CN111800582B - 锋面雾检测方法、装置、计算机设备和可读存储介质 - Google Patents
锋面雾检测方法、装置、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN111800582B CN111800582B CN202010762505.7A CN202010762505A CN111800582B CN 111800582 B CN111800582 B CN 111800582B CN 202010762505 A CN202010762505 A CN 202010762505A CN 111800582 B CN111800582 B CN 111800582B
- Authority
- CN
- China
- Prior art keywords
- fog
- image
- temperature data
- air temperature
- target area
- 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.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 109
- 238000003384 imaging method Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000007613 environmental effect Effects 0.000 claims abstract description 30
- 206010034960 Photophobia Diseases 0.000 claims abstract description 22
- 208000013469 light sensitivity Diseases 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims description 52
- 238000001556 precipitation Methods 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 25
- 238000013145 classification model Methods 0.000 claims description 16
- 230000003247 decreasing effect Effects 0.000 claims description 11
- 230000008034 disappearance Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 13
- 206010070834 Sensitisation Diseases 0.000 description 12
- 230000008313 sensitization Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 230000002349 favourable effect Effects 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000013016 learning Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/70—Circuitry for compensating brightness variation in the scene
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种锋面雾检测方法、装置、计算机设备和可读存储介质。所述方法包括:获取目标区域的第一环境数据,并检测所述第一环境数据是否满足第一预设条件,所述第一预设条件与锋面雾形成的气象因素有关;若所述第一环境数据满足所述第一预设条件,则控制高感光成像组件采集所述目标区域对应的至少一个图像;根据各所述图像,获取所述目标区域的锋面雾检测结果。采用本方法能够有效控制成本且可以提升对特定区域的锋面雾检测的准确性。
Description
技术领域
本申请涉及气象检测技术领域,特别是涉及一种锋面雾检测方法、装置、计算机设备和可读存储介质。
背景技术
锋面雾,是指在冷暖空气交界的锋面附近,暖湿气团中生长的水汽凝结物(云滴或雨滴)落入较冷的气团内,经蒸发使近地面的低层空气达到饱和而形成的雾。锋面雾经常发生在冷暖空气交界的锋面附近,锋面雾的存在严重降低了大气能见度,对人们的交通出行造成很大影响,例如引起道路堵塞,导致航班延误或取消,甚至引发交通事故等。
目前,气象部门对大雾的检测主要采用数值预报的方式,数值预报需要通过巨型计算机进行大量的数值计算,因其成本和实施难度高,且大气演变过程复杂,数值预报需要的数据量及数据区域范围都很大,所以数值预报一般用于对大区域来模拟大气演变过程。而对于一些小区域(如机场、高速公路等)的锋面雾检测需求,目前主要依靠人工观测。
但是,上述人工观测锋面雾的方式,观测结果中人为主观因素较多,且由于视线受阻,人工无法对夜间的锋面雾进行观测,导致锋面雾的检测准确性较差。因此,如何有效控制成本的同时提升对特定区域的锋面雾检测的准确性,成为目前亟待解决的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够有效控制成本且可以提升对特定区域的锋面雾检测的准确性的锋面雾检测方法、装置、计算机设备和可读存储介质。
第一方面,本申请实施例提供一种锋面雾检测方法,所述方法包括:
获取目标区域的第一环境数据,并检测所述第一环境数据是否满足第一预设条件,所述第一预设条件与锋面雾形成的气象因素有关;
若所述第一环境数据满足所述第一预设条件,则控制高感光成像组件采集所述目标区域对应的至少一个图像;
根据各所述图像,获取所述目标区域的锋面雾检测结果。
在其中一个实施例中,所述第一环境数据包括多个历史气温数据和当前气温数据,所述多个历史气温数据和所述当前气温数据在时序上依次相邻,所述根据各所述图像,获取所述目标区域的锋面雾检测结果,包括:
根据各所述图像,检测所述目标区域是否存在锋面雾;
若所述目标区域存在锋面雾,则根据所述多个历史气温数据和所述当前气温数据确定所述锋面雾检测结果为锋前雾或锋后雾。
在其中一个实施例中,所述根据所述多个历史气温数据和所述当前气温数据确定所述锋面雾检测结果为锋前雾或锋后雾,包括:
获取所述多个历史气温数据和所述当前气温数据对应的气温变化规律;
