[發明專利]一種基于深度學習的地基云狀目標檢測方法在審
| 申請號： | 202110683061.2 | 申請日： | 2021-06-19 |
| 公開（公告）號： | CN113378739A | 公開（公告）日： | 2021-09-10 |
| 發明（設計）人： | 蔡榮輝;葉成志;徐靖宇;劉煉燁;王勝春;傅承浩;陳龍;王青霞 | 申請（專利權）人： | 湖南省氣象臺 |
| 主分類號： | G06K9/00 | 分類號： | G06K9/00;G06K9/32;G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 上海愉騰專利代理事務所(普通合伙) 31306 | 代理人： | 唐海波 |
| 地址： | 410000 *** | 國省代碼： | 湖南;43 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 深度 學習 地基 云狀 目標 檢測 方法 | ||
1.一種基于深度學習的地基云狀目標檢測方法，其特征在于，包括以下步驟：
采集地基云圖，根據云狀分類標準標注地基云圖后預處理得到地基云狀數據集；
基于地基云狀數據集設計先驗框；
建立包含目標檢測邊界框損失函數的神經網絡；
根據先驗框將地基云狀數據集輸入神經網絡進行訓練獲得權重；
根據權重進行地基云狀的檢測和分析。
2.根據權利要求1所述的基于深度學習的地基云狀目標檢測方法，其特征在于，所述采集地基云圖，根據云狀分類標準標注地基云圖后預處理得到地基云狀數據集包括以下步驟：
拍攝天空視頻流，設置每隔一個預設時間間隔截取視頻流中的一張云圖，并對云圖數據進行裁剪處理獲取地基云圖；
對地基云圖進行云狀分類標注并生成地基云狀數據集。
3.根據權利要求1所述的基于深度學習的地基云狀目標檢測方法，其特征在于，所述基于地基云狀數據集設計先驗框具體為：使用K-means聚類算法重新設計適用于地基云狀數據集的先驗框尺寸。
4.根據權利要求3所述的基于深度學習的地基云狀目標檢測方法，其特征在于，所述使用K-means聚類算法重新設計適用于地基云狀數據集的先驗框尺寸包括：
所述K-means算法，其輸入是樣本集D＝{x1,x2,...,xm}，聚類的簇樹為k，最大迭代次數為N，輸出為簇劃分C＝{C1,C2,...,Ck}，具體算法有如下步驟：
從數據集D中隨機選擇k個樣本作為初始的k個質心向量：{μ1,μ2,...,μm}；
對于n＝1,2,…,n，將簇劃分為C，初始化為
對于i＝1,2,…,m，計算樣本xi和各個質心向量μj(j＝1,2,...,k)的距離將xi標記最小的為dij所對應的的類別。此時更新Cλi＝Cλi∪{xi}；
對于j＝1,2,…,k，對Cj中所有的樣本點重新計算新的質心如果所有的k個質心向量都沒有發生變化，則轉到輸出步驟；
輸出簇劃分C＝{C1,C2,...,Ck}。
5.根據權利要求1所述的基于深度學習的地基云狀目標檢測方法，其特征在于，所述建立包含目標檢測邊界框損失函數的神經網絡具體為：設計一種新的目標檢測邊界框損失函數UIoU，并將其應用于YOLOv3算法上形成改進后的神經網絡。
6.根據權利要求5所述的基于深度學習的地基云狀目標檢測方法，其特征在于，所述UIoU公式包括：
LUIoU＝LDIoU+αv
其中，α和v的公式如下：
其中，w1、w代表目標框和預測框的長，h1、h代表目標框和預測框的寬，UIoU求導公式如下：
7.根據權利要求6所述的基于深度學習的地基云狀目標檢測方法，其特征在于，所述根據先驗框將地基云狀數據集輸入神經網絡進行訓練獲得權重具體為：將地基云狀數據集輸入改進后的YOLOv3神經網絡，使用訓練優化策略訓練網絡，得到訓練好的權重文件。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于湖南省氣象臺，未經湖南省氣象臺許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202110683061.2/1.html，轉載請聲明來源鉆瓜專利網。
