一种基于改进卷积神经网络的地基云图分类识别方法技术

一种基于改进卷积神经网络的地基云图分类识别方法，

【技术实现步骤摘要】
一种基于改进卷积神经网络的地基云图分类识别方法


[0001]本专利技术涉及人工智能
，具体的说是一种基于改进卷积神经网络的地基云图分类识别方法
。

技术介绍

[0002]云的形状对当前气象信息与未来气相变化有着明显的指示作用，按照云的形状
、
结构
、
特点和云高可分为高云族
、
中云族和低云族三部分
。
目前，对云的观测方式分别为人工观测
、
卫星云图观测和地基云图观测，其中，人工观测需要观测员具有较强的相关知识和经验，但是，由于分类结果容易受到人的主观因素影响，且一些微小的云体变化很难通过人工观测识别出来，即容易产生错判误判等现象，且识别效率比较低
。
卫星云图观测是通过观测卫星由上向下拍摄的气象图像进行观测，包含云在大范围内的形状信息以及运动情况，但是，尤其与其分辨率交底，无法用于局部区域，并且对与低云
、
卷云等云体的检测精度较低，不能及时准确地反应局部地区的天气变化状况
。
地基云图观测主要是通过全天空成像仪拍摄所得，其相交于卫星云图观测具有成本低
、
分辨率高以及角度固定等优点
。
地基云图的背景只有颜色单一的天空，很大程度上避免了背景对云的干扰，因此，近年来地基云图受到越来越多的重视
。
[0003]但是，在地基云图观测的应用中还存在很多难点：首先，卷积神经网络需要大量的标记数据进行训练；其次，有限的训练数据易导致过度拟合，使特征不能很好的被检测
。

