【技術實現步驟摘要】
本專利技術屬于氣象，尤其涉及一種基于yolov5的登陸臺風殘渦檢測方法。
技術介紹
1、由于臺風最佳路徑資料在臺風停編后便不再發布，因此目前沒有可供研究使用的臺風殘渦數據庫。這就造成兩個困難：一是由于缺乏均一化、長時序的臺風殘渦數據庫，無法開展此類天氣系統的氣候統計研究；二是在發展基于ai的臺風殘渦檢測技術時，無可供模型訓練的數據集。目前尚未見到專門針對此類弱渦旋系統的自動檢測模型。下面將對現存的對登陸臺風殘渦檢測的工作做詳細介紹。
2、（1）主觀判斷，其缺點在于：主觀性強，不能進行批量運算，無法得到均一化、長時序、大樣本的登陸臺風殘渦數據。
3、（2）客觀算法，例如：蒙炤臻等（參考文獻：蒙炤臻，韓慎友，賴珍權，等.?廣西臺風殘渦暴雨發生特征分析[j].?氣象研究與應用，2017，38(1)：20-25.）對影響廣西的登陸臺風殘渦進行了統計分析，提出一種登陸臺風殘渦檢測的客觀算法，該方法忽視了登陸臺風殘渦的其他物理要素特征變化。同時，該算法給出的是登陸臺風殘渦起始時刻的判別標準，但在殘渦強度減弱后的檢測、以及檢測模糊渦旋或處于復雜天氣條件下的渦旋時，算法的準確性和穩定性較差。
4、（3）基于人工智能的渦旋檢測算法，目前沒有專門針對登陸臺風殘渦的人工智能檢測算法，有個類似的如呂心艷等（參考文獻：呂心艷，錢奇峰，王登科，等.?基于深度圖像目標檢測的智能臺風渦旋識別技術[j].?熱帶氣象學報，2022，38(4)：492-501.）提出的一種基于深度圖像目標檢測的智能臺風渦旋檢測技術。該算法并非專門
5、針對現有技術主目前未見對登陸臺風殘渦專門提出的檢測模型，及登陸臺風殘渦的精確檢測和定位，仍然存在很大的技術挑戰。
技術實現思路
1、專利技術目的：針對現有技術在登陸臺風殘渦檢測算法存在的一系列問題和局限性，本專利技術提供了一種基于yolov5的登陸臺風殘渦檢測方法。
2、技術方案：為實現上述專利技術目的，本專利技術采用以下技術方案：一種基于yolov5的登陸臺風殘渦檢測方法，包括以下步驟：
3、s1，數據獲取：獲取登陸臺風的逐小時、0.25°空間分辨率的era5再分析資料，并選擇大氣低層850hpa的位勢高度場下的數據資料；
4、s2，在850hpa的位勢高度場下的對應數據資料中，按同時滿足以下兩個條件對步驟s1的數據資料進行篩選：（1）850hpa流場出現閉合的渦旋中心；（2）850hpa位勢高度場小于等于1500m，且850hpa相對渦度場大于等于；
5、s3，提取步驟s2篩選的數據資料的時空位勢高度場值，并通過era5再分析數據集進行位勢高度場灰度圖的繪制，作為模型樣本集；
6、s4，基于yolov5作為基礎構架構建臺風殘渦檢測模型，并采用至少三個卷積層和一個池化層進行臺風殘渦特征提取，卷積層后介入批量標準化層和激活函數加速訓練從而減少過擬合；
7、s5，將步驟s3的模型樣本集對臺風殘渦檢測模型進行訓練優化，得到優化后的臺風殘渦檢測模型tcrvnet。
8、進一步的，步驟s3所述模型樣本集中的訓練樣本和測試樣本比例為7:3。
9、進一步的，步驟s1中所述數據資料包括以下物理量：時間t，渦旋中心緯度lat，渦旋中心經度lon，渦旋中心位勢高度ght，渦旋中心渦度vor。
10、進一步的，步驟s5中所述臺風殘渦檢測模型進行訓練優化前，通過k-means聚類算法對模型樣本集進行achorboxers聚類，實現利用不同尺寸錨框作為登陸臺風殘渦的邊界框，進而完成對登陸臺風殘渦的聚類。
