基于U型全卷积神经网络的云检测方法及系统

基于u型全卷积神经网络的云检测方法及系统
技术领域
1.本发明涉及图像处理和深度学习技术领域，具体是涉及一种基于u型全卷积神经网络的云检测方法及系统。


背景技术：

2.极轨气象卫星所获取的遥感数据可以有为中期数值天气预报提供全球均匀分辨率的气象参数、研究全球变化包括气候变化规律。为气候预测提供各种气象及地球物理参数、监测大范围自然灾害和地表生态环境等多方面的应用。云是大气中的水蒸气遇冷液化成的小水滴或凝华成的小冰晶，所混合组成的漂浮在空中的可见聚合物。云直接影响着地气系统的辐射平衡和热量平衡，是重要的气象和气候要素之一。依据modis的云掩层产品，全球的云覆盖比率大概是67％，在高分辨率的遥感图像中，云层遮掩地表现象十分普遍且不可避免。
3.云检测任务是对高分辨率的遥感图像中的云进行像素级标记。对于高精度的遥感图像数据，云层的存在会限制许多光学传感器从地球表面获取准确的信息，从而影响卫星数据的可用性。高精度遥感图像中云层的准确检测对于其他图像处理任务来说至关重要，云检测任务能够减少或消除云层遮掩对于传感器从地面获取准确信息的负面影响，例如云层遮挡带来的数据不连续进而打断动态监测、云层对传感器获取数据的影响带来的目标检测误判等。并且由于网络带宽以及存储空间的有限，将卫星传感器获取的全部数据都传输开销巨大且并不实际。通过对遥感图像处理自动产生对应云产品可以降低数据量，从而减轻网络传输压力与减少存储空间的使用。云检测任务成为遥感图像处理过程中的十分重要的任务。
4.随着遥感技术的迅速发展，一些传统的云检测方法已经不适用于最新的气象卫星遥感图像，需要针对极轨气象卫星获取的高精度遥感数据研究对应的云检测方法，从而提升云检测的准确度。计算机视觉技术的迅速发展，为遥感图像的处理带来了新的思路。运用基于深度学习的方法来处理云检测任务，已经实现了检测精度的大幅提升。同时，将云检测算法移植到支持深度学习架构的芯片上，还能实现基于深度学习的云检测算法的工程应用，对遥感图像的处理工作有重要意义。
5.全卷积神经网络在图像语义分割任务中得到广泛的应用，该网络通过提取图像特征、输出分割预测图像来完成图像语义分割任务。云检测任务作为一种特殊的图像语义分割任务，也可以通过运用全卷积神经网络来得到检测性能的提升。现有的基于全卷积神经网络的云检测方法存在精确度不够高、可迁移性不强、可拓展性较低的问题，不能同时应用于不同类型的传感器数据。本发明基于现有技术的不足提供一种基于u型全卷积神经网络的云检测方法及系统，实现云检测算法的性能提升以及装置实现。


技术实现要素：

6.本发明的目的是为了克服上述背景技术的不足，提供一种基于u型全卷积神经网
络的云检测方法及系统，
7.本发明提供了一种基于u型全卷积神经网络的云检测方法，包括以下步骤：
8.步骤s1、获取原始图像的训练集和测试集；
9.步骤s2、一次改进u型全卷积神经网络，以训练集为输入经一次改进后的u型全卷积神经网络训练并获取每次训练后的第一次损失值l1，直至第一损失值l1趋于预设最小损失值，结束对u型全卷积神经网络的一次训练，获取训练后的u型全卷积神经网络的主干网的网络权重值；
10.步骤s3、二次改进u型全卷积神经网络，以训练集为输入经二次改进后的u型全卷积神经网络训练并获取每次训练后的第二损失值l2，直至第二损失值l2趋于预设最小损失值，结束对u型全卷积神经网络的二次训练，获取训练后的u型全卷积神经网络的多层感知器的权重值；
11.步骤s4、以测试集为输入，经二次改进后的u型全卷积神经网络训练，获取最终的云检测预测结果。
12.根据第一方面，在第一方面的第一种可能的实现方式中，所述步骤s1，具体包括以下步骤：
13.步骤s11，获取原始图像；
14.步骤s12，切割原始图像，获取图像块；
15.步骤s13，处理图像块对应的云掩码，获取每一图像块对应的标签图像；
16.步骤s14，划分图像块和标签图像为训练集和测试集。
17.根据第一方面，在第一方面的第二种可能的实现方式中，所述步骤s2，具体包括以下步骤：
