CN115937690B - 一种槽线生成方法、装置、存储介质及终端 - Google Patents
一种槽线生成方法、装置、存储介质及终端 Download PDFInfo
- Publication number
- CN115937690B CN115937690B CN202211725635.9A CN202211725635A CN115937690B CN 115937690 B CN115937690 B CN 115937690B CN 202211725635 A CN202211725635 A CN 202211725635A CN 115937690 B CN115937690 B CN 115937690B
- Authority
- CN
- China
- Prior art keywords
- slot line
- historical weather
- dimensional matrix
- slot
- point
- 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.)
- Active
Links
Images
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明公开了一种槽线生成方法,方法包括:获取并预处理待识别地区的天气图,得到预设尺寸大小的目标图像;将目标图像输入预先训练的槽线识别模型中,输出目标图像对应的目标二维矩阵;预先训练的槽线识别模型是根据每个二维矩阵训练生成的,每个二维矩阵是根据每个历史天气图中确定的槽线起点和槽线终点拟合的;将目标二维矩阵中每列元素依次按照预设比例还原为预设分辨率下的坐标点,生成天气图对应的槽线。由于本申请通过确定每个历史天气图中的槽线起点和槽线终点生成二维矩阵,通过仅表征槽线坐标点顺序的二维矩阵训练模型,避免后续实际应用中模型产生像素特征的冗余信息,使得通过单一类型数据可快速生成槽线,从而提升了槽线的拟合效率。
Description
技术领域
本发明涉及天气系统自动识别技术领域,特别涉及一种槽线生成方法、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,在目前通过神经网络识别槽线时,神经网络应用最多的是分割模型,由于分割模型分割出的图像掺杂了像素特征,因此采用分割模型在天气图上抽象出来的槽线,后续需要复杂的算法进行冗余信息处理,从而降低了槽线的拟合效率。
发明内容
本申请实施例提供了一种槽线生成方法、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槽线生成方法,方法包括:
获取并预处理待识别地区的天气图,得到预设尺寸大小的目标图像;
将目标图像输入预先训练的槽线识别模型中,输出目标图像对应的目标二维矩阵;其中,
预先训练的槽线识别模型是根据每个二维矩阵训练生成的,每个二维矩阵是根据每个历史天气图中确定的槽线起点和槽线终点拟合的;
将目标二维矩阵中每列元素依次按照预设比例还原为预设分辨率下的坐标点,生成天气图对应的槽线。
可选的,按照以下步骤生成预先训练的槽线识别模型,包括:
构建预设卷积核大小的槽线识别模型;
采集并扩充待识别地区在预设周期内的历史天气图,得到历史天气图集合;
确定历史天气图集合中每个历史天气图中槽线的槽线起点和槽线终点;
根据每个历史天气图中槽线的槽线起点和槽线终点拟合二维矩阵,得到每个历史天气图的二维矩阵;
根据每个历史天气图的二维矩阵与槽线识别模型,生成预先训练的槽线识别模型。
可选的,采集并扩充待识别地区在预设周期内的历史天气图,得到历史天气图集合,包括:
采集待识别地区在预设周期内的多个历史天气图;
将每个历史天气图的图像大小调整为预设尺寸大小,得到调整后的每个历史天气图;
将调整后的每个历史天气图进行数据增强处理,以对多个历史天气图进行数据扩充,得到历史天气图集合。
可选的,确定历史天气图集合中每个历史天气图中槽线的槽线起点和槽线终点,包括:
标记历史天气图集合中每个历史天气图的历史槽线;
将每个历史天气图的历史槽线投影到预设二值化图像中,得到每个历史天气图对应的二值化槽线图像;
根据每个历史天气图对应的二值化槽线图像确定每个历史天气图中槽线的槽线起点和槽线终点。
可选的,根据每个历史天气图对应的二值化槽线图像确定每个历史天气图中槽线的槽线起点和槽线终点,包括:
在每个历史天气图对应的二值化槽线图像中建立目标坐标系;
确定二值化槽线图像中槽线在目标坐标系的纵轴上的第一跨度,并确定二值化槽线图像中槽线在目标坐标系的横轴上的第二跨度;
当第一跨度大于等于第二跨度时,将二值化槽线图像中槽线在目标坐标系的纵轴上最小的坐标点确定为槽线起点,并将二值化槽线图像中槽线在目标坐标系的纵轴上最大的坐标点确定为槽线终点;
或者,
