[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

说明书

本发明公开了一种轻量化卫星云图神经网络训练方法以及降雨检测方法，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：将卫星云图照片输入卫星云图照片集；通过与卫星云图相同时间的GPM降水分布图；对卫星云图照片中所有降水区域进行画框标记；将已标注的卫星云图进行图像阈值二值化操作；神经网络的训练流程包括：将卫星云图照片进行图像增强处理；建立轻量化目标检测算法M‑YOLOv4；获取对应的损失函数；将卫星云图图像输入到神经网络中，得到该算法推理后的结果；计算对应的损失函数的函数值，得出对应的权重值。本发明使用深度学习技术进行图像训练，用于获取卫星云图中的降水检测区域。

技术领域

本发明涉及遥感图像处理技术领域，特别是涉及一种轻量化卫星云图神经网络训练方法以及降雨检测方法。

背景技术

卫星云图属于一种遥感图像，由气象卫星拍摄而成，从卫星云图我们可以看到在地球上每天平均有近一半以上的地区是被云层覆盖着，有些地方云层厚一些，有些地方云层很薄，隐约可以看到云层下面地物信息，而覆盖着的云是天气过程的重要扮演者，它因大气运动而产生，同时也表征了空气的物理变化特征。天空里各种类型的云一般都是由水、冰晶或其混合物构成的，云不与地面相接，且必须有一定厚度。云按照形成的原因、物理特性，以及自身的外形特征、颜色、云底高度等被分为3组10属29类，不同云的出现，往往代表着不同的大气运动情况，对天气的变化起到很强的指示意义，因此也就有了看云识天气这么一说，一些天气现象的发生总是同一些类型的云联系在一起。卫星云图具有观察范围大，观测密度大，全天候等优势，经过多年的发展，卫星云图在大气科学研究、自然灾害观测和气象预测中发挥着越来越重要的作用。

目前对卫星云图检测研究较少，大部分做的还只是云图识别，无法精确定位到某一个云团，少部分做的云图检测，因边缘设备内存和计算受限的缘故，该部分算法模型无法应用在边缘设备上。

深度学习是学习样本数据的内在规律和表示层次，在学习的过程中，机器逐渐学会像人一样具有分析学习能力，深度学习是由许多层组成的人工神经网络，网络的较高层可以获得建立在来自较低层的输入上的更多抽象特征，深度学习的主要能力是自动提取特征。目前卫星云图降水检测大部分还是使用机器学习算法，只有少部分使用深度学习算法。采用机器学习算法，人工筛选出卫星云图云团特征，将筛选的特征送入机器学习算法。但是，有以下缺点：1、人工筛选特征成本过大；2、特征筛选所需周期长，现有采用深度学习算法去做卫星云图降水检测的模型，缺点有：模型参数量极大，检测速度慢。

因此，现有技术的缺陷是，缺少一种轻量化卫星云图降雨检测算法，该算法使用深度学习技术进行图像训练，用于获取卫星云图中的降水检测区域。

发明内容

有鉴于现有技术的至少一个缺陷，本发明的目的是提供一种轻量化卫星云图神经网络训练方法以及降雨检测方法，该算法使用深度学习技术进行图像训练，用于获取卫星云图中的降水检测区域。

为了达到上述目的，本发明采用如下技术方案：一种轻量化卫星云图神经网络训练方法，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；其中，GPM降水分布图由气象局提供；

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；