李嬌

摘 要：本研究通過(guò)深入研究機(jī)器學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)算法，設(shè)計(jì)搭建基于AI的圖像識(shí)別算法模型，將圖像識(shí)別算法模型植入監(jiān)測(cè)設(shè)備前端，從而實(shí)現(xiàn)對(duì)城市內(nèi)澇水位的智能識(shí)別。該系統(tǒng)由超高清攝像機(jī)、AI算力GPU、無(wú)線路由器、碼流服務(wù)器組建而成，此開(kāi)發(fā)與研究將作為城市氣象要素觀測(cè)設(shè)備的必要補(bǔ)充，與當(dāng)前氣象業(yè)務(wù)緊密結(jié)合，從而提升對(duì)城市內(nèi)澇氣象服務(wù)的支撐，拓展了對(duì)社會(huì)和公眾服務(wù)的手段和方式，推進(jìn)氣象智能觀測(cè)發(fā)展邁入新的臺(tái)階。

關(guān)鍵詞：AI;圖像識(shí)別;算法;氣象水位監(jiān)測(cè)

中圖分類號(hào)：P409 ? ? 文獻(xiàn)標(biāo)志碼：A ? ? 文章編號(hào)：1003-5168（2022）5-0020-04

DOI：10.19968/j.cnki.hnkj.1003-5168.2022.05.004

Development and Research of AI-based Urban Water Level Identification System

LI Jiao1，2

（1.China Meteorological Administration Henan Provincial Key Laboratory of Agricultural Meteorological Support and Application Technology， Zhengzhou 450003，China; 2.Henan Provincial Meteorological Observation Data Center， Zhengzhou 450003，China）

Abstract：This redearch through in-depth study of machine learning convolutional neural algorithm，design and construction of AI image recognition algorithm model，implant the image recognition algorithm model into the front end of monitoring equipment，so as to realize the intelligent identification of water level in urban waterlogging.The system relies on ultra-high-definition cameras，AI computing GPUs，wireless routing，and stream servers.This development and research will serve as a necessary supplement to urban meteorological element observation equipment，and will be closely integrated with the current meteorological business to improve the support for urban flooding meteorological services，expanded the means and methods of serving the society and the public，and stepped into a new stage for the further development of meteorological intelligent observation.

Keywords： AI;image recognition;algorithm;meteorological water level monitoring

0 引言

隨著新一代信息技術(shù)引發(fā)的信息環(huán)境與數(shù)據(jù)基礎(chǔ)變革，人工智能（Artificial Intelligence，AI）迎來(lái)了增長(zhǎng)的爆發(fā)期。近年來(lái)，人工智能技術(shù)在國(guó)內(nèi)的不同領(lǐng)域都有著較好的試探性應(yīng)用。在氣象觀測(cè)領(lǐng)域，通過(guò)對(duì)氣象觀測(cè)應(yīng)用技術(shù)的不斷改進(jìn)和完善，其已經(jīng)向數(shù)字化、智能化、規(guī)范化和現(xiàn)代化方向發(fā)展。2019年11月4日，中國(guó)氣象局印發(fā)的《氣象觀測(cè)技術(shù)發(fā)展引領(lǐng)計(jì)劃（2020—2035年）》通知明確指出：“將人工智能、物聯(lián)網(wǎng)、大數(shù)據(jù)等通用技術(shù)應(yīng)用于氣象觀測(cè)設(shè)備研發(fā)、觀測(cè)數(shù)據(jù)加工處理、觀測(cè)裝備運(yùn)行保障，實(shí)現(xiàn)全球氣象觀測(cè)和資料傳輸?！蓖苿?dòng)人工智能技術(shù)在氣象領(lǐng)域的專業(yè)化應(yīng)用探索，推進(jìn)氣象觀測(cè)業(yè)務(wù)化應(yīng)用及觀測(cè)裝備的智能化改造，突破智能氣象觀測(cè)壁壘，加快氣象觀測(cè)現(xiàn)代化建設(shè)的步伐，從而為實(shí)現(xiàn)氣象事業(yè)高質(zhì)量發(fā)展夯實(shí)觀測(cè)基礎(chǔ)。