当第一跨度小于等于第二跨度时,将二值化槽线图像中槽线在目标坐标系的横轴上最小的点确定为槽线起点,并将二值化槽线图像中槽线在目标坐标系的横轴上最大的点确定为槽线终点。
可选的,根据每个历史天气图中槽线的槽线起点和槽线终点拟合二维矩阵,得到每个历史天气图的二维矩阵,包括:
根据每个历史天气图中槽线的槽线起点和槽线终点确定预设数量的槽线坐标点,得到每个历史天气图对应的多个槽线坐标点;
构建每个历史天气图对应的多个槽线坐标点的贝塞尔曲线表达式,得到每个历史天气图对应的贝塞尔曲线表达式;
根据每个历史天气图对应的贝塞尔曲线表达式,生成每个历史天气图对应的坐标点集合;
将每个历史天气图对应的坐标点集合转换为二维矩阵,得到每个历史天气图的二维矩阵。
可选的,根据每个历史天气图的二维矩阵与槽线识别模型,生成预先训练的槽线识别模型,包括:
将每个历史天气图的二维矩阵输入槽线识别模型中,输出模型损失值;
当模型损失值到达预设最小值时,生成预先训练的槽线识别模型;
或者,
当模型损失值未到达预设最小值时,将模型损失值进行反向传播,以更新槽线识别模型的模型参数,并继续执行将每个历史天气图的二维矩阵输入槽线识别模型中的步骤。
第二方面,本申请实施例提供了一种槽线生成装置,装置包括:
目标图像生成模块,用于获取并预处理待识别地区的天气图,得到预设尺寸大小的目标图像;
图像输入模块,用于将目标图像输入预先训练的槽线识别模型中,输出目标图像对应的目标二维矩阵;其中,
预先训练的槽线识别模型是根据每个二维矩阵训练生成的,每个二维矩阵是根据每个历史天气图中确定的槽线起点和槽线终点拟合的;
槽线生成模块,用于将目标二维矩阵中每列元素依次按照预设比例还原为预设分辨率下的坐标点,生成天气图对应的槽线。
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,槽线生成装置首先获取并预处理待识别地区的天气图,得到预设尺寸大小的目标图像,然后将目标图像输入预先训练的槽线识别模型中,输出目标图像对应的目标二维矩阵;预先训练的槽线识别模型是根据每个二维矩阵训练生成的,每个二维矩阵是根据每个历史天气图中确定的槽线起点和槽线终点拟合的,最后将目标二维矩阵中每列元素依次按照预设比例还原为预设分辨率下的坐标点,生成天气图对应的槽线。由于本申请通过确定每个历史天气图中的槽线起点和槽线终点生成二维矩阵,通过仅表征槽线坐标点顺序的二维矩阵训练模型,避免后续实际应用中模型产生像素特征的冗余信息,使得通过单一类型数据可快速生成槽线,从而提升了槽线的拟合效率。
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槽线生成方法的流程示意图;
图2是本申请实施例提供的一种槽线识别模型的训练方法的流程示意图;
图3是本申请实施例提供的一种天气图上标识出槽线的示意图;
图4是本申请实施例提供的一种槽线二值化图像示意图;
图5是本申请实施例提供的一种槽线起点和槽线终点的示意图;
图6是本申请实施例提供的另一种槽线起点和槽线终点的示意图;
图7是本申请实施例提供的一种槽线生成装置的结构示意图;
图8是本申请实施例提供的一种终端的结构示意图;
图9是本申请实施例提供的一种槽线识别模型的网络结构图。
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。
本申请提供了一种槽线生成方法、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,由于本申请通过确定每个历史天气图中的槽线起点和槽线终点生成二维矩阵,通过仅表征槽线坐标点顺序的二维矩阵训练模型,避免后续实际应用中模型产生像素特征的冗余信息,使得通过单一类型数据可快速生成槽线,从而提升了槽线的拟合效率,下面采用示例性的实施例进行详细说明。
下面将结合附图1-6以及附图9,对本申请实施例提供的槽线生成方法进行详细介绍。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槽线生成装置上。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槽线生成方法的流程示意图。如图1所示,本申请实施例的方法可以包括以下步骤:
S101,获取并预处理待识别地区的天气图,得到预设尺寸大小的目标图像;
其中,待识别地区是需要识别槽线的区域,天气图是基于站点数据或格点数据所绘制的表征气象参数的地图。预设尺寸大小为128*128。
在一种可能的实现方式中,首先获取待识别地区的站点数据或格点数据,然后基于该站点数据或格点数据构建天气图,再将构建的天气图的尺寸大小设置为128*128大小的目标图像,以符合模型的图像处理条件。
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。
