JP6756889B1 - 渦検出装置、渦検出方法、プログラム及び学習済モデル - Google Patents
渦検出装置、渦検出方法、プログラム及び学習済モデル Download PDFInfo
- Publication number
- JP6756889B1 JP6756889B1 JP2019178722A JP2019178722A JP6756889B1 JP 6756889 B1 JP6756889 B1 JP 6756889B1 JP 2019178722 A JP2019178722 A JP 2019178722A JP 2019178722 A JP2019178722 A JP 2019178722A JP 6756889 B1 JP6756889 B1 JP 6756889B1
- Authority
- JP
- Japan
- Prior art keywords
- vortex
- data
- measurement data
- predetermined range
- trained model
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 106
- 238000005259 measurement Methods 0.000 claims abstract description 128
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012937 correction Methods 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 8
- 230000007547 defect Effects 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 description 42
- 238000000034 method Methods 0.000 description 41
- 230000015654 memory Effects 0.000 description 5
- 238000011176 pooling Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
Description
ドップラー計測装置による大気の移動速度の計測データから抽出された、前記大気の渦に対応する前記移動速度の空間分布を有する渦候補領域を各々含む所定の範囲の計測データを入力データとして、渦の計測データを含む学習データにより学習された学習済モデルを用いて、前記所定の範囲の計測データに渦が含まれるか否かの判定を行う判定部を備え、
前記判定部は、前記所定の範囲の計測データの各々が前記ドップラー計測装置の位置に対する動径方向の距離値及び方位角方向の角度値について二次元マトリクス状に配列されたデータを前記学習済モデルへの入力データとして前記判定を行うこととした。
したがって、二段階の評価により渦の検出精度を向上させることができる。また、数値的に画一的な基準で判別しないので、誤検出の抑制と検出漏れの抑制とをバランスよく両立させることができる。境界面がドップラー計測装置の位置に対する動径方向(R方向)に沿っているか否かが容易に判断できるので、境界がR方向に沿っていない他の物理状態である大気の収束や発散(実際には2、3次元的な動きを伴い得る)との識別を容易に行うことができ、一次元速度データによる誤検出を抑制することができる。また、速度の反転する境界が必ずR方向に沿って伸びることになり、学習を容易化することができる。また、リアルタイム処理において座標変換の手間が不要となるので、処理の軽減及び高速化を図ることができ、これによりリアルタイム性を確保しやすくなる。
渦が含まれると判定された前記渦候補領域のうち、所定の条件を満たすものを特定する特定部を備え、
前記判定部は、前記学習済モデルを用いて渦である確率を算出し、
前記特定部は、前記判定部により所定の近接範囲内で渦と判定された前記渦候補領域のうち、前記確率が最大のもの以外を除外する。
したがって、同一の渦に対して複数の部分で渦候補として特定された場合でも、最適なものを選択することができる。これにより、特定された渦の移動速度を推定する場合により精度よい値を得ることができる。
前記特定部は、渦が含まれると判定された前記渦候補領域のうち、所定回数以上計測されたものを渦として特定することとする。
したがって、突風の発生予測により適切に行うことが可能となり、一方で、不要な処理を低減することができる。
前記所定の範囲は、前記渦候補領域の渦の中心が中央に位置するように定められることとする。
したがって、輪郭や中心位置などが不明瞭な渦の判断精度を向上させることができる。
