[发明专利]一种基于深度学习的地基云状目标检测方法

说明书

本发明公开了一种基于深度学习的地基云状目标检测方法，包括以下步骤：采集地基云图，根据云状分类标准标注地基云图后预处理得到地基云状数据集；基于地基云状数据集使用聚类算法设计先验框尺寸；建立包含目标检测边界框损失函数的神经网络；将地基云状数据集输入神经网络根据预先设计的先验框尺寸进行训练得到权重文件；基于权重文件进行地基云状的检测和分析。相比于原YOLOv3网络，本发明检测准确率更高，而且更加稳定。本发明可应用于以下领域：1.地基云状数量统计；2.地基云状分类；3.地基云状目标检测。经试验验证：本发明提出的边界框损失函数UIoU是一种有效提升模型性能的方案。

技术领域

本发明涉及目标检测与计算机视觉领域，尤其涉及一种基于深度学习的地基云状目标检测方法。

背景技术

地面气象测报是气象工作的基础项目，其中地基云状的观测尤为重要。连续地观察和测定云状的变化，对于分析天气转变、科学研究和气象服务有着重要意义。但是，目前地基云状的观测仍然存在着许多挑战。首先，不同云状之间有很多相同的特征，以蔽光高层云和雨层云为例，两种云状非常相似，业余人员甚至无法辨认。其次，云存在着空间分布的不均匀性和随时间变化的脉动性，按照云的高度、结构特点和外形特征，云可分为三族，十属，二十九类，类别繁杂，变化多端。现在气象站一般采用全天空成像仪拍摄云状，云状的精标主要依赖经验丰富的观测员。但是，人工观测存在情绪干扰和主观意识，且很难形成一个统一的标准。因此，地基云状的自动化识别是气象工作的一个重要方向，部署深度学习算法、研发自动化观测仪器代替甚至超过人工观测是气象工作的一个重要目标。

目标检测作为深度学习的一个重要分支，发展非常迅速，热度一直很高。目前，基于深度学习的目标检测主要有两类主流的算法。第一类算法准确率较高。2015年发布的Fast R-CNN，使用了一个卷积神经网络作为图像特征提取器，并使用了Smooth L1 Loss作为边界框损失函数，但是网络的选择性搜索(selective search)模块速度较慢。之后的Faster R-CNN使用了区域候选网络(RPN)生成的待检测区域，检测时间从2s缩减到了10ms，mAP也提升了3.2％。再之后的Mask R-CNN是对Faster R-CNN的直接扩展，精度高于后者，而且增加了实例分割的分支。另一类算法速度较快。2015年发表的YOLOv1(You Only LookOnce)，它将目标位置检测与目标分类这两个阶段合二为一，速度超过了之前的算法，但由于其特征提取器与损失函数存在缺陷，所以定位不够准确。针对YOLO的不足，Liu等提出的SSD(Single Shot Multibox Detector)使用了分层特征提取器，速度依然很快且对小目标的检测效果更好。2018年Redmon等提出YOLOv3算法，进一步提升了速度和准确度，在coco数据集上速度能能达到30FPS，它的检测速度比Fast R-CNN快100倍。

目标检测算法中的边界框损失函数也一直在迭代和发展。2016年提出的IoU(Intersection over Union)将边界框四个点的位置信息看成一个整体进行训练与回归，但是在预测框和目标框不相交时无法继续优化。针对IoU的不足，Rezatofighi等在2019年提出了GIoU(Generalized IoU Loss)具有尺度不变性，使YOLOv1准确率涨了2个点，但是当目标框包含预测框时无法区别两者的位置关系。在2020年的AAAI大会上，Zheng等提出了DIoU loss(Distance IoU Loss)，优化了两个框之间的距离，收敛更快，回归更准确。

发明内容

鉴于目前存在的上述不足，本发明提供一种基于深度学习的地基云状目标检测方法，将机器视觉技术应用于地基云状目标检测，能够快速简便的识别云状的类别。

为达到上述目的，本发明的实施例采用如下技术方案：

一种基于深度学习的地基云状目标检测方法，包括以下步骤：

采集地基云图，根据云状分类标准标注地基云图后预处理得到地基云状数据集；

基于地基云状数据集设计先验框；