傳統(tǒng)的內(nèi)澇水位識(shí)別監(jiān)測(cè)系統(tǒng)存在較多的弊端，高效智能的信息化手段嚴(yán)重匱乏。而人工智能深度增強(qiáng)算法在大數(shù)據(jù)圖形比對(duì)、實(shí)時(shí)分析預(yù)警等方面具有重要的經(jīng)濟(jì)價(jià)值和應(yīng)用前景，人工智能的氣象觀測(cè)應(yīng)用技術(shù)將大規(guī)模投入到實(shí)際應(yīng)用中。人工智能在氣象觀測(cè)領(lǐng)域的應(yīng)用呈現(xiàn)出由傳統(tǒng)機(jī)器學(xué)習(xí)向深度學(xué)習(xí)方向發(fā)展的趨勢(shì)。本研究探索前沿形勢(shì)以及氣象觀測(cè)的智能化應(yīng)用，搭建人工智能圖像識(shí)別算法模型，植入前端設(shè)備，開(kāi)發(fā)出基于AI的城市內(nèi)澇水位識(shí)別氣象監(jiān)測(cè)系統(tǒng)。

1 系統(tǒng)總體設(shè)計(jì)

1.1 設(shè)計(jì)原則

該系統(tǒng)的開(kāi)發(fā)以現(xiàn)有氣象觀測(cè)業(yè)務(wù)需求為導(dǎo)向，與氣象觀測(cè)的實(shí)際應(yīng)用相結(jié)合，實(shí)現(xiàn)前端觀測(cè)設(shè)備智能識(shí)別、氣象數(shù)據(jù)服務(wù)平臺(tái)展示的功能。前端觀測(cè)設(shè)備能夠直接快速識(shí)別預(yù)警信息，并將其傳輸?shù)酱a流服務(wù)器中，作為歷史數(shù)據(jù)進(jìn)行存儲(chǔ)，Server服務(wù)器可以隨時(shí)調(diào)用碼流服務(wù)器中的數(shù)據(jù)，并可在人工智能氣象數(shù)據(jù)服務(wù)平臺(tái)進(jìn)行展示，能夠有效地推進(jìn)智能監(jiān)測(cè)技術(shù)在氣象觀測(cè)領(lǐng)域的應(yīng)用，體現(xiàn)了集約化、智能化和安全性原則。系統(tǒng)的總體結(jié)構(gòu)如圖1所示。

1.2 設(shè)計(jì)思想及總體框架

該系統(tǒng)結(jié)合了5G、人工智能等[1]前沿技術(shù)的先進(jìn)理念，面向氣象觀測(cè)自動(dòng)化改革業(yè)務(wù)發(fā)展與服務(wù)的需求，利用人工智能感知技術(shù)與深度卷積神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)算法，搭建算法模型，設(shè)計(jì)抽幀算法，循環(huán)優(yōu)化識(shí)別算法模型庫(kù)，實(shí)現(xiàn)前端設(shè)備的智能化識(shí)別。通過(guò)GPU視頻處理中心內(nèi)置的北斗芯片，完成基于位置服務(wù)的城市內(nèi)澇水位識(shí)別氣象監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)。

該氣象監(jiān)測(cè)系統(tǒng)采用B/S結(jié)構(gòu)模式，在嵌入式Linux環(huán)境中進(jìn)行開(kāi)發(fā)。采用C#、python、HTML5/JavaScript語(yǔ)言進(jìn)行編程，圖像識(shí)別采用阿里云GPU服務(wù)器，整個(gè)系統(tǒng)平臺(tái)使用阿里云ECS云服務(wù)器和API接口服務(wù)器，建立地圖引擎服務(wù)。

2 系統(tǒng)主要功能

該系統(tǒng)由前端識(shí)別設(shè)備、云端數(shù)據(jù)收集器、WebService數(shù)據(jù)服務(wù)器、監(jiān)控展示平臺(tái)四部分構(gòu)成。前端識(shí)別設(shè)備直接進(jìn)行拍攝，然后在GPU圖像處理中心進(jìn)行快速識(shí)別，通過(guò)DTU專用IP通道進(jìn)行數(shù)據(jù)傳輸，后臺(tái)通過(guò)網(wǎng)絡(luò)（RJ網(wǎng)口、WIFY、4G/5G）與云端服務(wù)器連接。水位識(shí)別結(jié)構(gòu)流程圖如圖2所示。