11、進一步的，步驟s5中所述臺風殘渦檢測模型進行訓練時，采用二元交叉熵損失函數優化登陸臺風殘渦的有無檢測，并采用平滑l1損失函數對殘渦位置和區域信息進行優化。
12、進一步的，步驟s5所述臺風殘渦檢測模型的訓練過程通過方向傳播算法調整網絡中的權重和偏差。
13、進一步的，步驟s5中臺風殘渦檢測模型的訓練迭代次數為500，批大小為16，學習率為1e-2，激活函數采用leakyrelu。
14、有益效果：與現有技術相比，本專利技術的登陸臺風殘渦自動檢測系統，通過運用深度學習技術和卷積神經網絡，解決了登陸臺風殘渦檢測領域的技術空白，帶來了顯著的有益效果，尤其在提高預測精度、效率以及自動化水平方面具有突出優勢，包括：
15、（1）本專利技術基于yolov5模型的深度學習技術，首次實現了登陸臺風殘渦的自動化檢測，顯著提高了檢測準確性和處理速度，為登陸臺風災害監測提供了一個新的技術手段，能夠有效填補現有技術的空白。
16、（2）本專利技術基于對登陸臺風殘渦物理特征的理解，通過yolov5深度學習模型能增強多尺度目標檢測能力，實現自動提取登陸臺風殘渦的關鍵特征，準確率高達70.08%。
本文檔來自技高網...【技術保護點】
1.一種基于YOLOv5的登陸臺風殘渦檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述基于YOLOv5的登陸臺風殘渦檢測方法，其特征在于，步驟S3所述模型樣本集中的訓練樣本和測試樣本比例為7:3。
3.根據權利要求1所述基于YOLOv5的登陸臺風殘渦檢測方法，其特征在于，步驟S1中所述數據資料包括以下物理量：時間T，渦旋中心緯度LAT，渦旋中心經度LON，渦旋中心位勢高度GHT，渦旋中心渦度VOR。
4.根據權利要求1所述基于YOLOv5的登陸臺風殘渦檢測方法，其特征在于，步驟S5中所述臺風殘渦檢測模型進行訓練優化前，通過K-means聚類算法對模型樣本集進行AchorBoxers聚類，實現利用不同尺寸錨框作為登陸臺風殘渦的邊界框，進而完成對登陸臺風殘渦的聚類。
5.根據權利要求4所述基于YOLOv5的登陸臺風殘渦檢測方法，其特征在于，步驟S5中所述臺風殘渦檢測模型進行訓練時，采用二元交叉熵損失函數優化登陸臺風殘渦的有無檢測，并采用平滑L1損失函數對殘渦位置和區域信息進行優化。
6.根據權利要求4所述基于YO
7.根據權利要求4所述基于YOLOv5的登陸臺風殘渦檢測方法，其特征在于，步驟S5中臺風殘渦檢測模型的訓練迭代次數為500，批大小為16，學習率為1e-2，激活函數采用LeakyReLU。
...【技術特征摘要】
1.一種基于yolov5的登陸臺風殘渦檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述基于yolov5的登陸臺風殘渦檢測方法，其特征在于，步驟s3所述模型樣本集中的訓練樣本和測試樣本比例為7:3。
3.根據權利要求1所述基于yolov5的登陸臺風殘渦檢測方法，其特征在于，步驟s1中所述數據資料包括以下物理量：時間t，渦旋中心緯度lat，渦旋中心經度lon，渦旋中心位勢高度ght，渦旋中心渦度vor。
4.根據權利要求1所述基于yolov5的登陸臺風殘渦檢測方法，其特征在于，步驟s5中所述臺風殘渦檢測模型進行訓練優化前，通過k-means聚類算法對模型樣本集進行achorboxers聚類，實現利用不同尺寸錨...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。