CN112884031A - 一种基于卷积神经网络的地基云图云状自动识别方法 - Google Patents

一种基于卷积神经网络的地基云图云状自动识别方法 Download PDF

Info

Publication number
CN112884031A
CN112884031A CN202110156713.7A CN202110156713A CN112884031A CN 112884031 A CN112884031 A CN 112884031A CN 202110156713 A CN202110156713 A CN 202110156713A CN 112884031 A CN112884031 A CN 112884031A
Authority
CN
China
Prior art keywords
neural network
convolutional neural
network model
cloud
cloud picture
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
CN202110156713.7A
Other languages
English (en)
Inventor
王敏
周树道
庄志豪
王康
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202110156713.7A priority Critical patent/CN112884031A/zh
Publication of CN112884031A publication Critical patent/CN112884031A/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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于卷积神经网络的地基云图云状自动识别方法，包括步骤：(1)采集多种类型的全天空云图，并进行图片尺寸归一化处理，建立全天空云图样本库；(2)搭建卷积神经网络模型；(3)将全天空云图样本库按比列分为训练集和测试集，训练集和测试集均包括所有种类的全天空云图样本；(4)卷积神经网络模型初始化；(5)利用云图样本库的另一部分云图样本对训练完的卷积神经网络模型进行验证，根据测试结果调整卷积神经网络模型的结构；(6)利用调整完的卷积神经网络模型对测试集的云图样本进行识别，得到识别结果。本发明采用卷积神经网络对地基全天空云图样本库进行深度学习，提高了地基云图云状识别的精度。