若所述气温变化规律为所述多个历史气温数据和所述当前气温数据在时序上依次递增,则确定所述锋面雾检测结果为锋前雾;
若所述气温变化规律为所述多个历史气温数据和所述当前气温数据在时序上依次递减,则确定所述锋面雾检测结果为锋后雾。
在其中一个实施例中,所述第一环境数据还包括所述目标区域的第一降水量,所述检测所述第一环境数据是否满足第一预设条件,包括:
对所述多个历史气温数据和所述当前气温数据进行差分运算,并根据运算结果确定所述多个历史气温数据和所述当前气温数据对应的气温变化规律;
检测所述第一降水量是否小于第一阈值;
若所述气温变化规律为所述多个历史气温数据和所述当前气温数据在时序上依次递增或在时序上依次递减,且所述第一降水量小于所述第一阈值,则确定所述第一环境数据满足所述第一预设条件。
在其中一个实施例中,所述根据各所述图像,检测所述目标区域是否存在锋面雾,包括:
针对每个所述图像,对所述图像进行预处理,得到预处理后的图像;
将所述预处理后的图像输入至分类模型中,得到分类结果,所述分类结果用于表征所述图像包括雾或所述图像不包括雾;
若各所述图像中存在至少一个包括雾的图像,则确定所述目标区域存在锋面雾。
在其中一个实施例中,所述图像包括所述目标区域中的目标物的成像区域,所述对所述图像进行预处理,得到预处理后的图像,包括:
获取所述成像区域的位置框坐标,并根据所述位置框坐标从所述图像中截取所述成像区域对应的目标物图像;
按照预设尺寸,对所述目标物图像进行缩放处理,得到所述预处理后的图像。
在其中一个实施例中,所述获取所述目标区域的锋面雾检测结果之后,所述方法还包括:
获取所述目标区域的第二环境数据,并检测所述第二环境数据是否满足第二预设条件,所述第二预设条件与锋面雾消失的气象因素有关,所述第二环境数据包括所述目标区域的第二降水量、所述目标区域的相对湿度、所述目标区域的风速以及风向中的至少一个;
若所述第二环境数据满足所述第二预设条件,则控制所述高感光成像组件停止图像采集。
第二方面,本申请实施例提供一种锋面雾检测装置,所述装置包括:
第一获取模块,用于获取目标区域的第一环境数据,并检测所述第一环境数据是否满足第一预设条件,所述第一预设条件与锋面雾形成的气象因素有关;
第一控制模块,用于若所述第一环境数据满足所述第一预设条件,则控制高感光成像组件采集所述目标区域对应的至少一个图像;
检测模块,用于根据各所述图像,获取所述目标区域的锋面雾检测结果。
第三方面,本申请实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面的方法的步骤。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面的方法的步骤。
本申请实施例提供的技术方案带来的有益效果至少包括:
通过获取目标区域的第一环境数据,并检测所述第一环境数据是否满足第一预设条件,所述第一预设条件与锋面雾形成的气象因素有关;若所述第一环境数据满足所述第一预设条件,则控制高感光成像组件采集所述目标区域对应的至少一个图像;根据各所述图像,获取所述目标区域的锋面雾检测结果;由此,由于第一预设条件与锋面雾形成的气象因素有关,若第一环境数据满足该第一预设条件,则表征目标区域的当前环境容易形成锋面雾,在此种情况下再根据目标区域对应的至少一个图像获取目标区域的锋面雾检测结果,从而可以提升锋面雾检测的准确性;另外,目标区域对应的图像是通过高感光成像组件获取的,高感光成像组件由于其高感光的特性,即使在夜间或者光线较差的环境下也可以采集到与白天成像效果类似的图像,由此可以避免由于夜间或者光线较差导致的锋面雾检测准确性差的问题,从而可以进一步提升锋面雾检测的准确性;此外,由于高感光成像组件是精密仪器,在第一环境数据满足第一预设条件的情况下,再控制高感光成像组件采集图像,有利于延长高感光成像组件的寿命,从而有利于控制锋面雾检测的成本。
附图说明
图1为一个实施例中锋面雾检测方法的流程示意图;
图2为另一个实施例中锋面雾检测方法的流程示意图;
图3为另一个实施例中步骤S302的细化步骤示意图;
图4为另一个实施例中步骤S100的部分细化步骤示意图;
图5为另一个实施例中步骤S301的细化步骤示意图;
图6为另一个实施例中锋面雾检测方法的流程示意图;
图7为一个实施例中锋面雾检测装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的锋面雾检测方法、装置、计算机设备和可读存储介质,旨在实现控制锋面雾检测成本的同时提升对特定区域的锋面雾检测的准确性。下面将通过实施例并结合附图具体地对本申请的技术方案进行详细说明。下面这几个具体地实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
需要说明的是,本申请实施例提供的锋面雾检测方法,其执行主体可以是锋面雾检测装置,该锋面雾检测装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部,计算机设备可以是服务器。下述方法实施例中,均以执行主体是计算机设备为例来进行说明。可以理解的是,下述方法实施例提供的锋面雾检测方法,也可以应用于终端,还可以应用于包括终端和服务器的***,并通过终端和服务器的交互实现。
在一个实施例中,如图1所示,提供了一种锋面雾检测方法,包括以下步骤:
步骤S100,获取目标区域的第一环境数据,并检测第一环境数据是否满足第一预设条件。
本申请实施例中,目标区域可以是需要检测锋面雾的特定区域,例如,可以是机场或高速公路等。计算机设备获取目标区域的第一环境数据,可以是通过相关的传感器获取的,例如,计算机设备可以通过部署在目标区域中的降雨量传感器采集目标区域的第一降水量、通过温湿度计采集目标区域的气温数据,等等。
本申请实施例中,第一预设条件与锋面雾形成的气象因素有关,第一预设条件可以包括容易形成锋面雾的气象因素。如锋面雾经常发生在冷暖空气交界的锋面附近,气温需有明显的变化过程,且伴随着降水量5mm以下的小雨或弱降水产生。计算机设备则可以设置该第一预设条件为容易形成锋面雾的气温变化规律以及降水量阈值,等等。
计算机设备检测第一环境数据是否满足第一预设条件,如可以是检测第一环境数据包括的第一降水量是否小于降水量阈值等。由此,计算机设备通过检测第一环境数据是否满足第一预设条件,则可以确定第一环境数据表征的目标区域的当前环境是否容易形成锋面雾。
传统技术中由于数值预报的成本和实施难度高,因此,对于机场、高速公路等较小区域的锋面雾检测主要是依靠人工观测,然而人工观测锋面雾的准确性较低。本申请实施例中,计算机设备在检测到第一环境数据满足该第一预设条件,即目标区域的当前环境容易形成锋面雾的情况下,再根据目标区域对应的至少一个图像获取目标区域的锋面雾检测结果,从而可以提升锋面雾检测的准确性。
