CN112529045A - 一种与电力系统有关的天气图像识别方法、设备及介质 - Google Patents

一种与电力系统有关的天气图像识别方法、设备及介质 Download PDF

Info

Publication number
CN112529045A
CN112529045A CN202011311416.7A CN202011311416A CN112529045A CN 112529045 A CN112529045 A CN 112529045A CN 202011311416 A CN202011311416 A CN 202011311416A CN 112529045 A CN112529045 A CN 112529045A
Authority
CN
China
Prior art keywords
weather image
weather
layer
training
processed
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011311416.7A
Other languages
English (en)
Inventor
房超
蔡富东
吕昌峰
刘焕云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinan Xinxinda Electric Technology Co ltd
Original Assignee
Jinan Xinxinda Electric Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jinan Xinxinda Electric Technology Co ltd filed Critical Jinan Xinxinda Electric Technology Co ltd
Priority to CN202011311416.7A priority Critical patent/CN112529045A/zh
Publication of CN112529045A publication Critical patent/CN112529045A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

本申请公开了一种与电力系统有关的天气图像识别方法、设备及介质，方法包括：获取待识别的天气图像，待识别的天气图像中包括电力系统所处环境的地面信息与天空信息；对待识别的天气图像进行放大处理，得到处理后的天气图像；基于预先训练的天气图像识别模型对处理后的天气图像进行识别，得到天气类别，预先训练的天气图像识别模型是对SqueezeNet神经网络模型进行改进得到的，且所述预先训练的天气图像识别模型包括批标准化层BatchNormalization。根据电力系统所处环境的天气图像对SqueezeNet神经网络进行针对性改进，具有更快的识别速度以及更高的准确率。