18.步骤s21、通过在u型全卷积神经网络中加入残差组件并采用上采样方法一次改进u型全卷积神经网络；
19.步骤s22、以训练集为输入经一次改进后的u型全卷积神经网络训练并获取每次训练后的第一次损失值l1，直至第一损失值l1趋于预设最小损失值，结束对u型全卷积神经网络的一次训练，获取一次训练后的u型全卷积神经网络的主干网的网络权重值。
20.根据第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，
21.所述步骤s22，具体包括以下步骤：
22.步骤s221、以训练集为输入经一次改进后的u型全卷积神经网络训练并获取每次训练后的第一次损失值l1；
23.步骤s222、获取第一损失值l1趋于预设最小损失值的情况；
24.步骤s223、当第一损失值l1趋于预设最小损失值时，结束对u型全卷积神经网络的一次训练，获取一次训练后的u型全卷积神经网络的主干网的网络权重值。
25.根据第一方面的第三种可能的实现方式，在第一方面的第四种可能的实现方式中，所述步骤s3，具体包括以下步骤：
26.s31、在一次改进的u型全卷积神经网络中加入像素级细化模块二次改进u型全卷积神经网络；
27.s32、以训练集为输入经二次改进后的u型全卷积神经网络训练并获取每次训练后
的第二损失值l2，直至第二损失值l2趋于预设最小损失值，结束对u型全卷积神经网络的二次训练，获取训练后的u型全卷积神经网络的多层感知器的权重值。
28.根据第一方面的第四种可能的实现方式，在第一方面的第五种可能的实现方式中，所述步骤s32、具体包括以下步骤：
29.步骤s321、选择训练集中的关键点算法；
30.步骤s322、提取关键点的点特征；
31.步骤s323、以每个关键点的点特征作为输入，经二次改进后的u型全卷积神经网络的多层感知器训练，并获取每次训练后的第二损失值l2，直至第二损失值l2趋于预设最小损失值，结束对u型全卷积神经网络的二次训练，获取训练后的u型全卷积神经网络的多层感知器的权重值。
32.根据第一方面的第五种可能的实现方式，在第一方面的第六种可能的实现方式中，所述步骤s4，具体包括以下步骤：
33.以测试集为输入，经二次改进后的u型全卷积神经网络训练，获取最终的云检测预测结果；
34.其中，二次改进后的u型全卷积神经网络使用步骤s223获取的主干网的网络权重值以及步骤s323获取的多层感知器的权重值。
35.第二方面，本发明提供了一种应用于如上所述的基于u型全卷积神经网络的云检测方法中的系统，包括：
36.训练集和测试集获取模块，用于获取原始图像的训练集和测试集；
37.主干网权重值获取模块，与所述训练集和测试集获取模块通信连接，用于一次改进u型全卷积神经网络，以训练集为输入经一次改进后的u型全卷积神经网络训练并获取每次训练后的第一次损失值l1，直至第一损失值l1趋于预设最小损失值，结束对u型全卷积神经网络的一次训练，获取训练后的u型全卷积神经网络的主干网的网络权重值；
38.感知器权重值获取模块，与所述训练集和测试集获取模块以及所述主干网权重值获取模块通信连接，用于二次改进u型全卷积神经网络，以训练集为输入经二次改进后的u型全卷积神经网络训练并获取每次训练后的第二损失值l2，直至第二损失值l2趋于预设最小损失值，结束对u型全卷积神经网络的二次训练，获取训练后的u型全卷积神经网络的多层感知器的权重值；
39.预测结果获取模块，与所述训练集和测试集获取模块、所述主干网权重值获取模块和所述感知器权重值获取模块通信连接，用于以测试集为输入，经二次改进后的u型全卷积神经网络训练，获取最终的云检测预测结果。
40.根据第二方面，在第二面的第一种可能的实现方式中，所述训练集和测试集获取模块进一步包括：
41.原始图像获取子模块，用于获取原始图像；
42.图像块获取子模块，与所述原始图像获取子模块通信连接，用于切割原始图像，获取图像块；
43.标签图像获取子模块，与所述图像块获取子模块通信连接，用于处理图像块对应的云掩码，获取每一图像块对应的标签图像；
44.划分子模块，与所述图像块获取子模块和所述标签图像获取子模块通信连接，用
