CN109740574B - 一种结露现象自动识别方法及*** - Google Patents
一种结露现象自动识别方法及*** Download PDFInfo
- Publication number
- CN109740574B CN109740574B CN201910081604.6A CN201910081604A CN109740574B CN 109740574 B CN109740574 B CN 109740574B CN 201910081604 A CN201910081604 A CN 201910081604A CN 109740574 B CN109740574 B CN 109740574B
- Authority
- CN
- China
- Prior art keywords
- phenomenon
- condensation
- temperature
- value
- dew
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明涉及一种结露现象自动识别方法及***,其中,方法包括以下步骤:获取目标区域内的现象结成时间以及对应现象结成时间的结成要素值;筛选出振幅最小、且能够表现出凝结吸热使温度降低特征的结成要素值作为结露指示参数值;根据预设阈值与结露指示参数值初步判断是否形成结露现象;采集目标区域的图像信息;根据图像信息计算归一化亮度差值;根据预设判别阈值与归一化亮度差值判别初判结果是否形成结露。在本发明的技术方案中,相较于单独利用草温数据和草温‑露点温度差数据,或者单独利用图像处理技术对是否发生结露现象进行判别,其准确率更高,结露信息获取率高,实现了地面气象观测中结露现象的自动化观测。
Description
技术领域
本发明涉及图像处理和气象观测交叉技术领域,尤其涉及一种结露现象自动识别方法和一种结露现象自动识别***。
背景技术
露是水汽在地面及近地面物体上凝结而成的水珠,由贴近地面的空气层内所含的水汽因辐射冷却达到饱和,而与地面及近地面物体接触而凝结形成,常在晴朗微风的夜晚出现,在地面气象观测中,作为人工观测的一种天气现象进行记录,出现时间较多,在气象业务中主要依靠人工观测来实现。露的观测对农业生产、农业灾害有一定意义。植物叶片暴露在有露、雾和降水形成的液体水分中,对于植物病害、昆虫活动以及作物收割和加工处理等起着重要的作用。因此,叶片湿润程度和湿润持续时间的观测相对雾现象的识别,其应用效果更为显著,世界气象组织对露和叶片湿润持续时间的仪器也有较为详细的阐述。
实现天气现象自动化观测是综合气象观测发展的趋势,近年来,针对不同的天气现象类型开展了大量研究,对自动化观测的研究也不断深入,结露的自动化观测在技术上已成为可能。天气现象观测中的地面凝结现象观测包括霜和露的观测,对露的正确观测也是对霜自动化观测的必要条件,只有正确识别露才能正确识别霜,反之亦然。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此,本发明的一个目的在于提供一种结露现象自动识别方法,其能够利用自动气象站检测的草温以及草温-露点温度差初步判识结露现象,然后再结合图像数据进行最终判识,从而有效提高正确率,提高观测效率。
本发明的另一个目的在于提供一种结露现象自动识别***,其能够利用自动气象站检测的草温以及草温-露点温度差初步判识结露现象,然后再结合图像数据进行最终判识,从而有效提高正确率,提高观测效率。
为实现上述目的,本发明第一方面的技术方案提供了一种结露现象自动识别方法,包括以下步骤:获取目标区域内的现象结成时间以及对应现象结成时间的结成要素值;筛选出振幅最小、且能够表现出凝结吸热使温度降低特征的结成要素值作为结露指示参数值;根据预设阈值与结露指示参数值初步判断是否形成结露现象,并生成初判结果;采集目标区域的图像信息;根据图像信息计算归一化亮度差值;根据预设判别阈值与归一化亮度差值判别初判结果是否正确,并生成最终结果;其中,结露指示参数值包括草温和草温-露点温度差,预设阈值为草温>6.3℃,草温-露点温度差值为-6.5℃~4.2℃。
在该技术方案中,通过结合草温、草温-露点温度差和图像数据,从而综合判断出是否发生结露现象,相较于单独利用草温数据和草温-露点温度差数据,或者单独利用图像处理技术对是否发生结露现象进行判别,其准确率更高,结露信息获取率高,实现了地面气象观测中结露现象的自动化观测。
在上述技术方案中,优选地,现象结成时间包括现象初结成时间和现象明显结成时间;和/或结成要素值包括气温-露点温度差、草温、草温-露点温度差、地温和地温-露点温度差;和/或草温-露点温度差值为-5℃~4.2℃。
在上述任一技术方案中,优选地,采集目标区域的图像信息,包括以下步骤:设置至少一块玻璃,且玻璃朝向目标区域的至少部分面为磨砂面,与磨砂面相对设置的面为透明面;利用CCD摄像头采集玻璃的图像;利用处理器对图像进行处理,得到图像信息。
