv5-GhostNet-CBAM热带气旋目标检测模型，由Backbone、Neck、Detector三部分组成；其中Backbone部分包括Focus、C3Ghost、GhostConv、CBAM和SPPF模块，GhostConv为GhostNet中的基本卷积模块，采用普通卷积生成一部分特征图，再通过一系列的线性变换产生更多特征图；注意力机制CBAM模块包括通道注意力模块CAM和空间注意力模块SAM两部分；Neck部分采用FPN+PAN结构；

S44、使用非极大值抑制处理目标检测结果，根据交并比和置信度阈值过滤冗余的检测框；

S45、将训练集数据送入模型中，使用SGD优化器训练模型，直到损失值趋于稳定，模型收敛，使用余弦退火算法更新学习率，加快模型收敛速度。

S46、将验证集数据送入训练好的模型中进行推理，使用准确率、召回率、mAP评估目标检测模型效果，选择效果最优的模型保存至指定位置。

进一步地，步骤S5具体为：

S51、实现模型统一化接口，所属接口包含数据预处理方法、模型入口方法、输出结果处理方法；

S52、将所述接口与步骤S4中的目标检测模型代码文件打包为zip文件，通过HTTP协议的POST方法上传到服务端；

S53、服务端对接收到的文件进行自动解析，如果接收到的是压缩文件，则调用封装程序，将压缩文件解压并封装为可调用的WPS服务，然后注册到WPS服务列表中；如果是模型的权重文件，将其移动到权重管理路径下，如果已经存在同名权重文件，则覆盖该文件；其中，服务端的文件解析、模型封装服务通过轻量级Web应用框架Flask实现；WPS服务通过PyWPS软件包提供的API实现；

S54、管理员在服务器上配置模型推理所需的运行环境，并将其添加至环境配置文件，系统自动读取该配置文件中的推理环境，并展示到前端页面中的环境列表中，已注册的模型服务从服务列表中读取，显示到前端页面中；

S55、用户在前端选择检测数据对象、检测模型、运行环境，通过HTTP协议GET方法发送请求到服务端；

S56、服务端根据请求中的参数生成WPS服务的调用参数；

S57、服务端向WPS服务提供的接口发送检测请求；

S58、WPS服务接收到模型调用请求后，模型服务模块使用数据加载器从请求中的检测目标路径加载数据，将数据加载器传输给统一化模型接口的实现类，调用实现类中的统一模型推理入口函数，在指定的运行环境下进行模型的推理；

S59、热带气旋目标检测推理结果由结果处理函数统一格式输出，检测推理结果存入HDFS中；检测成功完成后，由WPS服务向调用者返回调用成功信息，服务端在接受到调用成功信息后，更新任务的状态为完成。

进一步地，步骤S6具体为：

S61、使用Vue.js框架和Element-ui组件构建热带气旋遥感影像检索界面；

S62、输入遥感影像检索条件后，axios框架将检索条件通过HTTP请求发送到服务端，检索遥感影像的信息，并通过Element-ui组件中的Dialog控件预览；

S63、选择要进行目标检测的热带气旋遥感影像，使用axios框架发送HTTP请求调用热带气旋目标检测服务；

S64、热带气旋目标检测服务执行完成后，通过axios框架向服务端查询调用结果，调用结果显示在Element-ui组件中的Table控件中；

S65、基于Cesium的数字地球平台首先根据遥感影像的经纬度范围创建二维区域rectangle，利用瓦片金字塔的URL创建TileMapServiceImageryProvider对象，并通过imageryLayers.addImageryProvider接口将热带气旋遥感影像覆盖在数字地球底图上，完成对热带气旋遥感影像的可视化；

S66、数字地球平台根据热带气旋目标检测结果中的经纬度范围确定矩形框的位置，并根据热带气旋的强度设置矩形框颜色属性，使用entities.add接口在数字地球上的对应位置渲染标记热带气旋的矩形框，完成对热带气旋目标检测结果的可视化。

本发明提供的技术方案带来的有益效果是：

在线智能检测能够提供自动化、灵活、实时的热带气旋目标检测服务。构建基于Cesium的Web数字地球平台，在平台上调用热带气旋目标检测在线智能分析，实现热带气旋遥感影像和目标检测结果的可视化，对提供准确、实时的热带气旋监测服务具有重要意义。