S102,将目标图像输入预先训练的槽线识别模型中,输出目标图像对应的目标二维矩阵;
其中,预先训练的槽线识别模型是根据每个二维矩阵训练生成的,每个二维矩阵是根据每个历史天气图中确定的槽线起点和槽线终点拟合的。
通常,预先训练的槽线识别模型是根据天气图可得到二维矩阵的数学模型。该模型可以是基于神经网络进行构建。
在本申请实施例中,在生成预先训练的槽线识别模型时,首先构建预设卷积核大小的槽线识别模型;其中,预设卷积核大小为c*(n/2m+1)*(n/2m+1);c为输入的特征图的通道数,n为输入的特征图的大小,可以为2,即2m为4时,网络效果最好,然后采集并扩充待识别地区在预设周期内的历史天气图,得到历史天气图集合,其次确定历史天气图集合中每个历史天气图中槽线的槽线起点和槽线终点,再根据每个历史天气图中槽线的槽线起点和槽线终点拟合二维矩阵,得到每个历史天气图的二维矩阵,最后根据每个历史天气图的二维矩阵与槽线识别模型,生成预先训练的槽线识别模型。本申请通过将模型的卷积核大小最优可设置为c*(n/4+1)*(n/4+1),该超大卷积核神经网络对图像处理更优,可提升图像的处理效率。
在一种可能的实现方式中,在得到预设尺寸大小的目标图像后,可将目标图像输入预先训练的槽线识别模型中,输出目标图像对应的目标二维矩阵。该矩阵中的每列元素可代表一个坐标点,列元素和模型训练时训练数据的二维矩阵的列元素相同,列元素越多,生成的槽线精确度越高。
S103,将目标二维矩阵中每列元素依次按照预设比例还原为预设分辨率下的坐标点,生成天气图对应的槽线。
在本申请实施例中,在得到目标图像对应的目标二维矩阵后,可将目标二维矩阵中每列元素依次按照预设比例还原为预设分辨率下的坐标点,生成天气图对应的槽线。
例如,当训练数据中的二维矩阵为2行100列的矩阵,此时目标二维矩阵也是2行100列的矩阵,即存在100个坐标点,将100列依次按照预设比例还原为预设分辨率下的坐标点,可生成天气图对应的槽线。
例如图9所示,将目标图像尺寸大小为3*128*128的目标图像输入预先训练的槽线识别模型对应的超大卷积核网络中经过网络参数不断的处理,可在网络的最后一层输出2*100的矩阵,最后基于该矩阵生成目标图像对应的槽线。
在本申请实施例中,槽线生成装置首先获取并预处理待识别地区的天气图,得到预设尺寸大小的目标图像,然后将目标图像输入预先训练的槽线识别模型中,输出目标图像对应的目标二维矩阵;预先训练的槽线识别模型是根据每个二维矩阵训练生成的,每个二维矩阵是根据每个历史天气图中确定的槽线起点和槽线终点拟合的,最后将目标二维矩阵中每列元素依次按照预设比例还原为预设分辨率下的坐标点,生成天气图对应的槽线。由于本申请通过确定每个历史天气图中的槽线起点和槽线终点生成二维矩阵,通过仅表征槽线坐标点顺序的二维矩阵训练模型,避免后续实际应用中模型产生像素特征的冗余信息,使得通过单一类型数据可快速生成槽线,从而提升了槽线的拟合效率。
请参见图2,为本申请实施例提供了一种槽线识别模型训练方法的流程示意图。如图2所示,本申请实施例的方法可以包括以下步骤:
S201,构建预设卷积核大小的槽线识别模型;
其中,预设卷积核大小为c*(n/2m+1)*(n/2m+1);c为输入的特征图的通道数,n为输入的特征图的大小,可以为2,即2m为4时,网络效果最好。
在本申请实施例中,可采用神经网络建立预设卷积核大小的槽线识别模型。假设神经网络中每个层的特征图为n*n,除去1*1卷积,该层的预设卷积核大小为c*(n/4+1)*(n/4+1)。
S202,采集并扩充待识别地区在预设周期内的历史天气图,得到历史天气图集合;
在本申请实施例中,在采集并扩充待识别地区在预设周期内的历史天气图,得到历史天气图集合时,首先采集待识别地区在预设周期内的多个历史天气图,然后将每个历史天气图的图像大小调整为预设尺寸大小,得到调整后的每个历史天气图,最后将调整后的每个历史天气图进行数据增强处理,以对多个历史天气图进行数据扩充,得到历史天气图集合。
具体的,图像大小reszie为128*128。预设周期内的历史天气图可以采用待识别地区在2017年至2021年之间的四万张样本。数据增强处理的方式包括但不限于随机顺时针旋转90度或逆时针旋转90度。
S203,确定历史天气图集合中每个历史天气图中槽线的槽线起点和槽线终点;
在本申请实施例中,在确定历史天气图集合中每个历史天气图中槽线的槽线起点和槽线终点时,首先标记历史天气图集合中每个历史天气图的历史槽线,然后将每个历史天气图的历史槽线投影到预设二值化图像中,得到每个历史天气图对应的二值化槽线图像,再根据每个历史天气图对应的二值化槽线图像确定每个历史天气图中槽线的槽线起点和槽线终点。
例如图3所示,在历史天气图集合中标记的某个历史天气图的历史槽线。然后将槽线投影到与其对应图像的相同分辨率的二值化图像上。