于划分图像块和标签图像为训练集和测试集。
45.根据第二方面，在第二方面的第二种可能的实现方式中，
46.所述主干网权重值获取模块进一步包括：
47.一次改进子模块，用于通过在u型全卷积神经网络中加入残差组件并采用上采样方法一次改进u型全卷积神经网络；
48.网络权重值获取子模块，与所述一次改进子模块和所述训练集和测试集获取模块通信连接，用于以训练集为输入经一次改进后的u型全卷积神经网络训练并获取每次训练后的第一次损失值l1，直至第一损失值l1趋于预设最小损失值，结束对u型全卷积神经网络的一次训练，获取一次训练后的u型全卷积神经网络的主干网的网络权重值。
49.本发明提供的基于u型全卷积神经网络的云检测方法，针对与遥感图像的云检测任务进行算法改进和模块设计，并利用训练集对u型全卷积神经网络进行训练，对遥感图像实现高效精准云检测。
附图说明
50.图1是本发明实施例的基于u型全卷积神经网络的云检测方法的方法流程图；
51.图2是本发明实施例的基于u型全卷积神经网络的云检测方法的另一方法流程图；
52.图3为本发明实施例的基于u型全卷积神经网络的云检测系统的功能模块框图。
具体实施方式
53.现在将详细参照本发明的具体实施例，在附图中例示了本发明的例子。尽管将结合具体实施例描述本发明，但将理解，不是想要将本发明限于所述的实施例。相反，想要覆盖由所附权利要求限定的在本发明的精神和范围内包括的变更、修改和等价物。应注意，这里描述的方法步骤都可以由任何功能块或功能布置来实现，且任何功能块或功能布置可被实现为物理实体或逻辑实体、或者两者的组合。
54.为了使本领域技术人员更好地理解本发明，下面结合附图和具体实施方式对本发明作进一步详细说明。
55.注意：接下来要介绍的示例仅是一个具体的例子，而不作为限制本发明的实施例必须为如下具体的步骤、数值、条件、数据、顺序等等。本领域技术人员可以通过阅读本说明书来运用本发明的构思来构造本说明书中未提到的更多实施例。
56.随着遥感技术的迅速发展，一些传统的云检测方法已经不适用于最新的气象卫星遥感图像，需要针对极轨气象卫星获取的高精度遥感数据研究对应的云检测方法，从而提升云检测的准确度。现有的基于全卷积神经网络的云检测方法存在精确度不够高、可迁移性不强、可拓展性较低的问题，不能同时应用于不同类型的传感器数据。
57.有鉴于此，参见图1所示，本发明实施例提供一种基于u型全卷积神经网络的云检测方法及系统，包括以下步骤：
58.步骤s1、获取原始图像的训练集和测试集；
59.步骤s2、一次改进u型全卷积神经网络，以训练集为输入经一次改进后的u型全卷积神经网络训练并获取每次训练后的第一次损失值l1，直至第一损失值l1趋于预设最小损失值，结束对u型全卷积神经网络的一次训练，获取训练后的u型全卷积神经网络的主干网
的网络权重值；
60.步骤s3、二次改进u型全卷积神经网络，以训练集为输入经二次改进后的u型全卷积神经网络训练并获取每次训练后的第二损失值l2，直至第二损失值l2趋于预设最小损失值，结束对u型全卷积神经网络的二次训练，获取训练后的u型全卷积神经网络的多层感知器的权重值；
61.步骤s4、以测试集为输入，经二次改进后的u型全卷积神经网络训练，获取最终的云检测预测结果。
62.本发明提供的基于u型全卷积神经网络的云检测方法，针对与遥感图像的云检测任务进行算法改进和模块设计，并利用训练集对u型全卷积神经网络进行训练，对遥感图像实现高效精准云检测；改进设计的算法和模块可迁移性强、可拓展性高，适用于不同类型的传感器数据。
63.在一实施例中，所述步骤s1，具体包括以下步骤：
64.步骤s11，获取原始图像；
65.步骤s12，将原始图像切割成大小一致的图像块，得到大小为z
×z×
c的图像块，其中z为图像块的长与宽，c为遥感图像的通道数；图像块对应的标签图像大小为z
×z×
1。
66.步骤s13，处理图像块对应的云掩码，获取每一图像块对应的标签图像；
67.根据云掩码的实际含义，将每个图像块标记为正确的标签l；其中：
68.l∶ω
→
{0,1}