前記渦候補領域の渦の回転方向が所定の基準回転方向とは反対向きである場合、前記所定の範囲の計測データの各々で速度の符号を反転させて前記入力データとする入力調整部を備えることとする。
したがって、渦の回転方向によらず容易に統一基準で一貫した渦検出が可能になる。また、渦の回転方向に応じてそれぞれ学習データを用意する必要がなくなり、手間の軽減が図られる。
前記所定の範囲の計測データのうち計測の欠損部分を所定の値で埋めた補正データを特異値分解し、得られた特異値行列における特異値のうち値が大きい側から所定数個の値以外をゼロに変更してから前記補正データに戻して前記入力データとする欠損補完部を備えることとする。
したがって、不自然な速度分布による検出精度の低下を抑制し、大気渦の検出漏れなどを抑制することができる。
前記学習済モデルは、畳み込みニューラルネットワークをアルゴリズムとして利用しており、
前記判定部は、全結合層で結合される特徴量に前記渦候補領域の渦の中心位置と前記ドップラー計測装置との距離を含めることとする。
したがって、極座標での計測及び上記各計測データの配置による距離に応じた形状の渦をより確実に判別することができる。
前記ドップラー計測装置による計測データから、所定の渦構造モデルへのフィッティングに基づいて前記渦候補領域を抽出する抽出部を備えることとする。
したがって、大気渦を検出する処理全体として処理負荷を軽減し、リアルタイム性を確保しやすくしつつ、検出精度を向上させて検出漏れ及び誤検出を抑制することができる。
ドップラー計測装置による大気の移動速度の計測データから抽出された、前記大気の渦に対応する前記移動速度の空間分布を有する渦候補領域を各々含む所定の範囲の計測データを入力データとして、渦の計測データを含む学習データにより学習された学習済モデルを用いて、前記所定の範囲の計測データに渦が含まれるか否かの判定を行う判定ステップを含み、
前記判定ステップでは、前記所定の範囲の計測データの各々が前記ドップラー計測装置の位置に対する動径方向の距離値及び方位角方向の角度値について二次元マトリクス状に配列されたデータを前記学習済モデルへの入力データとして前記判定を行う。
したがって、速度境界がR方向に伸びるパターンに一元化され、誤検出などを抑制し、検出精度を向上させることができる。また、学習の容易化及び処理の軽減及び高速化を図ることができる。
前記所定の範囲は、前記渦候補領域の渦の中心が中央に位置するように定められることとする。
したがって、輪郭などが不明瞭な渦の判断精度を向上させることができる。
前記渦候補領域の渦の回転方向が所定の基準回転方向とは反対向きである場合、前記所定の範囲における計測データの各々で速度の符号を反転させて前記入力データとする入力調整ステップを含むこととする。
したがって、渦の回転方向によらず容易に統一基準で一貫した渦検出が可能になる。また、渦の回転方向に応じてそれぞれ学習データを用意する必要がなくなり、手間の軽減が図られる。
前記所定の範囲の計測データのうち計測の欠損部分を所定の値で埋めた補正データを特異値分解し、得られた特異値行列における特異値のうち値が大きい側から所定数個の値以外をゼロに設定してから前記補正データに戻して前記入力データとする欠損補完ステップを含むこととする。
したがって、不自然な速度分布による検出精度の低下を抑制し、大気渦の検出漏れなどを抑制することができる。
前記学習済モデルは、畳み込みニューラルネットワークをアルゴリズムとして利用しており、
前記判定ステップでは、全結合層で結合される特徴量に前記渦候補領域の渦の中心位置と前記ドップラー計測装置との距離を含めることとする。
したがって、極座標での計測及び上記各計測データの配置による距離に応じた形状の渦をより確実に判別することができる。
コンピュータを、
ドップラー計測装置による大気の移動速度の計測データから抽出された、前記大気の渦に対応する前記移動速度の空間分布を有する渦候補領域を各々含む所定の範囲の計測データを入力として、渦の計測データを含む学習データにより学習された学習済モデルを用いて、前記所定の範囲の計測データに渦が含まれるか否かの判定を出力する判定手段として動作させ
前記判定手段は、前記所定の範囲の計測データの各々が前記ドップラー計測装置の位置に対する動径方向の距離値及び方位角方向の角度値について二次元マトリクス状に配列されたデータを用いて前記判定を行う。
したがって、速度境界がR方向に伸びるパターンに一元化され、誤検出などを抑制し、検出精度を向上させることができる。また、学習の容易化及び処理の軽減及び高速化を図ることができる。
ドップラー計測装置による大気の移動速度の計測データから抽出された、前記大気の渦に対応する前記移動速度の空間分布を有する渦候補領域を各々含む所定の範囲の計測データを入力として、前記所定の範囲の計測データに渦が含まれるか否かの判定を出力する学習済モデルであって、
