(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 202210372999.7 (22)申请日 2022.04.11 (71)申请人 成都信息工程大学 地址 610225 四川省成 都市西南 航空港经 济开发区学府路一段24 号 (72)发明人 刘说　杨玲　何玥　徐梓欣　 杨智鹏　 (74)专利代理 机构 成都拓荒者知识产权代理有 限公司 51254 专利代理师 王坚敏 (51)Int.Cl. G06V 10/762(2022.01) G06V 10/778(2022.01) G06K 9/62(2022.01) G01W 1/10(2006.01) (54)发明名称 一种自适应的云微粒子图像数据处 理方法 (57)摘要 本发明涉及一种自适应的云微粒子图像数 据处理方法， 主要包括依据机载综合气象测量系 统所得信息， 首先对原始云微粒子图像数据进行 基于高度的批次、 数据块划分及随机样本选择， 然后进行基于温度的批次、 数据块划分及随机样 本选择， 接着对数据进行聚类处理， 再针对特定 时间段原始云微粒子图像数据建立深度学习模 型， 对云微粒子数据筛选方案进行比较， 确定云 微粒子图像数据的处理方案， 该方法提高了对云 微粒子图像数据筛选的准确性、 可靠性及泛化能 力。 权利要求书3页 说明书6页 附图1页 CN 114821136 A 2022.07.29 CN 114821136 A 1.一种自适应的云微粒子图像数据处 理方法， 主 要包括以下步骤： 步骤1： 对云微粒子探测设备采集的原始云微粒子图像数据DLall进行基于高度的批次 划分 ： 每 M 分 钟 划分 为 一 个 批次 ， 得 到 N 个 批次 的 原 始云 微 粒 子图 像 数 据 ， 其中， m为根据飞机上搭载的机载综合气象测量系 统所记录 的飞行高度来获取的在整个飞行过程中每爬升l1米消耗的平均分钟数， α为加权 系数， 其中H(t)为t时刻飞机海拔高度， t为分钟数， 取整数， K为加权系数， 符号 为求偏导 数， T为云微粒子探测设备采集数据总分钟数， 第n个批次的原始云微粒子图像数据为DLn， n ∈[1,N]， 当DLall采集时间不足M分钟， 所有数据划分为 一个批次； 步骤2： 对步骤1所得的每个批次原始云微粒子图像数据DLn进行基于高度的数据块划 分， 得到图像数据块DLn,q； 步骤3： 对步骤2所得的图像数据块DLn,q进行随机样本选择： 分别从每个图像数据块 DLn,q中随机挑选E个原始云微粒子图像数据rn,q,E(e)， e＝[1, …,E]， 每个批次、 每个数据块 挑选的随机原始云微粒子图像数据组成相应批次、 相应数据块的基于高度筛选的随机原始 云微粒子图像数据集Rn,q； 步骤4： 对云微粒子探测设备采集的原始云微粒子图像数据DLall进行基于温度的批次 划分； 步骤5： 对步骤4所得的每个批次原始云微粒子图像数据基于温度的数据块划分， 得到 图像数据块DLy,z； 步骤6： 对步骤5所得的DLy,z进行随机样本选择： 分别从每个原始云微粒子图像数据块 DLy,z中随机挑选E个原始云微粒子图像数据sy,z,E(e)， e＝[1, …,E]， 每个批次、 每个数据块 挑选的随机原始云微粒子图像数据组成相应批次、 相应数据块的基于温度筛选的随机原始 云微粒子图像数据集Sy,z； 步骤7： 分别对步骤3和步骤6所得的随机原始云微粒子图像数据集Rn,q和Sy,z中的所有 图像数据进行 K均值聚类处 理， 得到相应的云微粒子像素块图像数据集RKmn,q和SKmy,z； 步骤8： 针对特定时间段原 始云微粒子图像数据建立深度学习模型: 步骤9： 对步骤7 所得的云微粒子像素块图像数据集RKmn,q进行筛选： 步骤10： 对步骤7 所得的云微粒子像素块图像数据集SKmy,z进行筛选； 步骤11： 对云微粒子数据筛 选方案进行比较， 确定云微粒子图像数据的处 理方案。 2.如权利要求1所述的一种自适应的云微粒子 图像数据处理方法， 其特征在于步骤2： 对步骤1所得的每个DLn进行基于高度的数据块划分， 得到图像数据块为DLn,q包括： 每P分钟 划分为一个数据块， P＜M， 得到Q个原 始云微粒子图像数据块， 其中， p为根据飞机上搭载 的机载综合气象测 量系统 所记录的飞行 高度来获取的在整个飞行过程中每爬升l2米消耗的平均秒 数， β 为加权系数， 其中V(i)为i时刻飞机海拔高度， i为秒钟数， 取整 数， B为加权系数， 第n个批次中的第q个原 始云微粒子图像数据块为DLn,q， q∈[1,Q]， 当DLall采集时间不足P分钟， 所有数据划分为一 个块。权　利　要　求　书 1/3 页 2 CN 114821136 A 23.如权利要求1所述的一种自适应的云微粒子 图像数据处理方法， 其特征在于步骤4： 对云微粒子探测设备采集的原始云微粒子图像数据DLall进行基于温度的批次划分包括： 每 W分钟划分为一个批次， 得到 Y个批次的原 始云微粒子图像数据， 其中， w为根据飞机上搭载的机载综合气象测量系统 所记录的飞行区域温度来获取的在整个飞行过程中每降低v1摄氏度消耗的平均分钟数， λ 为加权系数， 其中U(t)为t时刻飞机所在位置温度， t为分钟数， 取整数， C 为加权系数， 符号 为求偏导数， T为云微粒子探测设备采集数据总分钟数， 第y个批次的原始云微粒子图像数 据为DLy， y∈[1,Y]， 当DLall采集时间不足W分钟， 所有数据划分为 一个批次。 4.如权利要求1所述的一种自适应的云微粒子图像数据处理方法， 其特征在于步骤5包 括： 对步骤4所得的基于温度的数据块划分包括： X＜Y， 得到Z个原始云微粒子图像数据块， 其中， x根据飞机上搭载的机载综合气象测量系统所记 录的飞行区域温度来获取的在整个飞行过程中温度每下降v2摄氏度消耗的平均秒数， η为 加权系数， 其中U(i)为i时刻飞机所在位置温度， i为秒钟数， 取整数， D为加权系数， 第y个批 次中的第z个原始云微粒子图像数据块为DLy,z， z∈[1,Z]， 当DLall采集时间不足Z分钟， 所有 数据划分为 一个块。 5.如权利要求1所述的一种自适应的云微粒子 图像数据处理方法， 其特征在于步骤8： 针对特定时间段原 始云微粒子图像数据建立深度学习模型包括: 步骤8.1： 挑选大量的相同任务、 不同架次的飞机探测过程中的时间段G所对应的探测 到的原始 云微粒子图像数据组成数据集DAG,其中时间段G为挑选的所有 飞行架次的飞行总 时长的均值的中间时间段， G的时间长度为g分钟； 步骤8.2： 首先通过飞机上搭载的机载综合气象测量系统获得所挑选的数据集DLG对应 的不同架次飞机所在区域高度和温度， 然后计算出数据集DLG对应高度均值HA和温度均值 UA； 步骤8.3： 对数据集DLG进行像素块人工标记， 制作成深度学习模型数据集， 并在 ResNet34模型 上进行训练， 得到训练好的深度学习模型。 6.如权利要求5所述的一种自适应的云微粒子 图像数据处理方法， 其特征在于步骤9： 对步骤7所得的云微粒子像素块图像数据集RKmn,q进行筛选： 步骤9.1： 对数据集RKmn,q中的不同批次n、 不同数据 块q的数据进行遍历， 获取对应的飞 机所在平均高度HBn,q, 其中， HE_rn,q,E(e)为步骤3中随机挑选的E 个原始云微粒子图像数据rn,q,E(e)对应的飞机高度， e＝[1, …,E]； 步骤9.2： 对步骤9.1所得的平均高度HBn,q进行筛选， 找出平均高度HBn,q中与步骤8.2所 得高度均值HA欧式距离最小的平均高度HBn′,q′。 7.如权利要求6所述的一种自适应的云微粒子图像数据处理方法， 其特征在于步骤10： 对步骤7所得的云微粒子像素块图像数据集SKmy,z进行筛选包括：权　利　要　求　书 2/3 页 3 CN 114821136 A 3