[發(fā)明專利]一種冰晶圖片的自動分割方法

有效

• 申請?zhí)枺?/td>: 202110227920.7
• 申請日: 2021-03-02
• 公開（公告）號: CN112907475B
• 公開（公告）日: 2023-05-23
• 發(fā)明（設計）人: 張峰;洪昕
• 申請（專利權）人: 珠海復旦創(chuàng)新研究院
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T5/20;G06T7/10;G06T7/90;G06V10/774;G06V10/764
• 代理公司: 上海正旦專利代理有限公司 31200
• 代理人: 陸飛;陸尤

本發(fā)明屬于大氣監(jiān)測技術領域，具體為一種冰晶圖片的自動分割方法。本發(fā)明方法包括：將原始數據集中的小樣本類數據進行數據增強處理，使得冰晶數據集整體類別較為平衡；對所有冰晶圖片進行標注；把分好的訓練集放入預訓練的深度學習模型中進行參數調整，得到最佳權重；用遷移學習得到的新模型在測試集上進行冰晶分割，查看分割效果。訓練過程中使用四種主流的語義分割模型，且通過對預訓練的四種模型進行參數的調整將其遷移到本發(fā)明關注的冰晶分割實例，保存最佳權重得到新模型，之后使用新模型對冰晶圖片進行自動分割。本發(fā)明能夠有效地分割CPI采集到的不同分辨率、不同形狀的冰晶圖片，實現批量化自動分割。

技術領域

本發(fā)明屬于大氣監(jiān)測技術領域，具體涉及一種冰晶圖片的自動分割方法。

背景技術

冰云是幾乎完全或完全由冰晶所組成的云，對全球輻射平衡和氣候變化有重要的影響。冰晶的輻射和微物理特性受其形狀、大小影響，冰晶的形狀和大小又往往因溫度、濕度、海拔高度、云類型、對流強度或天氣條件的不同而有很大差異，所以冰晶的研究對降水和全球輻射平衡等就有著重大意義。

現實世界的冰云通常為大量復雜不規(guī)則晶體的混合物，目前主要使用云粒子成像儀(CPI)來對冰晶粒子進行觀測，以此得到冰晶粒子圖片，但是采集到的圖片像素低且冰晶和背景顏色相似，人工去分割這些數以萬計的冰晶圖片是非常費時費力的。

語義分割是在像素級別上的分類，屬于同一類的像素都被歸為一類。在深度學習方法流行之前，TextonForest和基于隨機森林分類器等語義分割方法是用得比較多的方法，但效果均不佳。最初應用于圖像分割的深度學習方法是Patch?classification，即將圖像切塊放入深度模型，然后對像素進行分類。2014年，全卷積網絡(FCN)橫空出世，FCN將網絡全連接層用卷積取代，因此使任意圖像大小的輸入都變成可能，而且速度比Patchclassification方法快很多。之后又提出了encoder-decoder架構，encoder由于pooling逐漸減少空間維度，而decoder逐漸恢復空間維度和細節(jié)信息，其中U-net就是這種架構很流行的一種。在此基礎上提出的空洞卷積架構代替了pooling，一方面它可以保持空間分辨率，另外一方面它由于可以擴大感受野因而可以很好地整合上下文信息，其中Deeplab系列模型是典型。

根據調查文獻顯示，目前并沒有一個有效的方法能夠實現冰晶的自動分割任務，所以本發(fā)明引入語義分割的概念，創(chuàng)新提出了基于深度遷移學習的冰晶自動分割方法。

發(fā)明內容

本發(fā)明的目的，在于提供一種冰晶圖片的自動分割方法，其可免去人工去分割冰晶圖片的重復性無創(chuàng)造性勞動，使得對冰晶后續(xù)的測量、輻射特性等研究更加方便。

本發(fā)明提供的冰晶圖片的自動分割方法，具體步驟如下：

步驟1，將原始數據集中的小樣本類(如Ser、Hoc)數據進行數據增強處理，使得冰晶數據集整體類別較為平衡；

步驟2，對所有冰晶圖片進行標注；

步驟3，拿分好的訓練集放入預訓練的深度學習模型中進行參數調整，得到最佳權重；

步驟4，用遷移學習得到的新模型在測試集上進行冰晶分割，查看分割效果，實現冰晶圖片的自動分割。

本發(fā)明步驟1中所述進行數據增強處理，具體為：

步驟11，采用最簡單的幾何變換方法，包括翻轉、旋轉、縮放；

步驟12，采用顏色擾動的數據增強，即在某一個顏色空間通過增加或減少某些顏色分量，或者更改顏色通道的順序，包括增強對比度、增強亮度、增強飽和度、隨機顏色法；