渦の計測データを含む前記所定の範囲の学習データにより、機械学習モデルのアルゴリズムを用いて学習がなされ、
前記所定の範囲の計測データの各々が前記ドップラー計測装置の位置に対して動径方向の距離値及び方位角方向の角度値について二次元マトリクス状に配列されたデータを用いて前記学習が行われる。
したがって、速度境界がR方向に伸びるパターンに一元化され、誤検出などを抑制し、検出精度を向上させることができる。また、学習の容易化及び処理の軽減及び高速化を図ることができる。
渦の中心が中央に位置する学習データにより学習されたものであることとする。
したがって、輪郭などが不明瞭な渦の判断精度を向上させることができる。
前記学習データにおける渦の回転方向が所定の基準回転方向とは反対向きである場合、前記学習データの各々の速度の符号を反転して入力させて学習されることとする。
したがって、渦の回転方向によらず容易に統一基準で一貫した渦検出が可能になる。また、渦の回転方向に応じてそれぞれ学習データを用意する必要がなくなり、手間の軽減が図られる。
前記学習データのうち計測の欠損部分を所定の値で埋めた補正データを特異値分解し、得られた特異値行列における特異値のうち値が大きい側から所定数個の値以外をゼロに設定してから前記補正データに戻して得られた前記学習データにより学習されることとする。
したがって、不自然な速度分布による検出精度の低下を抑制し、大気渦の検出漏れなどを抑制することができる。
畳み込みニューラルネットワークを前記アルゴリズムとして利用した畳み込み層と全結合層とを有し、
前記全結合層では、前記畳み込み層で得られる各特徴量と、前記渦候補領域の渦の中心位置と前記ドップラー計測装置との距離とが全結合される値として入力される
こととする。
したがって、極座標での計測及び上記各計測データの配置による距離に応じた形状の渦をより確実に判別することができる。
図1は、本実施形態の処理装置1の機能構成を示すブロック図である。
処理装置1(渦検出装置)は、ドップラーレーダー4(ドップラー計測装置)による計測データに基づいて渦を検出するための各種処理を行うコンピュータである。処理装置1は、制御部11と、記憶部12と、表示部13と、操作受付部14と、入出力インターフェイス15などを備える。
渦検出は、ドップラーレーダー4による計測データを用いて行われる。ドップラーレーダー4は、放射した所定の電磁波(マイクロ波など)の雨粒による反射波を受信し、当該ドップラーレーダー4の動径方向(R方向;ドップラーレーダー4からの距離の値)についての雨粒、すなわち大気の移動速度(風速VR)の空間分布をドップラー効果に基づいて取得する。ドップラーレーダー4の電磁波送受信方向は、方位角方向(A方向;所定の基準方向に対する水平角度差の値)に回転スキャンしながら所定の周期(例えば、30秒)で一周し、この周期でドップラーレーダー4の周囲全方向の風速分布データを得ている。
まず、レーダー計測データから渦構造に対応する上記極大/極小のペア構造の検出を行い、渦候補を抽出する(PR1;抽出部)。抽出された渦候補領域を含む所定の範囲の領域の計測データを学習済モデル(ここでは、畳み込みニューラルネットワーク;CNN、をアルゴリズムとして用いたもの)に入力し、これを用いて、すなわち畳み込み層で畳み込みを行って特徴量を抽出(特徴マップを生成)したのち、全結合層で全結合して、渦である確率を算出する(PR2;判定部)。
渦は、多くの場合で移動を伴うが、1回の検出では移動速度が特定されないので、2度目の検出が、例えば、1度目に検出された位置P1から通常想定される移動速度(背景となる風(環境風)の風速)の上限Vomで計測間隔dt1(2回後の計測であれば計測間隔dt1の2倍)の間に移動可能な範囲内Rp1=Vom×dt1の範囲内の位置P2でなされた場合に同一の渦であると判断される。また、2度の検出によりその間の移動速度Vpが特定されるので、移動速度Vp及び検出までの移動時間(計測間隔dt1)により、3度目の検出想定位置P3pが得られる。この検出想定位置P3pを中心として、想定され得る移動速度Vpのばらつき(統計的な計測値などであってもよく、例えば、速度に対する比率であってもよいし、絶対値であってもよい)に応じて推測される範囲Rp2(ここでは半径Rp2)内で3度目の検出がなされた場合に、前2回と同一の渦であると判断される。通常想定される移動速度の上限Vom及び算出された移動速度のばらつきの上限値などは、過去の統計的な値などに基づいて固定的に又は気象条件に応じて可変で定められてよい。
