云状识别的方法和装置制造方法及图纸

本发明专利技术提供一种云状识别的方法和装置。该方法包括：将天空图像输入云状分类模型，得到天空图像的各个云状分类的置信度，其中，天空图像中包括至少一个云状，云状分类模型用于确定天空图像各个云高分类的概率值和各个云状分类的概率值，将天空图像各个云高分类的概率值和各个云状分类的概率值进行加权运算，得到天空图像的各个云状分类的置信度，云状分类模型是根据训练云状图像的云高和云状训练得到，确定天空图像的各个云状分类的最大概率值对应的云状分类为天空图像的云状分类。本发明专利技术的方法，使得云状识别的过程无需人工进行观测，节省了人力成本，同时提高了观测效率，提高了云状识别的准确率。

Cloud recognition method and device

【技术实现步骤摘要】
云状识别的方法和装置
本专利技术涉及气象领域，尤其涉及一种云状识别的方法和装置。
技术介绍
云状(cloudform)即云的外部形状，按云的外形特征、结构特点和云底高度进行分类。在航空气象等领域，云的辨别是极为重要的一环，云状的分类对天气识别、气象灾害预测起着十分重要的作用，部分低云族会直接影响航班的起落飞行；云状信息一直是机场、航空公司密切关注的部分。现有的对云状的识别需要经过长期培训的气象观测员进行，耗费人力成本，观测效率低。
技术实现思路
本专利技术提供一种云状识别的方法和装置，用以解决人工进行云状识别，耗费人力成本，云状识别的效率低的问题。第一方面，本专利技术提供一种云状识别的方法，包括：将天空图像输入云状分类模型，得到所述天空图像的各个云状分类的置信度，所述天空图像中包括至少一个云状，所述云状分类模型用于确定所述天空图像各个云高分类的概率值和各个云状分类的概率值，将所述天空图像各个云高分类的概率值和各个云状分类的概率值进行加权运算，得到所述天空图像的各个云状分类的置信度，所述云状分类模型是根据训练云状图像的云高和云状得到；确定所述天空图像的各个云状分类的最大置信度对应的云状分类为所述天空图像的云状分类。可选的，每个云高分类包括至少一种云状分类；所述将所述天空图像各个云高分类的概率值和各个云状分类的概率值进行加权运算，得到所述天空图像的各个云状分类的置信度，包括：将所述天空图像的各个所述云状分类的概率值分别与所述云状分类对应的云高分类的概率值相乘，得到所述天空图像各个所述云状分类的置信度。可选的，所述云状分类模型用于对标准尺寸的图像进行识别，所述将天空图像输入云状分类模型，得到所述天空图像的各个云状分类的置信度之前，还包括：将所述天空图像缩放到所述标准尺寸。可选的，所述云状分类模型包括：分类主干网络、云高分类网络和云状分类网络；所述分类主干网络分别与所述云高分类网络和所述云状分类网络连接；所述分类主干网络，用于提取天空图像的特征图；所述云高分类网络，用于确定所述天空图像各个云高分类的概率值；所述云状分类网络，用于确定各个云状分类的概率值。可选的，所述分类主干网络，包括依次连接的卷积层、批次归一化BatchNorm层、尺度变换Scale层、修正线性单元ReLU激活层、像素相加Eltwise层和池化层；所述云高分类网络，包括依次连接的全连接层和逻辑回归Softmax层；所述云状分类网络，包括多个云状分类分支，每个所述云状分类分支包括依次连接的卷积层，全连接层和Softmax层。可选的，所述云状分类模型的训练过程包括：将多个训练天空图像缩放到标准尺寸；对多个训练天空图像标注云高分类标签和云状分类标签，得到训练数据集，所述训练数据集包括训练天空图像、所述训练天空图像对应的所述云高分类标签和所述训练天空图像对应的所述云状分类标签；将所述训练数据集输入到分类主干网络，得到所述训练天空图像的特征图；将所述训练天空图像的特征图输入云高分类网络，得到所述训练天空图像的各个云高分类的概率值；将所述训练天空图像的特征图输入云状分类网络，得到所述训练天空图像的各个云状分类的概率值；对所述训练天空图像的各个云高分类的概率值和所述训练天空图像的各个云状分类的概率值进行加权运算，得到所述训练天空图像的各个云状分类的置信度；根据所述训练天空图像的各个云高分类的概率值和所述云高分类标签，确定云高交叉熵；根据所述训练天空图像的各个云状分类的置信度和所述云状分类标签，确定云状交叉熵；确定所述云高交叉熵和所述云状交叉熵的和，为总交叉熵；当所述多个训练天空图像总交叉熵的平均值小于或者等于收敛阈值时，确定云状分类模型收敛。可选的，所述云高交叉熵CE1可以通过如下公式计算得到：其中，Pi为云高分类网络输出的第i类云高的概率值，n为云高分类总数，ti为当前的云高分类标签中的第i类的值；所述云状交叉熵CE2可以通过如下公式计算得到：其中，Si为云状分类模型输出的第i类云状的置信度，m为云状分类总数，Ti为当前的云状分类标签中的第i类的值。可选的，所述云高分类包括：高云、中云和低云；所述云状分类包括：高积云、高层云、卷云、卷积云、卷层云、雨层云、积云、积雨云、层云和层积云。第二方面，本专利技术提供一种云状识别的装置，包括：输入模块，用于将天空图像输入云状分类模型，所述天空图像中包括至少一个云状；云状分类模型，用于确定所述天空图像各个云高分类的概率值和各个云状分类的概率值，将所述天空图像各个云高分类的概率值和各个云状分类的概率值进行加权运算，得到所述天空图像的各个云状分类的置信度，所述云状分类模型是根据训练云状图像的云高和云状训练得到；确定模块，用于确定所述天空图像的各个云状分类的最大置信度对应的云状分类为所述天空图像的云状分类。可选的，每个云高分类包括至少一种云状分类；所述云状分类模型所述将所述天空图像各个云高分类的概率值和各个云状分类的概率值进行加权运算，得到所述天空图像的各个云状分类的置信度，包括：将所述天空图像的各个所述云状分类的概率值分别与所述云状分类对应的云高分类的概率值相乘，得到所述天空图像各个所述云状分类的置信度。可选的，所述云状分类模型还用于对标准尺寸的图像进行识别，所述装置还包括：缩放模块，用于将所述天空图像缩放到所述标准尺寸。可选的，所述云状分类模型包括：分类主干网络、云高分类网络和云状分类网络；所述分类主干网络分别与所述云高分类网络和所述云状分类网络连接；所述分类主干网络，用于提取天空图像的特征图；所述云高分类网络，用于确定所述天空图像各个云高分类的概率值；所述云状分类网络，用于确定各个云状分类的概率值。可选的，所述分类主干网络，包括依次连接的卷积层、批次归一化BatchNorm层、尺度变换Scale层、修正线性单元ReLU激活层、像素相加Eltwise层和池化层；所述云高分类网络，包括依次连接的全连接层和逻辑回归Softmax层；所述云状分类网络，包括多个云状分类分支，每个所述云状分类分支包括依次连接的卷积层，全连接层和Softmax层。可选的，所述装置还包括：训练模块，用于将多个训练天空图像缩放到标准尺寸；对多个训练天空图像标注云高分类标签和云状分类标签，得到训练数据集，所述训练数据集包括训练天空图像、所述训练天空图像对应的所述云高分类标签和所述训练天空图像对应的所述云状分类标签；将所述训练数据集输入到分类主干网络，得到所述训练天空图像的特征图；将所述训练天空图像的特征图输入云高分类网络，得到所述训练天空图像的各个云高分类的概率值；将所述训练天空图像的特征图输入云状分类网络，得到所述训练天空图像的各个云状分类的概率值；对所本文档来自技高网...

