【技术实现步骤摘要】
本专利技术属于气象观测与图像处理，具体涉及一种基于注意力金字塔网络的全天空云图检测和分类方法。
技术介绍
1、地基云观测在气象监测和气候研究中具有重要作用。全天空云图检测和分类的准确性直接影响到天气预报、环境监控和光伏发电功率预测等应用领域的数据质量。然而，现有的云检测和分类方法多基于传统的图像处理技术，这些方法在应对复杂的全天空云图时面临着显著挑战，例如云形态的多样性、云层的复杂相互作用以及不同云类型之间边界的模糊性。
2、传统的云检测和分类方法通常依赖于简单的阈值分割和基于规则的分类，这些方法在简单云景下可能表现良好，但在多层次、多类型的复杂云层环境中往往无法准确识别和分割不同类型的云。此外，传统方法缺乏对云层动态变化的适应能力，难以实时、精确地反映云层的实际变化情况，因而限制了其在实时监测应用中的有效性。
3、近年来，深度学习技术，特别是卷积神经网络(cnn)和注意力机制，在图像识别领域取得了显著进展，大大提高了目标检测和图像分类的精度。然而，在云检测和分类方面，现有的深度学习方法仍难以充分应对云层的多样性和复杂性问题。尤其是在多尺度、多类型云层的识别任务中，现有方法在准确性和稳定性方面仍存在不足。
技术实现思路
1、针对现有技术存在的这些技术问题，本专利技术提供了一种基于注意力金字塔网络的全天空云图检测和分类方法，针对现有方法在处理复杂云形态和动态云层变化时精度不足、分辨不同云类型能力有限等问题，通过引入金字塔空间池化模块和卷积块注意力机制，显著提升
2、本专利技术的上述方法旨在提高云检测与分类的精度和效率，适用于气象监测、气候研究及环境评估等应用。
3、一种基于注意力金字塔网络的全天空云图检测和分类方法包括：收集全天空云图，对云图进行预处理；将预处理后的全天空云图输入到训练好的注意力金字塔网络中，最后输出对应的语义分割掩码图，完成全天空云图检测和分类；所述注意力金字塔网络由编码器和解码器组成，利用所述编码器进行特征提取和下采样，提取全天空云图的特征图；利用所述解码器对输入的特征图逐步恢复图像的空间分辨率，生成像素级的语义分割结果。
4、进一步的，所述预处理包括图像增强、去噪和归一化处理。利用所述预处理提升云特征的可识别度和处理效率。这些预处理步骤为后续的特征提取和分类提供了更高质量的数据输入。上述预处理步骤均可采用现有的方法，比如图像增强可以采用直方图均衡化等方法改善图像的对比度；可以采用高斯滤波、中值滤波等方法去除图像中的噪声；利用归一化处理将图像的像素值归一化到[0,1]或[-1,1]区间以消除不同图像之间的光照差异。
5、在本专利技术中，编码器的任务是从输入的全天空云图中提取云层的高级特征，为后续的分类和分割提供基础信息，具体包括特征提取和下采样：
6、特征提取：使用预训练的残差网络(resnet-50)作为编码器的骨干部分，通过多层卷积和残差块对输入的全天空云图进行高级特征提取。该部分能够捕捉到云层的空间结构、边界信息和纹理特征，为后续的分类提供有力支持。
7、下采样：在编码器部分的最后，输入图像的分辨率大幅度降低。通过池化操作减少特征图的空间维度，提升模型的计算效率，同时保留了关键的云层特征。
8、解码器的任务是在编码器提取的高级特征基础上，逐步恢复图像的空间分辨率，生成像素级的语义分割结果。本专利技术在解码器部分的创新之处在于，将金字塔空间池化模块(psp module)和卷积块注意力模块(cbam)有机结合，实现了多尺度上下文信息聚合和特征选择的相互增强。
9、进一步，所述解码器中利用金字塔空间池化模块对输入的特征图进行多尺度池化，获得多尺度上下文特征，再利用多尺度卷积注意力机制模块得到注意力增强的特征图，最后经过上采样输出语义分割结果。
10、金字塔空间池化模块：在解码器部分引入金字塔空间池化模块(psp module)，通过不同尺度的池化操作捕获多尺度的上下文信息。该模块增强了模型对全局和局部云层特征的理解，有助于更准确地分类复杂云层结构。
11、多尺度卷积注意力机制模块：进一步引入卷积块注意力模块(cbamblock)，该模块通过通道注意力和空间注意力的双重机制对特征图进行精细化增强。首先，通道注意力机制对输入特征图进行重要性筛选，突显关键特征通道；接着，空间注意力机制进一步突出特征图中的重要空间区域。这种设计使模型在处理复杂云层结构时，能够更准确地聚焦于重要的特征区域，提升云检测和分类的精度。
12、上采样：每一解码阶段使用上采样操作恢复图像尺寸，确保最终输出的分割结果具有高分辨率和精细的边界。所述上采样采用双线性插值的方式进行。
13、进一步的，所述多尺度卷积注意力机制模块包含通道注意力模块和空间注意力模块，将通道注意力模块、psp模块输出的特征图和空间注意力模块的结果进行逐点乘法生成注意力增强的特征图。
14、进一步的，所述通道注意力模块中，针对输入的多尺度上下文特征通过自适应平均池化和最大池化操作提取通道特征，并通过共享的多层感知机计算每个通道的重要性权重。
15、进一步的，所述空间注意力模块中，针对输入的多尺度上下文特征，在通道维度上进行平均池化和最大池化操作，然后通过卷积计算空间注意力权重。
