[發明專利]地基云圖識別模型訓練方法及地基云圖識別方法

在審

• 申請號: 202010560153.7
• 申請日: 2020-06-18
• 公開（公告）號: CN111695640A
• 公開（公告）日: 2020-09-22
• 發明（設計）人: 段向軍;朱方園
• 申請（專利權）人: 南京信息職業技術學院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 張倩倩

本發明公開一種地基云圖識別模型訓練方法及地基云圖識別方法，地基云圖識別模型訓練方法包括：建立包括多種云類別的地基云圖樣本庫；搭建卷積神經網絡AlexNet；利用ImageNet圖像樣本庫對AlexNet網絡進行預訓練；從地基云圖樣本庫中選擇訓練集樣本，對預訓練的地基云圖識別模型進行倒推分層微調，保存倒推分層微調過程中對應不同微調階段的多個優化后地基云圖識別模型；從地基云圖樣本庫中選擇驗證集樣本，對所述多個優化后地基云圖識別模型進行準確率驗證，將其中準確率最高的作為最終地基云圖識別模型。利用本發明的地基云圖識別模型能夠對多種地基云圖進行智能化識別，提高云識別的范圍和識別精度。

技術領域

本發明涉及大氣探測技術領域，特別是一種地基云圖識別模型訓練方法及地基云圖識別方法。

背景技術

云的形成和演變是大氣中物理過程的宏觀體現，地面云觀測在天氣現象的觀測、記錄和研究中占有重要地位。地基云按云的外形特征、結構、特點和云底高度可將云狀分為高、中、低3族10屬29類，具有種類多、變化快、相似、易與天空背景融合等特點。傳統的自動云分類當前主要還是采用圖像預處理、特征提取、分類器分類這樣的流程，提取的特征有效性限制了識別分類的效果，無法對所有10屬類別的云進行高精度的自動識別分類。

深度學習技術經過深入學習有可能表達上述常規難以表達的特征、充分挖掘數據之間的關聯，提取圖像的全局特征和上下文信息，對千變萬化的云進行統計識別，進而得到精度更高的識別結果，已在人臉識別、場景識別等常規模式識別領域發揮了重要作用。雖然深度學習算法在不同的機器學習應用中取得了很好的結果，但在云圖像識別分類的應用中還存在以下難點：首先，在實際應用中，卷積神經網絡需要大量的標記數據進行訓練，而目前的云圖數據尚屬缺乏，注釋云圖像需要專業知識，因此非常昂貴耗時，并且受制于觀察者的可變性。在缺乏大量且有標記數據的情況下，如何保證卷積神經網絡對地基云圖像的分類效果是難題。其次，有限的訓練數據易導致“過度擬合”，特征不能很好地被概括。在云圖像中，云的外觀變化無常，當其變化性非常大時，過擬合會變得更加嚴重。第三，從零開始訓練卷積神經網絡需要較高的計算能力、廣泛的內存資源和時間，在實際的操作過程中具有一定的局限性。

名詞解釋

AlexNet，一種卷積神經網絡，在LeNet的基礎上加深了網絡的結構，學習更豐富更高維的圖像特征，2012年由Alex等人提出。

ImageNet，是一個計算機視覺系統識別項目名稱，模擬人類的識別系統建立，是目前世界上最大的圖像識別數據庫。

發明內容

本發明的目的是提供一種地基云圖識別模型訓練方法及地基云圖識別方法和裝置，利用遷移學習和微調AlexNet網絡實現地基云圖識別模型，以能夠對多種地基云圖進行智能化識別，提高云識別的范圍和識別精度。

本發明采用的技術方案如下：

一方面，本發明提供一種地基云圖識別模型訓練方法，包括：

建立包括多種云類別的地基云圖樣本庫；

搭建卷積神經網絡AlexNet；

利用ImageNet圖像樣本庫對AlexNet網絡進行預訓練，得到預訓練的地基云圖識別模型；

從地基云圖樣本庫中選擇訓練集樣本，對預訓練的地基云圖識別模型進行倒推分層微調，保存倒推分層微調過程中對應不同微調階段的多個優化后地基云圖識別模型；

從地基云圖樣本庫中選擇驗證集樣本，對所述多個優化后地基云圖識別模型進行準確率驗證，將其中準確率最高的作為最終地基云圖識別模型。

可選的，方法還包括：

將地基云圖樣本庫中的地基云圖樣本劃分為訓練集、驗證集和測試集，訓練集、驗證集、測試集的樣本數量比值為8:1:1。