具体的,在根据每个历史天气图对应的二值化槽线图像确定每个历史天气图中槽线的槽线起点和槽线终点时,首先在每个历史天气图对应的二值化槽线图像中建立目标坐标系,再确定二值化槽线图像中槽线在目标坐标系的纵轴上的第一跨度,并确定二值化槽线图像中槽线在目标坐标系的横轴上的第二跨度,最后当第一跨度大于等于第二跨度时,将二值化槽线图像中槽线在目标坐标系的纵轴上最小的坐标点确定为槽线起点,并将二值化槽线图像中槽线在目标坐标系的纵轴上最大的坐标点确定为槽线终点;或者,当第一跨度小于等于第二跨度时,将二值化槽线图像中槽线在目标坐标系的横轴上最小的点确定为槽线起点,并将二值化槽线图像中槽线在目标坐标系的横轴上最大的点确定为槽线终点。
例如,在每个二值化图像中建立坐标系,x轴和y轴如图4所示。可确定出每个二值化图像中槽线在y轴方向上的跨度h,并确定出在x轴方向上的跨度w。如果h大于等于w,则此时槽线的起点为y轴上y值最小的点,槽线的终点为y轴上y值最大的点,例如图5所示。如果h小于w,则此时槽线的起点为x轴上x值最小的点,槽线的终点为x轴上x值最大的点,例如图6所示。
需要说明的是,通过确定跨度h和跨度w,可以准确判断出每个槽线的槽线起点和槽线终点,在训练模型时可按照槽线起点和槽线终点依次按起终点的先后顺序选取坐标点进行训练,保障后续模型输出的二维矩阵也是满足坐标点先后顺序的。
S204,根据每个历史天气图中槽线的槽线起点和槽线终点拟合二维矩阵,得到每个历史天气图的二维矩阵;
在本申请实施例中,在根据每个历史天气图中槽线的槽线起点和槽线终点拟合二维矩阵,得到每个历史天气图的二维矩阵时,首先根据每个历史天气图中槽线的槽线起点和槽线终点确定预设数量的槽线坐标点,得到每个历史天气图对应的多个槽线坐标点,然后构建每个历史天气图对应的多个槽线坐标点的贝塞尔曲线表达式,得到每个历史天气图对应的贝塞尔曲线表达式,最后根据每个历史天气图对应的贝塞尔曲线表达式,生成每个历史天气图对应的坐标点集合;其中,每个历史天气图对应的贝塞尔曲线表达式为:
B(t)=P0(1-t)5+5P1t(1-t)4+10P2t2(1-t)3+10P3t3(1-t)2+5P4t4(1-t)+P5t5,t∈[0,1];并将每个历史天气图对应的坐标点集合转换为二维矩阵,得到每个历史天气图的二维矩阵。其中,P0,P1,P2,P3,P4,P5分别为每个历史天气图对应的多个槽线坐标点。
具体的,根据每个历史天气图中槽线的槽线起点和槽线终点确定预设数量的槽线坐标点时,首先将每个历史天气图中槽线的槽线起点和槽线终点之间的所有坐标点依次存入列表中,记为[(x0,y0),......,(xn,yn)]。然后在[(x0,y0),......,(xn,yn)]中按照预设间隔取预设数量的点,得到每个历史天气图对应的预设数量的槽线坐标点。例如在[(x0,y0),......,(xn,yn)]中均匀取5个(两端各1个,中间取三个),记为P0,P1,P2,P3,P4,P5,坐标值分别为其中[]标记为向下取整。
可根据每个历史天气图对应的5个坐标点构建5阶贝塞尔曲线,然后在t中按顺序取{0,0.01,0.02,.....,0.98,0.99}带入上面的方程,求得每个历史天气图对应的100个点[(x'0,y'0),......,(x'99,y'99)],将其转换为矩阵得到每个历史天气图对应的二维矩阵。
S205,根据每个历史天气图的二维矩阵与槽线识别模型,生成预先训练的槽线识别模型。
在本申请实施例中,在根据每个历史天气图的二维矩阵与槽线识别模型,生成预先训练的槽线识别模型时,首先将每个历史天气图的二维矩阵输入槽线识别模型中,输出模型损失值,然后当模型损失值到达预设最小值时,生成预先训练的槽线识别模型;或者,当模型损失值未到达预设最小值时,将模型损失值进行反向传播,以更新槽线识别模型的模型参数,并继续执行将每个历史天气图的二维矩阵输入槽线识别模型中的步骤。
在本申请实施例中,槽线生成装置首先获取并预处理待识别地区的天气图,得到预设尺寸大小的目标图像,然后将目标图像输入预先训练的槽线识别模型中,输出目标图像对应的目标二维矩阵;预先训练的槽线识别模型是根据每个二维矩阵训练生成的,每个二维矩阵是根据每个历史天气图中确定的槽线起点和槽线终点拟合的,最后将目标二维矩阵中每列元素依次按照预设比例还原为预设分辨率下的坐标点,生成天气图对应的槽线。由于本申请通过确定每个历史天气图中的槽线起点和槽线终点生成二维矩阵,通过仅表征槽线坐标点顺序的二维矩阵训练模型,避免后续实际应用中模型产生像素特征的冗余信息,使得通过单一类型数据可快速生成槽线,从而提升了槽线的拟合效率。
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7,其示出了本发明一个示例性实施例提供的槽线生成装置的结构示意图。该槽线生成装置可以通过软件、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包括目标图像生成模块10、图像输入模块20、槽线生成模块30。
