[发明专利]一种基于卷积神经网络的地基云图云状识别方法

说明书

本发明公开了一种基于卷积神经网络的地基云图云状识别方法，属于图像识别技术领域。本发明包含以下步骤：构建基于地基云图的轻量级云状识别网络；训练云状识别网络模型；获取待识别云图并进行预处理；将经过预处理后的待识别云图输入到训练后的云状识别网络；云状识别网络对云图进行自动识别并输出所属类别。本发明充分利用了卷积神经网络在大规模图像识别领域内展现的优势，将逐通道卷积、通道随机混合及膨胀卷积三种思想相结合，通过减少参数量，有效降低了标准卷积运算的复杂度及网络深度，提升了云状识别的准确率，为设备集成与实际应用提供了可能性。

技术领域

本发明涉及图像识别技术领域，尤其涉及一种基于卷积神经网络的地基云图云状识别方法。

背景技术

目前大多数气象站对于地基云图中云状的识别仍然依赖于气象观测员人工目测识别，但人工识别易受到观测员的心情、观测经验等主观因素的影响，此外，由于云的非刚性结构，其形状变幻莫测，人工观测工作量巨大，难以保证长时间不间断的观测，制约了云状识别的准确性。

近年来，迅速增长的图像数据对于图像信息的分析与处理提出了新的要求，对于这些图像数据，人们需要一种可以高效、快速、精准的手段对它们进行分析与解读，从而在海量的图像数据中高效精确的提取到所需的信息。卷积神经网络CNN(ConvolutionalNeural Network)作为深度学习最热门的方法之一，在面对大数据量、复杂数据时，识别性能已远远超越了传统的图像识别方法，因此，被广泛的应用于各种图像分类与识别系统，并取得了十分显著的效果。

卷积神经网络是一种以卷积运算为核心的深度前馈神经网络。卷积是一种特殊的线性运算，卷积网络是指在网络中至少有一层是利用卷积运算来代替一般的矩阵乘法运算的神经网络。CNN具有两大特点：一是网络结构中至少包含一层用来提取特征的卷积层，二是其卷积层通过权值共享的方式进行工作，降低了网络的复杂性。

卷积神经网络的发展使得图像分类与识别得到了很大跨度的进展，但在分类与识别过程中仍面临着一些挑战，不同类别的图像在特征方面如颜色、纹理、形状等差异较大，现有的网络结构如Googlenet、VGG等，可能无法针对各类图像的特征进行更具针对性的识别，导致识别某些类别图像时准确率较低。此外，现有的网络模型在运行时会占用较高的电脑显存，不便于实际部署。因此，考虑到云的非刚性结构特点，设计了专门用于识别云状的、便于部署的轻量级云状识别网络。

发明内容

特征提取是图像识别与分类的核心步骤。然而，对于地基云图的特征提取通常具有以下难点：首先，地基云图通常由单一可见光通道获取，相较于卫星云图，所包含的数据信息量较少；其次，云图中的无用信息如树木、建筑物等会对特征提取造成干扰；最后，云类别繁多且变化无常，不同类别的云经常会发生位置重叠，加大了云图信息的复杂度，导致单一种类云属的特征提取更加困难。

目前，大多数学者仍通过提取云的光谱、形状及纹理等特征结合分类器的传统图像识别方法识别云状，但由于云属之间的高度相似性，导致特征区分不显著，识别准确率低。少数学者将研究重心转向了深度学习，但目前已有的研究成果多基于一些现有的网络结构如VGG、Googlenet等进行结构微调，虽然识别准确率有所上升，但这种复杂的网络结构设计并没有实现针对云的多变性特点、云图的复杂混合性信息等特点进行特征提取，针对性较差，识别准确率还有待进一步提升。此外，由于类似的网络结构参数较多，会占用较大的显存，不利于部署。

本发明要解决的技术问题是针对人工识别云状工作量大、易受主观因素影响、传统图像识别方法精准度低、现有网络结构难部署等问题，提出一种基于卷积神经网络的地基云图云状识别方法，针对地基云图特点，将深度可分离卷积、膨胀卷积及通道随机混合思想相融合构建特征提取子单元，进一步地，将多个子单元进行联结，实现对云图特征的多次精细化提取，有效提高了云状识别的准确率。此外，由于所涉及的网络重复单元较多，复杂参数量低，实现了网络结构的轻量化，有效降低了显存占比，为业务化部署提供了可能。

为实现上述目的，本发明采用如下的技术方案：