一种轻量化气象灾害检测方法

本发明涉及目标检测，尤其涉及一种轻量化气象灾害检测方法，用于对大尺度卫星云图中的气象灾害图像进行检测。

背景技术：

1、气象灾害会严重影响到经济建设和国防建设，因此对于气象灾害的检测是非常必要的。各类气象灾害的发生都与云系变化有密不可分的关系，通过气象卫星拍摄的大尺度云系图像为灾害天气的预警提供了重要的依据。通过对静止气象卫星图像进行云系目标的识别与检测，可以判断云系目标的种类并对灾害天气进行预测和预警。因此，对云系目标的准确识别和定位，对气象灾害的预防具有重要的作用。其中，对大尺度卫星云图的目标检测为气象灾害识别和预测场景中应用和需求最广泛的技术。

2、大尺度卫星云图目标检测有许多经典的处理方法。早期的目标检测算法大多是基于手动特征构建。由于当时缺乏有效的图像表征，只能设计复杂的特征表达，并使用各种加速技术来利用有限的计算资源。近年来，随着神经网络在计算机视觉领域的发展，基于全卷积神经网络目标检测方法已广泛应用于各种场景下的目标检测。基于全卷积神经网络的目标检测算法主要分为两类，即一阶段目标检测方法和二阶段目标检测方法。然而气象卫星图像的目标检测仍有几个难点：其一，大尺度卫星影像通常覆盖的区域较大，图像中可能包含多个云系目标，云系目标的相似性和差异性导致现有目标检测方法难以区分，需要局部和全局特征的结合；其二，大尺度卫星云图通常会有不同目标物体相互堆叠的现象，导致现有目标检测方法定位不准确；其三，大尺度云图分辨率高，网络检测高分辨率图像会显著增加计算量进而减缓网络的推理速度，不利于云系目标的快速识别和定位。

技术实现思路

1、有鉴于此，本发明提供了一种轻量化气象灾害检测方法，用以准确区别云系目标，加快对云系目标的识别和定位，从而提高对卫星云图中气象灾害图像检测的准确性。

2、第一方面，本发明提供了一种轻量化气象灾害检测方法，所述方法包括：

3、步骤s1、搭建目标检测模型的特征提取网络；

4、步骤s2、根据步骤s1中的特征提取网络，搭建目标检测模型的检测头；

5、步骤s3、将步骤s1中的特征提取网络和步骤s2中的检测头进行连接，构建气象灾害检测的目标检测模型；

6、步骤s4、训练步骤s3中构建的目标检测模型，并对训练后的目标检测模型进行封装部署。

7、可选地，所述特征提取网络由全局特征提取分支和局部特征提取分支组成；全局特征提取分支和局部特征提取分支采用并行的方式提取特征；

8、全局特征提取分支包含四个下采样模块、三个全局特征注意力模块；局部特征提取分支包含四个3×3卷积模块、四个轻量化卷积局部特征提取模块；

9、三个所述全局特征注意力模块包括第一全局特征注意力模块、第二全局特征注意力模块、第三全局特征注意力模块；四个所述轻量化卷局部特征提取模块分别为第一轻量化卷积局部特征提取模块、第二轻量化卷积局部特征提取模块、第三轻量化卷积局部特征提取模块、第四轻量化卷积局部特征提取模块。

10、可选地，每个所述轻量化卷积局部特征提取模块包括1×1卷积模块、1×1深度可分离卷积模块、3×3深度可分离卷积模块和批正则化，边缘填充模块；

11、每个所述轻量化卷积局部特征提取模块的结构构成包括：

12、a、通过1×1卷积模块将输入的特征图减半，获得特征聚集；特征聚集后使用1×1深度可分离卷积模块进行交叉特征点提取；交叉特征点提取后在特征通道方向叠加1×1卷积模块和1×1深度可分离卷积模块输出特征，获得局部特征映射；

