[发明专利]一种云类别自动识别方法及系统

权利要求书

1.一种云类别自动识别方法，其特征在于，包括如下步骤：

步骤一、收集大量的、覆盖各种情况的不同云种类的相关图片，对图片进行大小调整、翻转及色彩调整等操作，得到训练图片，表示为x₁、x₂、…、x_n，n表示图片总数；

步骤二、对云图进行云种类标记，得到数据的标签，表示为y₁、y₂、…、y_k，k表示云的类别数，根据标签建立文件夹，将对应的云图片放在文件夹中；

步骤三、利用训练集中的图片x_i经过改进的Dense Net进行一系列卷积、归一化、池化、残差连接等得到图片类别，结合图片已知类别标签构建误差代价函数，并通过随机梯度下降法进行网络参数更新，直至收敛；

进一步地，所述改进的Dense Net网络模型主要包括初始卷积层CONV1，3个由卷积层组成的密集卷积块B₁、B₂、B₃，2个过渡层T₁、T₂，最后的pooling层及全连接层组成；

所述初始卷积层CONV1为一个步长为2，大小1×1的卷积核，提取图片的初始特征；

所述密集卷积块B_i，包含K_i层子结构，每层子结构为一个1×1的bottle neck层与3×3的卷积层，与传统的卷积过程不同，在密集卷积块中，将0，1，…，l-1层的输出做concatenation作为l层的输入，得到的l层为：

x_l＝H_l([x₀,x₁,...,x_l-1])

密集卷积块B₁、B₂和B₃中间包含过渡层T₁与T₂，过渡层主要包括1×1卷积层以及池化层；

进一步地，为更好保留图像底层特征，减少梯度弥散，引入残差网络思想，在密集卷积块之间加入跳跃层，具体的，将经过CONV1卷积后的输出图像与经过B₁块后的输出数据进行相加，作为过渡层T₁的输入数据，同理得到T₂与最后pooling层的输入数据，可表示为：

x_l＝H_l(x_l-1)+x_l-1

最后全连接层FC将前一层的feature maps映射到k维向量中，并通过softmax函数得到属于每一类云的概率，选取最大概率值作为当前输入图片中云的种类。

2.一种云类别自动识别系统，其特征在于：包括数据采集模块(1)、云图识别模块(2)、云图结果展示模块(3)和模型构建模块(4)，所述云图结果展示模块(3)分别信号连接数据采集模块(1)、云图识别模块(2)和模型构建模块(4)。

3.根据权利要求2所述的一种云类别自动识别系统，其特征在于：所述数据采集模块(1)主要包括云种类训练样本数据及待识别云图的采集，同时，搜集不同云种类对应的云特征、天气特征、谚语、古诗词等资料；对于训练样本数据，首先对云的种类进行划分，结合分类并利用python爬虫自动获取网络中不同相关种类的云的图片，并进行人工检查，同时搜集气象部门相关资料，将上述数据按种类进行分类形成有标签的云图训练集；采用手机拍照与摄像头录制视频两种方式获取待识别的云图。

4.根据权利要求2所述的一种云类别自动识别系统，其特征在于：所述云图识别模块(2)用于将手机拍照以及摄像头录制的视频获得的待识别的云图输入至训练好的网络模型，得出待识别云图属于哪一种类型的云。

5.根据权利要求2所述的一种云类别自动识别系统，其特征在于：所述云图结果展示模块(3)通过关联查询与云图识别模块(3)连接，利用后台数据文件关联技术将与识别的云种类对应的云特征、天气特征、谚语、古诗词等投影到显示屏进行展示。

6.根据权利要求2所述的一种云类别自动识别系统，其特征在于：所述模型构建模块(4)采用上述提及的云种类识别方法构建改进的Dense Net，Dense Net网络模型主要各层连接顺序为CONV1、DenseBlock1(B₁)、conv&pooling1(T₁)、DenseBlock2(B₂)、conv+pooling2(T₂)、DenseBlock3(B₃)、conv+pooling3(T₃)、DenseBlock4(B₄)、pooling、FC，进一步地，改进的Dense Net将CONV1的输出与B₁的输出相加作为T₁的输入，将B₁与B₂的输出相加作为T₂的输入，将B₂及B₃的输出相加作为最后pooling的输入，采用数据采集模块(1)得到的云图训练集对网络模型进行训练。