Description

一种基于卷积神经网络的地基云图云状自动识别方法
技术领域
本发明涉及地基云图云状自动识别方法，尤其涉及一种基于卷积神经网络的地基云图云状自动识别方法。
背景技术
云的形状与大气温度、湿度、气流、凝结核和冰核数量密切相关。在现行的地面气象观测规范中，按云的外形特征、结构、特点和云底高度可将云状分为高、中、低3族10属29类，具有种类多、变化快、相似、易与天空背景融合等特点。实际观测中人工观测为主，存在着主观性强、准静态、成本高、观测点偏少以及信息记录不完整等问题。近年来，以中国科学院大气物理研究所吕达仁院士和解放军理工大学孙学金教授等人为首开始致力于研发利用仪器进行地基云的自动观测，实现了利用可见光、红外波段仪器获取全天空云图的工程化目的。但对于地基云图云状自动化识别方法而言，通常采用图像预处理→特征提取→分类器分类这样的流程，大多数研究者重点研究表达不同云属性的特征提取技术，但这种识别分类方法是基于人工经验提取特征的，且各个环节都是独立的，只有简单的两三层学习网络，实则是一种“浅层学习”，致使此类方法适用的云类别范围有限，加之分类器的选取、云的复杂变化，影响了器测云状识别的识别精度及识别速度。
发明内容
发明目的：本发明的目的是提供一种提高器测云状识别精度和识别速度的基于卷积神经网络的地基云图云状自动识别方法。
技术方案：本发明的地基云图云状自动识别方法，包括步骤：
(1)采集多种类型的全天空云图，并进行图片尺寸归一化处理，建立全天空云图样本库；
(2)搭建卷积神经网络模型；
(3)将全天空云图样本库按比列分为训练集和测试集，训练集和测试集均包括所有种类的全天空云图样本；
(4)卷积神经网络模型初始化；
(5)利用步骤(3)中训练集中的一部分云图样本对训练完的卷积神经网络模型进行验证，根据测试结果调整卷积神经网络模型；
(6)利用调整完的卷积神经网络模型对测试集的云图样本进行识别，得到识别结果。
进一步，步骤(2)中，所述卷积神经网络模型的结构包含4个卷积层、4个池化层，3个全连接层；全连接层最后一层为需要分类的类别数。
进一步，步骤(4)中，权重初始化采用Xavier初始化方法，前两个全连接层通过随机失活进行正则化，随机失活比例设置为0.5。
进一步，步骤(5)中，将步骤(3)中的训练集随机分配为新训练集和验证集，采用新训练集训练初始化后的卷积神经网络模型，所述卷积神经网络模型将进行前向计算和反向传播以更新权值，最后用验证集检验卷积神经网络模型的泛化能力，如果达标，则保存模型参数，结束训练；如果不达标，则需继续训练；实现步骤如下：
(51)输入数据逐层正向计算，生成最终的输出，并与正确的云分类答案进行比较，得到经验误差；
(52))计算经验误差对权值的梯度，找到权值的梯度方向，对卷积神经网络模型进行反向传播权值更新；
(53)多次传递输入数据，直到卷积神经网络模型收敛；
(54)输入验证集数据通过计算训练损失和测试损失，检验卷积神经网络模型的泛化能力，如果达标，则可保存卷积神经网络模型参数，结束训练；如果不达标，则需继续训练；
(55)保存训练好的卷积神经网络模型。
进一步，步骤(6)中，所述的识别结果包括识别精度和识别速度。
本发明与现有技术相比，其显著效果如下：1、本发明无需人工参与提取特征，采用卷积神经网络对地基全天空云图样本库进行深度学习，卷积神经网络能够更加有效地表达复杂函数，进而自动学习到表征能力更强的特征，能有效地提高地基云图云状识别的精度；2、并能显著提高对降水、降雪、雹和雷电等天气活动的预报精度。
附图说明
图1为本发明的云状自动识别总体流程图；
图2为本发明的CloudA卷积神经网络模型的结构示意图；
图3为本发明的CloudA卷积神经网络模型的训练流程图。
具体实施方式
下面结合说明书附图和具体实施方式对本发明做进一步详细描述。
本发明通过数码相机、地基全天空成像仪等设备对不同天空中的云进行拍摄，并进行归一化处理后建立不同类别的全天空云图样本库；建立卷积神经网络模型CloudA，利用云图样本库的部分云图样本对初始化后的卷积神经网络模型进行训练学习，得到训练完的卷积神经网络模型；再利用云图样本库的另一部分云图样本对训练完的卷积神经网络模型进行验证，根据测试结果调整卷积神经网络模型的结构；最后，利用调整完的卷积神经网络模型对云图样本测试集进行识别，得到识别结果。
如图1所示为本发明的地基云图云状自动识别方法的总体流程图，包括如下步骤：
步骤1，采集多种类型的全天空云图，全天空云图包括积云、积雨云、层积云、层云、雨层云、高层云、高积云、卷云、卷层云、卷积云等共计10种，每种云图的数量要求超过100幅；并进行图片尺寸归一化处理至125x125像素，建立全天空云图样本库。
步骤2，如图2所示，搭建卷积神经网络模型(命名为CloudA)，包含4个卷积层、4个池化层，3个全连接层，第一层卷积层是一个内核为5x5的卷积层，输出通道为32。第二层卷积层的内核为5x5，输出通道为64，第三层卷积层、第四层卷积层中卷积核均为3x3,输出通道均为128，所有的卷积层都配有ReLU激活函数。其中，第一层卷积层、第二层卷积层边缘填充为2像素，第三层卷积层、第四层卷积层的边缘填充为1像素，同时在每一个卷积层后都有最大池化层。接下来的全连接层Fc5、全连接层Fc6、全连接层Fc7均完全连接的神经层，每层神经元个数依次为1024、512、5。内部分类器为SVM(Support Vector Machine支持向量机)分类器，全连接层最后一层为需要分类的类别数，卷积神经网络模型的结构配置见表1。
表1网格结构配置表
配置 卷积核 步长 填充 卷积核层数 神经元
conv1 5x5 1 2 32
max pooling
conv2 5x5 1 2 64
max pooling
conv3 3x3 1 1 128
max pooling
conv4 3x3 1 1 128
max pooling
fc5 1024
fc6 512
fc7 5
步骤3，将全天空云图样本库按9:1分为训练集和测试集，训练集和测试集均包括所有种类的全天空云图样本。
步骤4，对卷积神经网络模型CloudA初始化，卷积神经网络模型初始化参数为：批处理大小设置为64，训练在100个epoch处停止，初始化采用Xavier初始化方法，全连接层Fc5和全连接层Fc6通过随机失活进行正则化，随机失活比例设置为0.5。
步骤5，如图3所示，将步骤3中的训练集随机分配为训练集和验证集，采用其中的训练集训练初始化后的卷积神经网络模型CloudA，卷积神经网络模型将进行前向计算和反向传播以更新权值，最后用验证集检验卷积神经网络模型的泛化能力，如果达标，则可保存卷积神经网络模型参数，结束训练；如果不达标，则需继续训练。具体步骤如下：
步骤51，输入数据逐层正向计算生成最终的输出并与正确的云分类答案进行比较，得到经验误差：
Figure BDA0002933884420000041
公式(1)中，y是标准答案，
Figure BDA0002933884420000042
是激活函数，q是神经元节点；第i个有输出的神经元q输出值为
Figure BDA0002933884420000043
公式(2)中，zj是前一层神经元的输出，wij是zi和zj之间的连接权值，bi为偏重。
步骤52，计算经验误差对权值的梯度
Figure BDA0002933884420000044
找到权值的梯度方向，对卷积神经网络模型进行反向传播权值更新：
Wt＝Wt-1-ηΔE (3)
公式(3)中，W为权值；Wt是t时刻的权值，Wt-1是t-1时刻的权值；η是学习率，设置为0.0008。
步骤53，多次传递输入数据，直到卷积神经网络模型收敛(即训练损失函数值达到最小)。其中损失函数为
Figure BDA0002933884420000045
公式(4)中，N是训练集数据量；xi是输入；w为分类器的权重向量；y(i)∈[1,...,K]表示它在K个类中正确的类标签，K＝10(即10种云样本)；
如果y(i)＝j，δ(y(i),j)＝1；y(i)≠j，δ(y(i),j)＝-1。
步骤54，输入验证集数据至上述收敛模型(即损失函数)，根据网络输出的验证集云图识别率检验模型的泛化能力，如果识别率达到1，则可保存模型参数，结束训练；否则，需继续训练，以调整网络模型。
步骤55，保存训练好的卷积神经网络模型CloudA的结构。
步骤6，利用调整完的卷积神经网络模型对测试集的云图样本进行识别，得到识别结果，包括识别精度和识别速度。其中，识别精度为该样本识别为某类云的可能性，以小数表示，介于[0，1]之间。
综上，通过建立并实施本发明的地基云图云状自动识别方法，无需人工参与提取特征，采用本发明搭建的卷积神经网络模型对地基全天空云图样本库进行深度学习，相较于传统的人工选取云图特征的分类方法而言，该网络能够更加有效地表达复杂函数，进而自动学习到不同种类云图表征能力更强的特征，能有效地提高多种类别地基云图云状识别的精度。同时网络模型适应性强，通过增加的验证集对训练后的网络验证网络的泛化模型，从而有效提高测试集的识别效果。并能显著提高对降水、降雪、雹和雷电等天气活动的预报精度，具有广阔的市场应用前景与经济价值。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (5)

