[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

说明书

本发明公开了一种基于深度学习的室外非固定场景天气识别方法。步骤为：构建轻量型卷积神经网络的基本结构；收集各种天气的图片并将其制作为特定格式的数据集；利用数据集对轻量型卷积神经网络进行训练；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。本发明一方面克服了传统方法只能识别固定场景天气的缺点，另一方面由于计算量非常少，可以应用于嵌入式平台或移动设备中，实用性非常高。

技术领域

本发明属于导航技术领域，特别涉及了一种室外非固定场景天气识别方法。

背景技术

全源导航是应用多种类型的传感器，根据环境和任务需求的不同，实现多种组合方案的快速集成和重新配置，从而形成一种可在多种复杂环境下精确定位、导航和授时的导航定位系统。而其中的光学传感器会受限于天气环境，如暴雨、暴雪、沙尘暴、雾霾等天气对激光雷达、激光测高仪、红外测距仪等影响比较大，夜视设备在晴天会失效，相机在夜间无光的情况下拍摄的照片无法提供有效的导航信息。如果在非适应环境下应用这些传感器，将会大大降低导航定位的精度。除此之外，在一些场景下也需要通过天气图片来识别出当前的天气环境，进而做出一些决策或判断。因此，精确识别出当前的天气情况是本领域亟需深入研究的内容。

发明内容

为了解决上述背景技术提出的技术问题，本发明提出了一种基于深度学习的室外非固定场景天气识别方法。

为了实现上述技术目的，本发明的技术方案为：

一种基于深度学习的室外非固定场景天气识别方法，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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；