[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

本發明提供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，其包括：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。本發明的技術方案是基于深度學習的智能識別方法，而且使用的是一種多標簽分類深度神經網絡，能夠同時判斷出多個類別的云，從而提供一種更為智能且云狀觀測效果更好的技術解決方案。

技術領域

本發明涉及深度學習技術領域，特別是涉及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。

背景技術

在航空氣象領域，云的辨別是極為重要的一環，云的分類對天氣識別、氣象災害預測起著十分重要的作用，部分低云族會直接影響航班的起落飛行；因此氣象觀測報告中的云狀信息一直是機場、航空公司密切關注的部分。

在現有技術中，通常還都是依靠人來進行云狀觀測，但云狀觀測本身需要長期的培訓，而且非常耗時耗人工；也有一些現有技術采用檢測識別軟件來進行云狀觀測，但由于云本身的形狀變化較為復雜，視野中常常出現多個種類的云，現有的檢測識別軟件對云效果較差。

因此，本領域亟需一種更為智能且云狀觀測效果更好的技術解決方案。

申請內容

鑒于以上所述現有技術的缺點，本發明的目的在于提供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，用于解決現有技術中的問題。

為實現上述目的及其他相關目的，本發明的第一方面提供一種基于深度學習的云狀識別方法，其包括：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。

于本發明的第一方面的一些實施例中，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。

于本發明的第一方面的一些實施例中，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；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。

為實現上述目的及其他相關目的，本發明的第二方面提供一種基于深度學習的模型訓練方法，其用于訓練本發明第一方面中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。

于本發明的第一方面的一些實施例中，所述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，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。