Description

一种与电力系统有关的天气图像识别方法、设备及介质
技术领域
本申请涉及图像识别领域，具体涉及一种与电力系统有关的天气图像识别方法、设备及介质。
背景技术
当代社会，电力已经成为了人们生活和社会生产中不可或缺的一环，电力供应的安全稳定，对国民经济的稳定发展意义重大。因此，需要对电力系统的环境进行监控，以便于及时发现故障隐患。在电力系统的环境监控中，天气图像识别是其中重要的一环。
随着人工智能的快速发展，卷积神经网络(CNN)被广泛的应用于图像识别领域。现有的用于图像识别的卷积神经网络，例如AlexNET、ResNet等，虽然能够达到较高的识别准确率，但是还存在网络模型较大，参数量和计算量较大的问题，因此，一种能够应用到图像识别领域的轻量级卷积神经网络就成为了亟待解决的问题。
基于SqueezeNet卷积神经网络的Fire Module结构特性，其在大幅降低图像参数量的同时又保证了一定的精度。但是基于天气图像的图像特征较少且不明显，因此，将SqueezeNet卷积神经网络直接应用在天气图像的识别中难以获得理想的准确率，同时，其也存在识别速度不够快的问题。
发明内容
为了解决上述问题，例如，图像识别网络模型较大，计算复杂、获取的图像特征较少、识别速度不够快的问题，本申请提出了一种天气图像识别方法、设备及介质，包括：
第一方面，本申请提出了一种与电力系统有关的天气图像识别方法，包括：获取待识别的天气图像，所述待识别的天气图像中包括电力系统所处环境的地面信息与天空信息；对所述待识别的天气图像进行放大处理，得到处理后的天气图像；基于预先训练的天气图像识别模型对所述处理后的天气图像进行识别，得到天气类别，所述预先训练的天气图像识别模型是对SqueezeNet神经网络模型进行改进得到的，且所述预先训练的天气图像识别模型包括批标准化层Batch Normalization。
在一个示例中，所述预先训练的天气图像识别模型是对SqueezeNet神经网络模型改进得到的，所述改进包括：获取SqueezeNet神经网络模型，其中，所述SqueezeNet神经网络模型包括第一卷积层、第二卷积层、多个fire模块；在所述第一卷积层之后加入批标准化层Batch Normalization以及激活层ReLU；在所述多个fire模块的卷积层和ReLU层中间加入Batch Normalization层；在所述第二卷积层之后加入Batch Normalization层以及ReLU层。
在一个示例中，所述SqueezeNet神经网络模型还包括：平均池化层；所述改进还包括：降低所述第一卷积层的卷积核的数量与尺寸，且增大所述第一卷积层的卷积核的步长；设定所述第二卷积层的卷积核数量，并增大所述第二卷积层的卷积核的尺寸；增大所述平均池化层的尺寸。
在一个示例中，在所述增大所述平均池化层之后，所述方法还包括：为所述平均池化层加入全连接层Linear。
在一个示例中，基于预先训练的天气图像识别模型对所述处理后的天气图像进行识别，包括：对所述处理后的天气图像进行卷积，并提取与天气有关的若干个初级特征；对分布于不同区域的所述若干个初级特征进行聚合统计，用该区域中初级特征的最大值作为代表特征，得到若干个代表特征；对所述若干个代表特征进行若干次卷积、提取及聚合统计，得到若干个待选定特征；对分布于不同区域的所述若干个待选定特征进行聚合统计，用该区域中待选定特征的平均值作为最终特征，得到若干个最终特征；将所述若干个最终特征进行分类，得到对应的天气类别。
在一个示例中，所述天气图像识别模型的训练过程包括：获取训练集与验证集，其中，所述训练集与验证集中包含多张经过标注的天气图像；对所述训练集与验证集中所包含的所述天气图像进行放大处理，得到处理后的训练集与处理后的验证集；将所述处理后的训练集输入至初始训练模型进行训练，得到多组待确认的训练模型，其中，所述初始训练模型是对SqueezeNet神经网络模型进行改进得到的；将所述处理后的验证集输入至所述多组待确认的训练模型，筛选得到天气图像识别模型。
在一个示例中，所述将所述处理后的验证集输入至所述多组待确认的训练模型，筛选得到天气图像识别模型，具体包括：获取所述多组待确认的训练模型在识别过程中的数据损失，得到所述多组待确认的训练模型的数据损失；基于所述数据损失的排序，选择若干个数据损失最小的训练模型；获取所述若干个数据损失最小的训练模型的识别结果，并将所述识别结果与所述处理后的验证集进行对比，得到准确率，所述准确率包括：平均准确率；单类准确率、选择单类准确率高于预设最低检测准确率的若干个数据损失最小的训练模型，作为待选模型；将若干个所述待选模型中所述平均准确率最高的，作为天气图像识别模型。
