基于迁移学习技术的室外天气图像分类方法技术

本发明专利技术公开了一种基于迁移学习技术的室外天气图像分类方法。该方法首先建立深度网络模型，接着将训练好的checkpoint格式的深度网络模型转换为pb格式的深度网络模型；最后只需将待判别的图像输入pb格式的深度网络模型即可快速自动判别图像的天气类别，且分类准确率较高，同时本发明专利技术所述的室外天气图像分类方法可以对天气类别进行分类，即分为雾、雨、晴、雪，同时还可以针对雪天天气进行细分，即细分为小雪、中雪、大雪，同时本发明专利技术基于迁移学习技术，具有训练数据需求量少，模型训练时间更少、优化速度更快的优势，本发明专利技术迁移在ImageNet数据集上表现优异的深度网络ResNet到我们的天气图像数据集上，取得了较高的分类准确率。适合在图像处理技术领域推广应用。

Outdoor Weather Image Classification Method Based on Transfer Learning Technology

【技术实现步骤摘要】
基于迁移学习技术的室外天气图像分类方法
本专利技术涉及图像处理
，尤其是一种基于迁移学习技术的室外天气图像分类方法。
技术介绍
天气信息对于我们日常生活、交通出行和工业生产等都具有很重要的意义。传统的天气信息获取方法依赖于各种昂贵的天气数据采集传感器,还需要通过人工观测判别。近年来，随着图像识别技术的快速发展，利用普通摄像头获取图像进行天气判别已成为当前流行的方法。自动驾驶、智能监控和视频图像理解等技术的高速发展也带动了室外天气状况识别技术的发展，使其成为当前的研究热点之一。在自动驾驶系统中，车辆周围的天气环境对驾驶系统做出的决策有很大影响，系统需要实时获取天气状况。在智能监控和图像理解领域，我们都是基于清晰的图像进行图像分类、目标检测和跟踪、语义分割，然而在实际情况中，相机拍摄的照片会受到雨、雪、雾等恶劣天气的影响而引入噪声，因此，自动检测图像中所表示的天气情况是很有必要的。目前，天气图像分类的方法主要包括两大类：基于特征工程和传统机器学习的分类方法、基于卷积神经网络(CNN)和深度学习的分类方法。前者需要将从图像中提取的各种特征融合成特征向量，再传给分类器(机器学习算法)用本文档来自技高网...

【技术保护点】
1.基于迁移学习技术的室外天气图像分类方法，其特征在于包括以下步骤：1)、建立深度网络模型；A、在不同的地点布置相机，以固定时间间隔拍取照片图像，然后将获取的图像上传到服务器存储；B、将获取的图像按照雾、雨、晴、小雪、中雪、大雪分成六类天气候选数据集；C、六类天气候选数据集的预处理；具体的预处理过程如下所述：首先，从步骤B得到的六类天气候选数据集中分别选取一定数量的图片，然后对选取的图片随机翻转处理一次，扩充一倍的数据量，再利用双线性插值法将原图尺寸调整为适合ResNet的尺寸，然后把调整后的图片分为两部分，一部分为训练集，另一部分为测试集，最后把所有图像数据转换为tfrecord格式文件；D...

【技术特征摘要】
1.基于迁移学习技术的室外天气图像分类方法，其特征在于包括以下步骤：1)、建立深度网络模型；A、在不同的地点布置相机，以固定时间间隔拍取照片图像，然后将获取的图像上传到服务器存储；B、将获取的图像按照雾、雨、晴、小雪、中雪、大雪分成六类天气候选数据集；C、六类天气候选数据集的预处理；具体的预处理过程如下所述：首先，从步骤B得到的六类天气候选数据集中分别选取一定数量的图片，然后对选取的图片随机翻转处理一次，扩充一倍的数据量，再利用双线性插值法将原图尺寸调整为适合ResNet的尺寸，然后把调整后的图片分为两部分，一部分为训练集，另一部分为测试集，最后把所有图像数据转换为tfrecord格式文件；D、将ResNet_V1_50模型在ImageNet竞赛数据集上进行预训练得到ResNet_V1_50预训练模型；E、将预训练模型进行模型结构的迁移处理，模型结构迁移处理的过程如下所述：将ResNet_V1_50预训练模型的输出层修改为两个分支，每个分支包括一个由3个神经元组成的全连接层，模型结构迁移处理后得到的模型成为第一模型，第一模型的特征提取层结构与ResNet_V1_50预训练模型的特征提取层结构保持一致；F、对第一模型进行模型参数迁移处理，模型参数迁移处理的过程如下所述：将第一模型的除最后的全...

【专利技术属性】
技术研发人员：米俊桦，
申请(专利权)人：成都思晗科技股份有限公司，
类型：发明
国别省市：四川,51