[发明专利]一种基于卷积神经网络的地基云图云状识别方法

权利要求书

1.一种基于卷积神经网络的地基云图云状识别方法，其特征在于，包含以下步骤：

步骤1：构建基于地基云图的轻量级云状识别网络；

基于卷积神经网络的地基云图云状识别网络模型包含卷积层、最大池化层、4个子网络，全局池化层以及全连接层，其中，每个子网络的网络结构相似，且每个子网络的参数不同；

步骤2：训练云状识别网络模型；

训练云状识别网络模型的具体步骤为：获取经过人工分类的云图数据训练集；对数据集中的云图数据进行预处理；将经过预处理的云图数据输入到云状识别网络进行训练；

步骤3：获取待识别云图并进行预处理；

获取待识别云图并对其进行预处理，预处理的具体方法为：将待识别云图进行鱼眼矫正；对待识别云图进行归一化处理，使其与经过预处理的训练集云图大小一致；

步骤4：将经过预处理后的待识别云图输入到训练后的云状识别网络；

步骤5：云状识别网络对云图进行自动识别并输出所属类别；

云状识别网络对输入的图像进行云状识别，输出当前云图属于十属云状及晴空无云共11个类别的各类概率值，取概率最大值的云属作为其最终识别结果；

输入端与输出端的卷积层均采用1×1卷积，分别用于实现卷积核通道数的升维与降维；最大池化层与全局池化层分别采用3×3、7×7大小的卷积核，目的是缩小参数矩阵的尺寸，减少参数数量，降低过拟合发生的可能性；全连接层用于根据提取的特征进行特征分类。

2.根据权利要求1所述的一种基于卷积神经网络的地基云图云状识别方法，其特征在于，每个子网络包含n个特征提取单元和1个降采样单元，n0：特征提取单元用于提取待识别云图的图像特征；降采样单元用于在保留有效信息的前提下降低特征的维度，并在一定程度上避免过拟合。

3.根据权利要求1所述的一种基于卷积神经网络的地基云图云状识别方法，其特征在于，特征提取单元综合了深度可分离卷积、通道随机混合及膨胀卷积思想，在保证特征提取精准度的前提下有效降低运算量；降采样单元利用平均池化层和最大池化层对图像空间尺度进行降采样，采用通道的注意力机制，选择性的对关键信息进行处理，以提升网络效率；此外，特征提取单元及降采样单元的网络结构设计中均加入了BN层，以加快网络模型在训练时的收敛速度，同时有效避免梯度消失及梯度爆炸问题的发生。

4.根据权利要求1所述的一种基于卷积神经网络的地基云图云状识别方法，其特征在于，对训练数据集中云图进行预处理的具体方法为：对训练集中的图片进行归一化处理；对训练图片进行数据增强；进一步地，在训练网络模型时，选用交叉熵函数作为损失函数，优化器为Adam，设置迭代次数为100、批处理量为100、初始学习率为0.01。