目标图像生成模块10,用于获取并预处理待识别地区的天气图,得到预设尺寸大小的目标图像;
图像输入模块20,用于将目标图像输入预先训练的槽线识别模型中,输出目标图像对应的目标二维矩阵;其中,
预先训练的槽线识别模型是根据每个二维矩阵训练生成的,每个二维矩阵是根据每个历史天气图中确定的槽线起点和槽线终点拟合的;
槽线生成模块30,用于将目标二维矩阵中每列元素依次按照预设比例还原为预设分辨率下的坐标点,生成天气图对应的槽线。
需要说明的是,上述实施例提供的槽线生成装置在执行槽线生成方法时,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,上述实施例提供的槽线生成装置与槽线生成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。
在本申请实施例中,槽线生成装置首先获取并预处理待识别地区的天气图,得到预设尺寸大小的目标图像,然后将目标图像输入预先训练的槽线识别模型中,输出目标图像对应的目标二维矩阵;预先训练的槽线识别模型是根据每个二维矩阵训练生成的,每个二维矩阵是根据每个历史天气图中确定的槽线起点和槽线终点拟合的,最后将目标二维矩阵中每列元素依次按照预设比例还原为预设分辨率下的坐标点,生成天气图对应的槽线。由于本申请通过确定每个历史天气图中的槽线起点和槽线终点生成二维矩阵,通过仅表征槽线坐标点顺序的二维矩阵训练模型,避免后续实际应用中模型产生像素特征的冗余信息,使得通过单一类型数据可快速生成槽线,从而提升了槽线的拟合效率。
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槽线生成方法。
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槽线生成方法。
请参见图8,为本申请实施例提供了一种终端的结构示意图。如图8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8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、用户接口模块以及槽线生成应用程序。
在图8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中存储的槽线生成应用程序,并具体执行以下操作:
获取并预处理待识别地区的天气图,得到预设尺寸大小的目标图像;
将目标图像输入预先训练的槽线识别模型中,输出目标图像对应的目标二维矩阵;其中,
预先训练的槽线识别模型是根据每个二维矩阵训练生成的,每个二维矩阵是根据每个历史天气图中确定的槽线起点和槽线终点拟合的;
将目标二维矩阵中每列元素依次按照预设比例还原为预设分辨率下的坐标点,生成天气图对应的槽线。
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:
构建预设卷积核大小的槽线识别模型;
采集并扩充待识别地区在预设周期内的历史天气图,得到历史天气图集合;
确定历史天气图集合中每个历史天气图中槽线的槽线起点和槽线终点;
根据每个历史天气图中槽线的槽线起点和槽线终点拟合二维矩阵,得到每个历史天气图的二维矩阵;
根据每个历史天气图的二维矩阵与槽线识别模型,生成预先训练的槽线识别模型。
在一个实施例中,处理器1001在执行采集并扩充待识别地区在预设周期内的历史天气图,得到历史天气图集合时,具体执行以下操作:
采集待识别地区在预设周期内的多个历史天气图;
将每个历史天气图的图像大小调整为预设尺寸大小,得到调整后的每个历史天气图;
将调整后的每个历史天气图进行数据增强处理,以对多个历史天气图进行数据扩充,得到历史天气图集合。
在一个实施例中,处理器1001在执行确定历史天气图集合中每个历史天气图中槽线的槽线起点和槽线终点时,具体执行以下操作:
标记历史天气图集合中每个历史天气图的历史槽线;
将每个历史天气图的历史槽线投影到预设二值化图像中,得到每个历史天气图对应的二值化槽线图像;
根据每个历史天气图对应的二值化槽线图像确定每个历史天气图中槽线的槽线起点和槽线终点。
在一个实施例中,处理器1001在执行根据每个历史天气图对应的二值化槽线图像确定每个历史天气图中槽线的槽线起点和槽线终点时,具体执行以下操作:
在每个历史天气图对应的二值化槽线图像中建立目标坐标系;
确定二值化槽线图像中槽线在目标坐标系的纵轴上的第一跨度,并确定二值化槽线图像中槽线在目标坐标系的横轴上的第二跨度;
当第一跨度大于等于第二跨度时,将二值化槽线图像中槽线在目标坐标系的纵轴上最小的坐标点确定为槽线起点,并将二值化槽线图像中槽线在目标坐标系的纵轴上最大的坐标点确定为槽线终点;
或者,
当第一跨度小于等于第二跨度时,将二值化槽线图像中槽线在目标坐标系的横轴上最小的点确定为槽线起点,并将二值化槽线图像中槽线在目标坐标系的横轴上最大的点确定为槽线终点。
