在各行業(yè)快速發(fā)展的同時,對天氣狀況進行及時、準確的識別與預(yù)測已經(jīng)成為一個非常急迫的工作。尤其在交通領(lǐng)域,天氣變化的不確定性,給道路安全帶來了很大的風(fēng)險。在人工智能高速發(fā)展的背景下,基于圖像的天氣現(xiàn)象識別分類,解決了原有的天氣識別方式識別范圍較廣,無法具體到某一位置的缺陷,同時根據(jù)道路上隨處可見的攝像頭拍攝的圖片進行天氣識別保證了判別結(jié)果的實時性,使得人們處理各項突發(fā)事件的效率大大提高。通過圖片進行天氣分類最常用的方法是先提取圖片中各種天氣的特征,然后再選擇分類器進行天氣分類。天氣圖片的特征相似度較高,而且多種分類器的選擇以及分類過程都及其復(fù)雜,不利于日后的大量應(yīng)用,缺乏普適性。針對上述天氣分類的問題,本文提出了基于多卷積集成學(xué)習(xí)的天氣圖像識別方法。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network,CNN）是一種簡單快速的圖像分類方法,在人工智能的推進過程中發(fā)揮著舉足輕重的作用。相較于其他機器學(xué)習(xí)方法,卷積神經(jīng)網(wǎng)絡(luò)通過卷積層和池化層,自動學(xué)習(xí)圖像更深層次的語義特征,使得機器在圖像分類過程中更加符合人類對圖像識別的特點,并且大大縮短了分類時間。證據(jù)推理（Evident... 

【文章來源】：哈爾濱師范大學(xué)黑龍江省

【文章頁數(shù)】：55 頁

【學(xué)位級別】：碩士

【部分圖文】：

經(jīng)典AlexNet結(jié)構(gòu)圖

哈爾濱師范大學(xué)碩士學(xué)位論文14圖2-7DenseNet模型結(jié)構(gòu)圖Figure2-7DenseNetmodelstructureDenseNet相較與其他模型可以獲得更高的識別效率，因為每層特征之間的重復(fù)利用，使得模型的計算量大大減少。2.2集成學(xué)習(xí)方法為了讓卷積神經(jīng)網(wǎng)絡(luò)的識別能達到更好的效果，本文在多個卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練識別之后，選擇集成學(xué)習(xí)的方法對實驗結(jié)果進一步提高，下面對集成學(xué)習(xí)的定義以及一些常用方法進行介紹。2.2.1集成學(xué)習(xí)定義在機器學(xué)習(xí)的監(jiān)督算法中，目標是想要得到一個穩(wěn)定并且能快速準確進行識別的分類器，但是因為各種因素的影響，這個目標很難實現(xiàn)，現(xiàn)實中人們只能得到一個在某方面表現(xiàn)較好的模型。為此，集成學(xué)習(xí)（EnsembleLearning）[50]應(yīng)運而生。集成學(xué)習(xí)的本質(zhì)就是將多個在某一方面表現(xiàn)較好的分類器（弱分類器）有效組合成一個新的分類器（強分類器）。這些弱分類器之間互補，即使某一個分類器在分類時出現(xiàn)了錯誤，別的分類器的效果可以將它的錯誤彌補過來，使其不影響整體結(jié)果。集成學(xué)習(xí)的一般框架如圖2-7所示。集成學(xué)習(xí)將多種傳統(tǒng)的分類方法組合起來構(gòu)成一個新的分類識別模型，其主要目的是減小計算過程中的方差和偏差，并且增強對數(shù)據(jù)預(yù)測的效果。集成學(xué)習(xí)對于數(shù)據(jù)集的大小有很好的適應(yīng)能力。對于較大的數(shù)據(jù)集可以將其分成多個小數(shù)據(jù)集，分別對其學(xué)習(xí)，最后將結(jié)果組合起來。而對于樣本較少的數(shù)據(jù)集可以進行抽樣，組合成多個數(shù)據(jù)集，再進行訓(xùn)練。

