[發(fā)明專利]一種基于深度學(xué)習(xí)的地基云狀目標(biāo)檢測方法

在審

• 申請?zhí)枺?/td>: 202110683061.2
• 申請日: 2021-06-19
• 公開（公告）號: CN113378739A
• 公開（公告）日: 2021-09-10
• 發(fā)明（設(shè)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(quán)）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(wù)所(普通合伙) 31306
• 代理人: 唐海波

本發(fā)明公開了一種基于深度學(xué)習(xí)的地基云狀目標(biāo)檢測方法，包括以下步驟：采集地基云圖，根據(jù)云狀分類標(biāo)準(zhǔn)標(biāo)注地基云圖后預(yù)處理得到地基云狀數(shù)據(jù)集；基于地基云狀數(shù)據(jù)集使用聚類算法設(shè)計先驗框尺寸；建立包含目標(biāo)檢測邊界框損失函數(shù)的神經(jīng)網(wǎng)絡(luò)；將地基云狀數(shù)據(jù)集輸入神經(jīng)網(wǎng)絡(luò)根據(jù)預(yù)先設(shè)計的先驗框尺寸進行訓(xùn)練得到權(quán)重文件；基于權(quán)重文件進行地基云狀的檢測和分析。相比于原YOLOv3網(wǎng)絡(luò)，本發(fā)明檢測準(zhǔn)確率更高，而且更加穩(wěn)定。本發(fā)明可應(yīng)用于以下領(lǐng)域：1.地基云狀數(shù)量統(tǒng)計；2.地基云狀分類；3.地基云狀目標(biāo)檢測。經(jīng)試驗驗證：本發(fā)明提出的邊界框損失函數(shù)UIoU是一種有效提升模型性能的方案。

技術(shù)領(lǐng)域

本發(fā)明涉及目標(biāo)檢測與計算機視覺領(lǐng)域，尤其涉及一種基于深度學(xué)習(xí)的地基云狀目標(biāo)檢測方法。

背景技術(shù)

地面氣象測報是氣象工作的基礎(chǔ)項目，其中地基云狀的觀測尤為重要。連續(xù)地觀察和測定云狀的變化，對于分析天氣轉(zhuǎn)變、科學(xué)研究和氣象服務(wù)有著重要意義。但是，目前地基云狀的觀測仍然存在著許多挑戰(zhàn)。首先，不同云狀之間有很多相同的特征，以蔽光高層云和雨層云為例，兩種云狀非常相似，業(yè)余人員甚至無法辨認。其次，云存在著空間分布的不均勻性和隨時間變化的脈動性，按照云的高度、結(jié)構(gòu)特點和外形特征，云可分為三族，十屬，二十九類，類別繁雜，變化多端。現(xiàn)在氣象站一般采用全天空成像儀拍攝云狀，云狀的精標(biāo)主要依賴經(jīng)驗豐富的觀測員。但是，人工觀測存在情緒干擾和主觀意識，且很難形成一個統(tǒng)一的標(biāo)準(zhǔn)。因此，地基云狀的自動化識別是氣象工作的一個重要方向，部署深度學(xué)習(xí)算法、研發(fā)自動化觀測儀器代替甚至超過人工觀測是氣象工作的一個重要目標(biāo)。

目標(biāo)檢測作為深度學(xué)習(xí)的一個重要分支，發(fā)展非常迅速，熱度一直很高。目前，基于深度學(xué)習(xí)的目標(biāo)檢測主要有兩類主流的算法。第一類算法準(zhǔn)確率較高。2015年發(fā)布的Fast R-CNN，使用了一個卷積神經(jīng)網(wǎng)絡(luò)作為圖像特征提取器，并使用了Smooth L1 Loss作為邊界框損失函數(shù)，但是網(wǎng)絡(luò)的選擇性搜索(selective search)模塊速度較慢。之后的Faster R-CNN使用了區(qū)域候選網(wǎng)絡(luò)(RPN)生成的待檢測區(qū)域，檢測時間從2s縮減到了10ms，mAP也提升了3.2％。再之后的Mask R-CNN是對Faster R-CNN的直接擴展，精度高于后者，而且增加了實例分割的分支。另一類算法速度較快。2015年發(fā)表的YOLOv1(You Only LookOnce)，它將目標(biāo)位置檢測與目標(biāo)分類這兩個階段合二為一，速度超過了之前的算法，但由于其特征提取器與損失函數(shù)存在缺陷，所以定位不夠準(zhǔn)確。針對YOLO的不足，Liu等提出的SSD(Single Shot Multibox Detector)使用了分層特征提取器，速度依然很快且對小目標(biāo)的檢測效果更好。2018年Redmon等提出YOLOv3算法，進一步提升了速度和準(zhǔn)確度，在coco數(shù)據(jù)集上速度能能達到30FPS，它的檢測速度比Fast R-CNN快100倍。

目標(biāo)檢測算法中的邊界框損失函數(shù)也一直在迭代和發(fā)展。2016年提出的IoU(Intersection over Union)將邊界框四個點的位置信息看成一個整體進行訓(xùn)練與回歸，但是在預(yù)測框和目標(biāo)框不相交時無法繼續(xù)優(yōu)化。針對IoU的不足，Rezatofighi等在2019年提出了GIoU(Generalized IoU Loss)具有尺度不變性，使YOLOv1準(zhǔn)確率漲了2個點，但是當(dāng)目標(biāo)框包含預(yù)測框時無法區(qū)別兩者的位置關(guān)系。在2020年的AAAI大會上，Zheng等提出了DIoU loss(Distance IoU Loss)，優(yōu)化了兩個框之間的距離，收斂更快，回歸更準(zhǔn)確。

發(fā)明內(nèi)容

鑒于目前存在的上述不足，本發(fā)明提供一種基于深度學(xué)習(xí)的地基云狀目標(biāo)檢測方法，將機器視覺技術(shù)應(yīng)用于地基云狀目標(biāo)檢測，能夠快速簡便的識別云狀的類別。

為達到上述目的，本發(fā)明的實施例采用如下技術(shù)方案：

一種基于深度學(xué)習(xí)的地基云狀目標(biāo)檢測方法，包括以下步驟：

采集地基云圖，根據(jù)云狀分類標(biāo)準(zhǔn)標(biāo)注地基云圖后預(yù)處理得到地基云狀數(shù)據(jù)集；

基于地基云狀數(shù)據(jù)集設(shè)計先驗框；