[發(fā)明專利]基于深度學習的面向南極夜空云圖的云量等級分類方法

在審

• 申請?zhí)枺?/td>: 202110826051.X
• 申請日: 2021-07-21
• 公開（公告）號: CN113435539A
• 公開（公告）日: 2021-09-24
• 發(fā)明（設計）人: 湯善江;郭斌;孫超;于策;肖健
• 申請（專利權）人: 天津大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00;G06N3/04;G06N3/08
• 代理公司: 天津市尚儀知識產權代理事務所(普通合伙) 12217
• 代理人: 鄧琳

1.一種基于深度學習的面向南極夜空云圖的云量等級分類方法，其特征在于，包括如下步驟：

S1:將南極夜空云圖進行預處理，得到符合模型輸入要求的云圖；將所述符合模型輸入要求的云圖分為訓練集和測試集；

S2:建立用于圖像識別的ResNet50卷積神經網絡預訓練模型，修改所述ResNet50卷積神經網絡預訓練模型為南極夜空云圖識別模型；

S3:在所述南極夜空云圖識別模型中導入所述訓練集的云圖數據以調整南極夜空云圖識別模型的參數；

S4:在所述南極夜空云圖識別模型中導入所述測試集的云圖數據以驗證分類的正確性。

2.根據權利要求1所述的一種基于深度學習的面向南極夜空云圖的云量等級分類方法，其特征在于，所述步驟S1中對所述南極夜空云圖進行預處理，得到符合模型輸入要求的云圖；將所述符合模型輸入要求的云圖分為訓練集和測試集，包括如下步驟：

S11:將所述南極夜空云圖分為N類并標注，屬于同一類的云圖放在同一個文件夾；

S12:對所述云圖采用如下數據處理的方法：

對步驟S11處理后的云圖使用resize函數做縮放處理，所得圖像大小為224*224*3；對所述resize函數縮放處理后的云圖進行隨機水平翻轉操作；

S13：對步驟S12處理后的云圖進行標準化處理，使得網絡對云圖的動態(tài)變化不敏感，主要操作如(1)式：

其中，I_in為圖片的紅綠藍三通道像素值；M為三通道像素值的均值；A_S如(2)式：

As＝max(S,1.0/sqrt(N)) (2)

其中，S為三通道像素值的標準差；N為三通道各自的像素個數。

S14：將經過預處理的云圖分為訓練集與測試集，所述訓練集與測試集的數據量分別占總體數據量的80％與20％。

3.根據權利要求1所述的一種基于深度學習的面向南極夜空云圖的云量等級分類方法，其特征在于，所述步驟S2中建立用于圖像識別的ResNet50卷積神經網絡預訓練模型，包括：

采用ILSVRC競賽的經典網絡模型ResNet50網絡結構；將在ImageNet數據集上訓練得到的ResNet50的預訓練權重加載到網絡相對應的層中。

4.根據權利要求1所述的一種基于深度學習的面向南極夜空云圖的云量等級分類方法，其特征在于，所述步驟S2中修改所述ResNet50卷積神經網絡預訓練模型為南極夜空云圖識別模型，包括：

修改輸出層以滿足太空圖像分類任務情景：將dense layer和最終的softmax layer的輸出類別改為N個，分別對應太空云圖的N個類別，得到所述太空云圖的分類模型。

5.根據權利要求1所述的一種基于深度學習的面向南極夜空云圖的云量等級分類方法，其特征在于，所述步驟S3中在所述南極夜空云圖識別模型中導入所述訓練集的云圖數據以調整南極夜空云圖識別模型的參數，包括：

設定超參數并采用Finetuning微調策略對南極夜空云圖識別模型進行遷移學習訓練。

6.根據權利要求5所述的一種基于深度學習的面向南極夜空云圖的云量等級分類方法，其特征在于，所述設定超參數并采用Finetuning微調策略對南極夜空云圖識別模型進行遷移學習訓練，包括：設定每次批處理大小batch_size為32，訓練的迭代次數epochs為10，初始學習率為0.025并在模型訓練后期逐步衰減，分別在4，6，8epoch之后衰減為當前值的1/10，優(yōu)化器采用Adam算法，損失函數為交叉熵損失函數，然后在訓練集上對整個網絡進行微調，更新權值到精度滿足閾值后保存模型。

7.根據權利要求1所述的一種基于深度學習的面向南極夜空云圖的云量等級分類方法，其特征在于，所述步驟S4中在所述南極夜空云圖識別模型中導入所述測試集的云圖數據以驗證分類的正確性，包括：

將測試集的云圖數據作為輸入來測試南極夜空云圖識別模型，驗證模型分類結果的正確性；經過測試后，將實時獲取的南極夜空云圖做縮放處理和標準化處理后輸入至所述南極夜空云圖識別模型中，輸出結果即為南極夜空云圖的云量等級分類結果。