16、所述注意力金字塔网络在模型训练阶段，使用大量标注的全天空云图数据对模型进行端到端训练，采用结合交叉熵损失和dice损失的混合损失函数进行优化。混合损失在提高整体分类准确性的同时，增强云层边界的精细分割能力，使模型更好地学习不同云类型的特征。
17、具体讲，所述注意力金字塔网络在训练阶段采用混合损失函数来优化模型参数。更进一步，所述混合损失函数由交叉熵损失函数和dice损失函数分别与权重参数相乘后加和而成。
18、模型训练完成后，通过验证实验验证了本专利技术提出的模型的有效性。本模型可用于新的全天空云图，实现实时云检测和分类，精确识别多种云类型(如卷云、层云、积云等)，为气象分析和环境监测提供可靠的数据支持。
19、通过应用此方法，能够在全天空云图中准确地识别和分类多种云类型，包括但不限于卷云、层云和积云等，为气象监测和气候研究提供更为精确的数据支持。本专利技术具有高精度、高效率、适应性强等优点，能够显著提高云检测和分类的性能，特别适用于复杂天气条件下的气象分析。
20、本专利技术的方法通过多尺度特征提取、注意力机制增强和逐层细化解码的结合，不仅提高了云检测和分类的精度和效率，还具有较强的适应性，能够在多种复杂气象条件下实现高效的云识别。该方法在天气预测、气候研究和环境监测领域具有重要的应用价值。
本文档来自技高网...【技术保护点】
1.一种基于注意力金字塔网络的全天空云图检测和分类方法，其特征在于，包括：采集全天空云图，对云图进行预处理；将预处理后的全天空云图输入到训练好的注意力金字塔网络中，最后输出对应的语义分割掩码图，完成全天空云图检测和分类；所述注意力金字塔网络由编码器和解码器组成，利用所述编码器进行特征提取和下采样，提取全天空云图的特征图；利用所述解码器对输入的特征图逐步恢复图像的空间分辨率，生成像素级的语义分割结果。
2.根据权利要求1所述基于注意力金字塔网络的全天空云图检测和分类方法，其特征在于，所述预处理包括图像增强、去噪和归一化处理。
3.根据权利要求1所述基于注意力金字塔网络的全天空云图检测和分类方法，其特征在于：编码器中，特征提取采用预训练ResNet-50作为骨干网络，从输入的全天空云图中提取高级特征；下采样采用最大池化操作。
4.根据权利要求1所述基于注意力金字塔网络的全天空云图检测和分类方法，其特征在于：所述解码器中利用金字塔空间池化模块对输入的特征图进行多尺度池化，获得多尺度上下文特征，再利用多尺度卷积注意力机制模块得到注意力增强的特征图，最后
5.根据权利要求4所述基于注意力金字塔网络的全天空云图检测和分类方法，其特征在于：所述多尺度卷积注意力机制模块包含通道注意力模块和空间注意力模块，将通道注意力模块、金字塔空间池化模块输出的特征图和空间注意力模块的结果进行逐点乘法生成注意力增强的特征图；所述上采样采用双线性插值的方式进行。
6.根据权利要求5所述基于注意力金字塔网络的全天空云图检测和分类方法，其特征在于：所述通道注意力模块中，针对输入的多尺度上下文特征通过自适应平均池化和最大池化操作提取通道特征，并通过共享的多层感知机计算每个通道的重要性权重。
7.根据权利要求5所述基于注意力金字塔网络的全天空云图检测和分类方法，其特征在于：所述空间注意力模块中，针对输入的多尺度上下文特征，在通道维度上进行平均池化和最大池化操作，然后通过卷积计算空间注意力权重。
8.根据权利要求1～7任一项所述基于注意力金字塔网络的全天空云图检测和分类方法，其特征在于：所述注意力金字塔网络在训练阶段采用混合损失函数来优化模型参数。
9.根据权利要求8所述基于注意力金字塔网络的全天空云图检测和分类方法，其特征在于：所述混合损失函数由交叉熵损失函数和Dice损失函数分别与权重参数相乘后加和而成。
...【技术特征摘要】
1.一种基于注意力金字塔网络的全天空云图检测和分类方法，其特征在于，包括：采集全天空云图，对云图进行预处理；将预处理后的全天空云图输入到训练好的注意力金字塔网络中，最后输出对应的语义分割掩码图，完成全天空云图检测和分类；所述注意力金字塔网络由编码器和解码器组成，利用所述编码器进行特征提取和下采样，提取全天空云图的特征图；利用所述解码器对输入的特征图逐步恢复图像的空间分辨率，生成像素级的语义分割结果。
2.根据权利要求1所述基于注意力金字塔网络的全天空云图检测和分类方法，其特征在于，所述预处理包括图像增强、去噪和归一化处理。
3.根据权利要求1所述基于注意力金字塔网络的全天空云图检测和分类方法，其特征在于：编码器中，特征提取采用预训练resnet-50作为骨干网络，从输入的全天空云图中提取高级特征；下采样采用最大池化操作。
4.根据权利要求1所述基于注意力金字塔网络的全天空云图检测和分类方法，其特征在于：所述解码器中利用金字塔空间池化模块对输入的特征图进行多尺度池化，获得多尺度上下文特征，再利用多尺度卷积注意力机制模块得到注意力增强的特征图，最后经过上采样输出语义分割结果。
5.根据权利要求4所述基于...
【专利技术属性】
技术研发人员：朱文，黄民宇，侯北平，朱昱臻，姜天率，于爱华，
申请(专利权)人：浙江科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。