[发明专利]基于深度学习的面向南极夜空云图的云量等级分类方法

权利要求书

1.一种基于深度学习的面向南极夜空云图的云量等级分类方法，其特征在于，包括如下步骤：

S1:将南极夜空云图进行预处理，得到符合模型输入要求的云图；将所述符合模型输入要求的云图分为训练集和测试集；

S2:建立用于图像识别的ResNet50卷积神经网络预训练模型，修改所述ResNet50卷积神经网络预训练模型为南极夜空云图识别模型；

S3:在所述南极夜空云图识别模型中导入所述训练集的云图数据以调整南极夜空云图识别模型的参数；

S4:在所述南极夜空云图识别模型中导入所述测试集的云图数据以验证分类的正确性。

2.根据权利要求1所述的一种基于深度学习的面向南极夜空云图的云量等级分类方法，其特征在于，所述步骤S1中对所述南极夜空云图进行预处理，得到符合模型输入要求的云图；将所述符合模型输入要求的云图分为训练集和测试集，包括如下步骤：

S11:将所述南极夜空云图分为N类并标注，属于同一类的云图放在同一个文件夹；

S12:对所述云图采用如下数据处理的方法：

对步骤S11处理后的云图使用resize函数做缩放处理，所得图像大小为224*224*3；对所述resize函数缩放处理后的云图进行随机水平翻转操作；

S13：对步骤S12处理后的云图进行标准化处理，使得网络对云图的动态变化不敏感，主要操作如(1)式：

其中，I_in为图片的红绿蓝三通道像素值；M为三通道像素值的均值；A_S如(2)式：

As＝max(S,1.0/sqrt(N)) (2)

其中，S为三通道像素值的标准差；N为三通道各自的像素个数。

S14：将经过预处理的云图分为训练集与测试集，所述训练集与测试集的数据量分别占总体数据量的80％与20％。

3.根据权利要求1所述的一种基于深度学习的面向南极夜空云图的云量等级分类方法，其特征在于，所述步骤S2中建立用于图像识别的ResNet50卷积神经网络预训练模型，包括：

采用ILSVRC竞赛的经典网络模型ResNet50网络结构；将在ImageNet数据集上训练得到的ResNet50的预训练权重加载到网络相对应的层中。

4.根据权利要求1所述的一种基于深度学习的面向南极夜空云图的云量等级分类方法，其特征在于，所述步骤S2中修改所述ResNet50卷积神经网络预训练模型为南极夜空云图识别模型，包括：

修改输出层以满足太空图像分类任务情景：将dense layer和最终的softmax layer的输出类别改为N个，分别对应太空云图的N个类别，得到所述太空云图的分类模型。

5.根据权利要求1所述的一种基于深度学习的面向南极夜空云图的云量等级分类方法，其特征在于，所述步骤S3中在所述南极夜空云图识别模型中导入所述训练集的云图数据以调整南极夜空云图识别模型的参数，包括：

设定超参数并采用Finetuning微调策略对南极夜空云图识别模型进行迁移学习训练。

6.根据权利要求5所述的一种基于深度学习的面向南极夜空云图的云量等级分类方法，其特征在于，所述设定超参数并采用Finetuning微调策略对南极夜空云图识别模型进行迁移学习训练，包括：设定每次批处理大小batch_size为32，训练的迭代次数epochs为10，初始学习率为0.025并在模型训练后期逐步衰减，分别在4，6，8epoch之后衰减为当前值的1/10，优化器采用Adam算法，损失函数为交叉熵损失函数，然后在训练集上对整个网络进行微调，更新权值到精度满足阈值后保存模型。

7.根据权利要求1所述的一种基于深度学习的面向南极夜空云图的云量等级分类方法，其特征在于，所述步骤S4中在所述南极夜空云图识别模型中导入所述测试集的云图数据以验证分类的正确性，包括：

将测试集的云图数据作为输入来测试南极夜空云图识别模型，验证模型分类结果的正确性；经过测试后，将实时获取的南极夜空云图做缩放处理和标准化处理后输入至所述南极夜空云图识别模型中，输出结果即为南极夜空云图的云量等级分类结果。