学習済モデル1210は、多数の渦構造を各々含む計測データを学習データとして用いて学習することで生成される。学習データ21は、予め渦構造であるか否かが確定したデータが上記渦検出時のサイズと同一サイズで用意される。渦と渦でないものの割合は適宜定められてよい。また、上述のようにドップラーレーダー4からの距離に応じて渦の計測の粗さや配列上の形状に変化が生じうるので、各距離範囲での計測を網羅した学習データ21が用意されるのがよい。
ここでは、モデル生成処理は、処理装置1で実行されるものとして説明する。
このように、一度渦の候補が従来技術を用いて抽出されたのち、学習済モデル1210を用いて渦としての確実性を判定するので、数値的に画一的な基準で判別する場合と比較して、渦の誤検出及び検出漏れの可能性をいずれも低減することができる。また、初めから画像全体に対して学習済モデル1210を適用しないので、処理において必要以上の負荷をかけない。そして、計測データを、実空間上の分布ではなく、R方向及びA方向に直交して延びる直線座標軸を用いて、二次元マトリクス状に配置することで、速度の反転する境界が必ずR方向に沿って伸びることになり、学習を容易化することができる。また、リアルタイム処理において座標変換の手間が不要となるので、処理の軽減及び高速化(迅速化)を図ることができ、これによりリアルタイム性を確保しやすくなる。さらに、境界面がR方向に沿っているか否かが容易に判断できるので、境界がR方向に沿っていない他の物理状態である大気の収束や発散(実際には2、3次元的な動きを伴い得る)との識別を容易に行うことができ、一次元速度データによる誤検出を抑制することができる。
このように、同一の渦に対して複数の部分で渦候補として特定された場合でも、最適なものを選択することができる。これにより、特定された渦の移動速度を推定する場合により精度よい値を得ることができる。
例えば、上記実施の形態では、学習済モデル1210へ入力する対象の抽出方法として、フィッティングにより渦(極大/極小速度ペア)の領域を検出することとしたが、渦を検出するための他の従来の方法が用いられてもよい。
その他、上記実施の形態で示した構成、処理内容及び手順などの具体的な細部は、本発明の趣旨を逸脱しない範囲に置いて適宜変更可能である。
2 外部装置
21 学習データ
3 気象データサーバ
4 ドップラーレーダー
11 制御部
12 記憶部
121 プログラム
1210 学習済モデル
122 渦パターンデータ
13 表示部
14 操作受付部
15 入出力インターフェイス
Claims (19)
- ドップラー計測装置による大気の移動速度の計測データから抽出された、前記大気の渦に対応する前記移動速度の空間分布を有する渦候補領域を各々含む所定の範囲の計測データを入力データとして、渦の計測データを含む学習データにより学習された学習済モデルを用いて、前記所定の範囲の計測データに渦が含まれるか否かの判定を行う判定部を備え、
前記判定部は、前記所定の範囲の計測データの各々が前記ドップラー計測装置の位置に対する動径方向の距離値及び方位角方向の角度値について二次元マトリクス状に配列されたデータを前記学習済モデルへの入力データとして前記判定を行う
ことを特徴とする渦検出装置。 - 渦が含まれると判定された前記渦候補領域のうち、所定の条件を満たすものを特定する特定部を備え、
前記判定部は、前記学習済モデルを用いて渦である確率を算出し、
前記特定部は、前記判定部により所定の近接範囲内で渦と判定された前記渦候補領域のうち、前記確率が最大のもの以外を除外する
ことを特徴とする請求項1記載の渦検出装置。 - 前記特定部は、渦が含まれると判定された前記渦候補領域のうち、所定回数以上計測されたものを渦として特定することを特徴とする請求項2記載の渦検出装置。
- 前記所定の範囲は、前記渦候補領域の渦の中心が中央に位置するように定められることを特徴とする請求項1〜3のいずれか一項に記載の渦検出装置。
- 前記渦候補領域の渦の回転方向が所定の基準回転方向とは反対向きである場合、前記所定の範囲の計測データの各々で速度の符号を反転させて前記入力データとする入力調整部を備えることを特徴とする請求項1〜4のいずれか一項に記載の渦検出装置。
- 前記所定の範囲の計測データのうち計測の欠損部分を所定の値で埋めた補正データを特異値分解し、得られた特異値行列における特異値のうち値が大きい側から所定数個の値以外をゼロに変更してから前記補正データに戻して前記入力データとする欠損補完部を備えることを特徴とする請求項1〜5のいずれか一項に記載の渦検出装置。
- 前記学習済モデルは、畳み込みニューラルネットワークをアルゴリズムとして利用しており、
前記判定部は、全結合層で結合される特徴量に前記渦候補領域の渦の中心位置と前記ドップラー計測装置との距離を含めることを特徴とする請求項1〜6のいずれか一項に記載の渦検出装置。 - 前記ドップラー計測装置による計測データから、所定の渦構造モデルへのフィッティングに基づいて前記渦候補領域を抽出する抽出部を備えることを特徴とする請求項1〜7のいずれか一項に記載の渦検出装置。