69.其中，0表示该像素位置是无云的，1表示该像素位置是有云的。
70.步骤s14，将图像块和标签图像划分为训练集和测试集。
71.在一较具体实施例中，所述步骤s1，具体包括以下步骤：
72.将原始图像根据其通道组成分离成单通道的数据，并将云掩码的数据转化为每一像素点都由“有云”或“无云”标签标记的数据。将以上数据切割为大小一致的正方形图像块，考虑到机器算力与效率问题，实施例中切割为256
×
256大小的图像块。将处理后的图像集分为训练级和测试集两部分，本实施例中训练集和测试集的图像数量比例为3:1。
73.在一实施例中，参见图2所示，所述步骤s2，具体包括以下步骤：
74.步骤s21、通过在u型全卷积神经网络中加入残差组件并采用上采样方法一次改进u型全卷积神经网络的主干网；
75.其中，所述上采样方法为un-pooling方法。un-pooling方法用于替代原始u型全卷积神经网络中的双线性插值法上采样方法，并由于这一方法的引入，对原始u型全卷积神经网络进行了网络调整；其中un-pooling方法是利用下采样过程中最大值池化操作的最大值所在位置作为索引，对图像进行上采样操作；而该操作是不需要训练的。
76.步骤s22、以训练集为输入经一次改进后的u型全卷积神经网络训练并获取每次训练后的第一次损失值l1，直至第一损失值l1趋于预设最小损失值，结束对u型全卷积神经网络的一次训练，获取一次训练后的u型全卷积神经网络的主干网的网络权重值。
77.在一实施例中，所述步骤s21具体包括以下步骤：
78.在初始的u型全卷积神经网络中每一个卷积块中添加残差组件，每个基础卷积块由两个卷积核大小为3
×
3的卷积层构成，而残差组件是输入数据到一个卷积核大小为1
×
1的卷积层生成的恒等映射，结合恒等映射和基础卷积块输出结果。
79.将初始的u型全卷积神经网络中上采样的步骤由un-pooling方法代替双线性插值方法。un-pooling方法存储网络在最大值池化过程中最大值的索引，并利用该索引进行反向的池化操作。
80.在一实施例中，本实施例中u型网络是由编码器与解码器构成，其中编码器提取图像的高级语义特征，解码器用于解析特征图并得到预测图像，u型网络中的编码器与解码器中存在跳跃连接的结构，该结构用于结合不同层次的语义特征来提升检测结果。针对以上新增的方法调整初始u型网络中跳跃连接不同卷积层的位置，使得网络各层次输入输出对应。改进调整后的模型由五个卷积块构成编码器部分，其中前四个卷积块中包含了最大值池化操作；模型的解码器部分由五个卷积块构成，其中后四个卷积块包含了un-pooling操作。
81.在一实施例中，所述步骤s22，具体包括以下步骤：
82.步骤s221、以训练集为输入经一次改进后的u型全卷积神经网络训练并获取每次训练后的第一次损失值l1；
83.步骤s222、获取第一损失值l1趋于预设最小损失值的情况；
84.步骤s223、当第一损失值l1趋于预设最小损失值时，结束对u型全卷积神经网络的一次训练，获取一次训练后的u型全卷积神经网络的主干网的网络权重值。
85.在一实施例中，训练中损失值(第一损失值l1或第二损失值l2)使用的是二元交叉熵损失值，被定义如下：
[0086][0087]
其中ν表示批量大小，yi表示的是样本i的标签，pi表示的是对于可能类的预测可能性。
[0088]
在一实施例中，所述步骤s222，是通过在训练中不断观察第一损失值l1，当第一损失值l1不再持续减小并且数值范围波动较小或波动处于预设波动范围内时，即认为第一损失值趋于预设最小损失值。
[0089]
根据第一方面的第三种可能的实现方式，在第一方面的第四种可能的实现方式中，所述步骤s3，具体包括以下步骤：
[0090]
s31、在一次改进的u型全卷积神经网络中加入像素级细化模块二次改进u型全卷积神经网络；
[0091]
s32、以训练集为输入经二次改进后的u型全卷积神经网络训练并获取每次训练后的第二损失值l2，直至第二损失值l2趋于预设最小损失值，结束对u型全卷积神经网络的二次训练，获取训练后的u型全卷积神经网络的多层感知器的权重值。