步骤S200,若第一环境数据满足第一预设条件,则控制高感光成像组件采集目标区域对应的至少一个图像。
在一种可能的实施方式中,目标区域中可以部署多组用于采集第一环境数据的传感器。例如,目标区域中可以部署四组传感器,其中,目标区域的一个地理方位的标志性建筑物上部署一组传感器,地理方位如目标区域的正北方向、正南方向等,一组传感器可以包括降雨量传感器、温湿度计等。计算机设备可以检测每组传感器采集的第一环境数据是否满足第一预设条件,若存在至少一组传感器采集的第一环境数据满足该第一预设条件,计算机设备则控制高感光成像组件采集目标区域对应的至少一个图像。
作为一种实施方式,以高感光成像组件的采样频率为每分钟采集一次为例,每次采集过程中,计算机设备可以控制高感光成像组件采集多个不同地理方位的图像,每个地理方位采集一张图像,由此可以得到目标区域对应的多个图像。计算机设备基于该多个图像,从而可以获取目标区域的更准确的锋面雾检测结果。可以理解的是,在第一环境数据满足第一预设条件的情况下,计算机设备也可以控制高感光成像组件采集目标区域对应的一个图像,在此不做具体限制。
本申请实施例中,目标区域对应的至少一个图像是计算机设备通过高感光成像组件获取的,高感光成像组件可以是高感光成像仪,高感光成像仪可以安装在目标区域内的可旋转云台上,用于采集不同地理方位的图像。传统相机由于其性能限制,计算机设备无法识别其在夜间采集的图片中的内容,因此基于传统相机采集的图片,计算机设备无法实现锋面雾的夜间检测;而本申请实施例采用高感光成像组件获取图像,计算机设备通过调整高感光成像组件的工作参数,使得高感光成像组件在夜间或者光线较差的环境下也可以采集到与白天成像效果类似的图像,从而可以实现锋面雾的全天候检测,扩大了锋面雾的检测范围,进而提升了锋面雾的检测可靠性。
本申请实施例中,由于高感光成像组件是精密仪器,在第一环境数据满足第一预设条件的情况下,计算机设备才控制高感光成像组件采集图像,有利于延长高感光成像组件的寿命,从而有利于控制锋面雾检测的成本。
步骤S300,根据各图像,获取目标区域的锋面雾检测结果。
计算机设备根据高感光成像组件当前采集的目标区域对应的至少一个图像,获取目标区域当前的锋面雾检测结果。作为一种实施方式,计算机设备对每个图像分别进行检测,若检测到至少一个图像中存在雾,计算机设备则确定目标区域存在锋面雾,若各图像中均不存在雾,计算机设备则确定目标区域不存在锋面雾。
在一种可能的实施方式中,计算机设备对每个图像分别进行检测,可以是采用预先训练的分类模型对每个图像是否包括雾进行分类,得到分类结果。若各图像中至少存在一个图像的分类结果为包括雾,计算机设备则确定目标区域存在锋面雾。由此,通过结合锋面雾形成的气象因素和深度学习算法,对锋面雾实现准确检测,从而可以对目标区域(如机场或高速公路等)实现锋面雾的及时预警,避免因锋面雾造成的损失。
在另一种可能的实施方式中,计算机设备对每个图像分别进行检测,还可以是采用聚类算法对每个图像分别进行聚类,根据聚类结果即可确定各图像是否包括雾,若各图像中存在至少一个包括雾的图像,计算机设备则确定目标区域存在锋面雾,在此不做具体限制。
本实施例通过获取目标区域的第一环境数据,并检测第一环境数据是否满足第一预设条件,第一预设条件与锋面雾形成的气象因素有关;若第一环境数据满足第一预设条件,则控制高感光成像组件采集目标区域对应的至少一个图像;根据各图像,获取目标区域的锋面雾检测结果;由此,由于第一预设条件与锋面雾形成的气象因素有关,若第一环境数据满足该第一预设条件,则表征目标区域的当前环境容易形成锋面雾,在此种情况下再根据目标区域对应的至少一个图像获取目标区域的锋面雾检测结果,从而可以提升锋面雾检测的准确性;另外,目标区域对应的图像是通过高感光成像组件获取的,高感光成像组件由于其高感光的特性,即使在夜间或者光线较差的环境下也可以采集到与白天成像效果类似的图像,由此可以避免由于夜间或者光线较差导致的锋面雾检测准确性差的问题,从而可以进一步提升锋面雾检测的准确性;此外,由于高感光成像组件是精密仪器,在第一环境数据满足第一预设条件的情况下,再控制高感光成像组件采集图像,有利于延长高感光成像组件的寿命,从而有利于控制锋面雾检测的成本。
在一个实施例中,在上述图1所示实施例的基础上,参见图2,本实施例涉及的是计算机设备如何根据各图像获取目标区域的锋面雾检测结果的过程。如图2所示,本实施例步骤S300可以包括步骤S301和步骤S302:
步骤S301,根据各图像,检测目标区域是否存在锋面雾。
作为一种实施方式,计算机设备可以采用预先训练的分类模型对每个图像是否包括雾进行分类,得到分类结果;若各图像中至少存在一个图像的分类结果为包括雾,计算机设备则确定目标区域存在锋面雾;而若各图像中均不包括雾,计算机设备则确定目标区域不存在锋面雾。
步骤S302,若目标区域存在锋面雾,则根据多个历史气温数据和当前气温数据确定锋面雾检测结果为锋前雾或锋后雾。
本申请实施例中,第一环境数据包括多个历史气温数据和当前气温数据,多个历史气温数据和当前气温数据在时序上依次相邻。第一环境数据可以是目标区域在目标时间段内的环境数据,以目标时间段是10分钟、用于采集第一环境数据的传感器的采样频率是每分钟采集一次为例,则该第一环境数据包括该目标时间段内前9分钟传感器采集的9个历史气温数据,以及当前时刻传感器采集的当前气温数据。
计算机设备若确定目标区域存在锋面雾,则根据该多个历史气温数据和当前气温数据确定锋面雾检测结果为锋前雾或锋后雾。锋面雾分为锋前雾和锋后雾,锋前雾指锋面雾出现在紧靠地面暖锋的前方,锋后雾指锋面雾出现在紧靠地面冷锋的后方。
本申请实施例中,计算机设备可以根据多个历史气温数据和当前气温数据对应的气温变化规律,来确定锋面雾检测结果为锋前雾或锋后雾。在一种可能的实施方式中,参见图3,在目标区域存在锋面雾的情况下,计算机设备根据多个历史气温数据和当前气温数据确定锋面雾检测结果为锋前雾或锋后雾的过程可以包括如下步骤:
步骤S3021,获取多个历史气温数据和当前气温数据对应的气温变化规律。
计算机设备获取多个历史气温数据和当前气温数据对应的气温变化规律,该气温变化规律可以是该多个历史气温数据和当前气温数据在时序上依次递增,或者该多个历史气温数据和当前气温数据在时序上依次递减。
在一种可能的实施方式中,计算机设备可以对多个历史气温数据和当前气温数据依次进行差分运算,即采用前一分钟的气温数据减去相邻的后一分钟的气温数据,得到一个差分结果;若各差分结果均小于0,计算机设备则确定气温变化规律为该多个历史气温数据和当前气温数据在时序上依次递减;若各差分结果均大于0,计算机设备则确定气温变化规律为该多个历史气温数据和当前气温数据在时序上依次递增。
