CN117008219B - 一种基于人工智能降雨测量方法、装置、设备及存储介质 - Google Patents
一种基于人工智能降雨测量方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117008219B CN117008219B CN202311278459.3A CN202311278459A CN117008219B CN 117008219 B CN117008219 B CN 117008219B CN 202311278459 A CN202311278459 A CN 202311278459A CN 117008219 B CN117008219 B CN 117008219B
- Authority
- CN
- China
- Prior art keywords
- rainfall
- neural network
- rain
- image
- feature extraction
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 36
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000000691 measurement method Methods 0.000 title claims description 23
- 238000000605 extraction Methods 0.000 claims abstract description 98
- 238000013528 artificial neural network Methods 0.000 claims abstract description 89
- 230000001360 synchronised effect Effects 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000010586 diagram Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 210000003462 vein Anatomy 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 12
- 238000005259 measurement Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000005291 magnetic effect Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Environmental & Geological Engineering (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Hydrology & Water Resources (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于人工智能降雨测量方法、装置、设备及存储介质，包括获取目标地点的降雨图像和同步降雨强度信息，构建雨纹特征提取神经网络，输入降雨图像输出雨纹特征图，利用降雨‑清晰图像数据集训练雨纹特征提取神经网络，将目标地点的降雨图像输入到训练好的雨纹特征提取神经网络中，得到对应的雨纹特征图，且根据同步降雨强度信息获取降雨图像对应的降雨强度将降雨强度作为雨纹特征图的标签，生成雨纹‑降雨强度数据集，构建雨量估计神经网络，通过雨纹‑降雨强度数据集训练雨量估计神经网络，重新获取目标地点的真实降雨视频输入到训练好的雨量估计神经网络得到对应的降雨强度信息，本发明能够准确地获取降雨强度数值，准确率高。
Description
技术领域
本发明涉及降雨测量技术领域，具体涉及一种基于人工智能降雨测量方法、装置、设备及存储介质。
背景技术
降雨的时空分布异常现象是诱发各种自然灾害的重要因素，因此对降雨强度的实时监测对防范洪水、泥石流等重大灾害具有重要的指导意义。同时降雨也是农业生产等经济活动中不可获取的一部分，因此对降雨强度的实时监测也具有重要的经济意义。
近年来，基于深度学习的视频雨量估计作为无接触的检测方法逐渐受到关注。
如专利CN202110223872.4公开了一种基于卷积神经网络的降雨强度检测方法。利用不同降雨条件下水面雨生表面波纹理特征的差异性，通过对连续两帧图像进行残差处理提取波纹纹理特征，进而使用全卷积神经网络进行有监督的深度学习。但该方法只能进行无雨、小雨、中雨、大雨四个等级进行分类检测，且只能以水面波纹作为采集对象，难以广泛应用，当无水面时，无法进行识别，受应用场景的限制大，适用性低。
