本發(fā)明涉及天氣雷達(dá)，具體涉及一種基于deeplabv3+的天氣雷達(dá)遷飛生物回波提取方法。

背景技術(shù)：

1、全球有成千上萬的鳥類在繁殖地和越冬地之間遷徙，它們的遷徙路線與人類活動區(qū)域有著大量交叉。研究動物的遷徙行為有助于實現(xiàn)兩個主要目標(biāo)：一是幫助合理規(guī)劃人類活動區(qū)域，減少對野生生物的干擾；二是提供重要信息，有助于更好地保護(hù)瀕危鳥類、預(yù)防疾病傳播、應(yīng)對氣候變化、保障糧食安全，以及降低航空安全風(fēng)險。

2、然而，相比于陸地生物，空中遷徙生物的監(jiān)測更加困難。分布廣泛的天氣雷達(dá)網(wǎng)絡(luò)系統(tǒng)為大規(guī)模監(jiān)測空中生物遷徙提供了可能。目前，天氣雷達(dá)主要用于氣象研究，生物回波反而被視為影響氣象觀測的干擾。由于單偏振雷達(dá)的數(shù)據(jù)類型較少，直接將數(shù)據(jù)應(yīng)用于機(jī)器學(xué)習(xí)算法進(jìn)行生物回波識別效果不佳。同時，現(xiàn)有的深度學(xué)習(xí)模型參數(shù)量大，難以大規(guī)模推廣和應(yīng)用。

技術(shù)實現(xiàn)思路

1、發(fā)明目的：本發(fā)明的目的是提供一種基于deeplabv3+的天氣雷達(dá)遷飛生物回波提取方法，以解決單偏振雷達(dá)收集的數(shù)據(jù)類型單一無法利用現(xiàn)有數(shù)據(jù)對其進(jìn)行分類和現(xiàn)有深度學(xué)習(xí)模型的參數(shù)量大，難以部署的問題。

2、技術(shù)方案：本發(fā)明所述的一種基于deeplabv3+的天氣雷達(dá)遷飛生物回波提取方法，包括以下步驟：

3、（1）選擇半徑為2.3公里的雷達(dá)掃描范圍內(nèi)的第一仰角和第二仰角進(jìn)行監(jiān)測；

4、（2）對收集到數(shù)據(jù)進(jìn)行預(yù)處理；

5、（3）構(gòu)建基于xception?的deeplabv3+語義分割網(wǎng)絡(luò)，并對xception?引入注意力機(jī)制模塊和邊緣提取模塊；

6、（4）對雷達(dá)圖像中的生物回波信息進(jìn)行提取。

7、進(jìn)一步的，步驟（2）包括以下步驟：

8、（21）將數(shù)據(jù)進(jìn)行坐標(biāo)轉(zhuǎn)換和渲染從極坐標(biāo)轉(zhuǎn)換到笛卡爾坐標(biāo)系統(tǒng)；

9、（22）采用三次樣條插值法對轉(zhuǎn)化后的笛卡爾坐標(biāo)數(shù)據(jù)進(jìn)行處理，生成分辨率為320×320?的雷達(dá)圖像；

10、（23）獲取第一仰角230km的反射率和譜寬數(shù)據(jù)以及第二仰角110km的反射率數(shù)據(jù)分別作為紅色通道、藍(lán)色通道和綠色通道融合為3通道320×320的彩色圖像；

11、（24）利用labelme對圖像進(jìn)行生物回波標(biāo)注。

12、進(jìn)一步的，步驟（21）具體如下：轉(zhuǎn)換公式如下：

13、；

14、其中，、和分別表示探測距離、仰角（0-90°）和方位角（0-360°）；x和y分別代表笛卡爾坐標(biāo)系下的位置信息。

15、進(jìn)一步的，步驟（3）具體如下：基于xception?的deeplabv3+語義分割網(wǎng)絡(luò)包括：空洞卷積模塊、注意力機(jī)制模塊和邊緣提取模塊；其中，意力機(jī)制模塊包含由空間注意力機(jī)制和通道注意力機(jī)制。