2.1 前端設(shè)備識(shí)別技術(shù)

設(shè)計(jì)AI算法模型，植入前端設(shè)備，實(shí)現(xiàn)前端設(shè)備直接快速識(shí)別。設(shè)備內(nèi)置GPU（圖形處理器），專門(mén)用來(lái)處理圖像。存儲(chǔ)系統(tǒng)實(shí)際上是一個(gè)二維的分段存儲(chǔ)空間，包括一個(gè)二維地址（圖像中的X、Y坐標(biāo)）和區(qū)段號(hào)（從中讀取的圖像）。在統(tǒng)一的開(kāi)放運(yùn)算語(yǔ)言（Open Computing Language，OpenCL）編程環(huán)境下進(jìn)行編程。

2.2 遠(yuǎn)端數(shù)據(jù)處理平臺(tái)

前端圖像采集設(shè)備內(nèi)置通信模塊傳輸，包括DTU、路由器、4G/5G卡，而識(shí)別到的水位數(shù)據(jù)通過(guò)同步程序，實(shí)現(xiàn)數(shù)據(jù)的傳輸、存儲(chǔ)和收集功能。對(duì)前端圖像采集設(shè)備進(jìn)行設(shè)置，通過(guò)專有IP+端口將數(shù)據(jù)傳輸?shù)皆贫藬?shù)據(jù)平臺(tái)。

2.3 AI水位識(shí)別實(shí)時(shí)監(jiān)控展示平臺(tái)

在試驗(yàn)點(diǎn)對(duì)水位進(jìn)行識(shí)別監(jiān)測(cè)，依托前端IP攝像機(jī)對(duì)水尺刻度進(jìn)行拍照，通過(guò)深度學(xué)習(xí)目標(biāo)檢測(cè)算法模型實(shí)現(xiàn)對(duì)水尺的定位，內(nèi)置GPU對(duì)數(shù)據(jù)進(jìn)行讀取、篩選和計(jì)算，將識(shí)別結(jié)果通過(guò)網(wǎng)絡(luò)上傳到碼流服務(wù)器，并作為歷史數(shù)據(jù)存儲(chǔ)起來(lái)，Server服務(wù)器隨時(shí)可以調(diào)用這些數(shù)據(jù)。

3 算法研究

卷積神經(jīng)網(wǎng)絡(luò)[2]是在研究貓的視覺(jué)皮層電生理過(guò)程中受到啟發(fā)而開(kāi)始的一個(gè)研究，最早由Hubel和Wiesel在試驗(yàn)中發(fā)現(xiàn)。近年來(lái)，卷積神經(jīng)網(wǎng)絡(luò)在圖像領(lǐng)域中的應(yīng)用取得了巨大突破，在結(jié)構(gòu)上，其包含輸入層、卷積層、池化層和全連接層，也可以包含多個(gè)卷積層、池化層、全連接層。

3.1 輸入層

輸入層的主要任務(wù)是讀取圖像信息，可以直接處理多維數(shù)據(jù)，該層的神經(jīng)元個(gè)數(shù)與圖像的維度緊密相關(guān)[3]。卷積神經(jīng)網(wǎng)絡(luò)的輸入層將輸入特征做標(biāo)準(zhǔn)化處理，可以提高算法的學(xué)習(xí)表現(xiàn)和運(yùn)行效率。

3.2 卷積層

自然圖像有其固有特性，圖形每一部分的統(tǒng)計(jì)特性與其他部分相同，圖像的所有位置可以使用同樣的學(xué)習(xí)特征，這就意味著在這一部分學(xué)習(xí)到的特征也可以用在另一部分上[4]。卷積神經(jīng)網(wǎng)絡(luò)中的特征提取[5]是在卷積層中完成，首先通過(guò)對(duì)圖像中的一個(gè)特征進(jìn)行局部感知，繼而對(duì)局部特征進(jìn)行更高層次的綜合操作。

3.3 池化層

通過(guò)將卷積層提取到的特征輸入到分類器中進(jìn)行訓(xùn)練，可以實(shí)現(xiàn)輸出最終的分類結(jié)果。若只對(duì)圖像連續(xù)區(qū)域的隱含神經(jīng)元產(chǎn)生的卷積特征進(jìn)行池化處理，池化后的特征具有平移不變性。由于圖像具有“靜態(tài)性”的屬性，在圖像的一個(gè)局部區(qū)域得到的特征極有可能在其他區(qū)域同樣適用。因此，可以對(duì)圖像的一個(gè)局部區(qū)域中不同位置的特征進(jìn)行聚合統(tǒng)計(jì)（或平均池化）[6-11]。

3.4 全連接層

在卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，經(jīng)過(guò)多個(gè)卷積層和池化層后，連接著1個(gè)或1個(gè)以上的全連接層（見(jiàn)圖3）。全連接層可以整合卷積層或池化層具有類別區(qū)分性的局部信息。在全連接層中，前一層的所有神經(jīng)元與本層神經(jīng)元進(jìn)行全連接，并且連接所有特征，將輸出值送給分類器。

其中，全連接層的輸入為X1、X2、X3，輸出為a1、a2、a3，則全連接層的核心運(yùn)算就是矩陣向量乘積，如式（1）所示。

[a1=W11×X1+W12×X2+W13×X3+b1]

[a2=W21×X1+W22×X2+W23×X3+b2] （1）

[a3=W31×X1+W32×X2+W33×X3+b3]

式中，Wij表示第j個(gè)神經(jīng)元到第i個(gè)神經(jīng)元的連接的權(quán)重;bi表示偏置單元。

3.5 卷積神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)表達(dá)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）[12-19]在圖像識(shí)別中的應(yīng)用基本思路是：卷積神經(jīng)網(wǎng)絡(luò)對(duì)識(shí)別到的不同類別每一幀圖像建立分類器模型，并感知圖像局部特征，并對(duì)計(jì)算機(jī)視覺(jué)領(lǐng)域的架構(gòu)進(jìn)行設(shè)計(jì)，綜合局部特征得到全部特征。

卷積的數(shù)學(xué)運(yùn)算表達(dá)定義為式（2）。

[z（t）=f（t）×g（t）=fτgt?τ] ? （2）

式中，t為變量函數(shù)，[τ]為反褶變量函數(shù)。

其積分形式表達(dá)式為式（3）。

[z（t）=f（t）×gt=fτgt?τdτ=]

[ft?τgτdτ] ? ? （3）

函數(shù)f經(jīng)過(guò)翻轉(zhuǎn)平移，與函數(shù)g重疊部分的面積由計(jì)算可得。圖像可用二維坐標(biāo)系的函數(shù)表示，記為[fx，y、gx，y，由此得出z（x，y）]為式（4）。

[zx，y=fx，y×gx，y] ? ?（4）

卷積過(guò)程實(shí)現(xiàn)圖像特征的提取，二維坐標(biāo)計(jì)算表達(dá)式為式（5）。

[zx，y=fx，y×gx，y=]

[ft，?gx?t，y??] ? ?（5）

式中，h為變量函數(shù)。

積分表達(dá)式為式（6）。

[zx，y=fx，y×gx，y=]

[ft，?gx?t，y?hdtdh] ? ?（6）

4 結(jié)語(yǔ)

本研究設(shè)計(jì)的基于AI水位識(shí)別系統(tǒng)能夠?qū)⒔Y(jié)果實(shí)時(shí)上傳，既可存儲(chǔ)于碼流服務(wù)器作為歷史數(shù)據(jù)，又可以在不同平臺(tái)實(shí)時(shí)顯示起到預(yù)警作用，可以網(wǎng)格化實(shí)時(shí)傳輸場(chǎng)景圖像及識(shí)別分析結(jié)果。通過(guò)搭建算法模型，不斷優(yōu)化深度學(xué)習(xí)算法，嵌入前端GPU，實(shí)現(xiàn)前端識(shí)別加后端存儲(chǔ)調(diào)用，為主管部門(mén)和服務(wù)單位提供氣象服務(wù)。此系統(tǒng)研究可以作為氣象精密觀測(cè)的有效補(bǔ)充，提供更為精準(zhǔn)的氣象服務(wù)、更加智能網(wǎng)格化的實(shí)時(shí)預(yù)警。

參考文獻(xiàn)：

[1] 朱玲，吳心玥.人工智能在氣象領(lǐng)域的應(yīng)用述評(píng)[J].廣東氣象，2019（1）：35-39.

[2] 曹曉杰，么嬈，嚴(yán)雨靈.應(yīng)用遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)花卉圖像識(shí)別[J].計(jì)算機(jī)應(yīng)用與軟件，2020（8）：142-148.

[3] 魏存超.基于卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像分類的研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2017.

[4] 圣文順，孫艷文.卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別中的應(yīng)用[J].軟件工程，2019（2）：13-16.

[5] 盧宏濤，張秦川.深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺(jué)中的應(yīng)用研究綜述[J].軟件工程，2016（1）：1-17.

[6] 黃小玉，張垚，葉成志，等.地面積雪天氣現(xiàn)象人工智能觀測(cè)識(shí)別研究[J].氣象，2019（9）：1189-1198.

[7] 胡維煒，張武，劉連忠.基于Variance-SFFS的小麥葉部病害圖像識(shí)別[J].湖南農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2018（2）：225-228.

[8] 王玉晶，莫建麟.卷積神經(jīng)網(wǎng)絡(luò)算法在近紅外光人臉檢測(cè)中的研究[J].激光雜志，2019（4）：180-183.

[9] 吳瓊，郝洋，王洪鵬，等.一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)算法在交通視頻圖像識(shí)別中的應(yīng)用[J].教育教學(xué)論壇，2019（27）：211-212.

[10] 劉偉，羅鳳鳴，趙薪羽.基于氣象因子與誤差修正的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)模型[J].電氣自動(dòng)化，2020（1）：61-63.

[11] 馮曉，李丹丹，王文君，等.基于輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的小麥葉部病害圖像識(shí)別[J].河南農(nóng)業(yè)科學(xué)，2021（4）：174-180.

[12] 張玉紅，白韌祥，孟凡軍，等.圖像識(shí)別中的卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用研究[J].新技術(shù)新工藝，2021（1）：52-55.

[13] 于杰.卷積神經(jīng)網(wǎng)絡(luò)在數(shù)字圖像隱寫(xiě)與識(shí)別中的應(yīng)用[J].通信電源技術(shù)，2021（2）：120-123.

[14] 黃鵬桂，趙璠，李曉平，等.卷積神經(jīng)網(wǎng)絡(luò)在紅木樹(shù)種識(shí)別中的應(yīng)用[J].浙江農(nóng)林大學(xué)學(xué)報(bào)，2020（6）：1200-1206.

[15] 匡秋明，于廷照.AI技術(shù)與衛(wèi)星資料應(yīng)用研究現(xiàn)狀分析[J].氣象科技進(jìn)展，2020（3）：21-29.

[16] 李建，張鋒，陳沖，等.基于AI智能語(yǔ)音交互氣象服務(wù)的研究與應(yīng)用[J].計(jì)算機(jī)技術(shù)與發(fā)展，2020（12）：197-202.

[17] 任曉煒，馬軍，李靜鋒，等.地面氣象觀測(cè)無(wú)人值守系統(tǒng)的設(shè)計(jì)與應(yīng)用[J].氣象與環(huán)境科學(xué)，2019（3）：129-135.

[18] 馬寧，楊有林，衛(wèi)建國(guó)，等.寧夏氣象基礎(chǔ)觀測(cè)數(shù)據(jù)智能化分析應(yīng)用系統(tǒng)設(shè)計(jì)[A].中國(guó)氣象學(xué)會(huì).第35屆中國(guó)氣象學(xué)會(huì)年會(huì)S20深度信息化：應(yīng)用支持與智能發(fā)展[C].2018：3.

[19] 馬林，孫艷云，苗傳海，等.天氣現(xiàn)象視頻智能觀測(cè)儀技術(shù)要求分析[J].電子元器件與信息技術(shù)，2020（4）：69-70，74.