1.一种基于卷积神经网络的地基云图云状自动识别方法，其特征在于，包括步骤：
(1)采集多种类型的全天空云图，并进行图片尺寸归一化处理，建立全天空云图样本库；
(2)搭建卷积神经网络模型；
(3)将全天空云图样本库按比列分为训练集和测试集，训练集和测试集均包括所有种类的全天空云图样本；
(4)卷积神经网络模型初始化；
(5)利用所述步骤(3)中训练集中的一部分云图样本对训练完的卷积神经网络模型进行验证，根据测试结果调整卷积神经网络模型；
(6)利用调整完的卷积神经网络模型对测试集的云图样本进行识别，得到识别结果。
2.根据权利要求1所述的基于卷积神经网络的地基云图云状自动识别方法，其特征在于，所述步骤(2)中，所述卷积神经网络模型的结构包含4个卷积层、4个池化层，3个全连接层；全连接层最后一层为需要分类的类别数。
3.根据权利要求1所述的基于卷积神经网络的地基云图云状自动识别方法，其特征在于，所述步骤(4)中，初始化采用Xavier初始化方法，前两个全连接层通过随机失活进行正则化，随机失活比例设置为0.5。
4.根据权利要求1所述的基于卷积神经网络的地基云图云状自动识别方法，其特征在于，所述步骤(5)中，将步骤(3)中的训练集随机分配为新训练集和验证集，采用新训练集训练初始化后的卷积神经网络模型，所述卷积神经网络模型将进行前向计算和反向传播以更新权值，最后用验证集检验卷积神经网络模型的泛化能力，如果达标，则保存模型参数，结束训练；如果不达标，则需继续训练；实现步骤如下：
(51)输入数据逐层正向计算，生成最终的输出，并与正确的云分类答案进行比较，得到经验误差；
(52))计算经验误差对权值的梯度，找到权值的梯度方向，对卷积神经网络模型进行反向传播权值更新；
(53)多次传递输入数据，直到卷积神经网络模型收敛；
(54)输入验证集数据通过计算训练损失和测试损失，检验卷积神经网络模型的泛化能力，如果达标，则可保存卷积神经网络模型参数，结束训练；如果不达标，则需继续训练；
(55)保存训练好的卷积神经网络模型。
5.根据权利要求1所述的基于卷积神经网络的地基云图云状自动识别方法，其特征在于，所述步骤(6)中，所述的识别结果包括识别精度和识别速度。
CN202110156713.7A 2021-02-04 2021-02-04 一种基于卷积神经网络的地基云图云状自动识别方法 Pending CN112884031A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110156713.7A CN112884031A (zh) 2021-02-04 2021-02-04 一种基于卷积神经网络的地基云图云状自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110156713.7A CN112884031A (zh) 2021-02-04 2021-02-04 一种基于卷积神经网络的地基云图云状自动识别方法

