[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

说明书

本申请涉及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，包括：预处理云图，将符合模型输入要求的云图分为训练集和测试集；建立南极夜空云图识别模型；在南极夜空云图识别模型中导入训练集的云图数据以调整南极夜空云图识别模型的参数；在南极夜空云图识别模型中导入测试集的云图数据以验证分类的正确性。本申请解决了现有技术中的图像识别分类方法对夜间的云量图像识别分类准确率低的问题。

技术领域

本申请涉及图像识别分类技术领域，尤其涉及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

背景技术

对于天文选址，云量是首先需要考虑的因素之一。云量的监测方法包括目视观测、卫星探测和地面相机拍摄。装备有鱼眼镜头的全天相机拍摄的全天空地基云图，具有很高的空间和时间分辨率，其分析结果能够准确反映当地的云量覆盖与变化特征。因此，云量相机的监测方法得到了广泛的应用，如TMT(Thirty Meter Telescope)和LSST(LargeSynoptic Survey Telescope)等项目都积极采用了All-Sky-Camera对候选站点进行云量的监测和分析。

针对白天的云量图像，基于云和大气对光散射存在差异，可以将蓝/红两个波段的亮度比作为区分云和晴空的依据，采用阈值分割方法即可将云和背景分开并计算云量，但是对于夜间的云量图像，简单的阈值分割方法不足以区分云和夜空。较为粗略的方法是将图像制作成相应的动画，肉眼判断云量大小，这种人工方法需要设置有效的判断依据，但人为因素的影响不能忽视。

近年来，基于深度学习的图像分类方法逐渐成熟，依赖大型卷积神经网络对图像特征进行提取和抽象，相比基于传统图像处理的旧方法在分类精度上得到了很大的提高。该方法的特点是需要积累大量的已标注图像数据进行训练。

发明内容

本申请的目的在于，提出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，以解决现有技术中的图像识别分类方法对夜间的云量图像识别分类准确率低的问题。

为了达到上述目的，本申请采用如下技术方案：

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，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。

优选的，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：

S121：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；

S122：对步骤S121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_i詘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：