[發明專利]一種雷達圖像降雨識別方法

有效

• 申請號: 202010461226.7
• 申請日: 2020-05-27
• 公開（公告）號: CN111624606B
• 公開（公告）日: 2022-06-21
• 發明（設計）人: 盧志忠;孫雷;呂博群;張玉瑩;郭樹淵;文保天
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G01S13/95
• 分類號: G01S13/95;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種雷達圖像降雨識別方法，其特征在于，包括以下步驟：

步驟1：構建卷積神經網絡深度學習模型，對離線取得的不同降雨強度下的雷達原始圖像進行同頻干擾抑制，選取圖像中海浪監測區域的笛卡爾框圖像作為數據集樣本，利用數據集樣本對卷積神經網絡深度學習模型進行迭代訓練；

步驟2：讀取待檢測雷達原始圖像，利用雷達圖像處理軟件加載空間海域雜波連續圖像，并通過濾波算法對待檢測雷達原始圖像進行同頻干擾抑制；

步驟3：將步驟2得到的雷達圖像的笛卡爾框圖像輸入到步驟1訓練完成的模型中，雷達圖像經過同頻抑制處理后，選取扇形實驗區域，提取實驗區域笛卡爾框圖像，輸入到訓練完成的模型中，得到輸出結果概率P；

步驟4：通過步驟3輸出結果概率P與設定閾值進行比較，判定降雨雷達圖像與非降雨雷達圖像類型，當P大于等于檢測閾值時，雷達圖像判定為降雨圖像，當P小于檢測閾值時，雷達圖像判定為非降雨圖像。

2.根據權利要求1所述的一種雷達圖像降雨識別方法，其特征在于：步驟1具體包括：

步驟1.1：離線開展觀測試驗，將選取的雷達圖像數據分為訓練數據和驗證數據兩類，選取等量的降雨雷達圖像和非降雨雷達圖像，對選取的雷達圖像作同頻干擾抑制，并記錄對應同步時間點雨量計測得的真實降雨強度；

步驟1.2：構建改進的LeNet-5卷積神經網絡基本模型，結構上包括卷積層、池化層、全連接層及輸出層，其中，卷積層和全連接層后使用ReLU激活函數進行去線性化，池化層運用最大池化方法，最后的輸出層應用Softmax函數，通過輸出不同類別的概率確定最終結果；

步驟1.3：將數據集樣本中的訓練集數據依次輸入到步驟1.2構建的卷積神經網絡模型中，進行前向迭代訓練，得到相應的實際輸出值，在每一次前向迭代后進行一次后向迭代訓練，將一組驗證集送入模型中，通過調整參數減小實際輸出與相應的理想輸出間的誤差，最小化損失函數；

步驟1.4：得到迭代次數分別與損失函數訓練效果圖和準確率的訓練效果圖，最終確定用于識別降雨雷達圖像的模型結構和參數。

3.根據權利要求2所述的一種雷達圖像降雨識別方法，其特征在于：步驟1.2所述改進的LeNet-5卷積神經網絡基本模型具體為：包括7層，結構按照從前到后的順序依次為：卷積層C1，池化層S1，卷積層C2，池化層S2，全連接層L1，全連接層L2，輸出層L3；網絡結構中，輸入圖像為128*128大小的原始雷達圖像，后面連接著兩個卷積-池化結構；C1是第一個卷積層，包含了6個5*5的卷積核，并且有16個偏置項參數，不使用全0填充，步長為1；S1是第一個池化層，采用最大池化的方法，卷積核的大小為2*2，長和寬的步長為2；C2是第二個卷積層，包含了16個3*3的卷積核和16個偏置項參數，不適用全0填充，步長為1；S2是第二個池化層，采用最大池化，卷積核的尺寸為2*2，長和寬的步長為2；在卷積層和全連接層后都使用ReLU激活函數進行去線性化，輸出層L3采用Softmax函數得到了卷積神經網絡模型的輸出結果。