技术领域
[0001] 本发明属于雷达拼图数据质量控制技术领域，具体涉及基于语义分割的雷达拼图数据异常回波识别方法及系统。
相关背景技术
[0002] 为了有效地开展强对流天气的监测预警预报工作，气象业务上常使用雷达拼图数据。雷达拼图数据是将关注区域内多部天气雷达在同一时间点附近的观测数据拼接在一起，形成覆盖全部区域的雷达回波数据。它是天气预报业务中使用最频繁、最重要的一种数据。借助雷达拼图数据，气象业务人员可以实时跟踪天气变化和灾害形势发展，全面地分析和判断天气发展趋势，理清天气变化或可能产生的灾害形势，对潜在的灾害天气进行准确分析和及早预警，从而有效减少灾害发生概率，减轻灾害损失程度。因此，雷达拼图数据已经成为提高灾害天气防御和预警精准发布的重要依据。
[0003] 然而，受外界电磁干扰、大气环境噪声、发射机‑接收机系统故障等因素的影响，天气雷达在业务运行中时常产生错误数据。由于雷达基数据的质量控制无法保障能完全去除所有错误信息，故在雷达拼图数据中也会出现异常回波现象。雷达拼图数据中的异常回波不仅会直接干扰业务人员对天气系统的分析判断，更会严重影响雷达数据的定量应用效果。此外，对于气象业务人员而言，异常回波虽然不难识别，但要从海量的雷达拼图数据中逐一进行人工识别工作量巨大，且无法高效应用，更不利于数值模式同化系统、强对流天气自动识别系统等业务系统的稳定运行。为此，实现雷达拼图数据异常回波的自动识别具有重要意义。
[0004] 传统图像解译方法需要人工设置特征对图像进行分割，调参过程中需要具备较强的专业知识，泛化能力及鲁棒性较差，且识别率不高，自动化程度较低，无法适用于大规模的业务应用。此外，异常回波细节多，目标都呈片状或散落状，轮廓毫无规则可言，特征相差明显，也为使用传统方法进行异常回波识别增加了难度。随着深度学习、大数据的蓬勃发展，基于大数据的深度学习算法在计算机视觉领域上取得了突破性的成果，使得传统图像处理算法无法解决的难题相继得到了解决。其中，在计算机视觉领域，图像分割技术扮演着至关重要的角色。通过对图像进行分割，我们可以更好地理解图像内容，进而进行更精确的分析和识别。在众多图像分割技术中，语义分割是其中的关键技术之一。为此，尝试利用雷达拼图数据异常回波图像数据集训练语义分割网络，并且利用训练好的语义分割模型进行雷达拼图数据异常回波识别，是一种行之有效的解决方法。
具体实施方式
[0061] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0062] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0063] 实施例一
[0064] 如图1所示，基于语义分割的雷达拼图数据异常回波识别方法，包括以下步骤：
[0065] S1：基于采集的雷达拼图数据绘制雷达组合反射率（CR）图像，并基于雷达组合反射率图像构建雷达拼图图像数据集。在本实施例中，获取A地区主汛期的雷达拼图数据。
[0066] S2：标注雷达拼图图像数据集中的异常回波图像，并对异常回波图像进行格式转换以及扩充增强处理，构建雷达拼图异常回波训练数据集；其中，标注的异常回波图像包括环状异常回波图像和径向异常回波图像。
[0067] 进一步的实施方式在于，构建雷达拼图异常回波训练数据集的方法为：
[0068] 筛选出雷达拼图图像数据集中的异常回波图像；
[0069] 利用Labelme软件工具，将筛选出的异常回波图像标注标签，生成json格式的标记数据文件；
[0070] 将标注后的json格式的标记数据文件转换为png格式的可视化标注图像；
[0071] 将未标注的原始jpeg格式的异常回波图像转换为png格式原始图像；
[0072] 将png格式的可视化标注图像以及png格式原始图像分别进行旋转、左右互换及放大缩小操作，获得雷达拼图图像扩充增强数据集，包括20000张图像。
[0073] 将雷达拼图图像扩充增强数据集中的png格式原始图像转换为jpeg格式原始图像，并进行训练集以及验证集的划分，获得雷达拼图异常回波训练数据集。具体的，将数据集中的80%划分为训练数据集（包含16000张图像），20%划分为验证数据集（包含4000张图像）。
