【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 ...
【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:
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。