【技术实现步骤摘要】
一种基于深度学习的天气多分类识别方法
本专利技术涉及图像识别及机器学习
，尤其是涉及一种基于深度学习的天气多分类识别方法。
技术介绍
目前，精确的天气探测技术依赖于昂贵的传感器以及专业气象人员的人工观测，成本和效率受到了限制。如果我们能够利用几乎随处可见的现有监控摄像头，就有可能将天气观测和检测转化为一种强大且经济高效的计算机视觉应用。近年来，随着计算机技术和深度学习技术的发展，图像识别技术得到了广泛的应用。而图像识别中卷积神经网络(ConvolutionalNeuralNetwork，CNN)能够获得图像中更深层次的信息，使图像分类的准确率得到了提升。然而，在现如今的天气分类中，大部分学者还是人工设计特征去识别数据集，机器学习的性能上限收到了特征工程质量的限制。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度学习的天气多分类识别方法。本专利技术的目的可以通过以下技术方案来实现：一种基于深度学习的天气多分类识别方法，该方法包括以下步骤：
【技术保护点】
1.一种基于深度学习的天气多分类识别方法，其特征在于，该方法包括以下步骤：/n步骤1：获取包含多个天气类别的数据集，并将数据集处理分为训练集、验证集和测试集；/n步骤2：基于训练集、验证集和测试集针对结合改进通道注意力机制的卷积神经网络模型进行训练，选定参数并检验模型效果，得到训练完毕的网络模型；/n步骤3：获取待识别图像，经处理后输入至训练完毕的网络模型中，并输出识别结果。/n
【技术特征摘要】
1.一种基于深度学习的天气多分类识别方法，其特征在于，该方法包括以下步骤：
步骤1：获取包含多个天气类别的数据集，并将数据集处理分为训练集、验证集和测试集；
步骤2：基于训练集、验证集和测试集针对结合改进通道注意力机制的卷积神经网络模型进行训练，选定参数并检验模型效果，得到训练完毕的网络模型；
步骤3：获取待识别图像，经处理后输入至训练完毕的网络模型中，并输出识别结果。
2.根据权利要求1所述的一种基于深度学习的天气多分类识别方法，其特征在于，所述的步骤1包括以下分步骤：
步骤101：获取包含多个天气类别的数据集，其中包含与所述天气类别相对应的多个图像，将各个图像作为训练数据，将对应天气类别作为训练标签，组成样本集；
步骤102：将样本集划分为训练集、验证集和测试集，并进行标准化处理。
3.根据权利要求1所述的一种基于深度学习的天气多分类识别方法，其特征在于，所述的步骤2包括以下分步骤：
步骤201：针对结合改进通道注意力机制的卷积神经网络模型调整不同的超参数，分别用训练集进行训练，用验证集进行评定，选取验证集评定结果最高的一组超参数作为卷积神经网络模型的超参数；
步骤202：用训练集对所选超参数对应的模型进行训练，用测试集来检验模型效果，训练所得的参数即为训练完毕的网络模型。
4.根据权利要求1所述的一种基于深度学习的天气多分类识别方法，其特征在于...
【专利技术属性】
技术研发人员：张旭，林旭东，刘奥强，王若瑾，谢朝雨，程耀天，
申请(专利权)人：上海工程技术大学，
类型：发明
国别省市：上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。