[0092]
在一实施例中，所述步骤s32、具体包括以下步骤：
[0093]
步骤s321、选择训练集中的关键点算法；
[0094]
步骤s322、提取关键点的点特征；
[0095]
步骤s323、以每个关键点的点特征作为输入，经二次改进后的u型全卷积神经网络的多层感知器训练，并获取每次训练后的第二损失值l2，直至第二损失值l2趋于预设最小损失值，结束对u型全卷积神经网络的二次训练，获取训练后的u型全卷积神经网络的多层感知器的权重值。
[0096]
在一较具体实施例中，所述步骤s3，具体包括以下步骤：
[0097]
将像素级细化模块加入一次改进后的u型全卷积神经网络中，主要分为三个部分：选择关键点算法，点特征提取以及关键点重预测。其中关键点选择算法目的是选择位于云边缘的点以及不确定类别的点，选取位于云边缘的点的方法是选择与周围点的值有明显差距的点，选取不确定类别的点的方法是选择各类可能性均不高的点，为了增强模型的泛化能力本实施例同时也随机选择一定数量的点；点特征提取包含两个部分，对于处于位置x上的点，选择原始图像x上的数据以及主干网输出特征x上的数据，将两部分数据结合作为点特征；关键点的重预测是对于每个点使用一个多层感知器进行重预测，对每一个点使用点特征作为输入到对于多层感知器中，由多层感知器进行分类。在对改进后的u型全卷积神经网络时，原主干网的权重不参与训练，训练的为多层感知器中的权重值。
[0098]
在一实施例中，像素级细化模块中选择关键点的数量为1086个，其中包括位于云边缘的点以及不确定类别点各一半；为增强模型的泛化能力，在模型的训练过程中会随机选择500个点，但在模型的验证测试过程中，将不再随机选择点用于重预测。
[0099]
在一实施例中，不确定类别点的选取在本实施例中实现为选择置信度接近0.5的点，这是由于本云检测任务是实现二分类任务，因此某点为“有云”的置信度p1与“无云”的置信度p2之和为1，力图如p1≈0.5，则p2≈0.5，故两类置信度相近，难以区分类别。
[0100]
在一实施例中，依据全卷积神经网络提取的特征图计算出某一像素点对于各类别置信度的方法是采用逐像素的soft-max方法，该方法被定义为：
[0101][0102]
其中，x指的是像素点的位置(x∈ω，)，ak(x)指的是位置x上于通道k的激活值，k为预测类别的数量；pk(x)的值约等于1时，该像素点于通道k的激活值最大，此时其它通道该值约等于0。
[0103]
在一实施例中，所述步骤s4，具体包括以下步骤：
[0104]
以测试集为输入，经二次改进后的u型全卷积神经网络训练，获取最终的云检测预测结果；
[0105]
其中，二次改进后的u型全卷积神经网络使用步骤s223获取的主干网的网络权重值以及步骤s323获取的多层感知器的权重值。
[0106]
在一较具体实施例中，所述步骤s4，具体包括以下步骤：
[0107]
将测试集中的图像输入步骤4改进的u型全卷积神经网络，使用的网络权重具体为主干网部分为步骤s2后训练所得，像素级细化模块为步骤s3中训练所得，从而输出最终的云检测预测结果。为便于观察预测结果，将预测类别为“有云”的点位置表示为白色，“无云”的点位置表示为黑色，同时根据原始图像将图像块拼接复原。
[0108]
本发明提供的方法能够以计算机软件技术以及支持深度学习框架的芯片实现一种云检测装置。以fy-3d卫星数据以及海思3559芯片为例，基于u型全卷积神经网络的云检测装置的搭建流程，具体包括以下步骤：
[0109]
步骤1，将原始图像切割成大小一致的图像块，并处理图像块对应的云掩码，得到每一图像块对应的有标签图像，将图像块及其标签图像分为训练集与测试集。
[0110]
较具体地，读取存储fy-3d卫星观测数据的hdf文件的特定波段的数据以及对应波段定标参数，基于定标参数对数据进行定标处理，结果上述处理得到用于模型训练的亮温值和反射率数据。在上述过程中需要对于被损坏、数值异常的数据进行筛除，考虑到数据集的数量并不大，需要对数据进行数据增广操作，主要使用到的数据增广手段有：图像镜像、图像旋转以及图像缩放。
