[发明专利]轻量化卫星云图神经网络训练方法以及降雨检测方法

权利要求书

1.一种轻量化卫星云图神经网络训练方法，其特征在于，包括卫星云图图像预处理流程以及神经网络的训练流程；

卫星云图图像预处理流程包括如下步骤：

步骤A1：建立卫星云图照片集，将卫星云图照片输入卫星云图照片集；建立相应的降水分布图集，将相应的GPM降水分布图存入降水分布图集；

步骤A2：依次从卫星云图照片集中取出卫星云图照片；

步骤A3：再取出相应的GPM降水分布图，该GPM降水分布图与卫星云图照片的日期相同；

步骤A4：找到GPM降水分布图中的降水区域，使用标记工具人工对相应的卫星云图照片中所有的降水云团进行标记；

步骤A5：将标记好的卫星云图照片，采用图像阈值二值化操作得到预处理后的卫星云图照片；

步骤A6：判断是否还有未标记的卫星云图照片，如果有转步骤A2，没有，则结束；

神经网络的训练流程包括如下步骤：

步骤B1：获取标记好的卫星云图照片集；

步骤B2：将卫星云图照片集中的卫星云图照片进行图像增强处理，得到增强处理后的卫星云图图像；

步骤B3：建立自定义的M-YOLOv4神经网络模型；

步骤B4：获取M-YOLOv4神经网络模型对应的损失函数；

步骤B5：确定损失函数的迭代次数阈值；

步骤B6：从卫星云图照片集中依次取出卫星云图图像，将卫星云图图像输入到M-YOLOv4神经网络模型中，得到预测结果；

步骤B7：根据人工标记的结果和对应的预测结果，计算对应的损失函数的函数值，训练M-YOLOv4神经网络模型，得出对应的权重值；

步骤B8：判断损失函数的迭代次数是否大于迭代次数阈值；如果是转步骤B9，否则转步骤B6；

步骤B9：保存该权重值作为最终权重值。

2.根据权利要求1所述的轻量化卫星云图神经网络训练方法，其特征在于：所述步骤A5包括：

采用公式(1)对标记好的卫星云图照片，进行图像阈值二值化操作；

其中，pre_pixel为卫星云图照片中原始像素点值，M为像素点阈值；New_pixel是经过图像阈值二值化操作后的像素点值。

3.根据权利要求1所述的轻量化卫星云图神经网络训练方法，其特征在于：所述步骤B2包括，

步骤B21：对卫星云图照片集中的卫星云图照片进行水平翻转；

步骤B22：将水平翻转和未水平翻转的卫星云图照片混合，从中随机取出4张图片，4张图片随机位置随机裁剪拼接成新图。

4.根据权利要求1所述的轻量化卫星云图神经网络训练方法，其特征在于：所述步骤B3中自定义的M-YOLOv4神经网络模型包括：

Input模块、Backbone模块、Neck模块以及Head模块；

Input模块用于获取卫星云图图像；Backbone模块用于提取Input模块输入的卫星云图图像的浅层图像特征；Neck模块对Backbone模块提取的浅层图像特征进行增强处理；Head模块获取Neck模块增强处理后的图像特征，解码这些特征获得输出结果；其中，Backbone模块采用MobileNetv1网络作为主干特征提取网络；Neck模块采用深度可分离卷积DW-PANet作为特征融合模块，Neck模块还采用spp层作为附加模块。

5.根据权利要求4所述的轻量化卫星云图神经网络训练方法，其特征在于：所述Backbone模块的Conv_block模块由3×3卷积、Batch Normalization层和Relu6激活函数构成；Backbone模块的DW_block模块由深度可分离卷积Dwconv、Batch Normalization层、Relu6激活函数、1×1卷积、Batch Normalization层和Relu6激活函数构成；

Backbone模块的DBM模块由深度可分离卷积Dwconv、Batch Normalization层和Mish激活函数构成；

加强特征提取网络采用深度可分离卷积DW-PANet和spp层，进一步的加大感受野。