在上述任一技术方案中,优选地,归一化亮度差值的表达式为:
其中,R1为磨砂面的亮度值,R2为透明面的亮度值。
在上述任一技术方案中,优选地,图像信息包括多帧图像信息单元,预设判别阈值包括:连续3帧图像信息单元的归一化亮度差值降低,且相邻两帧图像信息单元的归一化亮度差值降低大于或等于10;或连续2帧图像信息单元的归一化亮度差值降低大于或等于20。
本发明第二方面的技术方案提供了一种结露现象自动识别***,包括:获取模块,被设置为用于获取目标区域内的现象结成时间以及对应现象结成时间的结成要素值;筛选模块,被设置为用于筛选出振幅最小、且能够表现出凝结吸热使温度降低特征的结成要素值作为结露指示参数值;初判模块,被设置为用于根据预设阈值与结露指示参数值初步判断是否形成结露现象,并生成初判结果;采集模块,被设置为用于采集目标区域的图像信息;计算模块,被设置为用于根据图像信息计算归一化亮度差值;最终判别模块,被设置为用于根据预设判别阈值与归一化亮度差值判别初判结果是否正确,并生成最终结果;其中,结露指示参数值包括草温和草温-露点温度差,预设阈值为草温>6.3℃,草温-露点温度差值为-6.5℃~4.2℃。
在该技术方案中,通过结合草温、草温-露点温度差和图像数据,从而综合判断出是否发生结露现象,相较于单独利用草温数据和草温-露点温度差数据,或者单独利用图像处理技术对是否发生结露现象进行判别,其准确率更高,结露信息获取率高,实现了地面气象观测中结露现象的自动化观测。
在上述技术方案中,优选地,现象结成时间包括现象初结成时间和现象明显结成时间;和/或结成要素值包括气温-露点温度差、草温、草温-露点温度差、地温和地温-露点温度差;和/或草温-露点温度差值为-5℃~4.2℃。
在上述任一技术方案中,优选地,采集模块包括:至少一块玻璃,且玻璃朝向目标区域的至少部分面为磨砂面,与磨砂面相对设置的面为透明面;CCD摄像头,被设置为用于采集玻璃的图像;处理器,被设置为用于对图像进行处理,得到图像信息。
在上述任一技术方案中,优选地,归一化亮度差值的表达式为:
其中,R1为磨砂面的亮度值,R2为透明面的亮度值。
在上述任一技术方案中,优选地,图像信息包括多帧图像信息单元,预设判别阈值包括:连续3帧图像信息单元的归一化亮度差值降低,且相邻两帧图像信息单元的归一化亮度差值降低大于或等于10;或连续2帧图像信息单元的归一化亮度差值降低大于或等于20。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1示出了本发明一个实施例所涉及的结露现象自动识别方法的流程框图;
图2示出了本发明另一个实施例所涉及的结露现象自动识别方法的流程框图;
图3示出了本发明再一个实施例所涉及的结露现象自动识别***的结构框图;
图4示出了本发明一个实施例所涉及的结露现象自动识别***的结构框图;
图5示出了本发明实施例所涉及的现象初结成时间的结成要素值变化图;
图6示出了本发明实施例所涉及的现象明显结成时间的结成要素值变化图;
图7示出了本发明实施例所涉及的现象明显结成时间的净辐射值变化图;
图8示出了本发明实施例所涉及的人工观测时的部分结成要素值变化图;
图9示出了本发明实施例所涉及的人工观测与自动观测的一致性;
图10示出了本发明实施例所涉及的现象明显结成时间的草温-露点温度差与当日最小草温-露点温度差的比较图;
图11示出了本发明实施例所涉及的自动观测露现象累积时间变化图;
图12示出了本发明实施例所涉及的露现象发生时草温-露点温度差随时间变化图;
图13示出了本发明实施例所涉及的现象未发生与现象已发生时的对比图;
图14示出了本发明实施例所涉及的开始结露时间在20点之前时归一化亮度差值及相对湿度变化图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不限于下面公开的具体实施例的限制。
下面参照图1至图14描述根据本发明一些实施例的结露现象自动识别方法和***。
如图1所示,按照本发明一个实施例的结露现象自动识别方法,包括以下步骤:
S100,获取目标区域内的现象结成时间以及对应现象结成时间的结成要素值;
S200,筛选出振幅最小、且能够表现出凝结吸热使温度降低特征的结成要素值作为结露指示参数值;
S300,根据预设阈值与结露指示参数值初步判断是否形成结露现象,并生成初判结果;
S400,采集目标区域的图像信息;
S500,根据图像信息计算归一化亮度差值;
S600,根据预设判别阈值与归一化亮度差值判别初判结果是否正确,并生成最终结果;
其中,结露指示参数值包括草温和草温-露点温度差,预设阈值为草温>6.3℃,草温-露点温度差值为-6.5℃~4.2℃。