附图说明

图1是本发明一种遥感影像热带气旋目标检测和可视化方法流程图；

图2为本发明实施例热带气旋遥感影像瓦片金字塔生成流程图；

图3为本发明实施例轻量化热带气旋目标检测模型总体架构示意图；

图4为本发明实施例热带气旋目标检测WPS服务整体架构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步的描述。

参考图1，图1是本发明一种遥感影像热带气旋目标检测和可视化方法流程图。

S1、基于原始影像，使用基于生成对抗网络的图像超分辨率算法生成高空间分辨率热带气旋遥感影像。

S11、下载FY-2系列卫星等经纬度投影图像产品，包含五个通道(VIS、IR1-4)，空间分辨率为5KM，文件格式为AWX。下载IBTrACS数据库，其为国际热带气旋最佳轨迹数据库。根据IBTrACS数据库，获取原始影像，筛选含有热带气旋的AWX格式文件，处理为JPG格式图像，尺寸为1900×1300。

S12、随机使用双三次下采样、双线性下采样、最近邻下采样方法处理步骤S11中得到的图像，构建高分辨率-低分辨率数据对，划分80％数据作为训练集，20％数据作为验证集。

S13、构建一种基于生成对抗网络的图像超分辨率模型，模型包括生成器、判别器两部分，生成器用于生成高分辨率图像，判别器用于判断生成图像的真伪，对抗学习引入的额外感知损失能够使模型得到视觉感知更好、细节更丰富的图像。生成器采用了Encoder-Decoder结构，包含对称的2个下采样模块和2个上采样模块，上采样模块中由残余通道注意力模块(RCAB)堆叠而成，RCAB将残差结构和通道注意力机制结合起来，能够加强不同通道之间的信息交互，提高网络的表达能力，生成器网络中采用了跳层连接，将不同层级的特征图拼接起来，使底层位置信息和顶层语义信息相互融合。判别器是典型的分类网络，包含四个相同的卷积块，分别包含两个卷积层和两个批归一化层，激活函数采用了LeakyReLU，最后使用Sigmoid函数进行二分类；并使用深度学习框架PyTorch实现超分辨率模型。

S14、将训练数据进行归一化后送入步骤S13中构建的模型，使用SGD优化器交替训练生成器、判别器，直到损失值趋于稳定，模型收敛，得到训练好的图像超分辨率模型，总损失由内容损失、对抗损失和判别器分类损失三部分加权得到。

S15、将验证数据送入训练好的图像超分辨率模型中进行推理，获取推理结果；使用峰值信噪比、结构相似度评估超分辨率模型的效果，将效果最优的图像超分辨率模型保存至指定位置，供后续步骤使用。

S16、将原始影像送入步骤S15中得到的效果最优的图像超分辨率模型中，生成高分辨率图像，并将高分辨率图像保存至指定位置。

S2、对步骤S1中所述高空间分辨率热带气旋遥感影像进行切片，生成瓦片金字塔。

S21、读取步骤S1中生成的高空间分辨率热带气旋遥感影像，获取影像中的地理位置和参考系信息。

S22、使用Python版gdal2tiles工具包制作0-5级瓦片金字塔，该瓦片金字塔采用WEB墨卡托投影坐标系，满足Tile Map Service(TMS)地图瓦片服务规范。投影后的世界地图为第0级，将第0级四等分构成第1层，然后依次构建至第n级，瓦片数据以四叉树形式存储。使用Nginx服务器搭建文件服务器将瓦片金字塔通过HTTP协议发布出来。

步骤S1和S2的整体流程如图2所示，图2为本发明实施例热带气旋遥感影像瓦片金字塔生成流程图。

S3、提取原始影像的元数据，存储原始影像、高空间分辨率热带气旋遥感影像、热带气旋遥感影像瓦片数据，并根据所述元数据构建遥感影像时空索引。

S31、读取原始影像数据，对原始影像进行降采样生成缩略图。

S32、根据原始影像文件名获取成像时间、成像平台信息，解析TIF格式原始影像数据中附带的空间参考系和地理坐标信息，提取元数据，元数据内容包括：影像数据ID、卫星平台、传感器、成像日期、分辨率、数据左上纬度、数据左上经度、数据右上纬度、数据右上经度、数据左下纬度、数据左下经度、数据右下纬度、数据右下经度。

S33、将步骤S32中提取的元数据以键值对方式进行存储，存入HBase分布式NoSQL数据库，将原始影像、步骤S1中生成的高空间分辨率热带气旋遥感影像以及步骤S31中生成的缩略图存入分布式文件系统HDFS中，将步骤S2中生成的瓦片数据存入本地磁盘。原始影像用于后续目标检测步骤，高分辨率影像和瓦片数据用于后续可视化步骤。