专利CN201910701424 .3公开了一种针对雨天图片的卷积神经网络降雨强度分类方法。利用卷积神经网络对真实降雨图片和合成降雨图片的降雨强度进行六个等级分类，具有较好的效果和较低的误差率。但该方法没有专门针对雨纹信息进行特征提取，导致算法在实际场景下的泛化性能不足，精度不高。
发明内容
根据现有技术的不足，本发明的目的是提供一种基于人工智能降雨测量方法、装置、设备及存储介质，直接针对雨纹信息进行特征提取，且能够准确地获取降雨强度数值，准确率高。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于人工智能降雨测量方法，包括以下步骤：
数据采集，获取目标地点的降雨图像和同步降雨强度信息；
构建雨纹特征提取神经网络，其输入为降雨图像，输出为雨纹特征图；
利用降雨-清晰图像数据集，训练雨纹特征提取神经网络，其中，降雨-清晰图像数据集包括各个地点的降雨-清晰图像，降雨-清晰图像为降雨-清晰视频抽帧处理后选取的清晰的降雨图像；
将目标地点的降雨图像，输入到训练好的雨纹特征提取神经网络中，得到对应的雨纹特征图，且根据同步降雨强度信息获取降雨图像对应的降雨强度，将降雨强度作为雨纹特征图的标签，生成雨纹-降雨强度数据集；
构建雨量估计神经网络，通过雨纹-降雨强度数据集训练雨量估计神经网络；
重新获取目标地点的真实降雨视频，抽帧提取新的降雨图像，输入到训练好的雨纹特征提取神经网络中，得到对应的新的雨纹特征图，将新的雨纹特征图输入到训练好的雨量估计神经网络，得到对应的降雨强度信息。
进一步地，所述同步降雨强度信息根据雨量计或互联网发布降雨量信息获取。
进一步地，所述雨纹特征提取神经网络采用多维特征卷积网络，包括浅层特征提取、深层特征提取与特征重构；
所述浅层特征提取通过多个三维卷积初步提取降雨图像的浅层信息；
所述深层特征提取通过多个多维特征模块提取降雨图像的空间与通道维度的雨纹特征；
所述特征重构用于生成雨纹特征图。
进一步地，所述多维特征模块由空间维度特征提取块、扩展卷积块和通道维度特征提取块依次串联组成。
进一步地，所述空间维度特征提取块采用多个1×1卷积执行隐藏层到输出层的特征映射；
所述扩展卷积块包括两条路径，第一条路径由两个标准的卷积层组成，用于捕捉小尺度的空间图案，第二条路径包括两个扩展卷积层，以快速增加感受野，输出包括1×1卷积运算融合多个不同尺度的特征；
所述通道维度特征提取块采用三个1×1卷积聚合来自不同通道的信息，以及两个1×1卷积提取通道间的相关性特征。
进一步地，在雨纹特征提取神经网络中，通过损失函数计算标签图像与预测图像间的差异，根据/>损失函数更新雨纹特征提取网络参数。
进一步地，所述雨量估计网络采用深度残差网络并采用跳跃连接的形式进行特征映射。
一种基于人工智能降雨测量装置，包括：
数据采集模块，用于数据采集，获取目标地点的降雨图像和同步降雨强度信息；
雨纹特征提取神经网络构建模块，用于构建雨纹特征提取神经网络，其输入为降雨图像，其输出为雨纹特征图；
雨纹特征提取神经网络训练模块，用于利用降雨-清晰图像数据集，训练雨纹特征提取神经网络，其中，降雨-清晰图像数据集包括各个地点的降雨-清晰图像，降雨-清晰图像为降雨-清晰视频抽帧处理后选取的清晰的降雨图像；
雨纹-降雨强度数据集获取模块，用于将目标地点的降雨图像，输入到训练好的雨纹特征提取神经网络中，得到对应的雨纹特征图，且根据同步降雨强度信息获取降雨图像对应的降雨强度，将降雨强度作为雨纹特征图的标签，生成雨纹-降雨强度数据集；
雨量估计神经网络训练模块，用于构建雨量估计神经网络，通过雨纹-降雨强度数据集训练雨量估计神经网络；
降雨强度信息获取模块，用于重新获取目标地点的真实降雨视频，抽帧提取新的降雨图像，输入到训练好的雨纹特征提取神经网络中，得到对应的新的雨纹特征图，将新的雨纹特征图输入到训练好的雨量估计神经网络，得到对应的降雨强度信息。
一种基于人工智能降雨测量设备，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，处理器用于运行计算机程序时，执行上述任一项所述基于人工智能降雨测量方法的步骤。
一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时，实现上述任一项所述人工智能降雨测量方法的步骤。
与现有技术相比，本发明具有以下优点和有益效果：
本发明直接采集目标地点的降雨视频，通过雨纹特征提取神经网络获取该视频数据中的雨纹特征图，同步目标地点的同步降雨强度信息获取降雨图像的降雨强度，按时序将同一时刻的降雨强度作为该时刻雨纹特征图的标签，训练雨量估计神经网络，相比于现有技术，不仅能通过视频数据转换的雨纹特征图，获得实时的降雨强度数值，提供更详细的降雨数据，同时也能在无水面时，进行识别，应用广泛，不受环境条件的限制，可广泛用于各种场景，如城市、山区、田地等，适应性更高。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分。本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明基于人工智能降雨测量方法的流程图。