在该实施例中,通过结合草温、草温-露点温度差和图像数据,从而综合判断出是否发生结露现象,相较于单独利用草温数据和草温-露点温度差数据,或者单独利用图像处理技术对是否发生结露现象进行判别,其准确率更高,结露信息获取率高,实现了地面气象观测中结露现象的自动化观测。
如图2所示,按照本发明另一个实施例的结露现象自动识别方法,S400,采集目标区域的图像信息,包括以下步骤:
S402,设置至少一块玻璃,且玻璃朝向目标区域的至少部分面为磨砂面,与磨砂面相对设置的面为透明面;
S404,利用CCD摄像头采集玻璃的图像;
S406,利用处理器对图像进行处理,得到图像信息。
在该实施例中,自动化结露观测装置由CCD图像传感器、露采集模块和处理器构成。露采集模块由三层带有磨砂区域的玻璃组成,三层玻璃是通过特定的支架进行固定的,离地表的高度分别是5cm、3cm和1cm,每一个玻璃由透明面和磨砂面组成,磨砂面需朝下,在没有发生结露现象的情况下,三个玻璃的透明面和磨砂面在图上界限分明,亮度有着明显的不同;一旦发生结露现象时,透明面和磨砂面界限模糊,图像的亮度也发生了很大的变化。
当相对湿度增大到一定程度时,会发生结露现象,玻璃亮度随之发生明显变化,表明玻璃有效获取了结露信息,结露的信息获取率就是指一定时间内之中结露现象被玻璃有效表现的百分率。CCD图像传感器获取玻璃的图像传送给处理器,处理器分别计算三块玻璃中透明面和磨砂面亮度的差值及变化信息,识别结露是否发生。结露识别正确率是指在结露的前提下,玻璃亮度发生了明显变化,结露信息被有效提取的百分率。
如图3所示,按照本发明再一个实施例的结露现象自动识别***1000,包括:
获取模块100,被设置为用于获取目标区域内的现象结成时间以及对应现象结成时间的结成要素值;
筛选模块200,被设置为用于筛选出振幅最小、且能够表现出凝结吸热使温度降低特征的结成要素值作为结露指示参数值;
初判模块300,被设置为用于根据预设阈值与结露指示参数值初步判断是否形成结露现象,并生成初判结果;
采集模块400,被设置为用于采集目标区域的图像信息;
计算模块500,被设置为用于根据图像信息计算归一化亮度差值;
最终判别模块600,被设置为用于根据预设判别阈值与归一化亮度差值判别初判结果是否正确,并生成最终结果;
其中,结露指示参数值包括草温和草温-露点温度差,预设阈值为草温>6.3℃,草温-露点温度差值为-6.5℃~4.2℃。
如图4所示,按照本发明第四个实施例的结露现象自动识别***,采集模块400包括:
至少一块玻璃402,且玻璃朝向目标区域的至少部分面为磨砂面,与磨砂面相对设置的面为透明面;
CCD摄像头404,被设置为用于采集玻璃的图像;
处理器406,被设置为用于对图像进行处理,得到图像信息。
在该实施例中,采集模块400由CCD摄像头、至少一块玻璃402和处理器构成。露采集器由三层带有磨砂区域的玻璃片组成,三层玻片是通过特定的支架进行固定的,离地表的高度分别是5cm、3cm和1cm,每一个玻片由透明面和磨砂面组成,磨砂面需朝下,在没有发生结露现象的情况下,三个玻片的透明面和磨砂面在图上界限分明,亮度有着明显的不同;一旦发生结露现象时,透明面和磨砂面界限模糊,图像的亮度也发生了很大的变化,如图13所示。
自动观测露现象(共29日)(以北京时0时为日界,与人工观测比较时转为20时气象日界,例自动观测20110421与人工观测比较时日期为0422日)。
表1自动观测***露现象识别
影响因子排序:
通过结露现象的定义可以初选出结成要素值,将气温-露点差、草温、草温-露点差、地温、地温-露点差等作为结成要素值,确定影响因子排序。选取结成明显时净辐射辐照度表示云天状况。
在上述任一实施例中,优选地,现象结成时间包括现象初结成时间和现象明显结成时间。
在该实施例中,将结露现象的结成时间分为现象初结成时间及现象明显结成时间两个阶段,分别看在这两个阶段各因子变化情况,重点参考结成明显时要素情况(以下无说明时均为结成明显时要素值)。
在上述任一实施例中,优选地,结成要素值包括气温-露点温度差、草温、草温-露点温度差、地温和地温-露点温度差。
在该实施例中,在露现象初结成至现象明显时,相同结成要素的趋势相同(如图5和图6所示)。在选取的五种结成要素中,草温-露点温度差振幅最小,在现象明显时近50%温差在0度以下,较好地表现出凝结吸热使温度降低的特征,地温-露点温度差次之,其他三项结成要素明显逊于前两者。
在上述任一实施例中,优选地,草温-露点温度差值为-5℃~4.2℃。
在该实施例中,在露现象初结成至现象明显时,相同结成要素的趋势相同。在选取的五种结成要素中,草温-露点温度差振幅最小,在现象明显时近50%温差在0度以下,较好地表现出凝结吸热使温度降低的特征,地温-露点温度差次之,其他三项结成要素明显逊于前两者。从数据上看,草温>6.5℃时有露结成,小于该值的只有1次。草温-露点温度差值范围-3.7℃~8.4℃之间,其中85.7%在-3.7-5.3℃之间,因此将上述范围值作为预设阈值以及该预设阈值的优选范围。