在一个示例中，获取训练集与验证集之前，所述方法包括：获取多个数据样本，其中，所述多个数据样本是多张真实天气图像经过标注生成的；将所述多个数据样本按照7:3的比例分成训练集和验证集。
另一方面，本申请提出了一种与电力系统有关的天气图像识别设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权如上述任一示例所述的方法。
另一方面，本申请提出了一种与电力系统有关的天气图像识别的非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：如上述任一示例所述的方法。
通过本申请提出的一种天气图像识别方法、设备及介质能够带来如下有益效果：通过放大天气图像的尺寸，能够使神经网络获取更多的特征，根据电力系统所处环境的天气图像对SqueezeNet神经网络进行针对性改进，具有更快的识别速度以及更高的准确率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例中一种与电力系统有关的天气图像识别方法的流程示意图；
图2为本申请实施例中SqueezeNet神经网络模型的示意图；
图3为本申请实施例中改进后的SqueezeNet神经网络模型的示意图；
图4为本申请实施例中fire模块的示意图；
图5为本申请实施例中改进后的fire模块的示意图；
图6位本申请实施例中一种与电力系统有关的天气图像识别设备的示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
本申请实施例中所述的一种与电力系统有关的天气图像的识别方法存储于相应的系统中，用户可以使用终端来登录该系统，终端可以是智能手机、平板电脑、个人计算机等具有相应功能的硬件设备，上述终端中可以预装有该系统，也可以通过APP或WEB网站等方式，来登录该系统，以对与电力系统有关的天气图像进行识别。如图1所示，本申请实施例提供的一种与电力系统有关的天气图像识别方法方法，包括：
S101、获取待识别的天气图像，所述待识别的天气图像中包括电力系统所处环境的地面信息与天空信息。
具体地，系统获取待识别的天气图像，其中，待识别的天气图像可以是电力系统中的摄像头或相机经过实时拍摄得到的照片，待识别的天气图像可以包括电力系统所处环境的地面信息、天空信息、设备信息。地面信息可以反映电力系统所处环境的地面是否有雨水、积雪等信息；天空信息可以反映电力系统所处环境的天空亮度、云层厚度以及是否有雨雪、雷电等信息；设备信息可以反映电力系统中的设备是否有雨水、积雪等信息。
S102、对所述待识别的天气图像进行放大处理，得到处理后的天气图像。
具体地，系统在获取到到待识别的天气图像之后，利用Python自带的函数对该待识别的天气图像进行放大处理，得到处理后的天气图像。例如：可以采用transforms.Resize()将待识别的天气图像的尺寸放大至408*408*3，通过放大操作，有利于将各种不同尺寸的待识别的天气图像调整至适合天气图像识别模型的网络大小，同时，更大尺寸的待识别的天气图像有利于获取更多的图像特征，有效提高识别精度。
进一步地，还可以采用transforms.Normalize()对待识别的天气图像进行标准化操作，各通道均值和标准差均设为0.5，通过标准化操作，有利于将待识别的天气图像变换到统一的量纲下，方便天气图像识别模型的识别和训练。
S103、基于预先训练的天气图像识别模型对所述处理后的天气图像进行识别，得到天气类别，所述预先训练的天气图像识别模型是对SqueezeNet神经网络模型进行改进得到的，且所述预先训练的天气图像识别模型包括批标准化层Batch Normalization。
具体地，系统根据预存的天气图像识别模型对处理后的天气图像进行识别，得到天气类别，天气类别可以包括：晴、多云、雨、雪、雾。此外，天气图像识别模型是预先训练的，同时，天气图像识别模型是通过对SqueezeNet神经网络迷行进行了改进得到的。
改进过程具体包括：获取SqueezeNet神经网络模型，如图2所示，SqueezeNet神经网络模型包括：第一卷积层Conv1、第一最大池化层Maxpool1、第一fire模块Fire1、第二fire模块Fire2、第三fire模块Fire3、第二最大池化层Maxpool2、第四fire模块Fire4、第五fire模块Fire5、第六fire模块Fire6、第七fire模块Fire7、第三最大池化层Maxpool3、第八fire模块Fire8、第二卷积层Conv2、平均池化层GlobalAvepool、分类器Softmax。