图2为本发明雨纹特征提取网络结构图。
图3为本发明空间维度特征提取模块结构图。
图4为本发明扩展卷积模块结构图。
图5为本发明通道维度特征提取模块结构图。
图6为本发明雨量估计网络结构图。
图7为本发明基于人工智能降雨测量装置的流程图。
图8为本发明降雨强度预测值与实际值对比柱状图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
本发明提供一种基于人工智能降雨测量方法，如图1所示，包括以下步骤：
步骤S1、数据采集，获取目标地点的降雨图像和同步降雨强度信息；
步骤S2、构建雨纹特征提取神经网络，其输入为降雨图像，其输出为雨纹特征图；
步骤S3、利用降雨-清晰图像数据集，训练雨纹特征提取神经网络，其中，降雨-清晰图像数据集包括各个地点的降雨-清晰图像，降雨-清晰图像为降雨-清晰视频抽帧处理后选取的清晰的降雨图像；
步骤S4、将目标地点的降雨图像，输入到训练好的雨纹特征提取神经网络中，得到对应的雨纹特征图，且根据同步降雨强度信息获取降雨图像对应的降雨强度，将降雨强度作为雨纹特征图的标签，生成雨纹-降雨强度数据集；
步骤S5、构建雨量估计神经网络，通过雨纹-降雨强度数据集训练雨量估计神经网络；
步骤S6、重新获取目标地点的真实降雨视频，抽帧提取新的降雨图像，输入到训练好的雨纹特征提取神经网络中，得到对应的新的雨纹特征图，将新的雨纹特征图输入到训练好的雨量估计神经网络，得到对应的降雨强度信息。
本发明采集目标地点的降雨视频，转换为降雨图像，结合目标地点的同步降雨强度信息，根据提供的基于人工智能降雨测量方法，能够准确地获取降雨强度数值，相比于现有技术获取降雨等级，本发明能够解决当前已公开方法检测结果误差率高，增加网络训练因子的准确度，进而提高检测结果的准确性。
本发明通过降雨图像获取雨纹特征图，在无水面时，也能进行识别，应用广泛，不受环境条件的限制，监测方法的应用范围更广，适用性更高。
本发明在步骤S1中，同步降雨强度信息根据雨量计或互联网发布降雨量信息获取。降雨视频来源不限制，至少包括树林、岸边及城市等背景下的信息。
在获取降雨图像过程中，对采集到的降雨视频进行抽帧处理，转换为连续的降雨图像。
本发明在步骤S2中，雨纹特征提取神经网络采用多维特征卷积网络，包括浅层特征提取、深层特征提取与特征重构三个阶段。
首先，如图2所示，浅层特征提取阶段使用两个3×3卷积初步提取降雨图像的浅层信息，并使用跳跃连接的方式进一步传递到更深层，以保存原始特征；其次，深层特征提取阶段包含多个多维特征模块，用于提取空间与通道维度的雨纹特征；最后，特征重构阶段用于生成雨纹特征图。
本发明中，多维特征模块（Multi-Dimensional feature Block，MDF-Block）由空间维度特征提取块、扩展卷积块和通道维度特征提取块依次串联组成，以学习雨纹的多维特征表示，其数学表达式如下：
其中，表示空间维度特征提取块处理，/>表示扩展卷积块，/>表示通道维度特征提取块，/>为降雨图像，/>为雨纹特征图。
具体地，如图3所示，空间维度特征提取块采用四个1×1卷积执行隐藏层到输出层的特征映射，其数学表达式如下：
)
其中，表示采用1×1卷积处理，/>表示转置操作，/>表示空间维度特征提取块输入的特征图，/>表示空间维度特征提取块输出的特征图。
如图4所示，扩展卷积块有两条路径，第一条路径由两个标准的卷积层组成，用于捕捉小尺度的空间图案，而第二条路径包含两个扩展卷积层，以快速增加感受野，该模块的输出由一个1×1卷积运算融合五个不同尺度的特征而产生，其数学表达式如下：
(/>)
其中，表示采用3×3卷积处理，/>表示采用扩展率为3的3×3扩张卷积处理，concat表示通道维度上的拼接处理，/>为第一条路径输出的特征图，/>表示扩展卷积块输出的特征图。
如图5所示，通道维度特征提取块采用三个1×1卷积聚合来自不同通道的信息，以及两个一维卷积提取通道间的相关性特征。
其中，表示采用一维卷积处理，/>表示通道维度特征提取模块输出的特征图。
本发明在步骤S3中，雨纹特征提取神经网络使用降雨-清晰图像数据集进行训练与测试，降雨-清晰图像数据集为真实雨天数据集SPA-Data，包括各个地点的降雨-清晰图像，降雨-清晰图像由降雨-清晰视频抽帧处理后，转换得到。降雨-清晰视频来源不限制，至少包括树林、岸边及城市等背景下的信息。