在上述任一技术方案中,优选地,归一化亮度差值的表达式为:
其中,R1为磨砂面的亮度值,R2为透明面的亮度值,图像信息包括多帧图像信息单元,预设判别阈值包括:
连续3帧图像信息单元的归一化亮度差值降低,且相邻两帧图像信息单元的归一化亮度差值降低大于或等于10;或
连续2帧图像信息单元的归一化亮度差值降低大于或等于20。
当相对湿度增大到一定程度时,会发生结露现象,玻片亮度随之发生明显变化,表明玻片有效获取了结露信息,结露的信息获取率就是指一定时间内之中结露现象被玻片有效表现的百分率。CCD图像传感器获取玻片的图像传送给处理器,处理器分别计算三块玻片中磨砂区域与未磨砂区域亮度的差值及变化信息,识别结露是否发生。结露识别正确率是指在结露的前提下,玻片亮度发生了明显变化,结露信息被有效提取的百分率。
净辐射是表示大气能量收支的要素,其值由地表反射的全辐射与大气中吸收的全辐射的差确定。夜间时,地表辐射的长波辐射越多,其值越小,甚至为负,表示大气正在失热。夜间净辐射与云高与云天状况有一定的正相关,净辐射辐照度越小,中低云越少,天气越晴朗。通过净辐射值的范围可以看出露现象结成与云天状况的关系。
由图7可见,在结露现象形成时,净辐射全为负值,其反映出了大气在散失热量。从数值上看,90%的露现象发生时净辐射辐照度<-30,露现象出现时晴到多云天为主,在中低云云量较多时仍能发生。
以上是自动观测***识别露现象情况。下面分析人工观测结露现象发生时的数据情况,分析时段内人工共观测到发生结露现象的天数为54天,对同日有露现象发生的记为结露日。
考虑到人工观测结露现象不记起止时间的因素,选该日的最小气温-露点温度差、最低草温、最小草温-露点温度差、最低地温、最小地温-露点温度差作为结成要素值,进行比较。图8中只比较3种最小温度-露点温度差值分布,最低草温与最低地温未在图中给出。
从图中可以看出,对人工观测露现象,三种差值变化趋势相同,选取最低草温、最小草温-露点温度差作为结露指示参数值。
从数据看,露现象94.5%的日数最低草温>6.3℃,最小草温-露点温度差值范围-6.5℃~4.2℃之间,其中98.1%在-5.0-4.2℃间。
一致性分析:
对时段内两种观测方式识别的露现象以现象发生日为单位进行比较,看两种观测方式是否具有一致性。
从图9上可以清晰看出自动观测和人工观测的一致性均较差。另一方面,由图可见,自动观测识别出露现象日时,人工几乎都观测到,这与自动观测识别区域代表性差有较大关系。若仅以图像识别的小区域代表露现象是否发生,仅靠小区域的图像是无法提高识别准确性的。
从结露现象发生时相关要素特点及范围看,两种观测方式在要素表现上具有高度相关性。由图10可见,自动观测露现象结成明显时其草温-露点温度与日最小值间有一定有差值,但吻合度较高。表明通过确定人工观测露现象发生时结露指示参数值的阈值,将之加入到自动观测***的算法中,有助于自动观测***正确识别露现象。
回算201112-201206共7个月213日数据,先用最低草温初选,再用最小草温-露点温度差复算,对有降水的天数删除。
回算露现象:初选日数74天,其中51天为人工观测现象发生日,占人工观测现象总数85%;次用最小草温-露点温度差复算,有69日被选出,51日人工观测现象发生日仍在其中;再把其他有降水现象的7天删除,通过上述3步,误识别现象日数11天,漏现象日数9天,共计20日,占总样本数213天的9.4%,即通过上述指标,若采用自动算法识别露现象,准确率达90.6%,现象发生时的准确率为85%。
第一段共有12天,误识别现象发生9天,第二段共有14天,误识别现象发生6天,第三段共有52天,误识别现象发生9天。对这3段指标需要计算相关的正确率权重。
用上述结成要素值及相应阈值所做的自动观测结果表明,最低草温与最小草温-露点温度差对露现象有更好的指示意义,大幅优于目前的图像识别技术自动观测的识别结果。
上述结果仅为单站短时期内运算结果,不具更广泛的代表性,需要更多站点及更长时间记录反演,做进一步的检验和修正,才能具有广泛适用性。
自动算法所用最低草温与最小草温-露点温度差均为日数据,表明用这种方法识别露现象将不具有及时性,现象识别会推后一日,不具实时性。
自动算法简单地将降水天气的露识别剔除,对雨后出现的露将完全取消,其长时间观测结果的积累会对气候统计有何影响需要论证。
露现象累积时间分析:
人工分析自动观测***识别图片,将现象发生分两个阶段:初生成和形成明显。计算两个阶段的时间差,这个时间差可以视为现象发生所需的必要累积时间。
由图11可知,79%的露现象累积时间在40分钟内,100%累积时间在60分钟内。可以认为40分钟是露现象必要的累积时间。
以露现象初形成前40分钟开始,以20分钟为间隔,观察草温-露点温度随时间的变化情况。
