[发明专利]一种基于轻量级卷积神经网络的天气图像识别方法

权利要求书

1.一种基于轻量级卷积神经网络的天气图像识别方法，其特征在于：包含以下步骤，

步骤1：构建轻量级天气识别网络；

轻量级天气识别网络依次由卷积层1、6个不同规格的模块网络、卷积层2、全局平均池化层以及全连接层构成，其中每个卷积层后面还包含批归一化层和非线性激活层；轻量级天气识别网络的网络结构如表1所示；

模块网络起到提取特征和降采样的作用，由两个3*3的卷积核通过残差思想通过跳连接的方式连接；卷积方式使用深度可分离卷积的方式，在3*3卷积前后分别添加了用于升维和综合利用通道信息的1*1卷积核；

每个模块网络中加入了轻量级的注意力机制模块，对每个通道的重要性进行额外建模，使得网络模型能够加强对通道信息的利用；

模块网络的结构依次由1*1卷积、3*3卷积、3*3卷积、1*1卷积、注意力机制模块构成，其中每个卷积层后面依次附有批归一化、非线性激活层，最后一个1*1卷积后面只有批归一化层而没有非线性激活层；

表1天气识别网络结构

步骤2：训练天气识别网络模型；

训练天气识别网络模型的具体步骤为：在大规模数据集上对网络模型进行预训练；将数据集划分为训练集、验证集和测试集并进行标准化处理；将训练集的数据用于预训练模型的迁移学习，并使用验证集来调整超参数，最后通过测试集检验模型效果；将数据集划分为训练集、验证集和测试集并进行标准化处理的步骤为：以3：1：1的比例将数据集划分为训练集、验证集和测试集，对图片进行归一化处理，然后计算图像各通道的均值和标准差，将归一化后的图像数据减去计算得到的均值再除以标准差；

步骤3：获取待识别天气图像并进行标准化处理；

将需要进行识别的图像进行标准化处理：将图像的尺寸放缩到与训练图像一致，然后进行归一化操作，最后将其减去上一步中计算得到的均值再除以标准差；

步骤4：将处理后的数据输入到训练后的天气识别网络，网络模型的输出为一多维向量，其维数与所需识别的天气现象数量相同，数值最大的一维代表识别的最终结果。

2.根据权利要求1所述的一种基于轻量级卷积神经网络的天气图像识别方法，其特征在于：在大规模数据集上对网络模型进行预训练的操作步骤为：使用大规模图像数据集Imagenet对网络进行预训练。

3.根据权利要求1所述的一种基于轻量级卷积神经网络的天气图像识别方法，其特征在于：使用各种图像增强方式对训练集图像进行数据增强。

4.根据权利要求1所述的一种基于轻量级卷积神经网络的天气图像识别方法，其特征在于：训练网络模型时，选用NLLLoss为损失函数，优化算法为随机梯度下降算法，动量为0.9，权值衰减为0.0001，初始学习率为0.0001，在训练的预热阶段线性地将学习率增加到0.001，之后以指数系数0.95对学习率进行衰减，当验证集上的损失不再降低时，停止模型的训练防止过拟合。

5.根据权利要求1所述的一种基于轻量级卷积神经网络的天气图像识别方法，其特征在于：所述天气识别网络包括6个模块网络，每个模块网络的结构相似而参数不同，均由1*1卷积、批归一化、非线性激活、3*3卷积、注意力机制模块组成。

6.根据权利要求1所述的一种基于轻量级卷积神经网络的天气图像识别方法，其特征在于：每个模块网络使用深度分离卷积的卷积方式进行网络参数的减少，并融合残差连接思想使得网络设计的更深，非线性激活层使用hswish函数。

7.根据权利要求1所述的一种基于轻量级卷积神经网络的天气图像识别方法，其特征在于：将处理后的数据输入到训练后的天气识别网络并输出所属类别的具体方法为：将数据输入到天气现象识别网络后将输出一高维向量，每个向量代表对应天气现象的概率，通过选择最高概率的天气现象实现天气现象的识别。