[0111]
将原始图像数据根据其通道组成分离成单通道的数据，并将云掩码的数据转化为每一像素点都由“有云”或“无云”标签标记的数据。将以上数据切割为大小一致的正方形图像块，考虑到芯片算力与效率问题，实施例中切割为256
×
256大小的图像块。将处理后的图像集分为训练集与测试集两部分，本实施例中训练集与测试集图像数量比例为3∶1。
[0112]
步骤2，对原始u型全卷积神经网络中整体通道数进行调整，使该u型全卷积神经网络更加轻量、易于移植于嵌入式平台，使用caffe深度学习框架实现该神经网络，使用步骤1所得图像训练集训练改进后的u型全卷积神经网络。
[0113]
实施例具体的实施过程说明如下：
[0114]
对于原始u型全卷积神经网络中整体通道数进行减半调整，以此使模型更加轻量，同时针对海思3559芯片的兼容性，将输入数据的通道数减少为3通道。由于海思3559芯片支持的深度学习框架为caffe框架，因此利用caffe深度学习框架来实现所调整网络，在网络搭建完成之后进行训练。
[0115]
步骤3，根据步骤2改进后的u型全卷积神经网络训练过程中的第一损失值l1，若训练中l1趋于预设最小损失值，则进入步骤4，若训练中l值没有趋于预设最小损失值，则返回步骤2继续训练改进后的u型全卷积神经网络；
[0116]
实施例具体的实施过程说明如下：
[0117]
根据步骤2中改进的神经网络，利用步骤1中分好的训练集数据进行训练，训练中不断观察第一损失值l，当第一损失值不再持续减小并且数值波动范围较小时，认为第一损失值趋于预设最小损失值并停止训练，存储训练好的网络权重值，如没有观察到以上情况，则继续训练。
[0118]
步骤4，利用训练所得的神经网络权重及其网络结构，生成可移植于海思3559芯片的文件，并利用模拟平台测试算法于芯片上的检测性能以及检查检测效果，依据测试结果选择最佳模型权重以及调整参数；
[0119]
实施例具体的实施过程说明如下：
[0120]
使用ruyi studio软件将模型结构文件与训练权重文件转化为可于海思3559上执行的文件，同时使用ruyi studio软件对该可执行文件进行测试，观察测试结果，由于处理过程中的误差以及不完全适配，需要依据测试结果调整图像的预处理参数以及预测图生成过程中的参数，使模拟效果达到预想结果。
[0121]
其中，用于ruyi studio软件处理的网络模型结构文件需存储为.prototxt文件，同时模型需严格依照ruyi studio软件文档要求进行调整以适配；用于ruyi studio软件处理的网络预权重文件需存储为.caffemodel文件。ruyi studio软件将会将模型装化为.wk文件，用以进一步的模拟测试以及上机。
[0122]
步骤5，将算法模型有关文件移植至海思3559芯片，并使用样图测试检测性能以及检测效果。
[0123]
实施例具体的实施过程说明如下：
[0124]
将步骤4中测试完备的网络模型文件以及权重文件迁移至海思3559芯片中，同时对于参数与代码进行过调整的部分也需要同步移植用于替换原文件，将测试样图移至测试机上，利用模型算法生成预测图，预测效果及性能满足基本需求则搭建完成基于u型全卷积神经网络的云检测装置。
[0125]
基于同一发明构思，参见图3所示，本发明提供了一种应用于如上所述的基于u型全卷积神经网络的云检测方法中的系统，包括：
[0126]
训练集和测试集获取模块100，用于获取原始图像的训练集和测试集；
[0127]
主干网权重值获取模块200，与所述训练集和测试集获取模块100通信连接，用于一次改进u型全卷积神经网络，以训练集为输入经一次改进后的u型全卷积神经网络训练并获取每次训练后的第一次损失值l1，直至第一损失值l1趋于预设最小损失值，结束对u型全卷积神经网络的一次训练，获取训练后的u型全卷积神经网络的主干网的网络权重值；
[0128]