[0074] S3：向DeepLabv3+语义分割网络中引入中层特征提取层以及简单注意力模块，获得改进的DeepLabv3+语义分割网络；基于改进的DeepLabv3+语义分割网络，构建雷达拼图数据异常回波识别模型；如图2所示。
[0075] 进一步的实施方式在于，获得改进的DeepLabv3+语义分割网络的方法为：
[0076] S31：重新设计ResNet50网络作为主干网络，删除了ResNet50网络的第4区块，使用简化的ResNet50即深度较小的骨干网络进行特征提取，在我们的数据集上获得更好的结果；其中，简化的ResNet50网络包括深层特征提取层、中层特征提取层以及低层特征提取层；进一步的实施方式在于，简化的ResNet50网络结构共十四层；其中，第一层为conv1_x层、第二至第四层为conv2_x层、第五至八层为conv3_x层、第九至十四层为conv4_x层。如图3所示。
[0077] 在本实施例中，构造简化的ResNet50网络的conv1_x层，第一层为一个卷积操作和最大值池化操作，其中：卷积核大小为7×7，卷积核数量为64；
[0078] 构造简化的ResNet50网络的conv2_x层，第二至四层为一个残差块，由三个卷积操作组成，其中：第一个卷积核大小为1×1，卷积核数量为64；第二个卷积核大小为3×3，卷积核数量为64；第三个卷积核大小为1×1，卷积核数量为256；
[0079] 构造简化的ResNet50网络的conv3_x层，第五至八层为一个残差块，由三个卷积操作组成，其中：第一个卷积核大小为1×1，卷积核数量为128；第二个卷积核大小为3×3，卷积核数量为128；第三个卷积核大小为1×1，卷积核数量为512；
[0080] 构造简化的ResNet50网络的conv4_x层，第九至十四层为一个残差块，由三个卷积操作组成，其中：第一个卷积核大小为1×1，卷积核数量为256；第二个卷积核大小为3×3，卷积核数量为256；第三个卷积核大小为1×1，卷积核数量为1024。
[0081] S32：在深层特征提取层之后添加第一简单注意力模块（SimAM），获得深层特征；
[0082] S33：通过结合不同膨胀率的空洞卷积组成空洞空间卷积池化金字塔（ASPP）处理深层特征，获得多尺度深层特征；ASPP的具体结构如下：
[0083] 第一个分支是卷积核大小为1×1的深度可分离卷积，卷积核数量为256；
[0084] 第二个分支是卷积核大小为3×3的深度可分离卷积，卷积核数量为256，膨胀率是6；
[0085] 第三个分支是卷积核大小为3×3的深度可分离卷积，卷积核数量为256，膨胀率是12；
[0086] 第四个分支是卷积核大小为3×3的深度可分离卷积，卷积核数量为256，膨胀率是18；
[0087] 第五个分支是平均池化后经过卷积核大小为1×1，卷积核数量为256的卷积操作，再进行2倍系数的双线性上采样。
[0088] S34：对编码器的多尺度深层特征进行1×1卷积，并将卷积后的多尺度深层特征以4倍系数进行双线性上采样，获得上采样后的多尺度深层特征；
[0089] S35：在低层特征提取层之后添加第二简单注意力模块，获得低层特征；对低层特征进行1×1卷积，获得卷积后的低层特征；
[0090] S36：在编码器主干网络加入额外的中层特征提取层之后添加第三简单注意力模块，获得中层特征；对中层特征进行1×1卷积，并将卷积后的中层特征以2倍系数进行双线性上采样，获得上采样后的中层特征，以匹配解码器其他缩减特征层的大小。
[0091] 进一步的实施方式在于，第一简单注意力模块、第二简单注意力模块以及第三简单注意力模块的应用方法均如下：
[0092] SimAM 注意力机制通过建立能量函数寻找重要神经元与其他神经元之间的线性可分性，能量函数的定义为：
[0093]
[0094] 式中， 和 为单一通道输入特征的目标神经元与其他神经元， 为空间维度系数， 和 为 和 的线性变换， 为单个通道中神经元数量(H，W为特征高度和宽度)， 为超参数；
[0095] 上式的解析解为：
[0096]
[0097]
[0098] 式中， 和 为通道中除 以外所有神经元的平均值和方差，因此最小能量公式为：
[0099]
[0100] 上式表明，能量 越低，神经元 和周围其他神经元差异越大，对视觉处理的重要性越高。
[0101] 将主干网络提取的原始特征进行归一化；具体的，获取输入特征X的尺寸特征通道数C，特征高度H，特征宽度W，计算特征X的元素数量减一，即：M=W*H‑1，用于归一化；