获取到SqueezeNet神经网络模型之后，如图3所示，可以在第一卷积层Conv1和第二卷积层Conv2之后加入批标准化层Batch Normalization，以及激活层ReLU(未显示于图3中)，加入BN层后可以使得该Conv1和Conv2输入的图像特征保持相同的分布，保持图像特征分布相对稳定，同时可以降低卷积层对神经网络模型参数的敏感程度，简化卷积层的调参过程，使得天气识别模型整体的识别过程更加稳定，有效缓解梯度消失的问题；此外，由于天气图像的特征是非线性特征，因此需要在Conv1和Conv2中加入激活层以将非线性特征形式的图像特征引入到卷积层，将该特征映射到高维的非线性区间进行解释，以解决线性模型所不能解决的问题，而加入ReLU层的作用是，相比于sigmod等激活层，ReLU激活层可以增加卷积层的稀疏性，减少神经网络模型参数的相互依存关系，缓解过拟合的问题。
此外，如图4所示，fire模块包括卷积层Conv、激活层ReLU、输出层Concat。对fire模块的改进如图5所示，还需要在第一fire模块Fire1、第二fire模块Fire2、第三fire模块Fire3、第四fire模块Fire4、第五fire模块Fire5、第六fire模块Fire6、第七fire模块Fire7、第八fire模块Fire8的卷积层和ReLU层中间加入BN层，使得输入到每个fire模块的图像特征都能保持相同分布，有利于加快整个神经网络模型的学习识别速度。
进一步地，可以通过Python对第一卷积层Conv1的参数进行调整，Conv1的原始参数代码为：nn.Conv2d(input_channels,96,kernel_size＝7,stride＝2)，调整为：nn.Conv2d(input_channels,64,kernel_size＝5,stride＝3)。通过修改，将Conv1中的卷积核数量从96降低至64，该操作有效降低了卷积的计算量，有助于加快图像特征提取的速度，将卷积核尺寸从7降低至5，有助于在更大的范围上提取图像特征。由于天气图像的图像特征分布比较离散，对局部特征的依赖少，因此将步长从2增加至3，强调了对离散图像特征的提取而非纠结于局部图像特征的提取，更贴近于天气图像识别的应用场景。通过上述参数调整，在天气图像尺寸增大的基础上，能够提取更多有效特征，同时，卷积计算量并未显著增加，也有效的保证了模型识别速度。
此外，可以通过Python对第二卷积层Conv2的参数进行调整，Conv2的原始的参数代码为：nn.Conv2d(512,num_classes,kernel_size＝1,stride＝1)，调整为：nn.Conv2d(512,128,kernel_size＝3,stride＝1)。通过修改，将Conv2中卷积核的数量定义为128，有助于提取更多的图像特征，同时将卷积核的尺寸从1增大至3，有助于提取关键特征。
此外，可以通过Python对平均池化层GlobalAvepool的参数进行调整，GlobalAvepool的原始参数代码为：nn.AvgPool2d(13,stride＝1)，调整为：nn.AvgPool2d(14,stride＝1)。通过增大GlobalAvepool的尺寸，有利于进一步提取深层的图像特征。
此外，还可以为GlobalAvepool加入全连接层Linear，通过对GlobalAvepool的输出的图像特征再经过一次Linear，可以将图像特征进行提取整合，选取关键图像特征作为输出图像特征。
更进一步地，系统基于预先训练的天气图像识别模型对处理后的天气图像进行识别，具体步骤为：将处理后的天气图像输入至天气图像识别模型，天气图像识别模型的第一卷积层Conv1对处理后的天气图像进行卷积，通过64个不同的卷积核从处理后的天气图像获得特征映射，可以有效的过滤处理后的天气图像的多余噪声信息特征，保留部分特征作为初级特征。由于初级特征是卷积核按照3的步长在处理后的天气图像上滑动提取的，因此初级特征分布于不同的区域。
第一最大池化层Maxpool1在接收到分布于不同区域的若干个初级特征后，对不同区域的若干个初级特征进行聚合统计，用某一区域中的若干个初级特征的最大值作为该区域的代表特征，通过聚合统计操作，能够实现特征的降维操作，减小神经网络过拟合。
Maxpool1对若干个初级特征进行聚合统计后，得到若干个代表特征，该若干个代表特征输入至第一fire模块Fire1，对若干个代表特征再次进行卷积，以提取相应特征。fire模块对特征进行卷积及提取，能够实现特征的升维操作，以提取更多细节特征。
在经过Fire1至Fire3的卷积及提取后，特征输入至第二最大池化层Maxpool2，对特征进行选取，以降低特征维度，减小神经网络过拟合。经过处理后，特征继续输入至Fire4，在经过Fire4至Fire7的卷积及提取后，特征输入至第三最大池化层Maxpool3，对特征进行选取，以降低特征维度，减小神经网络过拟合。
