[发明专利]一种基于卷积神经网络的降雨强度检测方法

权利要求书

1.一种基于卷积神经网络的降雨强度检测方法，其特征在于，包括如下步骤：

S1：智能终端设备系统设置，采用智能终端设备通过以太网接口连接摄像机，用于摄像机控制及视频图像采集、处理和传输；在所述的摄像机的镜头前加装0°通光方向的线偏振滤镜；

S2：采集图像对；

S3：对S2中所获取的图像对进行残差二值化处理，智能终端设备首先对两帧ROI的灰度图逐像素做灰度差分运算并取绝对值，得到一幅灰度残差图，然后采用Canny算子对灰度残差图进行边缘检测，得到表征水面纹理特征的边缘二值图；

S4：网络模型构建：包括数据集构建、网络模型设计和网络模型训练，包括如下步骤：S4.1：数据集构建：首先智能终端设备按步骤S2-S3采集并生成不同气象、水流和光照条件下的ROI边缘二值图，并将其和对应的时间戳通过以太网发送至用于网络模型训练的工作站；然后在工作站上依据气象局提供或现场雨量计实测的降雨量数据，采用图像分类标注工具对二值图进行降雨强度的分类标注；

S4.2：网络模型设计：为实现输入的ROI边缘二值图到降雨强度4分类结果的推理，设计卷积神经网络模型；

设计的卷积神经网络通过分层计算特征图最终得到图像分类结果，卷积层通过卷积核在本层特征图上的卷积计算得到下一层的特征图，卷积核M包含若干个学习的权重参数，公式(II)给出了第m层的卷积特征图的计算公式：

其中，f(·)选用的激活函数，M_x和M_y分别表示卷积核M的长度和宽度，w_jk表示卷积核M的权重值，表示二维卷积运算，t^m-1表示第m层的卷积特征图的输入，也是第m-1层的输出，b^m表示第m层的滤波器的偏量，j，k为相应的像素x，y坐标；

激活函数选用的是“ReLU”，公式(III)给出了其函数运算公式：

f(x)＝max(0,x) (III)

全连接层全连接层操作由卷积核长M_x和宽M_y分别为卷积层13层输出的特征图像的长和宽，通道数为C的全局卷积操作实现；

最后使用softmax分类器做逐像素预测，对各个输入分类器的概率值做指数计算，经归一化后，最大值所代表的类别即为分类结果；

损失函数为交叉熵损失函数，计算损失函数的具体过程为将softmax分类器的输出向量和标注的样本数据的标签值做交叉熵处理，公式(IV)给出了交叉熵的计算公式：

其中，y′_i指标注的标签值当中的第i个样本的真值，y_i指softmax分类器的输出向量[Y₁,Y₂,Y₃…]的第i个样本预测数据，n为训练样本数量；

S5：降雨强度预测。

2.根据权利要求1所述的一种基于卷积神经网络的降雨强度检测方法，其特征在于，所述的步骤S2中，所述的智能终端设备控制摄像机以时间间隔t连续拍摄两帧原始大小的彩图，从中选取出ROI按照如下公式(I)转换成灰度图

GRAY＝(R×W₁+G×W₂+B×W₃) (I)

其中，R、G、B分别代表图像存储红绿蓝三通道的像素值，W₁，W₂，W₃为灰度化权重参数，取值范围为0到1，W₁，W₂，W₃之和为1。

3.根据权利要求1所述的一种基于卷积神经网络的降雨强度检测方法，其特征在于，所述的步骤S4还包括步骤：

S4.3：网络模型训练：在工作站上采用步骤S4.1构建的训练集对网络模型进行训练，训练算法为梯度下降算法，通过结合测试集准确率调整神经网络结构和参数的方式获取实时分类模型；最后保存训练完成的网络模型用于预测。