[0102] 计算归一化后的原始特征X与归一化后的原始特征X的均值的差值的平方，获得计算结果；
[0103] 基于计算结果，获得注意力权重；
[0104] 基于注意力权重对原始特征进行注意力加权，获得注意力加权后的原始特征。具体的，通过SimAM的核心公式计算注意力权重并返回经过注意力加权的输入特征，即：， 表示所有最小能量函数 总和。
[0105] S37：将上采样后的多尺度深层特征、卷积后的低层特征以及上采样后的中层特征与编码器输出连接起来；
[0106] S38：使用3×3深度可分离卷积层（SepConv）对连接后的特征进行细化，获得细化特征；
[0107] S39：以4倍系数对细化特征进行双线性上采样；
[0108] S310：采用与异常回波类别数量相匹配的1×1卷积核对上采样后的细化特征进行卷积，获得径向和环状2类异常回波的掩码图像分割结果，完成DeepLabv3+语义分割网络的改进。
[0109] S4：基于雷达拼图异常回波训练数据集训练雷达拼图数据异常回波识别模型，并基于训练好的雷达拼图数据异常回波识别模型对待识别雷达拼图数据进行异常回波识别，获得异常回波识别结果。
[0110] 在本实施例中，S41：训练模型的具体方法为：
[0111] 基于PyTorch深度学习框架构建改进的DeepLabv3+模型网络，对改进的DeepLabv3+语义分割网络进行训练。在训练过程中，采用标准Adam优化器和分类交叉熵损失，设置合适的超参数，其中学习率初始化为0.007、批量大小为100等，使用GPU加速训练，提高计算效率，通过可视化技术观察模型的训练过程和效果，及时调整超参数和优化策略。
[0112] 根据损失值的大小判断是否收敛并结束模型训练。
[0113] 在本实施例中，S42：获得异常回波识别结果的方法为：
[0114] 将训练好的雷达拼图数据异常回波识别模型进行固化，即生成pb模型文件；
[0115] 针对固化后的雷达拼图数据异常回波识别模型，输入待识别雷达拼图数据，输出对应的具有异常回波种类标签的图像，从而获得异常回波识别结果。
[0116] 实施例二
[0117] 本实施例中选取的雷达拼图数据来自A地区气象台业务运行的灾害性天气短时临近预报业务系统（SWAN）的雷达组合反射率拼图（MCR）产品，产品范围覆盖了A地区及周边地区，其格点水平分辨率为1 km，时间分辨率为6 min。
[0118] 下面结合雷达拼图数据的实际情况来分析本发明涉及的一种基于语义分割的雷达拼图数据异常回波识别方法的识别效果。
[0119] 为了检验基于语义分割的雷达拼图数据异常回波识别方法的实际效果，利用研究地区的雷达拼图数据开展评估。
[0120] 根据A地区X时间的雷达拼图以及对应的异常回波识别结果可以发现，在A地区与B地区的交界处出现了显著的异常回波，异常回波整体呈现环状分布特征，强度取值在20 dBZ至40 dBZ之间。这种异常回波不仅严重干扰预报员对天气系统的分析判断，在雷达数据定量应用时也会产生明显的偏差，出现大面积的虚假回波。雷达拼图数据异常回波识别模型的输出结果中，异常回波的完整轮廓都被有效识别。
[0121] 根据A地区Y时间的雷达拼图以及对应的异常回波识别结果可以发现，A地区的多部雷达在多个径向方向上出现了异常回波，异常回波主要表现为连续的或断续的径向辐散分布特征，回波强度集中在20–40 dBZ范围内。这种异常回波使雷达拼图数据在多个径向方向上出现虚假回波，明显干扰了雷达拼图数据的业务应用。雷达拼图数据异常回波识别模型的输出结果中，多个径向异常回波都能被识别出来，识别效果良好。
[0122] 本实施例针对X时间和Y时间A地区的两次强降水个例，首先读取雷达拼图数据，并将其绘制成雷达回波图像输出；然后，输入训练好的雷达拼图数据异常回波识别模型；最后，输出对应的具有异常回波种类标签的图像。初步得到以下结论：
[0123] （1）受外界电磁干扰、大气环境噪声、发射机‑接收机系统故障等因素的影响，雷达拼图数据在图像上常出现异常回波，主要表现为环状或者径向辐散状，严重影响业务人员对天气系统的分析判断，以及雷达拼图数据的定量应用。
