[发明专利]一种基于气象卫星图像和深度迁移学习的海雾识别方法

权利要求书

1.一种基于气象卫星图像和深度迁移学习的海雾识别方法，其特征在于，包括以下步骤：

步骤一：制作陆地雾数据集和海雾数据集，所述陆地雾数据集划分为陆地雾训练集和陆地雾验证集，所述海雾数据集划分为海雾训练集和海雾验证集；

通过以下步骤制作所述陆地雾数据集：

获取若干幅包含陆地区域的气象卫星可见光真彩图像；

将各个陆地观测站在每一幅包含陆地区域的气象卫星可见光真彩图像拍摄时间内的能见度与能见度阈值进行比较，并根据比较结果在相应包含陆地区域的气象卫星可见光真彩图像中以不同的标记符号标注出各个所述陆地观测站的位置；

结合各个所述陆地观测站的位置和包含陆地区域的气象卫星可见光真彩图像的云雾边缘，利用图像分割标注工具在标注后的图像上手工绘制云雾边缘，完成全部包含陆地区域的气象卫星可见光真彩图像的陆地雾分割标注，得到所述陆地雾数据集；

按照预设比例对所述陆地雾数据集进行随机划分，得到所述陆地雾训练集和所述陆地雾验证集；

步骤二：使用所述陆地雾数据集对语义分割网络进行训练，得到陆地雾识别模型，包括以下步骤：

将所述陆地雾训练集分成若干批次的训练集；

设定损失函数和初始学习率，以反向传播为原则更新网络权重；

将训练集的各批次投入所述语义分割网络进行训练，并于训练过程中应用Adam优化算法，并且每批训练集训练完毕后，在所述陆地雾验证集抽取一个批次的验证集进行验证，直至训练至所述损失函数收敛为止，得到所述陆地雾识别模型；

步骤三：保留所述陆地雾识别模型中的低层级权重参数不变，使用所述海雾数据集训练所述陆地雾识别模型中的高层级权重参数，得到基于深度迁移学习的海雾识别模型，包括以下步骤：

将所述海雾训练集分成若干批次的训练集；

设定损失函数和初始学习率，以步骤二得到的所述陆地雾识别 模型为起点，以反向传播为原则，保留所述陆地雾识别模型中低层级权重参数不变，仅更新高层级权重；

将训练集的各批次投入所述陆地雾识别模型进行高层级权重参数训练，并于训练过程中应用Adam优化算法，并且每批训练集训练完毕后，在所述海雾验证集抽取一个批次的验证集进行验证，直至训练至所述损失函数收敛为止，得到所述海雾识别模型；

步骤四：将待识别气象卫星可见光真彩图像输入所述海雾识别模型，所述海雾识别模型最后经由sigmoid层输出海雾识别二值结果图，并将所述海雾识别二值结果图以海雾区域覆盖掩模的形式叠加在所述待识别气象卫星可见光真彩图像上。

2.根据权利要求1所述的基于气象卫星图像和深度迁移学习的海雾识别方法，其特征在于，

所述语义分割网络为D-LinkNet分割网络，所述D-LinkNet分割网络包括编码器部分、解码器部分和输出整合部分；

所述编码器部分对输入的所述待识别气象卫星可见光真彩图像进行卷积核大小为7×7的卷积操作后，再采用ResNet网络作为特征提取的基础框架对卷积操作后得到的特征图进行四次编码，每一次编码包括卷积核大小为3×3的卷积层和池化层；

所述解码器部分包括空洞卷积层和四次解码，每一次解码包括卷积核大小为1×1的卷积层、卷积核大小为3×3的转置卷积层和卷积核大小为1×1的卷积层；

所述输出整合部分包括卷积核大小为7×7的转置卷积层和两个卷积核大小为3×3的卷积层，并且在D-LinkNet分割网络中，每一个卷积层和转置卷积层后均伴随着一个非线性激活函数层。

3.根据权利要求2所述的基于气象卫星图像和深度迁移学习的海雾识别方法，其特征在于，

在使用所述海雾数据集训练所述陆地雾识别模型中的高层级权重参数时，仅使用所述海雾数据集训练所述输出整合部分中的最后两个卷积核大小为3×3的卷积层部分。

4.根据权利要求2所述的基于气象卫星图像和深度迁移学习的海雾识别方法，其特征在于，

所述ResNet网络为ResNet-34网络或者ResNet-50网络。

5.根据权利要求2所述的基于气象卫星图像和深度迁移学习的海雾识别方法，其特征在于，

所述非线性激活函数层为ReLu激活函数层。