在另一种可能的实施方式中,计算机设备也可以直接从数据库中获取该多个历史气温数据和当前气温数据对应的气温变化规律。该气温变化规律可以是计算机设备获取目标区域的第一环境数据后,检测第一环境数据是否满足第一预设条件的过程中确定的,计算机设备存储确定的该气温变化规律。本申请实施例不对计算机设备获取多个历史气温数据和当前气温数据对应的气温变化规律的方式做具体限制。
步骤S3022,若气温变化规律为多个历史气温数据和当前气温数据在时序上依次递增,则确定锋面雾检测结果为锋前雾。
计算机设备获取气温变化规律后,若该气温变化规律为多个历史气温数据和当前气温数据在时序上依次递增,计算机设备则确定锋面雾检测结果为锋前雾。
步骤S3023,若气温变化规律为多个历史气温数据和当前气温数据在时序上依次递减,则确定锋面雾检测结果为锋后雾。
计算机设备获取气温变化规律后,若该气温变化规律为多个历史气温数据和当前气温数据在时序上依次递减,计算机设备则确定锋面雾检测结果为锋后雾。
本实施例计算机设备通过获取多个历史气温数据和当前气温数据对应的气温变化规律,基于该气温变化规律确定目标区域存在的锋面雾具体是锋前雾或锋后雾,由此,进一步提升了锋面雾的检测准确性。
在一个实施例中,在上述图2所示实施例的基础上,参见图4,本实施例涉及的是计算机设备如何检测第一环境数据是否满足第一预设条件的过程。本实施例中,第一环境数据还包括目标区域的第一降水量,如图4所示,该过程可以包括步骤S101、步骤S102和步骤S103:
步骤S101,对多个历史气温数据和当前气温数据进行差分运算,并根据运算结果确定多个历史气温数据和当前气温数据对应的气温变化规律。
例如,多个历史气温数据为Temp1、Temp2...Temp9,当前气温数据为Temp10,计算机设备对多个历史气温数据和当前气温数据进行差分运算,则可以是采用Temp10-Temp9,Temp9-Temp8,...,Temp3-Temp2,Temp2-Temp1实现,由此,得到多个运算结果。若各运算结果均大于0,计算机设备则确定气温变化规律为多个历史气温数据和当前气温数据在时序上依次递增;而若各运算结果均小于0,则确定气温变化规律为多个历史气温数据和当前气温数据在时序上依次递减。
步骤S102,检测第一降水量是否小于第一阈值。
本申请实施例中,第一阈值可以是容易形成锋面雾的降水量值,如锋面雾经常伴随着降水量5mm以下的小雨或弱降水产生,则该第一阈值可以设置为5mm,计算机设备检测目标区域当前的第一降水量是否小于该第一阈值。
步骤S103,若气温变化规律为多个历史气温数据和当前气温数据在时序上依次递增或在时序上依次递减,且第一降水量小于第一阈值,则确定第一环境数据满足第一预设条件。
计算机设备若检测到多个历史气温数据和当前气温数据在时序上依次递增或在时序上依次递减,即气温升高或气温下降,且第一降水量小于第一阈值,则确定述第一环境数据满足第一预设条件,即目标区域的当前环境容易形成锋面雾。
在第一环境数据满足第一预设条件的情况下,计算机设备控制高感光成像组件开启以采集目标区域对应的至少一个图像,从而可以降低高感光成像组件的损耗,延长高感光成像组件的寿命;本申请实施例通过结合锋面雾形成的气象因素对目标区域进行锋面雾检测,可以提升检测准确性。
在一个实施例中,在上述图2所示实施例的基础上,参见图5,本实施例涉及的是计算机设备如何根据各图像检测目标区域是否存在锋面雾的过程。如图5所示,步骤S301可以包括步骤S3011、步骤S3012和步骤S3013:
步骤S3011,针对每个图像,对图像进行预处理,得到预处理后的图像。
本申请实施例中,高感光成像组件采集的图像包括目标区域中的目标物的成像区域,目标物可以是标志性建筑物。作为一种实施方式,高感光成像组件在部署时,不同的地理方位的画面内均存在对应的标志性建筑物,各标志性建筑物和高感光成像组件的距离可以分布在50m-2km范围内。计算机设备对图像进行预处理,得到预处理后的图像可以通过执行以下步骤A1和步骤A2实现:
步骤A1,获取成像区域的位置框坐标,并根据位置框坐标从图像中截取成像区域对应的目标物图像。
计算机设备获取成像区域的位置框坐标,该位置框坐标可以由人工输入计算机设备,也可以是计算机设备采用目标检测算法检测的,在此不做具体限制。计算机设备从图像中截取与该位置框坐标匹配的目标物图像。
步骤A2,按照预设尺寸,对目标物图像进行缩放处理,得到预处理后的图像。
本申请实施例中,预设尺寸可以是分类模型的需求输入尺寸,计算机设备将该目标物图像缩放至预设尺寸,得到预处理后的图像。
步骤S3012,将预处理后的图像输入至分类模型中,得到分类结果。
本申请实施例中,计算机设备可以通过高感光成像组件收集白天、夜晚、晴天、雨天、雾天等不同时间、不同天气条件下的样本图像,通过人工对每个样本图像中的标志性建筑物标记位置框坐标以及添加是否有雾的标签,得到训练样本集。
对于训练样本集中的各样本图像,计算机设备采用对应的标志性建筑物的位置框坐标从样本图像中截取相应的图片,并将截取的图片缩放至预设尺寸后,连同标签一起输入至初始分类模型中进行模型训练,计算损失值L,其中损失值的计算公式可以如公式1所示:
其中,其中C表示预设的类别数,若预设的类别有0和1,则C=2;Si表示样本图像属于第i类的预测概率,pi表示该样本图像属于第i类的实际概率。
由此,计算机设备根据损失值L计算反向传播梯度,迭代更新初始分类模型的网络参数,当L趋于稳定到0.01左右或者更小的值,则确定初始分类模型收敛,得到分类模型。
本申请实施例中,初始分类模型可以是任一分类网络框架,例如可以是AlexNet神经网络,AlexNet可以由5个卷积层、5个relu激活层、3个池化层、3个全连接层搭建得到。
计算机设备将预处理后的图像输入至分类模型中,得到分类结果,分类结果用于表征图像包括雾或图像不包括雾,例如分类结果“0”表征图像不包括雾,分类结果“1”表征图像包括雾。
步骤S3013,若各图像中存在至少一个包括雾的图像,则确定目标区域存在锋面雾。
若目标区域对应的至少一个图像中,存在至少一个包括雾的图像,计算机设备则确定目标区域存在锋面雾,而若各图像均不包括雾,计算机设备则确定目标区域不存在锋面雾。
本实施例通过实时监控目标区域的第一环境数据,结合锋面雾形成的气象特性,基于目标区域的图像和分类模型实现目标区域锋面雾的准确检测,从而可以对目标区域(如机场或高速公路等)实现锋面雾的及时预警,避免因锋面雾造成的损失。
在上述图1所示实施例的基础上,参见图6,图6为另一个实施例提供的锋面雾检测方法的流程示意图。如图6所示,步骤S300之后本实施例锋面雾检测方法还包括:
步骤S401,获取目标区域的第二环境数据,并检测第二环境数据是否满足第二预设条件。