从图12可以看出,露现象发生前40分钟到初结成,再到结成明显草温-露点温度差变幅较大,梯度分布较均匀;从图上看不出现象初结成前多长时间是其必要的累积时间。
下面对利用图像数据识别结露现象发生时的测量性能进行分析。
为了定量分析自动化结露观测装置的性能,设计了观测试验,利用温湿度计观测露采集模块附近的温湿度,分析研究湿度与亮度差值及结露的关系。温湿度计的传感器设置在第一块玻璃旁1厘米,高度与第一块玻璃离地高度相同。
试验地点是北京市观象台,试验时间:2010年7月30日-8月30日。每天20点至第二天8点为一天的试验时间,期间下雨不观测。试验期间,利用温湿度计测量采集模块周围的相对湿度数据,相对湿度表示空气接近饱和状态的程度,在北京市观象台7月份的温度下,参考人工观测,可以确定是否发生了结露现象。
在试验之前,将温湿度计在国家气象计量站进行计量检定。表2为计量检定结果,可以看出,该仪器温度测量随着温度的升高而变大,误差小于0.5℃,湿度测量性能检定温度为23℃,随湿度增大误差变大,误差小于3.2%RH。误差范围满足本试验要求。
表2温湿度计计量检定结果
数据结果分析
在为期一个月的试验中,雨天不观测,共采集到18天试验数据。根据试验方案,温湿度计采集数据的时间是每天20点至第二天8点,试验过程中发现实际开始结露时间可能会早于20点。根据实际开始结露时间的早晚,对本试验数据的分析分为三种情况:一是实际开始结露时间发生在20点前,二是实际开始结露时间发生在20点后,三是试验中没有发生结露现象。下面就三种情况下相对湿度与三块玻璃归一化亮度差值的关系进行分析。
开始结露时间发生在20点之前的数据分析
本试验中有4天结露发生在20点前,分别是8月9日-10日,8月26日-27日,8月27日-28日,8月28日-29日,三个玻璃的归一化亮度差值及当天相对湿度变化曲线如图14所示,在开始湿度观测之前,算法也已经检测到了传感器的结露状态。
8月9日-10日,算法所报结露时间为9日19点09分,至10日2点,玻璃的归一化亮度差值基本保持较稳定的状态,人工观测玻璃图像可以看出,露珠基本覆盖了整个玻璃,10日2点开始,露珠逐渐消失,因此归一化亮度差值在两点之后发生了较大变化。
8月26日-27日,算法所报结露时间为26日19点01分,至27日5点30分,玻璃的归一化亮度差值基本保持较稳定的状态,5点30分以后,受太
阳光照影响,归一化亮度差值出现明显变化。
8月27日-28日,算法所报结露时间为20点,此时玻璃的归一化亮度差值变化较大,通过人工观测玻璃的图像,本次试验时间段中,玻璃上的露珠一直在变化,因此导致玻璃归一化亮度差值一直不稳定。
8月28日-29日,算法所报结露时间为19点52分,由于在22点12分之后图像数据缺失,未能看到整体变化曲线。
与人工观测对比
前期利用温湿度计观测相对湿度试验结束后,从2010年9月开始,对自动化结露观测装置结露能力进行了为期两个月的验证试验。以台站人工观测业务记录的天气现象编码和人工观测的玻璃结露记录为标准,一天判断一次。根据地面气象观测规范的要求,人工观测结露只记录当天有无现象发生,不记录起止时间。在人工记录没有结露却发生降水现象时,如果仪器判断结露现象与降水现象时间相当,则认为判断正确,详细结果见表3。
表3结露自动观测与人工观测比较
如表3中,9月3日、15日、20日自动化装置未能判断出结露现象,属于漏报;28日判断的中午时分结露,人工观测无结露,属于误报。10月6日、9日、24日漏报结露,15日、26日误报分别一次。以上试验时间共计61天,正确识别52天,6天漏报,3天误报,识别准确率为85.2%。
针对漏报及误报的产生,通过将试验数据进行详细分析后发现,漏报的主要原因是由于实际结露过程发生在日落时间前后,此时仪器自动开启照明功能,受此光线变化的影响,出现了漏报现象,针对这种受光线影响的漏报现象,可以通过算法中增加计算日落时间模块功能,去除仪器照明功能产生的光线变化对识别结果的影响。
试验中共有三次误报现象发生,通过对试验图片仔细观察,这三天确实发生了结露现象,但是人工记录没有发生,这是由于业务用人工记录在观测时,观测地点没有固定的缘故,从另一角度来讲,这也表明通过玻璃观测结露现象比较灵敏。
结论
(1)结露自动观测自动获取结露图像资料,结露信息获取率高,通过图像识别技术自动化识别是否结露,实现了地面气象观测中天气现象—露的自动化观测。
(2)性能试验结果显示,采集模块中不同的高度三个玻璃的归一化亮度差值的变化可以反映是否发生结露现象。数据分析表明,不同高度的玻璃的归一化亮度差值不同,一般来说,高度越高,差值越大。当在玻璃下添加均匀背景时,会使玻璃的归一化亮度差值明显变大,但是也会受到下垫面背景的影响。
(3)与人工观测进行对比观测的正确率达到85%以上。所采用现有结露算法是在北京地区试验数据基础上建立的,识别正确率较高。但仍然需采集更多的数据样本,特别是不同区域的样本,验证改进算法,以提高算法适应性。
