[发明专利]一种基于卷积神经网络的降雨强度检测方法

说明书

本发明公开了一种基于卷积神经网络的降雨强度检测方法，属于计算机视觉技术领域，本发明利用不同降雨条件下水面雨生表面波纹理特征的差异性，通过对连续两帧图像进行残差处理提取波纹纹理特征，进而使用全卷积神经网络进行有监督的深度学习，实现无雨、小雨、中雨、大雨四个等级的瞬时降雨强度定性检测。本发明选取不同天气、光照和水流条件下实际水面的监控图像构建神经网络训练数据集，对复杂光照条件具有较强的鲁棒性，可实现全天候实时在线监测。本发明在保障准确获取降雨强度信息的同时有效地减少了布设传统降雨强度检测仪器所需的成本。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种基于卷积神经网络的降雨强度检测方法。

背景技术

降雨是指气体遇冷结成水汽并以各种方式降落到陆地、海洋的一种天气现象。降雨的时空分布异常现象是诱发各种自然灾害的重要因素，因此对降雨强度的实时监测对防范洪水、泥石流等重大灾害具有重要的指导意义。同时降雨也是农业生产等经济活动中不可获取的一部分，因此对降雨强度的实时监测也具有重要的经济意义。

传统的降雨强度监测设备如雨量计、翻斗雨量筒等等具有实时性弱、自动化程度较低、可靠性不足等等缺点。自上世纪六十年代开始，国外就已经开展了降雨强度监测的自动化研究。现在已经发展出了多种基于光学的半自动化降雨强度监测仪器，如红外雨滴谱仪、天气现象仪等。

国内主流的降雨强度监测方式仍然是传统的雨量计式，近年来，我国也出现了一些基于光学原理的半自动化降雨监测仪器，如脉冲照明光学雨量测量方法与雨量计(公开号：CN102436015B)，通过光照脉冲和定时摄像方式计算降雨粒子像素移动距离从而计算降雨粒子末速度。然而该方法存在量程范围较小，对光照不均匀导致的降雨粒子不清晰等问题鲁棒性较差。此外，也有如一种可视化雨量监测装置及方法(公开号：CN110196458A)这样的设备，但只是简单的将传统的雨量计设备和摄像头组网连接，自动化水平较低且设备可靠性不高。

近年来，基于计算机视觉技术的图像处理技术取得了较大的进步。在传统的决策树、支持向量机、专家系统等等之后，卷积神经网络技术(CNN)的提出将计算机视觉技术推向了新的高度。卷积神经网络技术具有很强的可拓展性，在近几年中对卷积神经网络模型的不断优化改进中涌现了多种多样深度、卷积函数、网络结构、优化方法等等方面不同且性能各有优劣的网络模型，并在实际应用中取得了优于传统方法的较好结果。而基于计算机视觉技术的对降雨强度的预测技术尽管在理论上是完全可行的，但在应用过程中也出现了一系列的难题。

已有的基于空间降雨图像的降雨强度识别方式面临着对光照条件较为敏感的问题，降雨粒子在空间中的分布速度、粒子大小、光照条件等种种条件的变化使得摄像设备难以准确、全面地捕捉降雨粒子信息。

不同于常规图像处理只能提取浅层次的视觉特征，卷积神经网络可以提取更高层次的视觉特征，在提取图像特征并且进行分类的任务中取得极具优势的效果，并显现出高效的学习性能和良好的应用效果。研究基于卷积神经网络的降雨强度检测方法，有望克服野外复杂环境下降雨粒子图像信息获取的难点，解决观测实时性、准确性等问题。

发明内容

发明目的：本发明旨在提供一种基于卷积神经网络的降雨强度检测方法，保障准确获取降雨强度信息。

技术方案：为了实现上述目的，本发明是通过如下的技术方案来实现：

一种基于卷积神经网络的降雨强度检测方法，包括如下步骤：

S1：系统设置；

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；

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；

S5：降雨强度预测。