S34、根据步骤S32中提取的元数据对遥感影像构建时空索引。采用了一种混合时空编码Geohash-ST。Geohash-ST采用base64编码，base64中的每个字符由一个6位序列表示，经度、纬度、时间交织排列生成位序列。以这种方式生成的位序列中，地理、时间上相近的点共享相同的前缀编码。

S4、利用原始影像数据，基于经典单阶段目标检测算法YOLOv5，融合轻量化特征提取网络和注意力机制，构建目标检测模型。

S41、处理原始影像数据，得到原始分辨率热带气旋遥感影像数据，为JPG格式图像数据，原始分辨率热带气旋遥感影像数据的数据标签格式如下：

name x_center y_center width height

其中，name为类别编号，x_center为目标中心横轴坐标，y_center为目标中心纵轴坐标，width为框宽度，height为框高度。根据中国气象局热带气旋等级标准对热带气旋进行分类得到name，类别详细信息包括：弱于热带低气压或未知强度、热带低气压(10.8-17.1m/s)、热带风暴(17.2-22.4m/s)、强热带风暴(24.5-32.6m/s)、台风(32.7-41.4m/s)、强台风(41.5-50.9m/s)、超级台风(≥51.0m/s)、温带气旋。x_center，y_center由热带气旋中心经纬度坐标转换得到；width、height相等，为热带气旋30kt风半径(R30)。以上信息均来自于IBTrACS数据库。

S42、划分80％原始分辨率热带气旋遥感影像数据为训练集，20％数据作为验证集。

S43、本实施例中，构建了融合轻量化特征提取网络和注意力机制的轻量化目标检测模型YOLOv5-GhostNet-CBAM。模型整体架构如图3所示，图3为本发明实施例轻量化热带气旋目标检测模型总体架构示意图。使用深度学习框架PyTorch实现目标检测模型。该模型以单阶段目标检测算法YOLOv5作为基础算法，首先集成轻量化特征提取网络GhostNet，替换原有厚重特征提取网络CSPDarkNet，构成YOLOv5-GhostNet，为进一步提高YOLOv5-GhostNet模型的检测性能，融入了一种简单的注意力机制-卷积块注意力模块(CBAM)，构成融合轻量化特征提取网络和注意力机制的轻量化目标检测模型YOLOv5-GhostNet-CBAM，包含Backbone、Neck、Detector三个部分。其中，特征提取Backbone部分，包括Focus、C3Ghost、GhostConv、CBAM和SPPF模块，输入为包含台风的FY-2遥感卫星影像云图原始影像，输出为三种不同尺度的特征图。其中，Focus为YOLOv5中提出的Focus模块，是一种特殊的下采样层，将每2×2个像素块中的对应位置分为一个组，之后对各组进行通道拼接；C3Ghost由3个GhostNeckBottleNeck模块线性叠加组成，GhostNeckBottleNeck由两个堆叠的Ghost模块和跳层链接组成；GhostConv为GhostNet中的基本卷积模块(Ghost模块)，该模块将卷积层分为两部分，首先采用普通卷积生成一部分特征图，然后通过一系列的线性变换产生更多特征图，由于线性操作所需的参数量和计算量相比于普通卷积运算更少，Ghost模块能够通过用更少的参数量和计算量生成与普通卷积层相同数量的特征图；CBAM注意力机制是一种即插即用的轻量级注意力模块，包括通道注意力模块CAM和空间注意力模块SAM两部分，CAM保持通道维度不变，压缩空间维度，使模型关注输入图片中有意义的信息，而SAM保持空间维度不变，压缩通道维度，使模型关注目标的位置信息；SPPF为快速空间金子塔池化模块。网络Neck部分的输入为Backbone输出的多尺度特征，特征融合后输出给Detector，其采用了FPN+PAN结构；FPN是自顶向下的特征金字塔结构，能够传递顶层高级语义特征；PAN是自底向上的特征金字塔结构，能传递底层强定位特征；两者结合能够加强模型的多尺度特征提取能力，增强检测性能。网络Detector部分采用的是YOLO系列算法的通用检测头，输入为融合特征，输出为目标检测预测框及其类别。

S44、目标检测模型对同一个目标可能产生多个置信度不同且重叠的检测框。因此，在后处理中使用非极大值抑制(NMS)处理目标检测结果，根据交并比(IoU)和置信度阈值过滤冗余的检测框。