在训练过程中，本发明采用损失函数计算标签图像与预测图像间的差异，根据/>损失函数更新雨纹特征提取网络参数。与/>损失函数相比，/>损失函数对误差较大的区域惩罚更大，而对细节上的误差惩罚力度不够，因此容易导致提取到的雨纹特征过于平滑。/>损失函数的数学表达式如下：
其中，表示模型对第/>个像素的预测值，/>表示标签图像在目标像素的真实值，/>为像素总数。
在训练过程中，通过95%以上的降雨-清晰图像进行训练，其余降雨-清晰图像进行训练测试，获取准确地雨纹特征提取神经网络。
本发明步骤S4具体包括：
S4.1、对于目标地点的降雨图像，根据两个相邻时刻的同步降雨强度信息，采用线性插值方法，获取每一时刻降雨图像对应的降雨强度；
S4.2、利用多张雨纹特征图与对应的降雨强度标签构建雨纹-降雨强度数据集。
具体地，在步骤S4.1中，由于雨量计以每1分钟的分辨率记录累积雨量，但视频的快门时间较短（1/50秒），导致了雨量计记录的同步降雨强度与画面采集到的降雨强度之间存在不匹配。因此使用线性插值方法，假定在记录时间间隔的每个中间时刻的降雨强度是由在该时间间隔结束时的累积降雨深度测量的强度，其数学表达式如下：
其中，为采集降雨图像的当前时刻，/>为/>时刻降雨图像对应的降雨强度，/>为记录的同步降雨强度的时间间隔，这里设为1（分钟），/>与/>分别为在/>与/>时刻的同步降雨强度（/>）。设定同步降雨强度和降雨强度的单位均为毫米/分钟。
在步骤S4.2中，雨纹-降雨强度数据集包括训练集与测试集，训练集与测试集按照一定比例分配，本发明具体实施例中，训练集与测试集的比例为9:1（比例不固定，此处为实施例用比例），其中9000张为训练集数据，1000张为测试集数据。
本发明在步骤S5中，构建基于CNN的雨量估计神经网络（也可采用其他网络模型），并利用S4中生成的数据集，训练雨量估计神经网络。
本发明步骤S5具体包括：
S5.1、所述雨量估计神经网络采用深度残差网络，如图6所示，共包含16个3×3卷积层，3个1×1卷积层，1个7×7卷积层以及池化层与线性层组成，并采用跳跃连接的形式进行特征映射，其数学表达式如下：
其中，为雨量估计神经网络的输入特征，/>表示采用7×7卷积处理，maxpool为最大池化处理，avgpool为平均池化处理，/>表示线性层处理，/>为雨量估计神经网络的输出特征。
具体地，雨量估计神经网络采用交叉熵损失函数，其数学表达式为：
其中，为降雨强度分辨率为1毫米/小时的区间数量，/>表示图像样本降雨强度为/>的真实分布，/>表示图像样本降雨强度为i的预测概率。
S6：将真实降雨视频输入到训练好神经网络中，得到对应的降雨强度信息。
S6.1：具体地，首先，对真实降雨视频抽帧转换为降雨图像。然后，将真实降雨图像输入到训练好的雨纹特征提取神经网络中，并得到的雨纹特征图，如图7所示。最后，将雨纹特征图输入到训练好的雨量估计神经网络中，得到对应的降雨强度信息。
如图8所示，在本发明的一个具体实施例中，采用本发明提供的一种基于人工智能降雨测量方法，对某地某天下午15点10到15点55的一场雨进行了预测，本发明提供的方法得到的预测值和实际值基本接近，且误差小于5mm/h以下。
本发明还提供一种基于人工智能降雨测量装置，如图7所示，包括：
数据采集模块，用于数据采集，获取目标地点的降雨图像和同步降雨强度信息；
雨纹特征提取神经网络构建模块，用于构建雨纹特征提取神经网络，其输入为降雨图像，输出为雨纹特征图；
雨纹特征提取神经网络训练模块，用于利用降雨-清晰图像数据集，训练雨纹特征提取神经网络，其中，降雨-清晰图像数据集包括各个地点的降雨-清晰图像，降雨-清晰图像为降雨-清晰视频抽帧处理后选取的清晰的降雨图像；
雨纹-降雨强度数据集获取模块，用于将目标地点的降雨图像，输入到训练好的雨纹特征提取神经网络中，得到对应的雨纹特征图，且根据同步降雨强度信息获取降雨图像对应的降雨强度，将降雨强度作为雨纹特征图的标签，生成雨纹-降雨强度数据集；
雨量估计神经网络训练模块，用于构建雨量估计神经网络，通过雨纹-降雨强度数据集训练雨量估计神经网络；
降雨强度信息获取模块，用于重新获取目标地点的真实降雨视频，抽帧提取新的降雨图像，输入到训练好的雨纹特征提取神经网络中，得到对应的新的雨纹特征图，将新的雨纹特征图输入到训练好的雨量估计神经网络，得到对应的降雨强度信息。
本发明还提供一种基于人工智能降雨测量设备，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，处理器用于运行计算机程序时，执行上述任一项基于人工智能降雨测量方法的步骤。
本发明实施例中的存储器用于存储各种类型的数据以支持基于人工智能降雨测量设备的操作。这些数据的示例包括：用于在基于人工智能降雨测量设备上操作的任何计算机程序。
