(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211188983.7 (22)申请日 2022.09.27 (71)申请人 河南大学 地址 475001 河南省开封市顺河回族区明 伦街85号 (72)发明人 张磊　王亚东　朱绍明　孟坤颖　 牛一波　康潇　左宪禹　 (74)专利代理 机构 郑州睿途知识产权代理事务 所(普通合伙) 41183 专利代理师 李伊宁 (51)Int.Cl. G06V 20/52(2022.01) G06V 20/10(2022.01) G06V 10/82(2022.01) G06V 10/28(2022.01)G06V 10/30(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01S 13/90(2006.01) G01S 13/95(2006.01) G08B 21/10(2006.01) (54)发明名称 基于雷达图像的U-net 变体神经网络的洪涝 预警方法 (57)摘要 本发明公开了基于雷达图像的U ‑net变体神 经网络的洪涝预警方法， 包括以下步骤： A： 获取 监测区域的彩色雷达图片并转换为灰度图片， 从 而建立训练数据集和测试数据集； B： 建立U ‑net 变体神经网络模型； C： 利用训练数据集得到训练 后的U‑net变体神经网络模型； D： 利用测试数据 集得到监测区域的雷达图像； E： 利用雷达图像进 行质量评估 得到U‑net变体神经网络的性能分析 结果； F： 根据性能分析结果对U ‑net变体神经网 络模型进行优化； G： 根据优化后的U ‑net变体神 经网络模型， 利用彩色雷达图片进行洪涝预警。 本发明能够通过易获取的雷达图像捕捉在洪涝 灾害预警中的非线性事件能力， 提高洪涝灾害预 警的准确性。 权利要求书4页 说明书10页 附图1页 CN 115512299 A 2022.12.23 CN 115512299 A 1.一种基于雷达图像的U ‑net变体神经网络的洪涝预警方法， 其特征在于： 依次包括以 下步骤： A： 获取监测区域的彩色雷达图片并转换为以像素数值代表雷达回波强度的灰度图片， 然后根据得到的灰度图片建立训练数据集和 测试数据集； B： 建立U‑net变体神经网络模型； C： 将步骤A中获得的训练数据集， 输入步骤B中建立的U ‑net变体神经网络模型中进行 迭代训练， 直至U ‑net变体神经网络模型收敛于设定的损失值， 得到训练后的U ‑net变体神 经网络模型； D： 将步骤A中测试数据集的数据放入步骤C中训练后的U ‑net变体神经网络模型进行测 试， 得到以测试数据集中首张图像采集时间为起点的未来90分钟内的监测区域的雷达图 像； E： 对步骤D中得到的以测试数据集中首张图像采集时间为起点的未来90分钟内的雷达 图像进行质量评估， 得到U ‑net变体神经网络的性能分析 结果； F： 根据步骤E中得到U ‑net变体神经网络的性能分析结果， 调整步骤C中训练后的U ‑net 变体神经网络模型参数， 对训练后的U ‑net变体神经网络模型进行优化； G： 根据优化后的U ‑net变体神经网络模型， 利用彩色雷达图片进行洪涝预警。 2.根据权利要求1所述的基于雷达图像的U ‑net变体神经网络的洪涝预警方法， 其特征 在于， 所述的步骤A包括以下 具体步骤： A1： 获取监测区域的彩色雷达图片， 并将彩色雷达图片按照序号读取到四维数组 dataList0中； 四维数组dataL ist0中包 含图片数量、 图片像素 大小和通道数； A2： 对步骤A1中得到的四维数组dataList0进行遍历， 将 四维数组dataList0中的彩色 数据根据比色卡转换为灰度数据， 最终得到灰度时间序列图片； 灰度数据的数值代表雷达 回波的强度； A3： 将步骤A2中得到的灰度时间序列图片进行下采样， 得到下采样后的灰度时间序列 图片； A4： 将步骤A3中得到的下采样后的灰度时间序列图片， 按照灰度时间序列图片序号升 序排序划分为15张为一组的训练数据， 最终得到多组训练数据； 然后将多组训练数据划分 成训练数据集和 测试数据集。 3.