人工增雨（雪）过程中的冰晶、云滴识别方法、装置、计算机设备和存储介质与流程

本发明涉及人工降雨工程，具体为一种人工增雨(雪)过程中的冰晶、云滴识别方法、装置、计算机设备和存储介质。

背景技术：

1、人工降雨的重要机理在于通过对过冷水施加扰动或者提供凝结核，以促使过冷水凝结为冰晶粒子。通常情况下，通过播撒催化剂的方式促使过冷水形成冰晶粒子。现有技术中，通过微脉冲激光雷达通过偏振通道，可以对粒子的球形度进行探测，进而识别冰晶和液滴，但由于激光雷达对边界层气溶胶同样敏感，如何区分气溶胶层和云层一直是激光雷达云识别算法的难点，并且无法判断液滴是否处于过冷状态，具有较大的不确定性。因此，人工影响天气作业中，对人工干预降水过程中的具体效果难以评估。

技术实现思路

1、针对现有技术的人工增雨(雪)过程中的冰晶、云滴识别方法、装置、计算机设备和存储介质，旨在解决现有技术中人工降水过程的具体效果难以评估的技术问题。

2、为实现以上目的，本发明通过以下技术方案予以实现：

3、第一方面，本技术提出一种人工增雨(雪)过程中的冰晶、云滴识别方法，包括如下步骤：

4、获取至少一张播撒催化剂前的第一云层图像以及至少一张人工播撒催化剂后的第二云层图像；其中，所述第一云层图像和所述第二云层图像是对同一作业云层拍摄所得；

5、采用训练好的网络模型对所述第二云层图像进行图像识别，以对所述第二云层图像中包含的云滴和冰晶进行分类，得到第一识别结果；

6、基于所述第一识别结果和预设分类规则，得到所述第二云层图像中云滴和冰晶粒子的类型及其在第二云层图像中的总粒子中的第一占比；

7、采用所述网络模型对所述第一云层图像进行图像识别，以对所述第一云层图像中包含的云滴和冰晶进行分类，得到第二识别结果；

8、基于所述第二云层图像中云滴和冰晶粒子的类型从所述第一识别结果中查找与所述第二云层图像中云滴和冰晶粒子的类型相同的粒子，并得到所述第一云层图像中与所述第二云层图像中的云滴和冰晶粒子的类型相同的粒子在所述第一云层图像中的总粒子中的第二占比；

9、基于所述第一占比和所述第二占比，得到云滴和冰晶粒子的占比变化率。

10、可选地，所述采用所述网络模型对所述第一云层图像进行图像识别，以对所述第一云层图像中包含的云滴和冰晶进行分类，得到第二识别结果的步骤之前，所述方法还包括：

11、获取预设占比，

12、若所述第一占比小于所述预设占比，则执行所述采用所述网络模型对所述第一云层图像进行图像识别，以对所述第一云层图像中包含的云滴和冰晶进行分类，得到第二识别结果的步骤

13、若所述第一占比大于或等于所述预设占比，则停止执行所述采用所述网络模型对所述第一云层图像进行图像识别，以对所述第一云层图像中包含的云滴和冰晶进行分类，得到第二识别结果的步骤。

14、可选地，所述第二云层图像包括多个；

15、所述采用训练好的网络模型对所述第二云层图像进行图像识别，以对所述第二云层图像中包含的云滴和冰晶进行分类，得到第一识别结果步骤包括：

16、采用所述网络模型对每一个所述第二云层图像进行图像识别，以对每一个所述第二云层图像中包含的云滴和冰晶进行分类，得到多个第一识别结果；

17、所述基于所述第一识别结果和预设分类规则，得到所述第二云层图像中云滴和冰晶粒子的类型及其在第二云层图像中的总粒子中的第一占比的步骤包括：

18、基于每一所述第一识别结果和预设分类规则，得到每一个所述第二云层图像中云滴和冰晶粒子的类型和数目及其对应的第二云层图像中的总粒子；

19、累计所有的第二云层图像中云滴和冰晶粒子的数目，得到总可降水粒子数目；

20、累计所有的第二云层图像中总粒子的数目，得到总粒子数目；

21、基于所述总云滴和冰晶粒子数目和所述总粒子数目，得到所述第一占比。

22、可选地，所述采用所述网络模型对每一个所述第二云层图像进行图像识别，以对每一个所述第二云层图像中包含的冰晶进行分类，得到多个第一识别结果的步骤之前，所述方法还包括：

