[发明专利]一种云类别自动识别方法及系统

摘要

本发明公开了数字图像识别和深度学习技术领域的一种云类别自动识别方法及系统，包括数据采集模块、云图识别模块、云图结果展示模块和模型构建模块，所述云图结果展示模块分别信号连接数据采集模块、云图识别模块和模型构建模块，通过在密集连接卷积网络(Dense Net)的基础上，提出一种改进的Dense Net，结合手机APP开发和摄像头监测视频处理等技术，解决了由于云的种类繁多，部分提取的特征针对性较强，难以从海量的云图数据中提取有效的特征，不能充分挖掘不同云图之间的内在联系的问题，结构简单，效率提高。

主权项

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、…、xn，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、…、yk，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xi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Bi，包含Ki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：xl＝Hl([x0,x1,...,xl‑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：xl＝Hl(xl‑1)+xl‑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。