根据权利要求1所述的基于雷达图像的U ‑net变体神经网络的洪涝预警方法， 其特征 在于： 所述的U ‑net变体神经网络模型包 含小波自适应去噪层和一个U型 结构； 其中， 小波自适应变换层将输入数据进行二维小波多尺度分解， 得到输入数据的各尺 度系数， 然后根据自适应的阈值将所有小于阈值的各尺度系 数舍去； 再将剩 下的各尺度系 数进行逆变换， 得到去噪后的数据； 最后将去噪后的数据传入U 型结构中的第一循环限定步 长特征提取层； U型结构从左至右、 从上到下依次是第一循环限定步长特征提取层、 第一最大池化层、 第二循环限定步长特征提取层、 第二最大池化层、 第三循环限定步长特征提取层、 第三最大 池化层、 第四循环限定步长特征提取层、 第四最大池化层、 第五循环限定步长特征提取层、 第一上采样限定步长丰富特征层、 第一注意力 层、 第一上采样循环限定步长特征 处理层、 第 二上采样限定步长特征处理层、 第二注意力 层、 第二上采样 循环限定步长特征 处理层、 第三权　利　要　求　书 1/4 页 2 CN 115512299 A 2上采样卷积层、 第三注意力层、 第三上采样循环限定步长特征处理层、 第四上采样卷积层、 第四注意力层、 第四上采样循环限定步长特 征处理层和第一限定步长特 征输出层。 4.根据权利要求3所述的基于雷达图像的U ‑net变体神经网络的洪涝预警方法， 其特征 在于： 所述的小 波自适应 变换层通过 下述函数实现二维小 波多尺度分解： [C,S]＝wavedec2(waveletDataab,2,′coif3′)； 其中， C是输入数据的各尺度系数， S是各尺度系数的大小， waveletDataab是小波自适应 变换层的输入数据， ′coif3′为Coiflet小波基函数中的一种形式； 小波自适应 变换层通过 下述函数实现选取自适应阈值去噪： nc1＝wthcoef2(′h′,C,S,P)； nc2＝wthcoef2(′v′,nc1,S,P)； nc3＝wthcoef2(′d′,nc2,S,P)； 其中，′h′,′v′,′d′分别代表从水平、 垂直和对角三个方向来对各尺度系数进行去噪， nc1， nc2， nc 3依次代表从水平、 垂直和对角三个方向去噪后的各尺度系数， P是自适应阈值； 小波自适应 变换层通过 下述函数实现二维小 波多尺度逆变换： waveletResDataab＝waverec2(nc 3,S,′coif3′)； 其中， waveletResDataab代表小波自适应变换层的输出数据， ′coif3′是Coiflet小波基 函数中的一种形式。 5.根据权利要求3所述的基于雷达图像的U ‑net变体神经网络的洪涝预警方法， 其特征 在于： 所述的每一层的循环限定步长特征提取层首先将输入数据进行限定步长特征提取， 然后将经 过限定步长特 征提取后的数据进行二次循环特 征提取； 使用限定步长特 征提取数据进行二次循环特 征提取的方法为： inputDatak2＝outputDatak1 其中， outputDatak1表示U‑net变体神经网络模型的第k层第一次循环的输出数据， inputDatak1表示U‑net变体神经网络模型的第k层第一次循环的输入数据， mk1和nk1表示 inputDatak1的高度和宽度， Kernelk1表示U‑net变体神经 网络模型的第k层第一次循环的特 征提取矩阵， stridek1表示U‑net变体神经网络模型第k层第一次循环的特征提取矩阵在输 入数据矩阵中每次移动的步长； k1表示变体神经网络模型第k层第一次循环； i， j分别代表 inputDatak1第i行第j列； outputDatak表示U‑net变体神经网络模型的第k层第二次循环的输出数据， 同时也是U ‑ net变体神经网络第k层的输出； inputDatak2表示U‑net变体神经网络模型的第k层第二次循 环的输入数据， mk2和nk2表示inputDatak2的高度和宽度， Kernelk2表示U‑net变体神经网络模 型的第k层第二次循环的特征提 取矩阵， stridek2表示U‑net变体神经网络模型第k层第二次 循环的特征提取矩阵在输入数据矩阵中每次移动的步长； k2表示变体神经网络模型第k层权　利　要　求　书 2/4 页 3 CN 115512299 A 3