处理后的特征输入至Fire8，经Fire8卷积及提取后，特征输入至第二卷积层Conv2，Conv2对特征进行卷积及提取后，作为待选定特征输出至平均池化层GlobalAvepool。GlobalAvepool对分布于不同区域的若干个待选定特征进行聚合统计，用某一区域中的若干个待选定特征的平均值作为该区域的最终特征，若干个最终特征输入至分类器，经分类器进行分类后，得到对应的天气类别。
此外，还可以为GlobalAvepool加入全连接层Linear，通过对GlobalAvepool的输出的若干个最终特征再经过一次Linear操作，可以将若干个最终特征进行提取整合，选取若干个最终特征中的关键特征，并将该关键特征输入至分类器，经分类器分类后，得到对应的天气类别。
在一个实施例中，天气图像识别模型的训练过程包括：系统获取多个数据样本，其中，多个数据样本是多张真实天气图像经过标注生成的，该标注可以包括该多张真实天气图像对应的天气类别，多张真实天气图像包括但不限于：电力系统所处环境的天气图像、通过互联网或其他形式获取的天气图像。
系统将多个数据样本按照一定比例分成训练集与验证集，该比例可以是7:3。系统将训练集与验证集中所包含的多张经过标注的天气图像进行放大处理，得到处理后的训练集与处理后的验证集，其中，放大处理的过程与前文所述一致，在此不再赘述。系统构建初始训练模型，该初始训练模型是对SqueezeNet神经网络模型进行改进得到的，改进过程与前文所述一致，在此不再赘述。
系统将处理后的训练集输入至该初始训练模型进行训练，得到多组待确认的训练模型。系统将处理后的验证集输入至该多组待确认的训练模型，获取多组待确认的训练模型在识别过程中的数据损失，其中，数据损失是处理后的验证集上的平均交叉熵损失，具体为：用Mean Cross Entropy平均交叉熵作为损失函数来计算数据损失，该函数为：
Figure BDA0002789913580000091
其中，L为损失值；N为处理后的训练集中包含的数据样本的数量；M为天气类别的数量，在本申请实施例中该数量为5；yic为当前样本i属于类别c的真实概率，如果当前类别与对应的数据样本的标注相同就是1，不同就是0；pic为对于当前观测的天气图像属于类别c的预测概率。通过该交叉熵损失函数计算得到每组待确认的训练模型的数据损失。
系统可以根据数据损失由高到低的程度，对多组待确认的训练模型进行排序，并根据该排序，从数据损失程度最低的训练模型开始选择，选取若干个数据损失最小的训练模型，该若干个数据损失最小的训练模型的数量可以是3-5个。
系统获取若干个数据损失程度最小的训练模型的识别结果，由于处理后的验证集中包含多张经过标注的天气图像，因此，每一个数据损失程度最小的训练模型都有多个识别结果。系统将识别结果与处理后的验证集进行对比，得到准确率，同时基于识别结果是晴、多云、雨、雪、雾这五类中的任意一类，因此该准确率包括平均准确率与单类准确率，其中，平均准确率为五类识别结果的平均准确率，单类准确率为五类识别结果中每一类的准确率。系统中预存有最低检测准确率，该最低检测准确率包括但不限于0.9，由于单类准确率包括五类识别结果，因此，系统需要选取单类准确率中包括的五类识别结果全部高于最低检测准确率的若干个模型，作为待选模型。系统将若干个待选模型中，平均准确率最高的一个，作为天气图像识别模型。
如图6所示，本申请实施例还提供了一种与电力系统有关的天气图像识别设备，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上述任意一个实施例所述的方法。
本申请实施例还提供了一种与电力系统有关的天气图像识别的非易失性计算机存储介质，存储有计算机可执行指令，其中，计算机可执行指令设置为：如上述任意一个实施例所述的方法。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种与电力系统有关的天气图像识别方法，其特征在于，包括：
获取待识别的天气图像，所述待识别的天气图像中包括电力系统所处环境的地面信息与天空信息；
对所述待识别的天气图像进行放大处理，得到处理后的天气图像；
基于预先训练的天气图像识别模型对所述处理后的天气图像进行识别，得到天气类别，所述预先训练的天气图像识别模型是对SqueezeNet神经网络模型进行改进得到的，且所述预先训练的天气图像识别模型包括批标准化层Batch Normalization。
2.根据权利要求1所述的一种与电力系统有关的天气图像识别方法，其特征在于，所述预先训练的天气图像识别模型是对SqueezeNet神经网络模型改进得到的，所述改进包括：