在本发明中,术语“多个”则指两个或两个以上,除非另有明确的限定。术语“安装”、“相连”、“连接”、“固定”等术语均应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或一体地连接;“相连”可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
本发明的描述中,需要理解的是,术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作,因此,不能理解为对本发明的限制。
在本说明书的描述中,术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或实例。而且,描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种结露现象自动识别方法,其特征在于,包括以下步骤:
获取目标区域内的现象结成时间以及对应所述现象结成时间的结成要素值;
筛选出振幅最小、且能够表现出凝结吸热使温度降低特征的所述结成要素值作为结露指示参数值;
根据预设阈值与所述结露指示参数值初步判断是否形成所述结露现象,并生成初判结果;
采集所述目标区域的图像信息;
根据所述图像信息计算归一化亮度差值;
根据预设判别阈值与所述归一化亮度差值判别所述初判结果是否正确,并生成最终结果;
其中,所述结露指示参数值包括草温和草温-露点温度差,所述预设阈值为草温>6.3℃,草温-露点温度差值为-6.5℃~4.2℃。
2.根据权利要求1所述的结露现象自动识别方法,其特征在于:
所述现象结成时间包括现象初结成时间和现象明显结成时间;和/或
所述结成要素值包括气温-露点温度差、草温、草温-露点温度差、地温和地温-露点温度差;和/或
所述草温-露点温度差值为-5℃~4.2℃。
3.根据权利要求1或2所述的结露现象自动识别方法,其特征在于,采集所述目标区域的图像信息,包括以下步骤:
设置至少一块玻璃,且所述玻璃朝向所述目标区域的至少部分面为磨砂面,与所述磨砂面相对设置的面为透明面;
利用CCD摄像头采集所述玻璃的图像;
利用处理器对所述图像进行处理,得到所述图像信息。
5.根据权利要求1或2所述的结露现象自动识别方法,其特征在于:所述图像信息包括多帧图像信息单元,所述预设判别阈值包括:
连续3帧所述图像信息单元的所述归一化亮度差值降低,且相邻两帧所述图像信息单元的所述归一化亮度差值降低大于或等于10;或
连续2帧所述图像信息单元的所述归一化亮度差值降低大于或等于20。
6.一种结露现象自动识别***,其特征在于,包括:
获取模块,被设置为用于获取目标区域内的现象结成时间以及对应所述现象结成时间的结成要素值;
筛选模块,被设置为用于筛选出振幅最小、且能够表现出凝结吸热使温度降低特征的所述结成要素值作为结露指示参数值;
初判模块,被设置为用于根据预设阈值与所述结露指示参数值初步判断是否形成所述结露现象,并生成初判结果;
采集模块,被设置为用于采集所述目标区域的图像信息;
计算模块,被设置为用于根据所述图像信息计算归一化亮度差值;
最终判别模块,被设置为用于根据预设判别阈值与所述归一化亮度差值判别所述初判结果是否正确,并生成最终结果;
其中,所述结露指示参数值包括草温和草温-露点温度差,所述预设阈值为草温>6.5℃,草温-露点温度差值为-3.7℃~8.4℃。
7.根据权利要求6所述的结露现象自动识别***,其特征在于:
所述现象结成时间包括现象初结成时间和现象明显结成时间;和/或
所述结成要素值包括气温-露点温度差、草温、草温-露点温度差、地温和地温-露点温度差;和/或
所述草温-露点温度差值为-3.7℃~5.3℃。
8.根据权利要求6或7所述的结露现象自动识别***,其特征在于,采集模块包括:
至少一块玻璃,且所述玻璃朝向所述目标区域的至少部分面为磨砂面,与所述磨砂面相对设置的面为透明面;
CCD摄像头,被设置为用于采集所述玻璃的图像;
处理器,被设置为用于对所述图像进行处理,得到所述图像信息。
10.根据权利要求6或7所述的结露现象自动识别***,其特征在于:所述图像信息包括多帧图像信息单元,所述预设判别阈值包括:
连续3帧所述图像信息单元的所述归一化亮度差值降低,且相邻两帧所述图像信息单元的所述归一化亮度差值降低大于或等于10;或
连续2帧所述图像信息单元的所述归一化亮度差值降低大于或等于20。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910081604.6A CN109740574B (zh) | 2019-01-28 | 2019-01-28 | 一种结露现象自动识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910081604.6A CN109740574B (zh) | 2019-01-28 | 2019-01-28 | 一种结露现象自动识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109740574A CN109740574A (zh) | 2019-05-10 |