感知器权重值获取模块300，与所述训练集和测试集获取模块100以及所述主干网权重值获取模块200通信连接，用于二次改进u型全卷积神经网络，以训练集为输入经二次改进后的u型全卷积神经网络训练并获取每次训练后的第二损失值l2，直至第二损失值l2趋于预设最小损失值，结束对u型全卷积神经网络的二次训练，获取训练后的u型全卷积神经网络的多层感知器的权重值；
[0129]
预测结果获取模块400，与所述训练集和测试集获取模块100、所述主干网权重值获取模块200和所述感知器权重值获取模块300通信连接，用于以测试集为输入，经二次改进后的u型全卷积神经网络训练，获取最终的云检测预测结果。
[0130]
在一实施例中，所述训练集和测试集获取模块进一步包括：
[0131]
原始图像获取子模块，用于获取原始图像；
[0132]
图像块获取子模块，与所述原始图像获取子模块通信连接，用于切割原始图像，获取图像块；
[0133]
标签图像获取子模块，与所述图像块获取子模块通信连接，用于处理图像块对应的云掩码，获取每一图像块对应的标签图像；
[0134]
划分子模块，与所述图像块获取子模块和所述标签图像获取子模块通信连接，用于划分图像块和标签图像为训练集和测试集。
[0135]
在一实施例中，所述主干网权重值获取模块进一步包括：
[0136]
一次改进子模块，用于通过在u型全卷积神经网络中加入残差组件并采用上采样方法一次改进u型全卷积神经网络；
[0137]
网络权重值获取子模块，与所述一次改进子模块和所述训练集和测试集获取模块通信连接，用于以训练集为输入经一次改进后的u型全卷积神经网络训练并获取每次训练后的第一次损失值l1，直至第一损失值l1趋于预设最小损失值，结束对u型全卷积神经网络的一次训练，获取一次训练后的u型全卷积神经网络的主干网的网络权重值。
[0138]
基于同一发明构思，本技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法的所有方法步骤或部分方法步骤。
[0139]
本发明实现上述方法中的全部或部分流程，也可以通过计算机程序来指令相关的
硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0140]
基于同一发明构思，本技术实施例还提供一种电子设备，包括存储器和处理器，存储器上储存有在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法中的所有方法步骤或部分方法步骤。
[0141]
所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
[0142]
存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现计算机装置的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(例如声音播放功能、图像播放功能等)；存储数据区可存储根据手机的使用所创建的数据(例如音频数据、视频数据等)。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0143]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、服务器或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0144]
本发明是参照根据本发明实施例的方法、设备(系统)、服务器和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0145]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特
定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0146]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0147]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。