[發明專利]基于深度學習的云狀識別和模型訓練方法、裝置、終端及介質

在審

• 申請號: 202010300620.2
• 申請日: 2020-04-16
• 公開（公告）號: CN111507399A
• 公開（公告）日: 2020-08-07
• 發明（設計）人: 周康明;方飛虎
• 申請（專利權）人: 上海眼控科技股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06Q50/26
• 代理公司: 上海光華專利事務所(普通合伙) 31219
• 代理人: 倪靜

1.一種基于深度學習的云狀識別方法，其特征在于，包括：

獲取待識別的云狀圖像并對其進行圖像預處理；

將預處理后的云狀圖像輸入經深度學習訓練的云狀識別多標簽分類模型中，據以獲得所述云狀圖像對應于多個云狀類別的歸類置信度；

若云狀圖像對應于一云狀類別的置信度大于該云狀類別的置信度預設閾值，則確定待識別的云狀圖像中出現了該云狀類別的云；否則，確定待識別的云狀圖像中未出現云狀類別的云。

2.根據權利要求1所述的云狀識別方法，其特征在于，所述圖像預處理包括圖像歸一化處理，其包括：

將云狀圖像中的每個像素點的三個色彩通道數據分別減去對應的預設通道數據，并縮放至預設像素尺寸。

3.根據權利要求1所述的云狀識別方法，其特征在于，包括：

云的多個云狀類別包括：高積云、高層云、卷云、卷積云、卷層云、雨層云、積云、積雨云、層云、層積云中的部分或全部類別；以及

所述分類網絡模型包括Resnet分類網絡模型，其包括：多個卷積層、多個BatchNorm層、多個Scale層、多個ReLU激活層、多個Eltwiese層、多個池化層、至少一全連接層、以及至少一Sigmoid激活層。

4.一種基于深度學習的模型訓練方法，其特征在于，用于訓練權利要求1中所述的云狀識別多標簽分類模型；所述方法包括：

采集多張不同時刻及不同類別的云狀圖像；

為每張圖像中的各云狀標記類別標簽，并將所標記的類別標簽轉換為對應的標簽數據；

構建一分類網絡模型，并以云狀圖像及其對應的標簽數據作為訓練數據來訓練所述分類網絡模型直至其收斂。

5.根據權利要求4所述的模型訓練方法，其特征在于，所述以云狀圖像及其對應的標簽數據作為訓練數據來訓練所述分類網絡模型直至其收斂，其包括：

對云狀圖像進行歸一化處理；

將歸一化處理后的圖像數據及其對應的標簽數據輸入分類網絡模型中，并計算二值交叉熵損失值；其中，在所述二值交叉熵損失值小于預設損失值的情況下，確定所述分類網絡模型收斂。

6.一種基于深度學習的云狀識別裝置，其特征在于，包括：

圖像獲取模塊，用于獲取待識別的云狀圖像并對其進行圖像預處理；

圖像識別模塊，用于將預處理后的云狀圖像輸入經深度學習訓練的云狀識別多標簽分類模型中，據以獲得所述云狀圖像對應于多個云狀類別的歸類置信度；其中，若云狀圖像對應于一云狀類別的置信度大于該云狀類別的置信度預設閾值，則確定待識別圖像中出現了該云狀類別的云；否則，確定待識別圖像中未出現云狀類別的云。

7.一種基于深度學習的模型訓練裝置，其特征在于，包括：

訓練數據采集模塊，用于采集多張不同時刻及不同類別的云狀圖像數據；

標簽標注模塊，用于為每張圖像中的各云狀標注類別標簽，并將所標注的類別標簽轉換為對應的標簽數據；

模型訓練模塊，用于構建一分類網絡模型，并以所述云狀圖像及其對應的標簽數據作為訓練數據來訓練所述分類網絡模型直至其收斂。

8.一種計算機可讀存儲介質，其上存儲有第一計算機程序和/或第二計算機程序，其特征在于，所述第一計算機程序被處理器執行時實現權利要求1至3中任一項所述基于深度學習的云狀識別方法；所述第二計算機程序被處理器執行時實現權利要求4或5所述基于深度學習的模型訓練方法。

9.一種基于深度學習的云狀識別終端，其特征在于，包括：處理器及存儲器；

所述存儲器用于存儲計算機程序；

所述處理器用于執行所述存儲器存儲的計算機程序，以使所述終端執行如權利要求1至3中任一項所述基于深度學習的云狀識別方法。

10.一種基于深度學習的模型訓練終端，其特征在于，包括：處理器及存儲器；

所述存儲器用于存儲計算機程序；

所述處理器用于執行所述存儲器存儲的計算機程序，以使所述終端執行如權利要求4或5所述基于深度學習的模型訓練方法。