其中,第二预设条件与锋面雾消失的气象因素有关,第二环境数据包括目标区域的第二降水量、目标区域的相对湿度、目标区域的风速以及风向中的至少一个。
本申请实施例中,目标区域中部署的传感器还可以包括风速风向仪,以第二环境数据包括目标区域的第二降水量、目标区域的相对湿度、目标区域的风速以及风向为例,计算机设备通过部署在目标区域中的降雨量传感器采集目标区域的第二降水量、通过温湿度计采集目标区域的相对湿度,并通过风速风向仪获取目标区域的风速和风向。
锋面雾消失的气象因素如降水结束、相对湿度下降到85%以下、风速经历先变小至接近静风后又变大、风速接近静风时风向变为接近反向。因此,计算机设备检测第二环境数据是否满足第二预设条件,则可以是检测目标区域的第二降水量是否为0、目标区域的相对湿度是否小于85%、目标区域的风速是否经历先变小到接近静风后又变大,以及检测目标区域的风向是否在风速接近静风时风向变为接近于反向。
在一种可能的实施方式中,计算机设备还可以获取当前时刻之前多个历史时刻的风速以及风向,并根据获取的历史数据拟合风速和风向的变化曲线,根据变化曲线确定目标区域的风速是否经历先变小到接近静风后又变大,以及确定目标区域的风向是否在风速接近静风时风向变为接近于反向。
步骤S402,若第二环境数据满足第二预设条件,则控制高感光成像组件停止图像采集。
计算机设备若检测到第二环境数据满足该第二预设条件,则表征锋面已过境,不再具备产生锋面雾的条件,计算机设备则控制高感光成像组件停止图像采集,即关闭高感光成像组件,从而降低了高感光成像组件的损耗,延长高感光成像组件的寿命,降低了锋面雾检测成本。
应该理解的是,虽然图1-6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-6中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种锋面雾检测装置,包括:
第一获取模块100,用于获取目标区域的第一环境数据,并检测所述第一环境数据是否满足第一预设条件,所述第一预设条件与锋面雾形成的气象因素有关;
第一控制模块200,用于若所述第一环境数据满足所述第一预设条件,则控制高感光成像组件采集所述目标区域对应的至少一个图像;
检测模块300,用于根据各所述图像,获取所述目标区域的锋面雾检测结果。
在一个实施例中,所述第一环境数据包括多个历史气温数据和当前气温数据,所述多个历史气温数据和所述当前气温数据在时序上依次相邻,所述检测模块300,包括:
第一检测单元,用于根据各所述图像,检测所述目标区域是否存在锋面雾;
第一确定单元,用于若所述目标区域存在锋面雾,则根据所述多个历史气温数据和所述当前气温数据确定所述锋面雾检测结果为锋前雾或锋后雾。
在一个实施例中,所述第一确定单元具体用于若所述目标区域存在锋面雾,获取所述多个历史气温数据和所述当前气温数据对应的气温变化规律;若所述气温变化规律为所述多个历史气温数据和所述当前气温数据在时序上依次递增,则确定所述锋面雾检测结果为锋前雾;若所述气温变化规律为所述多个历史气温数据和所述当前气温数据在时序上依次递减,则确定所述锋面雾检测结果为锋后雾。
在一个实施例中,所述第一环境数据还包括所述目标区域的第一降水量,所述第一获取模块100包括:
差分单元,用于对所述多个历史气温数据和所述当前气温数据进行差分运算,并根据运算结果确定所述多个历史气温数据和所述当前气温数据对应的气温变化规律;
第二检测单元,用于检测所述第一降水量是否小于第一阈值;
第二确定单元,用于若所述气温变化规律为所述多个历史气温数据和所述当前气温数据在时序上依次递增或在时序上依次递减,且所述第一降水量小于所述第一阈值,则确定所述第一环境数据满足所述第一预设条件。
在一个实施例中,所述第一检测单元具体用于针对每个所述图像,对所述图像进行预处理,得到预处理后的图像;将所述预处理后的图像输入至分类模型中,得到分类结果,所述分类结果用于表征所述图像包括雾或所述图像不包括雾;若各所述图像中存在至少一个包括雾的图像,则确定所述目标区域存在锋面雾。
在一个实施例中,所述第一检测单元具体还用于获取所述成像区域的位置框坐标,并根据所述位置框坐标从所述图像中截取所述成像区域对应的目标物图像;按照预设尺寸,对所述目标物图像进行缩放处理,得到所述预处理后的图像。
在一个实施例中,所述装置还包括:
第二获取模块,用于获取所述目标区域的第二环境数据,并检测所述第二环境数据是否满足第二预设条件,所述第二预设条件与锋面雾消失的气象因素有关,所述第二环境数据包括所述目标区域的第二降水量、所述目标区域的相对湿度、所述目标区域的风速以及风向中的至少一个;
第二控制模块,用于若所述第二环境数据满足所述第二预设条件,则控制所述高感光成像组件停止图像采集。
关于锋面雾检测装置的具体限定可以参见上文中对于锋面雾检测方法的限定,在此不再赘述。上述锋面雾检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储锋面雾检测方法的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种锋面雾检测方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取目标区域的第一环境数据,并检测所述第一环境数据是否满足第一预设条件,所述第一预设条件与锋面雾形成的气象因素有关;
若所述第一环境数据满足所述第一预设条件,则控制高感光成像组件采集所述目标区域对应的至少一个图像;
根据各所述图像,获取所述目标区域的锋面雾检测结果。
在一个实施例中,所述第一环境数据包括多个历史气温数据和当前气温数据,所述多个历史气温数据和所述当前气温数据在时序上依次相邻,该处理器执行计算机程序时还实现以下步骤:
根据各所述图像,检测所述目标区域是否存在锋面雾;
若所述目标区域存在锋面雾,则根据所述多个历史气温数据和所述当前气温数据确定所述锋面雾检测结果为锋前雾或锋后雾。
在一个实施例中,该处理器执行计算机程序时还实现以下步骤:
获取所述多个历史气温数据和所述当前气温数据对应的气温变化规律;
若所述气温变化规律为所述多个历史气温数据和所述当前气温数据在时序上依次递增,则确定所述锋面雾检测结果为锋前雾;
若所述气温变化规律为所述多个历史气温数据和所述当前气温数据在时序上依次递减,则确定所述锋面雾检测结果为锋后雾。
在一个实施例中,所述第一环境数据还包括所述目标区域的第一降水量,该处理器执行计算机程序时还实现以下步骤:
对所述多个历史气温数据和所述当前气温数据进行差分运算,并根据运算结果确定所述多个历史气温数据和所述当前气温数据对应的气温变化规律;