Publications (1)

Publication Number Publication Date
CN112884031A true CN112884031A (zh) 2021-06-01

Family

ID=76057275

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110156713.7A Pending CN112884031A (zh) 2021-02-04 2021-02-04 一种基于卷积神经网络的地基云图云状自动识别方法

Country Status (1)

Country Link
CN (1) CN112884031A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114549891B (zh) * 2022-01-06 2024-03-08 中国人民解放军国防科技大学 一种基于对比自监督学习的地基云图云类识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929602A (zh) * 2019-11-09 2020-03-27 北京工业大学 一种基于卷积神经网络的地基云图云状识别方法
CN111695640A (zh) * 2020-06-18 2020-09-22 南京信息职业技术学院 地基云图识别模型训练方法及地基云图识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929602A (zh) * 2019-11-09 2020-03-27 北京工业大学 一种基于卷积神经网络的地基云图云状识别方法
CN111695640A (zh) * 2020-06-18 2020-09-22 南京信息职业技术学院 地基云图识别模型训练方法及地基云图识别方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114549891B (zh) * 2022-01-06 2024-03-08 中国人民解放军国防科技大学 一种基于对比自监督学习的地基云图云类识别方法

Similar Documents

Publication Publication Date Title
CN110334765B (zh) 基于注意力机制多尺度深度学习的遥感影像分类方法
CN110929602B (zh) 一种基于卷积神经网络的地基云图云状识别方法
CN106845401B (zh) 一种基于多空间卷积神经网络的害虫图像识别方法
CN109684922B (zh) 一种基于卷积神经网络的多模型对成品菜的识别方法
CN109840560B (zh) 基于胶囊网络中融入聚类的图像分类方法
CN108229589B (zh) 一种基于迁移学习的地基云图分类方法
CN108629368B (zh) 一种基于联合深度融合的多模态地基云分类方法
CN109726748B (zh) 一种基于频带特征融合的gl-cnn遥感图像场景分类方法
CN107832797B (zh) 基于深度融合残差网的多光谱图像分类方法
CN110516723B (zh) 一种基于深度张量融合的多模态地基云图识别方法
CN112001278A (zh) 一种基于结构化知识蒸馏的人群计数模型及其方法
CN111695640B (zh) 地基云图识别模型训练方法及地基云图识别方法
CN111178177A (zh) 一种基于卷积神经网络的黄瓜病害识别方法
CN109508756B (zh) 一种基于多线索多模态融合深度网络的地基云分类方法
CN109635647B (zh) 一种基于约束条件下的多图片多人脸的聚类方法
CN111242227A (zh) 一种基于异构深度特征的多模态地基云识别方法
CN113537561A (zh) 一种基于地基云图的超短期太阳辐射预测方法和系统
CN110555461A (zh) 基于多结构卷积神经网络特征融合的场景分类方法及系统
CN110991349A (zh) 一种基于度量学习的轻量级车辆属性识别方法
CN111046756A (zh) 高分辨率遥感影像目标尺度特征的卷积神经网络检测方法
CN107679501A (zh) 一种基于标签自提纯的深度学习方法
CN110956201B (zh) 一种基于卷积神经网络的图像失真类型分类方法
CN114549891B (zh) 一种基于对比自监督学习的地基云图云类识别方法
CN115410087A (zh) 一种基于改进YOLOv4的输电线路异物检测方法
Wang et al. Clouda: A ground-based cloud classification method with a convolutional neural network

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210601

RJ01 Rejection of invention patent application after publication