CN109740574B true CN109740574B (zh) | 2020-11-03 |
Family
ID=66366430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910081604.6A Active CN109740574B (zh) | 2019-01-28 | 2019-01-28 | 一种结露现象自动识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740574B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111800582B (zh) * | 2020-07-31 | 2021-12-07 | 上海眼控科技股份有限公司 | 锋面雾检测方法、装置、计算机设备和可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102128858A (zh) * | 2010-12-10 | 2011-07-20 | 马舒庆 | 差值露点测量方法和装置 |
CN102162862A (zh) * | 2010-12-17 | 2011-08-24 | 华中科技大学 | 一种自动检测结露的方法 |
EP2592447A1 (en) * | 2011-11-08 | 2013-05-15 | Topwind Consultancy B.V. | Frost condition detection system and method |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102054180B (zh) * | 2010-12-17 | 2012-09-05 | 华中科技大学 | 一种自动检测结霜的方法 |
CN202066981U (zh) * | 2011-05-06 | 2011-12-07 | 广东省台山市气象局 | 一种结露测量仪 |
US9518915B2 (en) * | 2012-07-26 | 2016-12-13 | Luna Innovations Incorporated | Sensing systems and methods for determining and classifying corrosivity |
CN106526711B (zh) * | 2016-12-27 | 2019-02-12 | 江苏省无线电科学研究所有限公司 | 雨雪露霜监测仪 |
-
2019
- 2019-01-28 CN CN201910081604.6A patent/CN109740574B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102128858A (zh) * | 2010-12-10 | 2011-07-20 | 马舒庆 | 差值露点测量方法和装置 |
CN102162862A (zh) * | 2010-12-17 | 2011-08-24 | 华中科技大学 | 一种自动检测结露的方法 |
EP2592447A1 (en) * | 2011-11-08 | 2013-05-15 | Topwind Consultancy B.V. | Frost condition detection system and method |
Non-Patent Citations (3)
Title |
---|
基于Bayes判别法的霜生自动化观测模型探讨;华连生 等;《气象》;20150831;第41卷(第8期);第969页左栏第2段 * |
基于近地面温湿度观测的露霜综合判别技术;茆佳佳 等;《气象科学》;20160430;第44卷(第2期);第1.2节-2.4节,第4节 * |
结露自动化观测装置及实验研究;李肖霞 等;《气象》;20120430;第38卷(第4期);第1节 * |
Also Published As
Publication number | Publication date |
---|---|
CN109740574A (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109782372B (zh) | 一种结霜现象自动识别方法及*** | |