16、進(jìn)一步的，步驟（3）中，空洞卷積模塊用于對原始圖像進(jìn)行特征提取，獲取多尺度的上下文信息。

17、進(jìn)一步的，步驟（3）中，通道注意力機(jī)制通過對特征圖在通道維度上進(jìn)行全局池化，生成每個通道的重要性權(quán)重，而空間注意力機(jī)制則對特征圖的空間維度進(jìn)行池化，生成每個像素位置的重要性權(quán)重；兩者融合后，生成了一個經(jīng)過注意力加權(quán)的中間特征圖。

18、進(jìn)一步的，步驟（3）中，邊緣提取模塊對中間特征圖應(yīng)用canny邊緣檢測，提取初步的邊緣特征圖，記為?edge_aux；然后對中間特征圖應(yīng)用通道和空間注意力機(jī)制，使生成的注意力加權(quán)特征圖捕捉到圖像中顯著的區(qū)域和細(xì)節(jié)；經(jīng)過注意力機(jī)制增強(qiáng)的特征圖被傳遞到?deeplabv3+?后續(xù)的空洞卷積層和解碼器部分，逐步生成最終的特征圖；對最終生成的特征圖再次進(jìn)行?canny邊緣檢測，獲得一個新的邊緣特征圖，記為?edge；最后，將?edge_aux?和?edge?進(jìn)行拼接，通過一個卷積層生成最終的邊緣特征圖?combined_edge；邊緣特征圖被直接輸入到最后的特征融合階段，與深層的語義特征進(jìn)行結(jié)合。

19、本發(fā)明所述的一種基于deeplabv3+的天氣雷達(dá)遷飛生物回波提取系統(tǒng)，包括：

20、監(jiān)測模塊：用于選擇半徑為2.3公里的雷達(dá)掃描范圍內(nèi)的第一仰角和第二仰角進(jìn)行監(jiān)測；

21、預(yù)處理模塊：用于對收集到數(shù)據(jù)進(jìn)行預(yù)處理；

22、deeplabv3+語義分割模塊：用于構(gòu)建基于xception?的deeplabv3+語義分割網(wǎng)絡(luò)，并對xception?引入注意力機(jī)制模塊和邊緣提取模塊；

23、提取模塊：用于對雷達(dá)圖像中的生物回波信息進(jìn)行提取。

24、本發(fā)明所述的一種電子設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運(yùn)行的計算機(jī)程序，所述計算機(jī)程序被加載至處理器時實現(xiàn)任一項所述的一種基于deeplabv3+的天氣雷達(dá)遷飛生物回波提取方法。

25、本發(fā)明所述的一種存儲介質(zhì)，所述存儲介質(zhì)存儲有計算機(jī)程序，所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)任一項所述的一種基于deeplabv3+的天氣雷達(dá)遷飛生物回波提取方法。

26、有益效果：與現(xiàn)有技術(shù)相比，本發(fā)明具有如下顯著優(yōu)點(diǎn)：采用輕量級?xception?作為特征提取網(wǎng)絡(luò)的?deeplabv3+?模型，并集成了注意力機(jī)制模塊和邊緣提取模塊，以提高模型對生物回波的提取能力，同時保持模型的輕量化特性。此算法旨在通過廣泛分布的天氣雷達(dá)網(wǎng)絡(luò)，實現(xiàn)對空中生物大尺度的智能化監(jiān)測，降低設(shè)備部署成本和難度，推動空中生態(tài)智能化監(jiān)測技術(shù)的發(fā)展。該方法還可以幫助合理規(guī)劃人類活動區(qū)域，如航空線路設(shè)計和高樓建設(shè)選址；此外，它還有助于更有效地保護(hù)瀕危鳥類、預(yù)防病毒傳播、應(yīng)對氣候變化以及保障糧食安全。

技術(shù)特征：

1.一種基于deeplabv3+的天氣雷達(dá)遷飛生物回波提取方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于deeplabv3+的天氣雷達(dá)遷飛生物回波提取方法，其特征在于，步驟（2）包括以下步驟：

3.根據(jù)權(quán)利要求2所述的一種基于deeplabv3+的天氣雷達(dá)遷飛生物回波提取方法，其特征在于，步驟（21）具體如下：轉(zhuǎn)換公式如下：

4.根據(jù)權(quán)利要求1所述的一種基于deeplabv3+的天氣雷達(dá)遷飛生物回波提取方法，其特征在于，步驟（3）具體如下：基于xception?的deeplabv3+語義分割網(wǎng)絡(luò)包括：空洞卷積模塊、注意力機(jī)制模塊和邊緣提取模塊；其中，意力機(jī)制模塊包含由空間注意力機(jī)制和通道注意力機(jī)制。

5.根據(jù)權(quán)利要求4所述的一種基于deeplabv3+的天氣雷達(dá)遷飛生物回波提取方法，其特征在于，步驟（3）中，空洞卷積模塊用于對原始圖像進(jìn)行特征提取，獲取多尺度的上下文信息。

6.根據(jù)權(quán)利要求4所述的一種基于deeplabv3+的天氣雷達(dá)遷飛生物回波提取方法，其特征在于，步驟（3）中，通道注意力機(jī)制通過對特征圖在通道維度上進(jìn)行全局池化，生成每個通道的重要性權(quán)重，而空間注意力機(jī)制則對特征圖的空間維度進(jìn)行池化，生成每個像素位置的重要性權(quán)重；兩者融合后，生成了一個經(jīng)過注意力加權(quán)的中間特征圖。

7.根據(jù)權(quán)利要求4所述的一種基于deeplabv3+的天氣雷達(dá)遷飛生物回波提取方法，其特征在于，步驟（3）中，邊緣提取模塊對中間特征圖應(yīng)用canny邊緣檢測，提取初步的邊緣特征圖，記為?edge_aux；然后對中間特征圖應(yīng)用通道和空間注意力機(jī)制，使生成的注意力加權(quán)特征圖捕捉到圖像中顯著的區(qū)域和細(xì)節(jié)；經(jīng)過注意力機(jī)制增強(qiáng)的特征圖被傳遞到deeplabv3+?后續(xù)的空洞卷積層和解碼器部分，逐步生成最終的特征圖；對最終生成的特征圖再次進(jìn)行?canny邊緣檢測，獲得一個新的邊緣特征圖，記為?edge；最后，將?edge_aux?和edge?進(jìn)行拼接，通過一個卷積層生成最終的邊緣特征圖?combined_edge；邊緣特征圖被直接輸入到最后的特征融合階段，與深層的語義特征進(jìn)行結(jié)合。

8.一種基于deeplabv3+的天氣雷達(dá)遷飛生物回波提取系統(tǒng)，其特征在于，包括：

9.一種電子設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運(yùn)行的計算機(jī)程序，其特征在于，所述計算機(jī)程序被加載至處理器時實現(xiàn)根據(jù)權(quán)利要求1-7任一項所述的一種基于deeplabv3+的天氣雷達(dá)遷飛生物回波提取方法。

10.一種存儲介質(zhì)，所述存儲介質(zhì)存儲有計算機(jī)程序，其特征在于，所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)根據(jù)權(quán)利要求?1-7任一項所述的一種基于deeplabv3+的天氣雷達(dá)遷飛生物回波提取方法。

技術(shù)總結(jié)
本發(fā)明公開了一種基于Deeplabv3+的天氣雷達(dá)遷飛生物回波提取方法，包括以下步驟：（1）選擇半徑為2.3公里的雷達(dá)掃描范圍內(nèi)的第一仰角和第二仰角進(jìn)行監(jiān)測；（2）對收集到數(shù)據(jù)進(jìn)行預(yù)處理；（3）構(gòu)建基于Xception的DeepLabv3+語義分割網(wǎng)絡(luò)，并對Xception引入注意力機(jī)制模塊和邊緣提取模塊；（4）對雷達(dá)圖像中的生物回波信息進(jìn)行提??；本發(fā)明實現(xiàn)對空中生物大尺度的智能化監(jiān)測，降低設(shè)備部署成本和難度，推動空中生態(tài)智能化監(jiān)測技術(shù)的發(fā)展。

技術(shù)研發(fā)人員：陳奕伕,劉云平,吳東麗,高佳寧,劉聰,張永宏,還紅華,柏宗春,劉建龍
受保護(hù)的技術(shù)使用者：南京信息工程大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/26