針對目前多天氣識別分類問題,提出了一種基于深度學習和計算機視覺的天氣現(xiàn)象自動分類算法。采集并建立了一個包括霧霾、沙塵、雨、雪、霜、露6類天氣的適用于任意場景的多天氣現(xiàn)象數(shù)據(jù)集,改善了目前已見報數(shù)據(jù)集規(guī)模小、種類單一、只面向特定場景的情況;同時采用密集連接和池化均衡的結(jié)構(gòu)搭建深度卷積神經(jīng)網(wǎng)絡（CNN）模型,訓練并挖掘天氣數(shù)據(jù)的特征與內(nèi)在規(guī)律,用深度學習方法實現(xiàn)天氣現(xiàn)象的自動分類。實驗結(jié)果表明:相比傳統(tǒng)計算機視覺算法,該算法解決了嚴重依靠特征提取、適用場景單一問題;且比大多數(shù)深度網(wǎng)絡模型參數(shù)更少、識別準確性更高,算法泛化性能大幅提升。 

【文章來源】：高技術(shù)通訊. 2020,30(10)北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

基于深度學習的多天氣自動分類技術(shù)框架

為創(chuàng)建一個有助于未來氣象領(lǐng)域、計算機視覺領(lǐng)域應用發(fā)展的數(shù)據(jù)集,本研究從多地氣象觀測站采集拍攝天氣現(xiàn)象數(shù)據(jù),并在百度、Google等各大搜索引擎、多個網(wǎng)絡相冊、多部影視作品中采集圖像作為補充。數(shù)據(jù)集包括霧霾、沙塵、雨、雪、霜、露6類天氣,共19 753幅圖片,其中霧霾7 470幅、沙塵1 574幅、雨2 312幅、雪6 507幅、霜675幅、露1 217幅,天氣數(shù)據(jù)集CCW Dataset樣本見圖2。數(shù)據(jù)集面向多場景,每一幅圖像的背景互不相同且復雜多變。為保證數(shù)據(jù)集的客觀性,本研究對天氣的理解、采集和標注均經(jīng)過專業(yè)氣象人員培訓。

表3 批尺寸對實驗結(jié)果的影響 批尺寸 Dataset Dataset+ 損失函數(shù)值 準確率(%) 損失函數(shù)值 準確率(%) 16 0.00293 91.36 0.00977 95.34 32 0.00174 92.32 0.00398 96.18 64 0.00133 92.47 0.00231 96.02 128 0.000973 92.49 0.00109 96.18 256 0.000828 92.93 0.000570 96.29 512 0.000692 93.04 0.000275 96.30根據(jù)硬件條件與數(shù)據(jù)集樣本數(shù)量,本文中的網(wǎng)絡參數(shù)為初始網(wǎng)絡學習率0.1,在完成50%的迭代次數(shù)后,學習率降低到原來的10%;在完成75%的迭代次數(shù)后,學習率繼續(xù)降低到之前的10%;批尺寸大小(Batchsize)為256,迭代總次數(shù)為10 000,訓練過程中加入early stop機制,當連續(xù)迭代5次驗證損失函數(shù)都未減小時,停止訓練;數(shù)據(jù)集以6:2:2的比例劃分訓練集、評估集和測試集。

【參考文獻】：
期刊論文
[1]戶外天氣狀況分類識別[J]. 史靜,朱虹,韓勇.  計算機系統(tǒng)應用. 2018(04)
[2]基于貝葉斯分類的霧天和雨天兩類天氣圖像自動識別[J]. 于浩,王孝通,徐冠雷.  艦船電子工程. 2016(09)
[3]基于改進雙色模型的視程障礙類天氣現(xiàn)象識別[J]. 郭佳,楊玲,吳可軍,馬舒慶,胡樹貞.  氣象科技. 2013(02)
[4]天氣現(xiàn)象自動化觀測系統(tǒng)設計[J]. 馬舒慶,吳可軍,陳冬冬,湯志亞,李肖霞,杜波,曹治國.  氣象. 2011(09)
[5]基于室外圖像的天氣現(xiàn)象識別方法[J]. 李騫,范茵,張璟,李寶強.  計算機應用. 2011(06)



本文編號：3415166