本发明实施例揭示的基于人工智能降雨测量方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，基于人工智能降雨测量方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DSP，DigitalSignalProcessor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成本发明实施例提供的基于人工智能降雨测量方法的步骤。
在示例性实施例中，基于人工智能降雨测量设备可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex ProgrammableLogicDevice)、FPGA、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、微处理器(Microprocessor)、或者其他电子元件实现，用于执行前述方法。
可以理解，存储器可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，RandomAccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random AccessMemory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random AccessMemory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
本发明还提供一种存储介质，存储介质中存储有计算机程序，计算机程序被处理器执行时，实现上述任一项人工智能降雨测量方法的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于人工智能降雨测量方法，其特征在于，包括以下步骤：
数据采集，获取目标地点的降雨图像和同步降雨强度信息；
构建雨纹特征提取神经网络，其输入为降雨图像，输出为雨纹特征图；
利用降雨-清晰图像数据集，训练雨纹特征提取神经网络，其中，降雨-清晰图像数据集包括各个地点的降雨-清晰图像，降雨-清晰图像为降雨-清晰视频抽帧处理后选取的清晰的降雨图像；
将目标地点的降雨图像，输入到训练好的雨纹特征提取神经网络中，得到对应的雨纹特征图，且根据同步降雨强度信息获取降雨图像对应的降雨强度，将降雨强度作为雨纹特征图的标签，生成雨纹-降雨强度数据集；
构建雨量估计神经网络，通过雨纹-降雨强度数据集训练雨量估计神经网络；
重新获取目标地点的真实降雨视频，抽帧提取新的降雨图像，输入到训练好的雨纹特征提取神经网络中，得到对应的新的雨纹特征图，将新的雨纹特征图输入到训练好的雨量估计神经网络，得到对应的降雨强度信息。
2.根据权利要求1所述的基于人工智能降雨测量方法，其特征在于：
所述同步降雨强度信息根据雨量计或互联网发布降雨量信息获取。
3.根据权利要求1所述的基于人工智能降雨测量方法，其特征在于：
所述雨纹特征提取神经网络采用多维特征卷积网络，包括浅层特征提取、深层特征提取与特征重构；
所述浅层特征提取通过多个三维卷积初步提取降雨图像的浅层信息；
所述深层特征提取通过多个多维特征模块提取降雨图像的空间与通道维度的雨纹特征；
所述特征重构用于生成雨纹特征图。
4.根据权利要求3所述的基于人工智能降雨测量方法，其特征在于：
所述多维特征模块由空间维度特征提取块、扩展卷积块和通道维度特征提取块依次串联组成。
5.根据权利要求4所述的基于人工智能降雨测量方法，其特征在于：
所述空间维度特征提取块采用多个1×1卷积执行隐藏层到输出层的特征映射；
所述扩展卷积块包括两条路径，第一条路径由两个标准的卷积层组成，用于捕捉小尺度的空间图案，第二条路径包括两个扩展卷积层，以快速增加感受野，输出包括1×1卷积运算融合多个不同尺度的特征；
所述通道维度特征提取块采用三个1×1卷积聚合来自不同通道的信息，以及两个1×1卷积提取通道间的相关性特征。
6.根据权利要求4所述的基于人工智能降雨测量方法，其特征在于：
在雨纹特征提取神经网络中，通过损失函数计算标签图像与预测图像间的差异，根据/>损失函数更新雨纹特征提取网络参数。
7.根据权利要求4所述的基于人工智能降雨测量方法，其特征在于：
所述雨量估计网络采用深度残差网络并采用跳跃连接的形式进行特征映射。
8.一种基于人工智能降雨测量装置，其特征在于，包括：
数据采集模块，用于数据采集，获取目标地点的降雨图像和同步降雨强度信息；
雨纹特征提取神经网络构建模块，用于构建雨纹特征提取神经网络，其输入为降雨图像，其输出为雨纹特征图；
雨纹特征提取神经网络训练模块，用于利用降雨-清晰图像数据集，训练雨纹特征提取神经网络，其中，降雨-清晰图像数据集包括各个地点的降雨-清晰图像，降雨-清晰图像为降雨-清晰视频抽帧处理后选取的清晰的降雨图像；