在一个实施例中,处理器1001在执行根据每个历史天气图中槽线的槽线起点和槽线终点拟合二维矩阵,得到每个历史天气图的二维矩阵时,具体执行以下操作:
根据每个历史天气图中槽线的槽线起点和槽线终点确定预设数量的槽线坐标点,得到每个历史天气图对应的多个槽线坐标点;
构建每个历史天气图对应的多个槽线坐标点的贝塞尔曲线表达式,得到每个历史天气图对应的贝塞尔曲线表达式;
根据每个历史天气图对应的贝塞尔曲线表达式,生成每个历史天气图对应的坐标点集合;
将每个历史天气图对应的坐标点集合转换为二维矩阵,得到每个历史天气图的二维矩阵。
在一个实施例中,处理器1001在执行根据每个历史天气图的二维矩阵与槽线识别模型,生成预先训练的槽线识别模型时,具体执行以下操作:
将每个历史天气图的二维矩阵输入槽线识别模型中,输出模型损失值;
当模型损失值到达预设最小值时,生成预先训练的槽线识别模型;
或者,
当模型损失值未到达预设最小值时,将模型损失值进行反向传播,以更新槽线识别模型的模型参数,并继续执行将每个历史天气图的二维矩阵输入槽线识别模型中的步骤。
在本申请实施例中,槽线生成装置首先获取并预处理待识别地区的天气图,得到预设尺寸大小的目标图像,然后将目标图像输入预先训练的槽线识别模型中,输出目标图像对应的目标二维矩阵;预先训练的槽线识别模型是根据每个二维矩阵训练生成的,每个二维矩阵是根据每个历史天气图中确定的槽线起点和槽线终点拟合的,最后将目标二维矩阵中每列元素依次按照预设比例还原为预设分辨率下的坐标点,生成天气图对应的槽线。由于本申请通过确定每个历史天气图中的槽线起点和槽线终点生成二维矩阵,通过仅表征槽线坐标点顺序的二维矩阵训练模型,避免后续实际应用中模型产生像素特征的冗余信息,使得通过单一类型数据可快速生成槽线,从而提升了槽线的拟合效率。
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,槽线生成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,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 (9)
1.一种槽线生成方法,其特征在于,所述方法包括:
获取并预处理待识别地区的天气图,得到预设尺寸大小的目标图像;
将所述目标图像输入预先训练的槽线识别模型中,输出所述目标图像对应的目标二维矩阵;其中,
预先训练的槽线识别模型是根据每个二维矩阵训练生成的,所述每个二维矩阵是根据每个历史天气图中确定的槽线起点和槽线终点拟合的;其中,按照以下步骤拟合二维矩阵,包括:
根据每个历史天气图中槽线的槽线起点和槽线终点确定预设数量的槽线坐标点,得到每个历史天气图对应的多个槽线坐标点;
构建所述每个历史天气图对应的多个槽线坐标点的贝塞尔曲线表达式,得到每个历史天气图对应的贝塞尔曲线表达式;
根据所述每个历史天气图对应的贝塞尔曲线表达式,生成每个历史天气图对应的坐标点集合;
将每个历史天气图对应的坐标点集合转换为二维矩阵,得到每个历史天气图的二维矩阵;
将所述目标二维矩阵中每列元素依次按照预设比例还原为预设分辨率下的坐标点,生成天气图对应的槽线。
2.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槽线识别模型,包括:
构建预设卷积核大小的槽线识别模型;
采集并扩充待识别地区在预设周期内的历史天气图,得到历史天气图集合;
确定所述历史天气图集合中每个历史天气图中槽线的槽线起点和槽线终点;
根据每个历史天气图中槽线的槽线起点和槽线终点拟合二维矩阵,得到每个历史天气图的二维矩阵;
根据每个历史天气图的二维矩阵与所述槽线识别模型,生成预先训练的槽线识别模型。
3.根据权利要求2所述的方法,其特征在于,所述采集并扩充待识别地区在预设周期内的历史天气图,得到历史天气图集合,包括:
采集待识别地区在预设周期内的多个历史天气图;
将每个历史天气图的图像大小调整为预设尺寸大小,得到调整后的每个历史天气图;
将调整后的每个历史天气图进行数据增强处理,以对所述多个历史天气图进行数据扩充,得到历史天气图集合。
4.根据权利要求2所述的方法,其特征在于,所述确定所述历史天气图集合中每个历史天气图中槽线的槽线起点和槽线终点,包括:
标记所述历史天气图集合中每个历史天气图的历史槽线;
将所述每个历史天气图的历史槽线投影到预设二值化图像中,得到每个历史天气图对应的二值化槽线图像;
根据所述每个历史天气图对应的二值化槽线图像确定每个历史天气图中槽线的槽线起点和槽线终点。
5.根据权利要求4所述的方法,其特征在于,所述根据所述每个历史天气图对应的二值化槽线图像确定每个历史天气图中槽线的槽线起点和槽线终点,包括:
在所述每个历史天气图对应的二值化槽线图像中建立目标坐标系;
