[发明专利]基于识别模型的气象景观实时识别方法

说明书

本发明公开了一种基于识别模型的气象景观实时识别方法，包括以下步骤：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等。本发明能够智能识别气象景观并实时播报。

技术领域

本发明涉及气象景观智能识别技术领域，具体来说，涉及一种基于识别模型的气象景观实时识别方法。

背景技术

气象景观作为气象旅游资源，如云海、彩虹、雨雾淞等，具有流动性、易变性、周期性的特点。对此，对气象景观利用深度学习的方法，进行图像智能识别，及时发现气象景观产生的征兆，记录发展情况，可以较为及时地提供旅游气象信息，增强旅游体验。

目前，在现有的气象景观预报过程中，预报的技术手段主要是通过人工审查天气实景观测照片，对某一季节或某一较长时间段的气象景观预报。利用人工审查手段，对人的主观判断能力有较大的要求；同时，预报员的经验模型是针对较长期的气象景观的预报，无法对于每一次气象景观的出现达到点对点的精准预测。

行业内亟需一种利用图像智能识别的技术手段，对气象景观 (比如云海、彩虹、雨雾淞)等进行实时识别，可及时提醒预报员启动气象景观预报，实现对每一次气象景观的精准监测，为游客游览提供针对性提醒和服务。

发明内容

针对相关技术中的问题，本发明提出一种基于识别模型的气象景观实时识别方法，以克服现有相关技术所存在的上述技术问题。

为此，本发明采用的具体技术方案如下：

一种基于识别模型的气象景观实时识别方法，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：构建深度学习卷积神经网络VGG16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。

在可能的一个设计中，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。

在可能的一个设计中，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％。

在可能的一个设计中，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较高的召回率；

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；

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。