[0124] （2）本发明涉及的基于语义分割的雷达拼图数据异常回波识别方法以异常回波的图像特征为关键，改进DeepLabv3+语义分割网络，进行雷达拼图数据异常回波识别模型的训练与建模。从雷达拼图数据实例的识别结果来看，该方法能有效识别出环状和径向辐散状的雷达异常回波，为进一步提升雷达拼图数据质量及其定量应用效果提供了有力技术支撑。
[0125] 通过上述结论可知，本发明可将雷达拼图数据转换为图像文件，并进行雷达异常回波人工标注；再通过数据处理与增强构建训练数据集；然后结合改进的DeepLabv3+语义分割网络开展雷达拼图数据异常回波识别模型的训练；最后将雷达拼图数据图像输入训练好的识别模型，输出对应的具有异常回波种类标签的图像，从而实现基于语义分割的雷达拼图数据异常回波识别。
[0126] 实施例三
[0127] 本发明还提供基于语义分割的雷达拼图数据异常回波识别系统，用于实现方法，包括：
[0128] 数据集构建模块，用于基于采集的雷达拼图数据绘制雷达组合反射率图像，并基于雷达组合反射率图像构建雷达拼图图像数据集；
[0129] 标注模块，用于标注雷达拼图图像数据集中的异常回波图像，并对异常回波图像进行格式转换以及扩充增强处理，构建雷达拼图异常回波训练数据集；其中，标注的异常回波图像包括环状异常回波图像和径向异常回波图像；
[0130] 网络改进模块，用于向DeepLabv3+语义分割网络中引入中层特征提取层以及简单注意力模块，获得改进的DeepLabv3+语义分割网络；
[0131] 模型构建模块，用于基于改进的DeepLabv3+语义分割网络，构建雷达拼图数据异常回波识别模型；
[0132] 异常回波识别模块，用于基于雷达拼图异常回波训练数据集训练雷达拼图数据异常回波识别模型，并基于训练好的雷达拼图数据异常回波识别模型对待识别雷达拼图数据进行异常回波识别，获得异常回波识别结果。
[0133] 进一步的实施方式在于，标注模块包括：
[0134] 筛选单元，用于筛选出雷达拼图图像数据集中的异常回波图像；
[0135] 标注单元，用于利用Labelme软件工具，将筛选出的异常回波图像标注标签，生成json格式的标记数据文件；
[0136] 格式转换单元，用于将标注后的json格式的标记数据文件转换为可视化标注图像；将未标注的原始jpeg格式的异常回波图像转换为png格式原始图像；
[0137] 样本扩充单元，用于将可视化标注图像以及png格式原始图像分别进行旋转、左右互换及放大缩小操作，获得雷达拼图图像扩充增强数据集；
[0138] 数据集划分单元，用于将雷达拼图图像扩充增强数据集中的png格式原始图像转换为jpeg格式原始图像，并进行训练集以及验证集的划分，获得雷达拼图异常回波训练数据集。
[0139] 进一步的实施方式在于，网络改进模块包括：
[0140] 主干网络构建单元，用于构建简化的ResNet50网络作为主干网络，进行特征提取；其中，简化的ResNet50网络包括深层特征提取层、中层特征提取层以及低层特征提取层；
[0141] 深层特征处理单元，用于在深层特征提取层之后添加第一简单注意力模块，获得深层特征；通过结合不同膨胀率的空洞卷积组成空洞空间卷积池化金字塔处理深层特征，获得多尺度深层特征；对多尺度深层特征进行1×1卷积，并将卷积后的多尺度深层特征以4倍系数进行双线性上采样，获得上采样后的多尺度深层特征；
[0142] 低层特征处理单元，用于在低层特征提取层之后添加第二简单注意力模块，获得低层特征；对低层特征进行1×1卷积，获得卷积后的低层特征；
[0143] 中层特征处理单元，用于在中层特征提取层之后添加第三简单注意力模块，获得中层特征；对中层特征进行1×1卷积，并将卷积后的中层特征以2倍系数进行双线性上采样，获得上采样后的中层特征；
[0144] 特征连接单元，用于将上采样后的多尺度深层特征、卷积后的低层特征以及上采样后的中层特征连接；
[0145] 特征细化单元，用于使用3×3深度可分离卷积层对连接后的特征进行细化，获得细化特征；
[0146] 上采样单元，用于以4倍系数对细化特征进行双线性上采样；
[0147] 分割单元，用于采用与异常回波类别数量相匹配的1×1卷积核对上采样后的细化特征进行卷积，获得分割结果，完成DeepLabv3+语义分割网络的改进。
[0148] 以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