哈爾濱師范大學(xué)碩士學(xué)位論文21由于大規(guī)模的天氣數(shù)據(jù)集獲取難度較大，本文使用在Github（https://github.com/search?q=Weather+recognition&type=Repositories）上獲得的包含晴、陰、雨、雪四種天氣的小規(guī)模數(shù)據(jù)集共2038張圖片，其中晴、陰、雨、雪的圖片數(shù)目分別為484、816、648、90，這些圖片拍攝于同一地點的不同時間段。為保證卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果的一致性，首先對數(shù)據(jù)集進行預(yù)處理，將所有圖片調(diào)整為統(tǒng)一的格式和大校因為數(shù)據(jù)集較少，因此實驗過程中隨機選擇數(shù)據(jù)集中的每種天氣圖片的60%作為訓(xùn)練集，全部圖片作為驗證集。四種卷積神經(jīng)網(wǎng)絡(luò)的迭代次數(shù)統(tǒng)一為100次，訓(xùn)練結(jié)束后可以獲得訓(xùn)練模型，分別調(diào)用四種網(wǎng)絡(luò)的最終訓(xùn)練模型得到數(shù)據(jù)集中所有天氣圖片的分類結(jié)果。四種樣本天氣圖像示例如圖3-3（a）~圖3-3（d）所示。（a）晴天圖像（b）陰天圖像（c）雨天圖像（d）雪天圖像圖3-3樣本圖像數(shù)據(jù)Figure3-3Sampleimagedata本章節(jié)的實驗是在Anaconda平臺下使用python3.6進行編程實現(xiàn)的。四種卷積神經(jīng)網(wǎng)絡(luò)模型都采用了基于tensorflow后端的keras深度學(xué)習(xí)庫的開源代碼。為

【參考文獻】：
期刊論文
[1]機器視覺研究與發(fā)展綜述[J]. 宋春華,彭泫知.  裝備制造技術(shù). 2019(06)
[2]圖像場景分類技術(shù)綜述[J]. 田艷玲,張維桐,張鍥石,路綱,吳曉軍.  電子學(xué)報. 2019(04)
[3]集成學(xué)習(xí)方法:研究綜述[J]. 徐繼偉,楊云.  云南大學(xué)學(xué)報(自然科學(xué)版). 2018(06)
[4]ReLU激活函數(shù)優(yōu)化研究[J]. 蔣昂波,王維維.  傳感器與微系統(tǒng). 2018(02)
[5]圖像理解中的卷積神經(jīng)網(wǎng)絡(luò)[J]. 常亮,鄧小明,周明全,武仲科,袁野,楊碩,王宏安.  自動化學(xué)報. 2016(09)
[6]基于證據(jù)推理規(guī)則的信息融合故障診斷方法[J]. 徐曉濱,鄭進,徐冬玲,楊劍波.  控制理論與應(yīng)用. 2015(09)
[7]基于計算機視覺的圖像多尺度識別方法[J]. 張玉璞,楊旗,張旗.  計算機應(yīng)用. 2015(02)
[8]智能交通系統(tǒng)綜述[J]. 趙娜,袁家斌,徐晗.  計算機科學(xué). 2014(11)
[9]圖像物體分類與檢測算法綜述[J]. 黃凱奇,任偉強,譚鐵牛.  計算機學(xué)報. 2014(06)
[10]改進K近鄰和支持向量機相融合的天氣識別[J]. 張紅艷,李茵茵,萬偉.  計算機工程與應(yīng)用. 2014(14)

碩士論文
[1]多類別天氣圖像分類算法研究[D]. 王珊.北京交通大學(xué) 2019
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的天氣識別方法研究[D]. 施雨舟.上海交通大學(xué) 2018
[3]融合先驗知識的場景文本識別應(yīng)用研究[D]. 梅亞敏.電子科技大學(xué) 2016



本文編號：3600837