- ドップラー計測装置による大気の移動速度の計測データから抽出された、前記大気の渦に対応する前記移動速度の空間分布を有する渦候補領域を各々含む所定の範囲の計測データを入力データとして、渦の計測データを含む学習データにより学習された学習済モデルを用いて、前記所定の範囲の計測データに渦が含まれるか否かの判定を行う判定ステップを含み、
前記判定ステップでは、前記所定の範囲の計測データの各々が前記ドップラー計測装置の位置に対する動径方向の距離値及び方位角方向の角度値について二次元マトリクス状に配列されたデータを前記学習済モデルへの入力データとして前記判定を行う
ことを特徴とする渦検出方法。 - 前記所定の範囲は、前記渦候補領域の渦の中心が中央に位置するように定められることを特徴とする請求項9記載の渦検出方法。
- 前記渦候補領域の渦の回転方向が所定の基準回転方向とは反対向きである場合、前記所定の範囲における計測データの各々で速度の符号を反転させて前記入力データとする入力調整ステップを含むことを特徴とする請求項9又は10記載の渦検出方法。
- 前記所定の範囲の計測データのうち計測の欠損部分を所定の値で埋めた補正データを特異値分解し、得られた特異値行列における特異値のうち値が大きい側から所定数個の値以外をゼロに設定してから前記補正データに戻して前記入力データとする欠損補完ステップを含むことを特徴とする請求項9〜11のいずれか一項に記載の渦検出方法。
- 前記学習済モデルは、畳み込みニューラルネットワークをアルゴリズムとして利用しており、
前記判定ステップでは、全結合層で結合される特徴量に前記渦候補領域の渦の中心位置と前記ドップラー計測装置との距離を含めることを特徴とする請求項9〜12のいずれか一項に記載の渦検出方法。 - コンピュータを、
ドップラー計測装置による大気の移動速度の計測データから抽出された、前記大気の渦に対応する前記移動速度の空間分布を有する渦候補領域を各々含む所定の範囲の計測データを入力として、渦の計測データを含む学習データにより学習された学習済モデルを用いて、前記所定の範囲の計測データに渦が含まれるか否かの判定を出力する判定手段として動作させ
前記判定手段は、前記所定の範囲の計測データの各々が前記ドップラー計測装置の位置に対する動径方向の距離値及び方位角方向の角度値について二次元マトリクス状に配列されたデータを用いて前記判定を行う
ことを特徴とするプログラム。 - ドップラー計測装置による大気の移動速度の計測データから抽出された、前記大気の渦に対応する前記移動速度の空間分布を有する渦候補領域を各々含む所定の範囲の計測データを入力として、前記所定の範囲の計測データに渦が含まれるか否かの判定を出力する学習済モデルであって、
渦の計測データを含む前記所定の範囲の学習データにより、機械学習モデルのアルゴリズムを用いて学習がなされ、
前記所定の範囲の計測データの各々が前記ドップラー計測装置の位置に対して動径方向の距離値及び方位角方向の角度値について二次元マトリクス状に配列されたデータを用いて前記学習が行われる
ことを特徴とする学習済モデル。 - 渦の中心が中央に位置する学習データにより学習されたものであることを特徴とする請求項15記載の学習済モデル。
- 前記学習データにおける渦の回転方向が所定の基準回転方向とは反対向きである場合、前記学習データの各々の速度の符号を反転して入力させて学習されることを特徴とする請求項15又は16記載の学習済モデル。
- 前記学習データのうち計測の欠損部分を所定の値で埋めた補正データを特異値分解し、得られた特異値行列における特異値のうち値が大きい側から所定数個の値以外をゼロに設定してから前記補正データに戻して得られた前記学習データにより学習されることを特徴とする請求項15〜17のいずれか一項に記載の学習済モデル。
- 畳み込みニューラルネットワークを前記アルゴリズムとして利用した畳み込み層と全結合層とを有し、
前記全結合層では、前記畳み込み層で得られる各特徴量と、前記渦候補領域の渦の中心位置と前記ドップラー計測装置との距離とが全結合される値として入力される
ことを特徴とする請求項15〜18のいずれか一項に記載の学習済モデル。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019178722A JP6756889B1 (ja) | 2019-09-30 | 2019-09-30 | 渦検出装置、渦検出方法、プログラム及び学習済モデル |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019178722A JP6756889B1 (ja) | 2019-09-30 | 2019-09-30 | 渦検出装置、渦検出方法、プログラム及び学習済モデル |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6756889B1 true JP6756889B1 (ja) | 2020-09-16 |
JP2021056073A JP2021056073A (ja) | 2021-04-08 |
Family
ID=72432427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019178722A Active JP6756889B1 (ja) | 2019-09-30 | 2019-09-30 | 渦検出装置、渦検出方法、プログラム及び学習済モデル |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6756889B1 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743577A (zh) * | 2021-06-25 | 2021-12-03 | 上海大学 | 用于中尺度涡识别的精细化网格数据分区构建方法及*** |
CN114299377A (zh) * | 2021-12-31 | 2022-04-08 | 中山大学 | 一种基于宽度学习的涡旋识别方法及装置 |
JP7470413B2 (ja) | 2020-11-05 | 2024-04-18 | 国立研究開発法人宇宙航空研究開発機構 | 情報処理装置、情報処理方法、及びプログラム |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023152862A1 (ja) * | 2022-02-10 | 2023-08-17 | 三菱電機株式会社 | 風況学習装置、風況予測装置、及びドローンシステム |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5036480A (en) * | 1990-03-12 | 1991-07-30 | Honeywell Inc. | Method and apparatus for simulating microburst windshears |
JP3628621B2 (ja) * | 2001-03-06 | 2005-03-16 | 三菱電機株式会社 | 乱気流検出装置および乱気流検出方法 |
JP5000082B2 (ja) * | 2004-06-14 | 2012-08-15 | 三菱電機株式会社 | 光波レーダ装置 |
JP2010249550A (ja) * | 2009-04-13 | 2010-11-04 | Railway Technical Res Inst | 気象レーダーを用いた突風探知システム |
US9851441B2 (en) * | 2014-01-27 | 2017-12-26 | University Corporation For Atmospheric Research | Method and system for generating a distance velocity azimuth display |
CN109325960B (zh) * | 2018-11-20 | 2021-07-09 | 南京信息工程大学 | 一种红外云图气旋分析方法及分析*** |
-
2019
- 2019-09-30 JP JP2019178722A patent/JP6756889B1/ja active Active
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7470413B2 (ja) | 2020-11-05 | 2024-04-18 | 国立研究開発法人宇宙航空研究開発機構 | 情報処理装置、情報処理方法、及びプログラム |
CN113743577A (zh) * | 2021-06-25 | 2021-12-03 | 上海大学 | 用于中尺度涡识别的精细化网格数据分区构建方法及*** |
CN113743577B (zh) * | 2021-06-25 | 2023-11-21 | 上海大学 | 用于中尺度涡识别的精细化网格数据分区构建方法及*** |
CN114299377A (zh) * | 2021-12-31 | 2022-04-08 | 中山大学 | 一种基于宽度学习的涡旋识别方法及装置 |
CN114299377B (zh) * | 2021-12-31 | 2024-03-22 | 中山大学 | 一种基于宽度学习的涡旋识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
JP2021056073A (ja) | 2021-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6756889B1 (ja) | 渦検出装置、渦検出方法、プログラム及び学習済モデル | |
CN112513679B (zh) | 一种目标识别的方法和装置 | |
CN111126335B (zh) | 一种结合显著性和神经网络的sar船只识别方法及*** | |
CN104569981A (zh) | 协同自适应观测方法 | |
CN107766818B (zh) | 一种启发式的水下结构化环境线特征提取方法 | |
CN113269889B (zh) | 一种基于椭圆域的自适应点云目标聚类方法 | |
CN116953653B (zh) | 一种基于多波段天气雷达组网回波外推方法 | |
Nguyen et al. | Planar surface detection for sparse and heterogeneous mobile laser scanning point clouds | |
CN112734619B (zh) | 一种面向检测特征扫描不确定度的自由曲面覆盖视点自动采样方法 | |
KR101770742B1 (ko) | 클러터를 억제하는 표적 탐지 장치 및 그 방법 | |
CN115953604B (zh) | 一种不动产地理信息测绘数据采集方法 | |
CN112734677B (zh) | 一种机载LiDAR点云空洞内插方法和*** | |
CN111736157B (zh) | 基于ppi数据的临近预报的预测方法及设备 | |
CN115436936A (zh) | 用于目标检测的雷达图确定方法、装置、设备及介质 | |
TWI625537B (zh) | Meteorological phenomenon occurrence possibility determination system and method | |
CN115327540A (zh) | 基于雷达图的山体滑坡检测方法、装置、设备及介质 | |
CN116964472A (zh) | 用于借助于雷达传感器***的反射信号来探测环境的至少一个对象的方法 | |
Yuan et al. | A velocity dealiasing scheme based on minimization of velocity differences between regions | |
Hongyan et al. | Volume calculation for power equipment point cloud based on concave hull slice method | |
Wenhao et al. | Research on Automatic Extraction Technology of Power Transmission Tower Based on SAR Image and Deep Learning Technology | |
Helmert et al. | An operational tool to quality control 2D radar reflectivity data for assimilation in COSMO-DE | |
He et al. | Research on Solid Rate Filtering Technique based on Inverse Distance Weighted Interpolation of Navigation Radar | |
Sun et al. | A new method to retrieve rainfall intensity level from rain-contaminated X-band marine radar image | |
CN116228603B (zh) | 一种挂车周围障碍物的报警***及装置 | |
CN116400352B (zh) | 一种基于相关性分析的雷达回波图像海浪纹理检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190930 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200811 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200827 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6756889 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |