[发明专利]基于识别模型的气象景观实时识别方法

权利要求书

1.一种基于识别模型的气象景观实时识别方法，其特征在于，包括以下步骤：

步骤一，数据采集：实时下载和存储气象景观视频监控、图片信息，并构建样本库；

步骤二，图像处理：在构建的样本库中，对图像进行处理，对气象景观现场进行标识标注，并构建不同文件存储；

步骤三，模型构建：基于深度学习卷积神经网络VGG16模型构建气象景观识别模型，建立INPUT、CONV、RELU、POOL、FC神经网络库；

步骤四，集成神经网络框架，对采集图像和视频数据进行信息管理和数据标注，实现数据自动化预处理流程，通过训练任务管理，智能识别雨雾淞、云海现象；

步骤五，对智能识别的雨雾淞、云海现象，实现自动监测告警；

步骤六，效果检验：基于雨雾淞、云海实际数据，检验图像和视频智能识别效果，并记录效果检验信息并集中汇总展示；

步骤七，循环步骤四至六，直至识别错漏率、空报率达到设定值。

2.根据权利要求1所述的一种基于识别模型的气象景观实时识别方法，其特征在于，步骤二中至少包括判定为云海的存储于一个路径，判定为雨雾淞的存储于一个路径；判定为无云海的存储于一个路径，判定为非雨雾淞的存储于一个路径；无法准确地判定云海的存储于一个路径，无法准确判读雨雾淞的存储于一个路径。

3.根据权利要求1或2所述的一种基于识别模型的气象景观实时识别方法，其特征在于，步骤七中的设定值为，针对云海的识别错漏率小于10％，空报率小于10％；对雨雾淞的识别错漏率小于20％，空报率小于15％。

4.根据权利要求1或2所述的一种基于识别模型的气象景观实时识别方法，其特征在于，所述步骤三具体包括以下步骤：

步骤a，区域推荐：通过选择性搜索算法产生1000～2000个候选边框，但形状和大小是不相同的，这些框之间是可以互相重叠互相包含的；利用图像中的纹理、边缘、颜色等信息，保证在选取较少窗口的情况下保持70％以上的召回率；

步骤b，特征提取：利用卷积神经网络对每一个候选边框提取深层特征，正对各分类景观数据共性；

步骤c，分类：利用线性支持向量机对卷积神经网络提取的深层特征进行分类。

5.根据权利要求1所述的一种基于识别模型的气象景观实时识别方法，其特征在于，所述步骤三中，VGG由5层卷积层、3层全连接层、softmax输出层构成，层与层之间使用max-pooling分开，所有隐层的激活单元都采用ReLU函数，VGG使用多个较小卷积核的卷积层代替一个卷积核较大的卷积层。

6.根据权利要求1、2或5任一项所述的一种基于识别模型的气象景观实时识别方法，其特征在于，所述步骤四，具体为：定时自动提取气象景观摄像头图片数据；基于前一步骤训练的模型进行数据识别；根据识别结果针对不同识别率，正对识别相似度在90％以上的结果按景观现象类别进行归档，生成归档数据集；监控归档数据集数量，归档数据超过200份时自动生成新的训练任务，重新进行步骤三模型构建。