雨纹-降雨强度数据集获取模块，用于将目标地点的降雨图像，输入到训练好的雨纹特征提取神经网络中，得到对应的雨纹特征图，且根据同步降雨强度信息获取降雨图像对应的降雨强度，将降雨强度作为雨纹特征图的标签，生成雨纹-降雨强度数据集；
雨量估计神经网络训练模块，用于构建雨量估计神经网络，通过雨纹-降雨强度数据集训练雨量估计神经网络；
降雨强度信息获取模块，用于重新获取目标地点的真实降雨视频，抽帧提取新的降雨图像，输入到训练好的雨纹特征提取神经网络中，得到对应的新的雨纹特征图，将新的雨纹特征图输入到训练好的雨量估计神经网络，得到对应的降雨强度信息。
9.一种基于人工智能降雨测量设备，其特征在于：包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，处理器用于运行计算机程序时，执行上述权利要求1-7任一项所述基于人工智能降雨测量方法的步骤。
10.一种存储介质，其特征在于：所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时，实现上述权利要求1-7任一项所述人工智能降雨测量方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311278459.3A CN117008219B (zh) | 2023-10-07 | 2023-10-07 | 一种基于人工智能降雨测量方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311278459.3A CN117008219B (zh) | 2023-10-07 | 2023-10-07 | 一种基于人工智能降雨测量方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117008219A CN117008219A (zh) | 2023-11-07 |
| CN117008219B true CN117008219B (zh) | 2024-01-16 |
Family
ID=88562186
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311278459.3A Active CN117008219B (zh) | 2023-10-07 | 2023-10-07 | 一种基于人工智能降雨测量方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117008219B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05128092A (ja) * | 1991-10-31 | 1993-05-25 | Toshiba Corp | ニユーラルネツトワーク応用雨水流入量予測装置 |
| CN110610190A (zh) * | 2019-07-31 | 2019-12-24 | 浙江大学 | 一种针对雨天图片的卷积神经网络降雨强度分类方法 |
| CN110633626A (zh) * | 2019-07-31 | 2019-12-31 | 浙江大学 | 一种针对雨天图片的卷积神经网络降雨强度在线量化方法 |
| CN113552656A (zh) * | 2021-07-26 | 2021-10-26 | 福建农林大学 | 基于室外影像多时空融合的降水强度监测方法及系统 |
| KR20220095624A (ko) * | 2020-12-30 | 2022-07-07 | 주식회사 스튜디오엑스코 | 머신러닝을 기반으로 하는 기상청 제공 기상영상정보를 활용한 강우확률정보 제공 시스템 및 이를 이용한 방법 |
| KR102434578B1 (ko) * | 2021-07-09 | 2022-08-22 | 한국과학기술정보연구원 | 인공지능 기반 강우량 예측 방법, 그리고 이를 구현하기 위한 장치 |
-
2023
- 2023-10-07 CN CN202311278459.3A patent/CN117008219B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05128092A (ja) * | 1991-10-31 | 1993-05-25 | Toshiba Corp | ニユーラルネツトワーク応用雨水流入量予測装置 |
| CN110610190A (zh) * | 2019-07-31 | 2019-12-24 | 浙江大学 | 一种针对雨天图片的卷积神经网络降雨强度分类方法 |
| CN110633626A (zh) * | 2019-07-31 | 2019-12-31 | 浙江大学 | 一种针对雨天图片的卷积神经网络降雨强度在线量化方法 |