获取SqueezeNet神经网络模型，其中，所述SqueezeNet神经网络模型包括第一卷积层、第二卷积层、多个fire模块；
在所述第一卷积层之后加入批标准化层Batch Normalization以及激活层ReLU；
在所述多个fire模块的卷积层和ReLU层中间加入Batch Normalization层；
在所述第二卷积层之后加入Batch Normalization层以及ReLU层。
3.根据权利要求2所述的一种与电力系统有关的天气图像识别方法，其特征在于，所述SqueezeNet神经网络模型还包括：平均池化层；
所述改进还包括：
降低所述第一卷积层的卷积核的数量与尺寸，且增大所述第一卷积层的卷积核的步长；
设定所述第二卷积层的卷积核数量，并增大所述第二卷积层的卷积核的尺寸；
增大所述平均池化层的尺寸。
4.根据权利要求3所述的一种与电力系统有关的天气图像识别方法，其特征在于，在所述增大所述平均池化层之后，所述方法还包括：
为所述平均池化层加入全连接层Linear。
5.根据权利要求1所述的一种与电力系统有关的天气图像识别方法，其特征在于，基于预先训练的天气图像识别模型对所述处理后的天气图像进行识别，包括：
对所述处理后的天气图像进行卷积，并提取与天气有关的若干个初级特征；
对分布于不同区域的所述若干个初级特征进行聚合统计，用该区域中初级特征的最大值作为代表特征，得到若干个代表特征；
对所述若干个代表特征进行若干次卷积、提取及聚合统计，得到若干个待选定特征；
对分布于不同区域的所述若干个待选定特征进行聚合统计，用该区域中待选定特征的平均值作为最终特征，得到若干个最终特征；
将所述若干个最终特征进行分类，得到对应的天气类别。
6.根据权利要求1所述的一种与电力系统有关的天气图像识别方法，其特征在于，所述天气图像识别模型的训练过程包括：
获取训练集与验证集，其中，所述训练集与验证集中包含多张经过标注的天气图像；
对所述训练集与验证集中所包含的所述天气图像进行放大处理，得到处理后的训练集与处理后的验证集；
将所述处理后的训练集输入至初始训练模型进行训练，得到多组待确认的训练模型，其中，所述初始训练模型是对SqueezeNet神经网络模型进行改进得到的；
将所述处理后的验证集输入至所述多组待确认的训练模型，筛选得到天气图像识别模型。
7.根据权利要求6所述的一种与电力系统有关的天气图像识别方法，其特征在于，所述将所述处理后的验证集输入至所述多组待确认的训练模型，筛选得到天气图像识别模型，具体包括：
获取所述多组待确认的训练模型在识别过程中的数据损失，得到所述多组待确认的训练模型的数据损失，所述数据损失是所述处理后的验证集上的平均交叉熵损失；
基于所述数据损失的排序，选择若干个数据损失最小的训练模型；
获取所述若干个数据损失最小的训练模型的识别结果，并将所述识别结果与所述处理后的验证集进行对比，得到准确率；所述准确率包括：平均准确率、单类准确率；
选择单类准确率高于预设最低检测准确率的若干个数据损失最小的训练模型，作为待选模型；
将若干个所述待选模型中所述平均准确率最高的，作为天气图像识别模型。
8.根据权利要求6所述的一种与电力系统有关的天气图像识别方法，其特征在于，获取训练集与验证集之前，所述方法包括：
获取多个数据样本，其中，所述多个数据样本是多张真实天气图像经过标注生成的；
将所述多个数据样本按照7:3的比例分成训练集和验证集。
9.一种与电力系统有关的天气图像识别设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-8中任意一项权利要求所述的方法。
10.一种与电力系统有关的天气图像识别的非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：如权利要求1-8中任意一项权利要求所述的方法。
CN202011311416.7A 2020-11-20 2020-11-20 一种与电力系统有关的天气图像识别方法、设备及介质 Pending CN112529045A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011311416.7A CN112529045A (zh) 2020-11-20 2020-11-20 一种与电力系统有关的天气图像识别方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011311416.7A CN112529045A (zh) 2020-11-20 2020-11-20 一种与电力系统有关的天气图像识别方法、设备及介质