技术实现思路

[0004]为了解决现有技术中卷积神经网络训练过程中的过度拟合的问题，本专利技术提供一种基于改进卷积神经网络的地基云图分类识别方法，充分利用地基云图中的特征信息，完善特征信息的全面性，提高了卷积神经网络模型的抗过拟合性，提高了模型的识别准确
。
[0005]为了实现上述目的，本专利技术采用的具体方案为：一种基于改进卷积神经网络的地基云图分类识别方法，包括以下步骤：
[0006]S1
，采集多种类型的地基云图，得到初始地基云图数据集；
[0007]S2
，对初始地基云图进行预处理，构建地基云图数据集；
[0008]S3
，搭建卷积神经网络模型；
[0009]S4
，将地基云图数据集按比例分为训练集
、
测试集和验证集，采用训练集对卷积神经网络模型进行训练；
[0010]S5
，利用上述的验证集对训练好的卷积神经网络模型进行验证，根据结果调整卷积神经网络模型；
[0011]S6
，利用调整后的卷积神经网络模型对上述的测试集进行识别，得到识别结果
。
[0012]所述
S3
中，卷积神经网络模型包括特征提取模块和主网络模块，主网络模块基于
ResNet
模型和
DensNet
模型建立，且包括
BlockA
模块
、BlockB
模块及
BlockC
模块
。
[0013]作为上述一种基于改进卷积神经网络的地基云图分类识别方法的一种优化方案：
所述
S1
具体过程为，通过全天空成像仪采集多种类型的地基云图并传回上位机，得到初始地基云图数据集
。
[0014]作为上述一种基于改进卷积神经网络的地基云图分类识别方法的另一种优化方案：所述
S2
包括：，
[0015]S201
，对初始地基云图进行强光修复，以剔除太阳强光对地基云图识别的干扰，使地基云图接近真实天空；
[0016]S202
，对强光修复后的地基云图进行人工标注分类，构建地基云图的基础数据集；
[0017]S203
，依据迁移学习对基础数据集进行识别并加入
SoftMax
输出最大概率，当最大概率大于
85
％时，则认为地基云图分类正确，否则重新进行人工标注分类；重复上述操作，最终构建标准数据集；
[0018]S204
，对标准数据集进行图像尺寸归一化处理以及图像增强，获得地基云图数据集
。
[0019]作为上述一种基于改进卷积神经网络的地基云图分类识别方法的另一种优化方案：所述
S201
中的强光修复的操作为，设置晴空系数阈值，并计算晴空系数：
[0020][0021]其中，
I
m
为实测太阳辐照度值，
I
clr
为晴空情况下太阳直接辐照度的理论值；对比晴空系数
k
与晴空系数阈值，若晴空系数大于晴空系数阈值，则太阳周围存在强光点，将地基云图的
RGB
彩色图转化为
HSV
图，随后提取
HSV
图中的亮度通道
V
；
[0022]设置灰度阈值，当亮度通道
V
的灰度值大于灰度阈值，则标记该像素点为强光点，并将该强光点的亮度设置为该地基云图的平均亮度
。
[0023]作为上述一种基于改进卷积神经网络的地基云图分类识别方法的另一种优化方案：所述
S3
包括：
[0024]S301
，采用
DehazeNet
去雾算法的特征提取部分作为特征提取模块获取地基云图的模糊特征，并通过
Maxout
单元对模糊特征进行最大化操作，生成新的特征图；
[0025]S302
，
BlockA
模块和
BlockB
模块均先通过
BN
层和
ReLu
激活函数，再进行卷积操作；
[0026]S303
，采用
BlockC
模块提取地基云图的深层特征
。
[0027]作为上述一种基于改进卷积神经网络的地基云图分类识别方法的另一种优化方案：所述模糊特征的网络结构函数为：
[0028][0029]激活函数为
Maxout
函数，其隐藏层节点输出表达式为：
[0030][0031]其中，
W
为网络权重矩阵，
B
为偏置矩阵，
j
为权值矩阵，
i
为隐藏单元，
f
i
，
j
(x)
为获取的能见度特征，
I
为输入特征向量，
k
为虚拟隐藏层的个数，
x
T
为输入特征矩阵
。
[0032]作为上述一种基于改进卷积神经网络的地基云图分类识别方法的另一种优化方案：所述特征提取模块由
DehazeNet
去雾算法的特征提取部分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于改进卷积神经网络的地基云图分类识别方法，包括以下步骤：
S1
，采集多种类型的地基云图，得到初始地基云图数据集；
S2
，对初始地基云图进行预处理，构建地基云图数据集；
S3
，搭建卷积神经网络模型；
S4
，将地基云图数据集按比例分为训练集
、
测试集和验证集，采用训练集对卷积神经网络模型进行训练；
S5
，利用上述的验证集对训练好的卷积神经网络模型进行验证，根据结果调整卷积神经网络模型；
S6
，利用调整后的卷积神经网络模型对上述的测试集进行识别，得到识别结果；其特征在于：所述
S3
中，卷积神经网络模型包括特征提取模块和主网络模块，主网络模块基于
ResNet
模型和
DensNet
模型建立，且包括
BlockA
模块
、BlockB
模块及
BlockC
模块
。2.
如权利要求1所述的一种基于改进卷积神经网络的地基云图分类识别方法，其特征在于：所述
S1
具体过程为，通过全天空成像仪采集多种类型的地基云图并传回上位机，得到初始地基云图数据集
。3.
如权利要求1所述的一种基于改进卷积神经网络的地基云图分类识别方法，其特征在于：所述
S2
包括：，
S201
，对初始地基云图进行强光修复，以剔除太阳强光对地基云图识别的干扰，使地基云图接近真实天空；
S202
，对强光修复后的地基云图进行人工标注分类，构建地基云图的基础数据集；
S203
，依据迁移学习对基础数据集进行识别并加入
SoftMax
输出最大概率，当最大概率大于
85
％时，则认为地基云图分类正确，否则重新进行人工标注分类；重复上述操作，最终构建标准数据集；
S204
，对标准数据集进行图像尺寸归一化处理以及图像增强，获得地基云图数据集
。4.
如权利要求3所述的一种基于改进卷积神经网络的地基云图分类识别方法，其特征在于：所述
S201
中的强光修复的操作为，设置晴空系数阈值，并计算晴空系数：其中，
I
m
为实测太阳辐照度值，
I
clr
为晴空情况下太阳直接辐照度的理论值；对比晴空系数
k
与晴空系数阈值，若晴空系数大于晴空系数阈值，则太阳周围存在强光点，将地基云图的
RGB
彩色图转化为
HSV
图，随后提取
HSV
图中的亮度通道
V
；设置灰度阈值，当亮度通道
V
的灰度值大于灰度阈值，则标记该像素点为强光点，并将该强光点的亮度设置为该地基云图的平均亮度
。5.
如权利要求...

【专利技术属性】
技术研发人员：付主木，翟坤宁，陶发展，唐小林，吴红海，朱龙龙，王俊，高颂，李梦杨，马浩翔，步妮，毕淑慧，李帅永，杨艺，陈灵峰，高向前，
申请(专利权)人：河南科技大学，
类型：发明
国别省市：