检测所述第一降水量是否小于第一阈值;
若所述气温变化规律为所述多个历史气温数据和所述当前气温数据在时序上依次递增或在时序上依次递减,且所述第一降水量小于所述第一阈值,则确定所述第一环境数据满足所述第一预设条件。
在一个实施例中,该处理器执行计算机程序时还实现以下步骤:
针对每个所述图像,对所述图像进行预处理,得到预处理后的图像;
将所述预处理后的图像输入至分类模型中,得到分类结果,所述分类结果用于表征所述图像包括雾或所述图像不包括雾;
若各所述图像中存在至少一个包括雾的图像,则确定所述目标区域存在锋面雾。
在一个实施例中,所述图像包括所述目标区域中的目标物的成像区域,该处理器执行计算机程序时还实现以下步骤:
获取所述成像区域的位置框坐标,并根据所述位置框坐标从所述图像中截取所述成像区域对应的目标物图像;
按照预设尺寸,对所述目标物图像进行缩放处理,得到所述预处理后的图像。
在一个实施例中,该处理器执行计算机程序时还实现以下步骤:
获取所述目标区域的第二环境数据,并检测所述第二环境数据是否满足第二预设条件,所述第二预设条件与锋面雾消失的气象因素有关,所述第二环境数据包括所述目标区域的第二降水量、所述目标区域的相对湿度、所述目标区域的风速以及风向中的至少一个;
若所述第二环境数据满足所述第二预设条件,则控制所述高感光成像组件停止图像采集。
在一个实施例中,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以下步骤:
获取目标区域的第一环境数据,并检测所述第一环境数据是否满足第一预设条件,所述第一预设条件与锋面雾形成的气象因素有关;
若所述第一环境数据满足所述第一预设条件,则控制高感光成像组件采集所述目标区域对应的至少一个图像;
根据各所述图像,获取所述目标区域的锋面雾检测结果。
在一个实施例中,所述第一环境数据包括多个历史气温数据和当前气温数据,所述多个历史气温数据和所述当前气温数据在时序上依次相邻,计算机程序被处理器执行时还实现以下步骤:
根据各所述图像,检测所述目标区域是否存在锋面雾;
若所述目标区域存在锋面雾,则根据所述多个历史气温数据和所述当前气温数据确定所述锋面雾检测结果为锋前雾或锋后雾。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取所述多个历史气温数据和所述当前气温数据对应的气温变化规律;
若所述气温变化规律为所述多个历史气温数据和所述当前气温数据在时序上依次递增,则确定所述锋面雾检测结果为锋前雾;
若所述气温变化规律为所述多个历史气温数据和所述当前气温数据在时序上依次递减,则确定所述锋面雾检测结果为锋后雾。
在一个实施例中,所述第一环境数据还包括所述目标区域的第一降水量,计算机程序被处理器执行时还实现以下步骤:
对所述多个历史气温数据和所述当前气温数据进行差分运算,并根据运算结果确定所述多个历史气温数据和所述当前气温数据对应的气温变化规律;
检测所述第一降水量是否小于第一阈值;
若所述气温变化规律为所述多个历史气温数据和所述当前气温数据在时序上依次递增或在时序上依次递减,且所述第一降水量小于所述第一阈值,则确定所述第一环境数据满足所述第一预设条件。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
针对每个所述图像,对所述图像进行预处理,得到预处理后的图像;
将所述预处理后的图像输入至分类模型中,得到分类结果,所述分类结果用于表征所述图像包括雾或所述图像不包括雾;
若各所述图像中存在至少一个包括雾的图像,则确定所述目标区域存在锋面雾。
在一个实施例中,所述图像包括所述目标区域中的目标物的成像区域,计算机程序被处理器执行时还实现以下步骤:
获取所述成像区域的位置框坐标,并根据所述位置框坐标从所述图像中截取所述成像区域对应的目标物图像;
按照预设尺寸,对所述目标物图像进行缩放处理,得到所述预处理后的图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取所述目标区域的第二环境数据,并检测所述第二环境数据是否满足第二预设条件,所述第二预设条件与锋面雾消失的气象因素有关,所述第二环境数据包括所述目标区域的第二降水量、所述目标区域的相对湿度、所述目标区域的风速以及风向中的至少一个;
若所述第二环境数据满足所述第二预设条件,则控制所述高感光成像组件停止图像采集。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种锋面雾检测方法,其特征在于,所述方法包括:
获取目标区域的第一环境数据,并检测所述第一环境数据是否满足第一预设条件,所述第一预设条件与锋面雾形成的气象因素有关,所述第一环境数据包括多个历史气温数据和当前气温数据,所述多个历史气温数据和所述当前气温数据在时序上依次相邻;
若所述第一环境数据满足所述第一预设条件,则控制高感光成像组件采集所述目标区域对应的至少一个图像;
根据各所述图像,检测所述目标区域是否存在锋面雾,若各所述图像中至少一个所述图像包括雾,则确定所述目标区域存在锋面雾;
若所述目标区域存在锋面雾,则根据所述多个历史气温数据和所述当前气温数据确定所述锋面雾检测结果为锋前雾或锋后雾。
2.根据权利要求1所述的方法,其特征在于,所述根据所述多个历史气温数据和所述当前气温数据确定所述锋面雾检测结果为锋前雾或锋后雾,包括:
获取所述多个历史气温数据和所述当前气温数据对应的气温变化规律;
若所述气温变化规律为所述多个历史气温数据和所述当前气温数据在时序上依次递增,则确定所述锋面雾检测结果为锋前雾;
若所述气温变化规律为所述多个历史气温数据和所述当前气温数据在时序上依次递减,则确定所述锋面雾检测结果为锋后雾。
3.根据权利要求1或2所述的方法,其特征在于,所述第一环境数据还包括所述目标区域的第一降水量,所述检测所述第一环境数据是否满足第一预设条件,包括:
对所述多个历史气温数据和所述当前气温数据进行差分运算,并根据运算结果确定所述多个历史气温数据和所述当前气温数据对应的气温变化规律;
检测所述第一降水量是否小于第一阈值;
若所述气温变化规律为所述多个历史气温数据和所述当前气温数据在时序上依次递增或在时序上依次递减,且所述第一降水量小于所述第一阈值,则确定所述第一环境数据满足所述第一预设条件。
4.根据权利要求1所述的方法,其特征在于,所述根据各所述图像,检测所述目标区域是否存在锋面雾,包括:
针对每个所述图像,对所述图像进行预处理,得到预处理后的图像;
将所述预处理后的图像输入至分类模型中,得到分类结果,所述分类结果用于表征所述图像包括雾或所述图像不包括雾;
若各所述图像中存在至少一个包括雾的图像,则确定所述目标区域存在锋面雾。
5.根据权利要求4所述的方法,其特征在于,所述图像包括所述目标区域中的目标物的成像区域,所述对所述图像进行预处理,得到预处理后的图像,包括:
获取所述成像区域的位置框坐标,并根据所述位置框坐标从所述图像中截取所述成像区域对应的目标物图像;
按照预设尺寸,对所述目标物图像进行缩放处理,得到所述预处理后的图像。
6.根据权利要求1所述的方法,其特征在于,所述获取所述目标区域的锋面雾检测结果之后,所述方法还包括:
获取所述目标区域的第二环境数据,并检测所述第二环境数据是否满足第二预设条件,所述第二预设条件与锋面雾消失的气象因素有关,所述第二环境数据包括所述目标区域的第二降水量、所述目标区域的相对湿度、所述目标区域的风速以及风向中的至少一个;
若所述第二环境数据满足所述第二预设条件,则控制所述高感光成像组件停止图像采集。
7.一种锋面雾检测装置,其特征在于,所述装置包括:
第一获取模块,用于获取目标区域的第一环境数据,并检测所述第一环境数据是否满足第一预设条件,所述第一预设条件与锋面雾形成的气象因素有关,所述第一环境数据包括多个历史气温数据和当前气温数据,所述多个历史气温数据和所述当前气温数据在时序上依次相邻;
第一控制模块,用于若所述第一环境数据满足所述第一预设条件,则控制高感光成像组件采集所述目标区域对应的至少一个图像;
检测模块,用于根据各所述图像,获取所述目标区域的锋面雾检测结果;
所述检测模块,包括:第一检测单元,用于根据各所述图像,检测所述目标区域是否存在锋面雾,若各所述图像中至少一个所述图像包括雾,则确定所述目标区域存在锋面雾;第一确定单元,用于若所述目标区域存在锋面雾,则根据所述多个历史气温数据和所述当前气温数据确定所述锋面雾检测结果为锋前雾或锋后雾。
8.根据权利要求7所述的装置,其特征在于,所述第一确定单元具体用于若所述目标区域存在锋面雾,获取所述多个历史气温数据和所述当前气温数据对应的气温变化规律;若所述气温变化规律为所述多个历史气温数据和所述当前气温数据在时序上依次递增,则确定所述锋面雾检测结果为锋前雾;若所述气温变化规律为所述多个历史气温数据和所述当前气温数据在时序上依次递减,则确定所述锋面雾检测结果为锋后雾。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010762505.7A CN111800582B (zh) | 2020-07-31 | 2020-07-31 | 锋面雾检测方法、装置、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010762505.7A CN111800582B (zh) | 2020-07-31 | 2020-07-31 | 锋面雾检测方法、装置、计算机设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111800582A CN111800582A (zh) | 2020-10-20 |
CN111800582B true CN111800582B (zh) | 2021-12-07 |
Family
ID=72827565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010762505.7A Expired - Fee Related CN111800582B (zh) | 2020-07-31 | 2020-07-31 | 锋面雾检测方法、装置、计算机设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111800582B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013054257A1 (en) * | 2011-10-09 | 2013-04-18 | The Medical Research, Infrastructure and Health Services Fund of the Tel Aviv Medical Center | Virtual reality for movement disorder diagnosis and/or treatment |
CN104217215A (zh) * | 2014-08-28 | 2014-12-17 | 哈尔滨工程大学 | 一种水面有雾图像和清晰图像的分类识别方法 |
CN109165693A (zh) * | 2018-09-11 | 2019-01-08 | 安徽省气象信息中心 | 一种适用于露、霜和结冰的天气现象的自动判识方法 |
CN109377726A (zh) * | 2018-10-29 | 2019-02-22 | 江苏大学 | 一种基于车联网的高速公路团雾精确警示、诱导***及方法 |
CN109740574A (zh) * | 2019-01-28 | 2019-05-10 | 中国气象局气象探测中心 | 一种结露现象自动识别方法及*** |
CN109782372A (zh) * | 2019-01-28 | 2019-05-21 | 中国气象局气象探测中心 | 一种结霜现象自动识别方法及*** |
CN110147762A (zh) * | 2019-05-20 | 2019-08-20 | 北京唐芯物联网科技有限公司 | 一种嵌入式消防误报消除*** |
CN110990459A (zh) * | 2019-12-04 | 2020-04-10 | 上海眼控科技股份有限公司 | 基于天气数据统计分析机场历史出雾过程的方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426399B (zh) * | 2011-09-01 | 2013-05-08 | 南京信息工程大学 | 高速公路横风预警方法 |
WO2014168851A1 (en) * | 2013-04-11 | 2014-10-16 | Google Inc. | Methods and systems for detecting weather conditions using vehicle onboard sensors |
JP7063256B2 (ja) * | 2018-12-14 | 2022-05-09 | トヨタ自動車株式会社 | 情報処理システム、プログラム、及び情報処理方法 |
-
2020
- 2020-07-31 CN CN202010762505.7A patent/CN111800582B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013054257A1 (en) * | 2011-10-09 | 2013-04-18 | The Medical Research, Infrastructure and Health Services Fund of the Tel Aviv Medical Center | Virtual reality for movement disorder diagnosis and/or treatment |
CN104217215A (zh) * | 2014-08-28 | 2014-12-17 | 哈尔滨工程大学 | 一种水面有雾图像和清晰图像的分类识别方法 |
CN109165693A (zh) * | 2018-09-11 | 2019-01-08 | 安徽省气象信息中心 | 一种适用于露、霜和结冰的天气现象的自动判识方法 |
CN109377726A (zh) * | 2018-10-29 | 2019-02-22 | 江苏大学 | 一种基于车联网的高速公路团雾精确警示、诱导***及方法 |
CN109740574A (zh) * | 2019-01-28 | 2019-05-10 | 中国气象局气象探测中心 | 一种结露现象自动识别方法及*** |
CN109782372A (zh) * | 2019-01-28 | 2019-05-21 | 中国气象局气象探测中心 | 一种结霜现象自动识别方法及*** |
CN110147762A (zh) * | 2019-05-20 | 2019-08-20 | 北京唐芯物联网科技有限公司 | 一种嵌入式消防误报消除*** |
CN110990459A (zh) * | 2019-12-04 | 2020-04-10 | 上海眼控科技股份有限公司 | 基于天气数据统计分析机场历史出雾过程的方法及装置 |
Non-Patent Citations (1)
Title |
---|
归一化雾指数法白天陆地辐射雾检测研究;文雄飞 等;《长江科学院院报》;20111031;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111800582A (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6831414B2 (ja) | 測位のための方法、測位のための装置、デバイス及びコンピュータ読み取り可能な記憶媒体 | |
US20200183011A1 (en) | Method for creating occupancy grid map and processing apparatus | |
CN101281142B (zh) | 一种测量大气能见度的方法 | |
US20220198749A1 (en) | System and method for monitoring forest gap using lidar survey data | |
CN111932519A (zh) | 天气预测方法、装置、计算机设备和存储介质 | |
CN111339826A (zh) | 一种滑坡无人机线性传感器网络框架检测*** | |
CN112925045A (zh) | 环境预测***和环境预测方法 | |
CN112649900A (zh) | 一种能见度的监测方法、装置、设备、***和介质 | |
CN110659545A (zh) | 车辆识别模型的训练方法、车辆识别方法、装置和车辆 | |
CN115962757A (zh) | 一种无人机测绘方法、***和可读存储介质 | |
CN111914933A (zh) | 降雪检测方法、装置、计算机设备和可读存储介质 | |
CN112033371A (zh) | 一种无人机载单目标板自适应能见度探测方法及*** | |
CN111800582B (zh) | 锋面雾检测方法、装置、计算机设备和可读存储介质 | |
CN113867406A (zh) | 基于无人机的线路巡检方法、***、智能设备和存储介质 | |
CN114113075A (zh) | 飞行器飞行凝结尾迹评估装置和方法 | |
Zehnder et al. | A stereo photogrammetric technique applied to orographic convection | |
CN111785094B (zh) | 平流雾检测方法、装置、计算机设备和可读存储介质 | |
JP4500602B2 (ja) | 路面温度予測システム、路面温度予測方法及び路面温度予測プログラム | |
US11815362B2 (en) | Map data generation apparatus | |
CN112734794B (zh) | 一种基于深度学习的运动目标跟踪与定位方法 | |
KR20210044127A (ko) | 영상 분석 기반 가시거리 측정 및 경보 시스템 및 방법 | |
CN111736237A (zh) | 辐射雾检测方法、装置、计算机设备和可读存储介质 | |
Shirokov et al. | Methods for processing data for monitoring condition and use of agricultural areas | |
Reinhardt et al. | Convective-Scale Assimilation of Cloud Cover from Photographs Using a Machine Learning Forward Operator | |
CN117496722A (zh) | 一种高速公路车辆测速方法及设备 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Frontal fog detection method, device, computer equipment and readable storage medium Effective date of registration: 20220211 Granted publication date: 20211207 Pledgee: Shanghai Bianwei Network Technology Co.,Ltd. Pledgor: SHANGHAI EYE CONTROL TECHNOLOGY Co.,Ltd. Registration number: Y2022310000023 |
|
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211207 |