13、b、经过通过一个3×3的深度可分离卷积模块下采样和一个批正则化模块对局部特征映射进行边缘填充，将特征图的尺寸放大2倍；

14、c、将放大2倍的特征图输入步骤a中的结构，得到局部特征图。

15、可选地，将4×4×4特征图按步长为2的间隔分割为4块，并在通道维度拼接特征，生成4个4×2×2特征图；

16、通过1×1卷积将四个4×2×2特征图整合为四个1×2×2特征图切片，并在通道维度上叠加四个1×2×2特征图切片，叠加后重新生成4×2×2特征图。

17、可选地，每个所述全局特征注意力模块由卷积自注意力模块、批正则化模块、通道过滤器组成；其中，所述卷积自注意力模通过三个并行的1×1卷积模块生成查询键q、索引键k和值v。

18、可选地，所述卷积自注意力模通过三个并行的1×1卷积生成查询键q、索引键k和值v，包括：

19、根据原始输入特征，采用三个并行的1x1卷积、、对特征维度进行调整，生成查询键q、索引键k和值v，生成过程如下：

20、 ，

21、 ，

22、 ，

23、其中，，，，reshape代表矩阵的维度变换，transpose代表矩阵转置。

24、可选地，所述检测头由特征注意力模块、1×1卷积模块、sigmoid级联组成；所述特征注意力模块通过特征图的通道方向、宽方向、高方向的全局平均池化得到三个特征；其中，通道方向特征平均池化后的特征维度为1×h×w，宽方向特征平均池化后的特征维度为c×h×1，高方向特征平均池化后的特征维度为c×1×w；

25、特征图的通道方向、宽方向、高方向平均池化后的特征分别与原特征图相乘，并与原特征图相加得到细化特征，公式如下：

26、

27、其中，为细化特征，s为输入特征，avgpoolc代表特征图的通道方向全局平均池化， avgpoolh代表特征图的高方向全局平均池化，avgpoolw代表特征图的宽方向全局平均池化。

28、可选地，所述步骤s3包括：所述检测头依次连接第二轻量化卷积局部特征提取模块、第三轻量化卷积局部特征提取模块和池化金字塔模块，连接后构建气象灾害检测的目标检测模型。

29、可选地，所述步骤s4包括：

30、f、在训练时，将qfocal loss损失函数作为模型分类和置信度的损失函数，损失函数qfl（σ）公式如下：

31、

32、其中，y是平滑标签，值为[0,1]，σ是预测结果，αt=y×α+（1-y）×（1-α）用于平衡正负样本，用于强调难以检测的样本；

33、g、训练中的定位损失通过iiou损失函数进行精确定位，iiou损失函数liiou公式如下：

34、，

35、其中，代表对角线一致性损失，代表中心点距离损失，代表对角线夹角一致性损失，当iou=0时，不计算对角线一致性损失和对角线夹角损失，当iou>0时，计算对角线一致性损失和对角线夹角损失，eiou为调节iou和对角线一致性损失与对角线夹角损失的权重因子；

36、h、训练中的总损失函数totalloss公式如下：

37、，

38、其中，α，β分别为平衡权重，α=1，β=0.5；

39、i、将训练集、验证集、测试集输入构建的目标检测模型，并进行训练，选择训练300回合的目标检测模型进行tensorrt加速后，封装为dll文件。

40、可选地，所述对角线一致性损失公式如下：

41、，

42、其中，、分别代表真实框的长宽，、分别代表预测框的长宽；

43、所述中心点距离损失和对角线夹角一致性损失的公式如下：

44、；

45、；

46、其中，b，bgt分别代表了预测框和真实框的中心点；ρ（x）代表了欧式距离，c代表两个边框组成的最小包围框的对角线距离；，分别表示预测框的对角线方向向量与真实框的对角线方向向量；，分别表示预测框的对角线长度与真实框的对角线长度。

47、本发明提供的轻量化气象灾害检测方法的技术方案中，该方法包括搭建目标检测模型的特征提取网络；根据步骤s1中的特征提取网络，搭建目标检测模型的检测头；将步骤s1中的特征提取网络和步骤s2中的检测头进行连接，构建气象灾害检测的目标检测模型；训练步骤s3中构建的目标检测模型，并对训练后的目标检测模型进行封装部署，该方法准确区别了云系目标，加快了对云系目标的识别和定位，从而提高对卫星云图中气象灾害图像检测的准确性。