【技术保护点】
1.一种云状识别的方法，其特征在于，包括：/n将天空图像输入云状分类模型，得到所述天空图像的各个云状分类的置信度，所述天空图像中包括至少一个云状，所述云状分类模型用于确定所述天空图像各个云高分类的概率值和各个云状分类的概率值，将所述天空图像各个云高分类的概率值和各个云状分类的概率值进行加权运算，得到所述天空图像的各个云状分类的置信度，所述云状分类模型是根据训练云状图像的云高和云状得到；/n确定所述天空图像的各个云状分类的最大置信度对应的云状分类为所述天空图像的云状分类。/n

【技术特征摘要】
1.一种云状识别的方法，其特征在于，包括：
将天空图像输入云状分类模型，得到所述天空图像的各个云状分类的置信度，所述天空图像中包括至少一个云状，所述云状分类模型用于确定所述天空图像各个云高分类的概率值和各个云状分类的概率值，将所述天空图像各个云高分类的概率值和各个云状分类的概率值进行加权运算，得到所述天空图像的各个云状分类的置信度，所述云状分类模型是根据训练云状图像的云高和云状得到；
确定所述天空图像的各个云状分类的最大置信度对应的云状分类为所述天空图像的云状分类。


2.根据权利要求1所述的方法，其特征在于，每个云高分类包括至少一种云状分类；
所述将所述天空图像各个云高分类的概率值和各个云状分类的概率值进行加权运算，得到所述天空图像的各个云状分类的置信度，包括：
将所述天空图像的各个所述云状分类的概率值分别与所述云状分类对应的云高分类的概率值相乘，得到所述天空图像各个所述云状分类的置信度。


3.根据权利要求1所述的方法，其特征在于，所述云状分类模型用于对标准尺寸的图像进行识别，所述将天空图像输入云状分类模型，得到所述天空图像的各个云状分类的置信度之前，还包括：
将所述天空图像缩放到所述标准尺寸。


4.根据权利要求2所述的方法，其特征在于，所述云状分类模型包括：分类主干网络、云高分类网络和云状分类网络；
所述分类主干网络分别与所述云高分类网络和所述云状分类网络连接；
所述分类主干网络，用于提取天空图像的特征图；
所述云高分类网络，用于确定所述天空图像各个云高分类的概率值；
所述云状分类网络，用于确定各个云状分类的概率值。


5.根据权利要求4所述的方法，其特征在于，所述分类主干网络，包括依次连接的卷积层、批次归一化BatchNorm层、尺度变换Scale层、修正线性单元ReLU激活层、像素相加Eltwise层和池化层；
所述云高分类网络，包括依次连接的全连接层和逻辑回归Softmax层；
所述云状分类网络，包括多个云状分类分支，每个所述云状分类分支包括依次连接的卷积层，全连接层和Softmax层。


6.根据权利要求4-5任一项所述的方法，其特征在于，所述云状分类模型的训练过程包括：
将多个训练天空图像缩放到标准尺寸；
对多个训练天空图像标注云高分类标签和云状分类标签，得到训练数据集，所述训练数据集包括训练天空图像、所述...

【专利技术属性】
技术研发人员：周康明，方飞虎，
申请(专利权)人：上海眼控科技股份有限公司，
类型：发明
国别省市：上海;31