| KR20220095624A (ko) * | 2020-12-30 | 2022-07-07 | 주식회사 스튜디오엑스코 | 머신러닝을 기반으로 하는 기상청 제공 기상영상정보를 활용한 강우확률정보 제공 시스템 및 이를 이용한 방법 |
| KR102434578B1 (ko) * | 2021-07-09 | 2022-08-22 | 한국과학기술정보연구원 | 인공지능 기반 강우량 예측 방법, 그리고 이를 구현하기 위한 장치 |
| CN113552656A (zh) * | 2021-07-26 | 2021-10-26 | 福建农林大学 | 基于室外影像多时空融合的降水强度监测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 《单幅图像去雨数据集和深度学习算法的 联合评估与展望》;胡明娣;《中国图像形学报》;第1359-1385页 * |
| 基于卷积神经网络融合编码与解码特征的降水强度识别;林梦翔;《激光与光电子学进展》;第60卷(第2期);第1-8页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117008219A (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113436169B (zh) | 一种基于半监督语义分割的工业设备表面裂纹检测方法及系统 | |
| CN111414923B (zh) | 基于单幅rgb图像的室内场景三维重建方法及系统 | |
| Bai et al. | An intelligent water level monitoring method based on SSD algorithm | |
| CN114120361B (zh) | 一种基于编解码结构的人群计数定位方法 | |
| CN116309781B (zh) | 一种基于跨模态融合的水下视觉目标测距方法及装置 | |
| CN111127325A (zh) | 基于循环神经网络的卫星视频超分辨率重建方法及系统 | |
| CN116229052B (zh) | 一种基于孪生网络的变电站设备状态变化检测方法 | |
| CN116596151B (zh) | 基于时空图注意力的交通流量预测方法及计算设备 | |
| CN111339902A (zh) | 一种数显仪表的液晶屏示数识别方法及装置 | |
| CN116935310A (zh) | 基于深度学习的实时视频监控鸟类密度估计方法及系统 | |
| CN113361528B (zh) | 一种多尺度目标检测方法及系统 | |
| CN114758329A (zh) | 基于深度学习预测热成像图中目标区域温度的系统及方法 | |
| CN117008219B (zh) | 一种基于人工智能降雨测量方法、装置、设备及存储介质 | |
| CN116863341B (zh) | 基于时间序列卫星遥感影像的作物分类和识别方法和系统 | |
| Li et al. | Learning to holistically detect bridges from large-size vhr remote sensing imagery | |
| CN115393735A (zh) | 基于改进U-Net的遥感影像建筑物提取方法 | |
| CN111145344B (zh) | 一种用于雪雕3d重建的结构光测量方法 | |
| CN103106666B (zh) | 基于稀疏性和平滑性的运动目标检测方法 | |
| Yu et al. | Precise segmentation of remote sensing cage images based on SegNet and voting mechanism | |
| CN113034432A (zh) | 一种产品缺陷检测方法、系统、装置及存储介质 | |
| CN116189145B (zh) | 一种线形地图要素的提取方法、系统和可读介质 | |
| CN117765410B (zh) | 遥感影像双分支特征融合固废识别方法、系统及电子设备 | |
| CN117975295B (zh) | 一种基于多尺度特征感知神经网络的积雪深度预测方法 | |
| CN117036454B (zh) | 一种基于稠密匹配算法的构件表面位移场检测方法 | |
| CN118227985A (zh) | 基于马尔科夫扩散方式的新能源负荷数据重建方法和系统 |
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 |