确定所述二值化槽线图像中槽线在所述目标坐标系的纵轴上的第一跨度,并确定所述二值化槽线图像中槽线在所述目标坐标系的横轴上的第二跨度;
当所述第一跨度大于等于所述第二跨度时,将所述二值化槽线图像中槽线在所述目标坐标系的纵轴上最小的坐标点确定为槽线起点,并将所述二值化槽线图像中槽线在所述目标坐标系的纵轴上最大的坐标点确定为槽线终点;
或者,
当所述第一跨度小于等于第二跨度时,将所述二值化槽线图像中槽线在所述目标坐标系的横轴上最小的点确定为槽线起点,并将所述二值化槽线图像中槽线在所述目标坐标系的横轴上最大的点确定为槽线终点。
6.根据权利要求2所述的方法,其特征在于,所述根据每个历史天气图的二维矩阵与所述槽线识别模型,生成预先训练的槽线识别模型,包括:
将所述每个历史天气图的二维矩阵输入所述槽线识别模型中,输出模型损失值;
当所述模型损失值到达预设最小值时,生成预先训练的槽线识别模型;
或者,
当所述模型损失值未到达预设最小值时,将所述模型损失值进行反向传播,以更新所述槽线识别模型的模型参数,并继续执行所述将所述每个历史天气图的二维矩阵输入所述槽线识别模型中的步骤。
7.一种槽线生成装置,其特征在于,所述装置包括:
目标图像生成模块,用于获取并预处理待识别地区的天气图,得到预设尺寸大小的目标图像;
图像输入模块,用于将所述目标图像输入预先训练的槽线识别模型中,输出所述目标图像对应的目标二维矩阵;其中,
预先训练的槽线识别模型是根据每个二维矩阵训练生成的,所述每个二维矩阵是根据每个历史天气图中确定的槽线起点和槽线终点拟合的;其中,按照以下步骤拟合二维矩阵,包括:
根据每个历史天气图中槽线的槽线起点和槽线终点确定预设数量的槽线坐标点,得到每个历史天气图对应的多个槽线坐标点;
构建所述每个历史天气图对应的多个槽线坐标点的贝塞尔曲线表达式,得到每个历史天气图对应的贝塞尔曲线表达式;
根据所述每个历史天气图对应的贝塞尔曲线表达式,生成每个历史天气图对应的坐标点集合;
将每个历史天气图对应的坐标点集合转换为二维矩阵,得到每个历史天气图的二维矩阵;
槽线生成模块,用于将所述目标二维矩阵中每列元素依次按照预设比例还原为预设分辨率下的坐标点,生成天气图对应的槽线。
8.一种计算机存储介质,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1-6任意一项的方法。
9.一种终端,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1-6任意一项的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211725635.9A CN115937690B (zh) | 2022-12-30 | 2022-12-30 | 一种槽线生成方法、装置、存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211725635.9A CN115937690B (zh) | 2022-12-30 | 2022-12-30 | 一种槽线生成方法、装置、存储介质及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115937690A CN115937690A (zh) | 2023-04-07 |
CN115937690B true CN115937690B (zh) | 2023-06-30 |
Family
ID=86552342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211725635.9A Active CN115937690B (zh) | 2022-12-30 | 2022-12-30 | 一种槽线生成方法、装置、存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115937690B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116759009B (zh) * | 2023-06-09 | 2024-02-02 | 中科三清科技有限公司 | 通过机器学习匹配天气型的臭氧预报方法、系统、介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109239809A (zh) * | 2018-08-02 | 2019-01-18 | 成都信息工程大学 | 一种基于弦切法的天气槽脊线提取方法 |