S45、将训练集数据送入模型中，使用SGD优化器训练模型，直到损失值趋于稳定，模型收敛，使用余弦退火算法更新学习率，加快模型收敛速度。

S46、将验证集数据送入训练好的模型中进行推理，使用准确率、召回率、mAP评估目标检测模型效果，选择效果最优的模型保存至指定位置。

S5、使用轻量级Web应用框架Flask和OGC WPS协议，建立所述目标检测模型封装、调用服务和自定义化的在线、智能热带气旋目标检测网络服务。

S51、用户实现模型统一化接口，该接口包含数据预处理方法、模型入口方法、输出结果处理方法。数据预处理方法用于满足不同模型需要不同输入的要求；模型入口方法是模型推理的启动方法，用于统一不同模型的启动方式；输出结果处理方法用于统一检测结果输出方法。

S52、将上述接口与步骤S4中的目标检测模型代码文件打包为zip文件，通过HTTP协议的POST方法上传到服务端。

S53、服务端对接收到的文件进行自动解析。如果接收到的是压缩文件，则会调用封装程序，将压缩文件解压并封装为可调用的WPS服务，然后注册到WPS服务列表中；如果是模型的权重文件，将其移动到权重管理路径下，如果已经存在同名权重文件，则会覆盖该文件，达成更新权重文件的目的。本步骤中服务端的文件解析、模型封装服务通过轻量级Web应用框架Flask实现；WPS服务通过PyWPS软件包提供的API实现。

S54、管理员在服务器上配置模型推理所需的运行环境，并将其添加至环境配置文件。系统自动读取该配置文件中的推理环境，并展示到前端页面中的环境列表中供用户选择。已注册的模型服务从服务列表中读取，显示到前端页面中。

S55、用户在前端选择检测数据对象、检测模型、运行环境，通过HTTP协议GET方法发送请求到服务端。

S56、服务端根据请求中的参数生成WPS服务的调用参数，包括检测目标目录、模型类型、运行环境、输出目录，输出目录由任务ID生成。

S57、服务端向WPS服务提供的接口发送检测请求。

S58、WPS服务接收到模型调用请求后，模型服务模块使用数据加载器从请求中的检测目标路径加载数据，随后将数据加载器传输给统一化模型接口的实现类，调用实现类中的统一模型推理入口函数，在指定的运行环境下进行模型的推理。

S59、热带气旋目标检测推理结果由结果处理函数统一格式输出，检测推理结果存入HDFS中；检测成功完成后，由WPS服务向调用者返回调用成功信息，服务端在接受到调用成功信息后，更新任务的状态为完成。

参考图4，图4为本发明实施例热带气旋目标检测WPS服务整体架构示意图。

S6、基于所述目标检测网络服务和遥感影像时空索引构建基于Cesium的检测和可视化数字地球平台。

S61、使用Vue.js框架和Element-ui组件构建热带气旋遥感影像检索界面，遥感影像的检索条件包括经纬度范围、成像时间、成像平台等信息。

S62、输入遥感影像的检索条件后，axios框架将检索条件通过HTTP请求发送到服务端，以检索遥感影像的元数据、缩略图和遥感影像瓦片金字塔的URL等信息，并通过Element-ui组件中的Dialog等控件预览元数据、缩略图等。

S63、选择要进行目标检测的热带气旋遥感影像，使用axios框架发送HTTP请求调用热带气旋目标检测服务。

S64、热带气旋目标检测服务执行完成后，通过axios框架向服务端查询调用结果，调用结果显示在Element-ui组件中的Table控件中，调用结果中包含热带气旋目标检测结果可视化的必要信息，包括热带气旋遥感影像的经纬度范围、瓦片金字塔的URL、热带气旋目标检测结果。

S65、基于Cesium的数字地球平台首先根据遥感影像的经纬度范围创建二维区域rectangle以指定遥感影像的可视化范围，利用瓦片金字塔的URL创建TileMapServiceImageryProvider对象，并通过imageryLayers.addImageryProvider接口将热带气旋遥感影像覆盖在数字地球底图上，完成对热带气旋遥感影像的可视化。

S66、热带气旋目标检测结果中包含热带气旋的经纬度范围信息和热带气旋的强度信息，数字地球平台根据经纬度范围确定矩形框的位置，并根据热带气旋的强度设置矩形框颜色属性，然后使用entities.add接口在数字地球上的对应位置渲染标记热带气旋的矩形框，完成对热带气旋目标检测结果的可视化。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种遥感影像热带气旋目标检测和可视化方法，其特征在于，包括以下步骤：

S1、基于原始影像，使用基于生成对抗网络的图像超分辨率算法生成高空间分辨率热带气旋遥感影像；

S2、对步骤S1中所述高空间分辨率热带气旋遥感影像进行切片，生成瓦片金字塔；

S3、提取原始影像的元数据，存储原始影像、高空间分辨率热带气旋遥感影像、热带气旋遥感影像瓦片数据，并根据所述元数据构建遥感影像时空索引；

S4、基于原始影像数据，基于经典单阶段目标检测算法YOLOv5，融合轻量化特征提取网络和注意力机制，构建目标检测模型；

S5、使用轻量级Web应用框架Flask和OGC WPS协议，建立所述目标检测模型封装、调用服务和自定义化的在线、智能热带气旋目标检测网络服务；

S6、基于所述目标检测网络服务和遥感影像时空索引构建基于Cesium的检测和可视化数字地球平台。

2.根据权利要求1所述的一种遥感影像热带气旋目标检测和可视化方法，其特征在于，步骤S1具体为：

S11、获取原始影像，筛选含有热带气旋的AWX格式文件，处理为JPG格式图像；

S12、随机使用双三次下采样、双线性下采样、最近邻下采样方法处理步骤S11中得到的图像，构建高分辨率-低分辨率数据对，划分80％数据作为训练集，20％数据作为验证集；

S13、构建一种基于生成对抗网络的图像超分辨率模型，模型包括生成器、判别器两部分；所述生成器采用Encoder-Decoder结构，包含对称的2个下采样模块和2个上采样模块，上采样模块采用残余通道注意力模块，生成器网络中采用跳层连接；判别器是分类网络，包含四个相同的卷积块，分别包含两个卷积层和两个批归一化层，激活函数采用LeakyReLU，使用Sigmoid函数进行二分类；并使用深度学习框架PyTorch实现超分辨率模型；

S14、将训练数据进行归一化后送入步骤S13中构建的模型，使用SGD优化器交替训练生成器、判别器，直到损失值趋于稳定，模型收敛，得到训练好的图像超分辨率模型；其中，总损失由内容损失、对抗损失和判别器分类损失三部分加权得到；

S15、将验证数据送入训练好的图像超分辨率模型中进行推理，获取推理结果；使用峰值信噪比、结构相似度评估超分辨率模型的效果，将效果最优的图像超分辨率模型保存至指定位置；

S16、将原始影像送入步骤S15中得到的效果最优的图像超分辨率模型中，生成高分辨率图像，并将高分辨率图像保存至指定位置。

3.根据权利要求1所述的一种遥感影像热带气旋目标检测和可视化方法，其特征在于，步骤S2具体为：

S21、读取步骤S1中生成的高空间分辨率热带气旋遥感影像，获取影像中的地理位置和参考系信息；

S22、使用Python版gdal2tiles工具包制作0-5级瓦片金字塔，该瓦片金字塔采用WEB墨卡托投影坐标系，投影后的世界地图为第0级，将第0级四等分构成第1层，然后依次构建至第n级，瓦片数据以四叉树形式存储。

4.根据权利要求1所述的一种遥感影像热带气旋目标检测和可视化方法，其特征在于，步骤S3具体为：

S31、读取原始影像数据，对原始影像进行降采样生成缩略图；

S32、根据原始影像文件名获取成像时间、成像平台信息，解析原始影像数据中附带的空间参考系和地理坐标信息，提取元数据；

S33、将步骤S32中提取的元数据以键值对方式进行存储，存入HBase分布式NoSQL数据库，将原始影像、步骤S1中生成的高空间分辨率热带气旋遥感影像以及步骤S31中生成的缩略图存入分布式文件系统HDFS中，将步骤S2中生成的瓦片数据存入本地磁盘；

S34、根据步骤S32中提取的元数据对遥感影像构建时空索引。

5.根据权利要求1所述的一种遥感影像热带气旋目标检测和可视化方法，其特征在于，步骤S4具体为：

S41、处理原始影像数据，得到原始分辨率热带气旋遥感影像数据，原始分辨率热带气旋遥感影像数据的数据标签格式如下：

name x_center y_center width height

其中，name为类别编号，x_center为目标中心横轴坐标，y_center为目标中心纵轴坐标，width为框宽度，height为框高度；

S42、划分80％原始分辨率热带气旋遥感影像数据为训练集，20％数据作为验证集；

S43、以YOLOv5作为基础算法，集成轻量化特征提取网络GhostNet，构成YOLOv5-GhostNet，融入注意力机制-卷积块注意力模块，构建YOLOv5-GhostNet-CBAM热带气旋目标检测模型，由Backbone、Neck、Detector三部分组成；其中Backbone部分包括Focus、C3Ghost、GhostConv、CBAM和SPPF模块，GhostConv为GhostNet中的基本卷积模块，采用普通卷积生成一部分特征图，再通过线性变换产生另一部分特征图；注意力机制CBAM模块包括通道注意力模块CAM和空间注意力模块SAM两部分；Neck部分采用FPN+PAN结构；

S44、使用非极大值抑制处理目标检测结果，根据交并比和置信度阈值过滤冗余的检测框；

S45、将训练集数据送入模型中，使用SGD优化器训练模型，直到损失值趋于稳定，模型收敛，使用余弦退火算法更新学习率，加快模型收敛速度；

S46、将验证集数据送入训练好的模型中进行推理，使用准确率、召回率、mAP评估目标检测模型效果，选择效果最优的模型保存至指定位置。

6.根据权利要求1所述的一种遥感影像热带气旋目标检测和可视化方法，其特征在于，步骤S5具体为：

S51、实现模型统一化接口，所属接口包含数据预处理方法、模型入口方法、输出结果处理方法；

S52、将所述接口与步骤S4中的目标检测模型代码文件打包为zip文件，通过HTTP协议的POST方法上传到服务端；

S53、服务端对接收到的文件进行自动解析，如果接收到的是压缩文件，则调用封装程序，将压缩文件解压并封装为可调用的WPS服务，然后注册到WPS服务列表中；如果是模型的权重文件，将其移动到权重管理路径下，如果已经存在同名权重文件，则覆盖该文件；其中，服务端的文件解析、模型封装服务通过轻量级Web应用框架Flask实现；WPS服务通过PyWPS软件包提供的API实现；

S54、管理员在服务器上配置模型推理所需的运行环境，并将其添加至环境配置文件，系统自动读取该配置文件中的推理环境，并展示到前端页面中的环境列表中，已注册的模型服务从服务列表中读取，显示到前端页面中；

S55、用户在前端选择检测数据对象、检测模型、运行环境，通过HTTP协议GET方法发送请求到服务端；

S56、服务端根据请求中的参数生成WPS服务的调用参数；

S57、服务端向WPS服务提供的接口发送检测请求；

S58、WPS服务接收到模型调用请求后，模型服务模块使用数据加载器从请求中的检测目标路径加载数据，将数据加载器传输给统一化模型接口的实现类，调用实现类中的统一模型推理入口函数，在指定的运行环境下进行模型的推理；

S59、热带气旋目标检测推理结果由结果处理函数统一格式输出，检测推理结果存入HDFS中；检测成功完成后，由WPS服务向调用者返回调用成功信息，服务端在接受到调用成功信息后，更新任务的状态为完成。

7.根据权利要求1所述的一种遥感影像热带气旋目标检测和可视化方法，其特征在于，步骤S6具体为：

S61、使用Vue.js框架和Element-ui组件构建热带气旋遥感影像检索界面；

S62、输入遥感影像检索条件后，axios框架将检索条件通过HTTP请求发送到服务端，检索遥感影像的信息，并通过Element-ui组件中的Dialog控件预览；

S63、选择要进行目标检测的热带气旋遥感影像，使用axios框架发送HTTP请求调用热带气旋目标检测服务；

S64、热带气旋目标检测服务执行完成后，通过axios框架向服务端查询调用结果，调用结果显示在Element-ui组件中的Table控件中；

S65、基于Cesium的数字地球平台首先根据遥感影像的经纬度范围创建二维区域rectangle，利用瓦片金字塔的URL创建TileMapServiceImageryProvider对象，并通过imageryLayers.addImageryProvider接口将热带气旋遥感影像覆盖在数字地球底图上，完成对热带气旋遥感影像的可视化；

S66、数字地球平台根据热带气旋目标检测结果中的经纬度范围确定矩形框的位置，并根据热带气旋的强度设置矩形框颜色属性，使用entities.add接口在数字地球上的对应位置渲染标记热带气旋的矩形框，完成对热带气旋目标检测结果的可视化。

Images