[发明专利]一种基于深度学习的室外非固定场景天气识别方法

权利要求书

1.一种基于深度学习的室外非固定场景天气识别方法，其特征在于，包括以下步骤：

(1)构建轻量型卷积神经网络的基本结构；

(2)收集各种天气的图片并将其制作为特定格式的数据集；

(3)利用步骤(2)得到的数据集对轻量型卷积神经网络进行训练；

(4)将训练好的轻量型卷积神经网络移植到嵌入式平台或可移动设备中，将拍摄的天气图片作为轻量型卷积神经网络的输入，输出各种天气情况对应的概率。

2.根据权利要求1所述基于深度学习的室外非固定场景天气识别方法，其特征在于，在步骤(1)中，轻量型卷积神经网络的结构特征如下：

在特征变换过程中，特征图的二维尺寸逐渐减小，每次特征图减小时输入尺寸与输出尺寸的比例尽量接近2；特征图的通道数逐渐增多，服从金字塔形式的分布，特征图的输出通道数与输入通道数的比例尽量接近1。

3.根据权利要求1所述基于深度学习的室外非固定场景天气识别方法，其特征在于，在步骤(1)中，轻量型卷积神经网络的结构特征如下：

对于卷积层，卷积核具有5×5、7×7或9×9的感受野，卷积层采用扩张卷积或深度分离卷积实现；对于池化层，采取最大池化层和平均池化层对特征图做下采样。

4.根据权利要求1所述基于深度学习的室外非固定场景天气识别方法，其特征在于，在步骤(1)中，轻量型卷积神经网络的结构特征如下：

在网络的中间层对特征图进行特征提取时，采用多支路策略；其中一条支路作为残差结构，减小梯度消失的现象；其余支路采用扩张卷积或深度分离卷积进行特征提取：首先采用1×1的卷积对输入进行非线性变换，扩充通道数；然后采用扩张卷积或深度分离卷积对其进行特征提取，其中深度卷积操作中引入扩张因子，在不增加参数计算量的情况下增大感受野；最后采用1×1卷积对经过扩张卷积后的特征图做线性变换或将经过深度卷积后的特征图结合起来，使得各支路的输出通道数相同。

5.根据权利要求1所述基于深度学习的室外非固定场景天气识别方法，其特征在于，步骤(2)的具体过程如下：

(201)收集晴天、黑夜、暴雨、暴雪、沙尘暴、雾霾六种天气的RGB图片，且这些图片为不同场景、不同角度拍摄的图片；

(202)将收集到的所有图片按比例分为三个子数据集，分别为训练集、验证集和测试集，训练集和验证集用于对网络进行训练，测试集用于测试网络的性能；

(203)将所有图片进行归一化，然后制作成Tensorflow框架下特定的数据格式。

6.根据权利要求5所述基于深度学习的室外非固定场景天气识别方法，其特征在于，在步骤(201)中，六种天气的图片数量应尽量接近相等；在步骤(202)中，训练集、验证集与测试集的比例为8:1:1或者6:2:2，且三个子数据集中均应包含六种天气图片。

7.根据权利要求1所述基于深度学习的室外非固定场景天气识别方法，其特征在于，在步骤(3)中，网络中需要初始化和调整的参数包括但不限于：学习率、训练样本批大小、激活函数、权重初始化方法、损失函数、优化器和训练次数。

8.根据权利要求1所述基于深度学习的室外非固定场景天气识别方法，其特征在于，在步骤(3)中，采用L2正则化和Dropout，并且引入Batch Normalization层，其中L2正则化和Dropout的参数需要初始化和调整。

9.根据权利要求1所述基于深度学习的室外非固定场景天气识别方法，其特征在于，在步骤(3)中，以训练集和验证集的损失最小化为目标，对网络参数和网络结构进行调整，不断进行训练，最后采用测试集来测试网络的性能。

10.根据权利要求1所述基于深度学习的室外非固定场景天气识别方法，其特征在于，步骤(4)的具体过程如下：

(401)将训练好的轻量型卷积神经网络封装成可执行程序，移植到嵌入式平台或可移动设备上；

(402)采用多线程技术，利用互斥锁，先启动相机拍摄当前的天气图片，然后调用封装好的卷积神经网络来识别图片，输出每种天气对应的概率，其中概率最大的即为当前的天气情况。