CN114359441A (zh) * | 2022-01-11 | 2022-04-15 | 成都信息工程大学 | 一种订正一类错误西风带槽线的方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8930299B2 (en) * | 2010-12-15 | 2015-01-06 | Vaisala, Inc. | Systems and methods for wind forecasting and grid management |
CN104951624B (zh) * | 2015-07-13 | 2017-10-17 | 中国人民解放军理工大学 | 一种计算机气象软件中基于风场数据的槽线自动绘制方法 |
CN111814960B (zh) * | 2020-07-03 | 2023-10-24 | 国家气候中心 | 天气气候系统的识别方法、装置、存储介质及处理器 |
CN112801270B (zh) * | 2021-01-21 | 2023-12-12 | 中国人民解放军国防科技大学 | 融合深度卷积与注意力机制的u形网络槽自动识别方法 |
CN114863418B (zh) * | 2022-04-29 | 2023-03-07 | 中科三清科技有限公司 | 一种均压场识别方法、装置、存储介质及终端 |
-
2022
- 2022-12-30 CN CN202211725635.9A patent/CN115937690B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109239809A (zh) * | 2018-08-02 | 2019-01-18 | 成都信息工程大学 | 一种基于弦切法的天气槽脊线提取方法 |
CN114359441A (zh) * | 2022-01-11 | 2022-04-15 | 成都信息工程大学 | 一种订正一类错误西风带槽线的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115937690A (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106909901B (zh) | 从图像中检测物体的方法及装置 | |
CN109584327B (zh) | 人脸老化模拟方法、装置以及设备 | |
CN115937690B (zh) | 一种槽线生成方法、装置、存储介质及终端 | |
CN112990086A (zh) | 遥感影像建筑物检测方法、装置及计算机可读存储介质 | |
CN114241326B (zh) | 一种渐进式遥感影像地物要素智能生产方法及系统 | |
CN115018992B (zh) | 发型模型的生成方法、装置、电子设备及存储介质 | |
US20230153965A1 (en) | Image processing method and related device | |
CN114565057B (zh) | 一种基于机器学习的均压场识别方法、装置、存储介质及终端 | |
CN113658292A (zh) | 气象数据色斑图生成方法、装置、设备及存储介质 | |
CN115731560B (zh) | 一种基于深度学习的槽线识别方法、装置、存储介质及终端 | |
CN113077477B (zh) | 图像矢量化方法、装置及终端设备 | |
CN108520532B (zh) | 识别视频中物体运动方向的方法及装置 | |
CN111583412B (zh) | 构建书法浮雕深度学习网络的方法及构建书法浮雕的方法 | |
CN116071651B (zh) | 一种均压场识别方法、装置、存储介质及终端 | |
CN115861816B (zh) | 一种立体低涡识别方法、装置、存储介质及终端 | |
CN115861811B (zh) | 一种风切变区域识别方法、装置、存储介质及终端 | |
CN114626458B (zh) | 一种高压后部识别方法、装置、存储介质及终端 | |
CN113378864B (zh) | 一种锚框参数的确定方法、装置、设备及可读存储介质 | |
JP3944034B2 (ja) | 区画データ作成方法、装置 | |
CN116681959B (zh) | 基于机器学习的锋线识别方法、装置、存储介质及终端 | |
CN112633065A (zh) | 一种基于数据增强的人脸检测方法、系统、存储介质及终端 | |
CN116091586B (zh) | 一种槽线识别方法、装置、存储介质及终端 | |
CN110706351A (zh) | 一种三角网格模型生成方法及装置 | |
CN116051805B (zh) | 一种副热带高压的影响区识别方法、装置、存储介质及终端 | |
CN117893722A (zh) | 天气对象识别方法、系统、介质及电子设备 |
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 |