Deilami et al. | Urban heat island effect: A systematic review of spatio-temporal factors, data, methods, and mitigation measures | |
KR101709860B1 (ko) | 전천 하늘 영상자료의 rgb 컬러를 이용한 전운량 산출방법 및 시스템 | |
CN110411605B (zh) | 一种红外测量人体温度修正方法 | |
CN109804232A (zh) | 一种基于红外热像图分析的沥青路面裂缝发育程度检测方法 | |
Si et al. | Spatiotemporal pattern and long-term trend of global surface urban heat islands characterized by dynamic urban-extent method and MODIS data | |
Yang et al. | Quantitative methods for identifying meteorological conditions conducive to the development of urban heat islands | |
Dong et al. | Snow process monitoring in montane forests with time‐lapse photography | |
CN109740574B (zh) | 一种结露现象自动识别方法及*** | |
CN115437036A (zh) | 一种基于葵花卫星的对流初生预报方法 | |
CN112033870B (zh) | 一种区域边界层pm2.5立体分布及总量推算的方法 | |
CN112288736A (zh) | 一种基于图像的能见度估测方法 | |
Spieksma et al. | Airborne pollen concentration in Leiden, The Netherlands, 1977–1981: II. poaceae (grasses), variations and relation to hay fever | |
KR20230061815A (ko) | 기후 데이터 및 하늘 사진을 이용한 태양광 발전량 예측 장치 및 이를 이용한 태양광 발전량 예측 방법 | |
Feng et al. | Variability of urban fractional vegetation cover and its driving factors in 328 cities in China | |
CN109033984B (zh) | 一种夜间雾快速自动检测方法 | |
CN115294183A (zh) | 一种基于多源遥感数据的碟型子湖水体时序提取方法 | |
CN115078389A (zh) | 一种基于公路工程的路面破损检测装置及其检测方法 | |
CN110956203B (zh) | 一种基于灯元分布匹配的静态夜景灯光检测方法 | |
KR102373278B1 (ko) | 지상기반 전천 영상자료를 이용한 야간 전운량 산출방법 | |
Manalo et al. | Diurnal variability of urban heat island intensity: A case study of Metro Manila, Philippines | |
Toda et al. | Determination of species-specific leaf angle distribution and plant area index in a cool-temperate mixed forest from UAV and upward-pointing digital photography | |
CN117853936B (zh) | 小麦冠层图像的冻害识别方法、***、终端及存储介质 | |
Jackson et al. | Correlations between monthly average daily global irradiation and relative duration of sunshine at Kumasi | |
Luo et al. | Innovative Cloud Quantification: Deep Learning Classification and Finite Element Clustering for Ground-Based All Sky Imaging |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |