[发明专利]一种基于深度学习的地基云状目标检测方法

权利要求书

1.一种基于深度学习的地基云状目标检测方法，其特征在于，包括以下步骤：

采集地基云图，根据云状分类标准标注地基云图后预处理得到地基云状数据集；

基于地基云状数据集设计先验框；

建立包含目标检测边界框损失函数的神经网络；

根据先验框将地基云状数据集输入神经网络进行训练获得权重；

根据权重进行地基云状的检测和分析。

2.根据权利要求1所述的基于深度学习的地基云状目标检测方法，其特征在于，所述采集地基云图，根据云状分类标准标注地基云图后预处理得到地基云状数据集包括以下步骤：

拍摄天空视频流，设置每隔一个预设时间间隔截取视频流中的一张云图，并对云图数据进行裁剪处理获取地基云图；

对地基云图进行云状分类标注并生成地基云状数据集。

3.根据权利要求1所述的基于深度学习的地基云状目标检测方法，其特征在于，所述基于地基云状数据集设计先验框具体为：使用K-means聚类算法重新设计适用于地基云状数据集的先验框尺寸。

4.根据权利要求3所述的基于深度学习的地基云状目标检测方法，其特征在于，所述使用K-means聚类算法重新设计适用于地基云状数据集的先验框尺寸包括：

所述K-means算法，其输入是样本集D＝{x₁,x₂,...,x_m}，聚类的簇树为k，最大迭代次数为N，输出为簇划分C＝{C₁,C₂,...,C_k}，具体算法有如下步骤：

从数据集D中随机选择k个样本作为初始的k个质心向量：{μ₁,μ₂,...,μ_m}；

对于n＝1,2,…,n，将簇划分为C，初始化为

对于i＝1,2,…,m，计算样本x_i和各个质心向量μ_j(j＝1,2,...,k)的距离将x_i标记最小的为d_ij所对应的的类别。此时更新C_λi＝C_λi∪{x_i}；

对于j＝1,2,…,k，对C_j中所有的样本点重新计算新的质心如果所有的k个质心向量都没有发生变化，则转到输出步骤；

输出簇划分C＝{C₁,C₂,...,C_k}。

5.根据权利要求1所述的基于深度学习的地基云状目标检测方法，其特征在于，所述建立包含目标检测边界框损失函数的神经网络具体为：设计一种新的目标检测边界框损失函数UIoU，并将其应用于YOLOv3算法上形成改进后的神经网络。

6.根据权利要求5所述的基于深度学习的地基云状目标检测方法，其特征在于，所述UIoU公式包括：

L_UIoU＝L_DIoU+αv

其中，α和v的公式如下：

其中，w1、w代表目标框和预测框的长，h1、h代表目标框和预测框的宽，UIoU求导公式如下：

7.根据权利要求6所述的基于深度学习的地基云状目标检测方法，其特征在于，所述根据先验框将地基云状数据集输入神经网络进行训练获得权重具体为：将地基云状数据集输入改进后的YOLOv3神经网络，使用训练优化策略训练网络，得到训练好的权重文件。