23、调整每一所述第二云层图像的显示参数，使得每一所述第二云层图像具有相同的显示参数；所述显示参数至少包括待识别的区域大小、分辨率、对比度和亮度中的至少一个。

24、可选地，所述基于所述第一占比和所述第二占比，得到云滴和冰晶粒子的占比变化率的步骤之后，所述方法还包括：

25、若所述占比变化率小于预设变化率阈值，则：

26、基于所述第一识别结果，得到所述第二云层图像中的第一粒子浓度；所述第一粒子浓度为所述第二云层图像中的总粒子在单位面积内的数目；

27、基于所述第二识别结果，得到所述第一云层图像中的第二粒子浓度；所述第二粒子浓度为所述第一云层图像中的总粒子在单位面积内的数目；

28、基于所述第一粒子浓度和所述第二粒子浓度，得到粒子浓度变化比率。

29、可选地，所述获取至少一张人工播撒催化剂后的第二云层图像的步骤包括：

30、获取对应于每一个播撒时间至少一张第二云层图像；

31、所述识别方法还包括：

32、得到每一个播撒时间对应的所述第二云层图像中云滴和冰晶粒子的类型及其各自的第二云层图像中的总粒子中的第一占比；

33、根据所述第一占比与每一个播撒时间的对应关系，得到云滴和冰晶粒子随播撒时间的变化关系。

34、可选地，所述训练好的网络模型为bp神经网络模型或卷积神经网络模型。

35、第二方面，本技术还提出人工增雨(雪)过程中的冰晶、云滴识别装置，包括

36、获取模块，适用于获取至少一张播撒催化剂前的第一云层图像以及至少一张人工播撒催化剂后的第二云层图像；其中，所述第一云层图像和所述第二云层图像是对同一作业云层拍摄所得；

37、分类模块，适用于采用训练好的网络模型对所述第二云层图像进行图像识别，以对所述第二云层图像中包含的云滴和冰晶进行分类，得到第一识别结果；以及适用于采用所述网络模型对所述第一云层图像进行图像识别，以对所述第一云层图像中包含的云滴和冰晶进行分类，得到第二识别结果；

38、计算模块，适用于基于所述第一识别结果和预设分类规则，得到所述第二云层图像中云滴和冰晶粒子的类型及其在第二云层图像中的总粒子中的第一占比；并基于所述第二云层图像中云滴和冰晶粒子的类型从所述第一识别结果中查找与所述第二云层图像中云滴和冰晶粒子的类型相同的粒子，并得到所述第一云层图像中与所述第二云层图像中的云滴和冰晶粒子的类型相同的粒子在所述第一云层图像中的总粒子中的第二占比；基于所述第一占比和所述第二占比，得到云滴和冰晶粒子的占比变化率。

39、第三方面，本技术还提出一种存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行，用以实现如前所述的人工增雨(雪)过程中的冰晶、云滴识别方法。

40、第四方面，本技术还提出一种计算机设备，其特征在于，包括：处理器、存储装置和通信接口，所述处理器、所述通信接口和所述存储装置相互连接，其中，所述存储装置存储有可执行程序代码，所述处理器用于调用所述可执行程序代码，用以实现如前所述的人工增雨(雪)过程中的冰晶、云滴识别方法。

41、本技术实施例的技术方案中，通过获取播撒催化剂前、后的第一、第二云层图像，并通过训练好的网络模型进行识别，以识别第一、第二云层图像，分别得到第二、第一识别结果；通过预先设置好的预设分类规则，对第一识别结果进行分类，得到云滴和冰晶粒子的类型及其占总粒子的第一占比；然后，在第二识别结果中找到与第一识别结果中云滴和冰晶粒子类型相同的粒子的类型，及其在第一云层图像中总粒子中的第二占比；基于所述第一占比和所述第二占比，得到云滴和冰晶粒子的占比变化率。通过占比变化率评估催化剂播撒的效果，以解决现有技术中人工影响天气效果难以评估的技术问题。