Publications (1)

Publication Number Publication Date
CN112529045A true CN112529045A (zh) 2021-03-19

Family

ID=74981866

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011311416.7A Pending CN112529045A (zh) 2020-11-20 2020-11-20 一种与电力系统有关的天气图像识别方法、设备及介质

Country Status (1)

Country Link
CN (1) CN112529045A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052259A (zh) * 2021-04-14 2021-06-29 西南交通大学 一种基于联合投票网络的交通场景天气分类方法
CN115393363A (zh) * 2022-10-31 2022-11-25 山东金帝精密机械科技股份有限公司 一种轴承保持器的生产预警方法、设备及介质
CN115690519A (zh) * 2022-11-30 2023-02-03 北京中环高科环境治理有限公司 一种黑碳遥测方法、装置及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160092469A1 (en) * 2014-09-26 2016-03-31 Mcafee, Inc. Context-aware reputation of a place
CN108156519A (zh) * 2017-12-25 2018-06-12 深圳Tcl新技术有限公司 图像分类方法、电视设备及计算机可读存储介质
CN110096968A (zh) * 2019-04-10 2019-08-06 西安电子科技大学 一种基于深度模型优化的超高速静态手势识别方法
CN110399880A (zh) * 2019-07-31 2019-11-01 深圳市捷顺科技实业股份有限公司 一种车牌字符及车牌类别的识别方法、装置及设备
CN110929603A (zh) * 2019-11-09 2020-03-27 北京工业大学 一种基于轻量级卷积神经网络的天气图像识别方法
CN111507388A (zh) * 2020-04-10 2020-08-07 上海眼控科技股份有限公司 一种天气图像分类方法及设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160092469A1 (en) * 2014-09-26 2016-03-31 Mcafee, Inc. Context-aware reputation of a place
CN108156519A (zh) * 2017-12-25 2018-06-12 深圳Tcl新技术有限公司 图像分类方法、电视设备及计算机可读存储介质
CN110096968A (zh) * 2019-04-10 2019-08-06 西安电子科技大学 一种基于深度模型优化的超高速静态手势识别方法
CN110399880A (zh) * 2019-07-31 2019-11-01 深圳市捷顺科技实业股份有限公司 一种车牌字符及车牌类别的识别方法、装置及设备
CN110929603A (zh) * 2019-11-09 2020-03-27 北京工业大学 一种基于轻量级卷积神经网络的天气图像识别方法
CN111507388A (zh) * 2020-04-10 2020-08-07 上海眼控科技股份有限公司 一种天气图像分类方法及设备

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052259A (zh) * 2021-04-14 2021-06-29 西南交通大学 一种基于联合投票网络的交通场景天气分类方法
CN115393363A (zh) * 2022-10-31 2022-11-25 山东金帝精密机械科技股份有限公司 一种轴承保持器的生产预警方法、设备及介质
CN115393363B (zh) * 2022-10-31 2023-03-17 山东金帝精密机械科技股份有限公司 一种轴承保持器的生产预警方法、设备及介质
CN115690519A (zh) * 2022-11-30 2023-02-03 北京中环高科环境治理有限公司 一种黑碳遥测方法、装置及系统
CN115690519B (zh) * 2022-11-30 2023-08-04 北京中环高科环境治理有限公司 一种黑碳遥测方法、装置及系统

Similar Documents

Publication Publication Date Title
CN108830855B (zh) 一种基于多尺度低层特征融合的全卷积网络语义分割方法
CN112529045A (zh) 一种与电力系统有关的天气图像识别方法、设备及介质
CN109543627B (zh) 一种判断驾驶行为类别的方法、装置、及计算机设备
CN107229932B (zh) 一种图像文本的识别方法和装置
Wang et al. Building extraction from remote sensing images using deep residual U-Net
CN111428807A (zh) 图像处理方法及计算机可读存储介质
Kang et al. Deep learning-based weather image recognition
CN108985365B (zh) 基于深度子空间切换集成学习的多源异构数据融合方法
CN110188829B (zh) 神经网络的训练方法、目标识别的方法及相关产品
CN110322445B (zh) 基于最大化预测和标签间相关性损失函数的语义分割方法
Herdiyeni et al. Mobile application for Indonesian medicinal plants identification using fuzzy local binary pattern and fuzzy color histogram
CN111950389B (zh) 一种基于轻量级网络的深度二值特征人脸表情识别方法
CN114549913B (zh) 一种语义分割方法、装置、计算机设备和存储介质
CN111259783A (zh) 视频行为检测方法与系统、精彩视频回播系统及存储介质
CN104143081A (zh) 基于嘴部特征的笑脸识别系统及方法
Xia et al. Dilated multi-scale cascade forest for satellite image classification
Kalyoncu et al. GTCLC: leaf classification method using multiple descriptors
CN111368758A (zh) 一种人脸模糊度检测方法、装置、计算机设备及存储介质
Rao et al. Automatic auroral detection in color all-sky camera images
Reddy et al. Optimized convolutional neural network model for plant species identification from leaf images using computer vision
CN111860046A (zh) 一种改进MobileNet模型的人脸表情识别方法
CN112257801A (zh) 图像的增量聚类方法、装置、电子设备及存储介质
CN110929099A (zh) 一种基于多任务学习的短视频帧语义提取方法及系统
Dagher et al. Improving the SVM gender classification accuracy using clustering and incremental learning
CN114998595A (zh) 弱监督语义分割方法、语义分割方法及可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination