[发明专利]基于深度学习的云状识别和模型训练方法、装置、终端及介质

权利要求书

1.一种基于深度学习的云状识别方法，其特征在于，包括：

获取待识别的云状图像并对其进行图像预处理；

将预处理后的云状图像输入经深度学习训练的云状识别多标签分类模型中，据以获得所述云状图像对应于多个云状类别的归类置信度；

若云状图像对应于一云状类别的置信度大于该云状类别的置信度预设阈值，则确定待识别的云状图像中出现了该云状类别的云；否则，确定待识别的云状图像中未出现云状类别的云。

2.根据权利要求1所述的云状识别方法，其特征在于，所述图像预处理包括图像归一化处理，其包括：

将云状图像中的每个像素点的三个色彩通道数据分别减去对应的预设通道数据，并缩放至预设像素尺寸。

3.根据权利要求1所述的云状识别方法，其特征在于，包括：

云的多个云状类别包括：高积云、高层云、卷云、卷积云、卷层云、雨层云、积云、积雨云、层云、层积云中的部分或全部类别；以及

所述分类网络模型包括Resnet分类网络模型，其包括：多个卷积层、多个BatchNorm层、多个Scale层、多个ReLU激活层、多个Eltwiese层、多个池化层、至少一全连接层、以及至少一Sigmoid激活层。

4.一种基于深度学习的模型训练方法，其特征在于，用于训练权利要求1中所述的云状识别多标签分类模型；所述方法包括：

采集多张不同时刻及不同类别的云状图像；

为每张图像中的各云状标记类别标签，并将所标记的类别标签转换为对应的标签数据；

构建一分类网络模型，并以云状图像及其对应的标签数据作为训练数据来训练所述分类网络模型直至其收敛。

5.根据权利要求4所述的模型训练方法，其特征在于，所述以云状图像及其对应的标签数据作为训练数据来训练所述分类网络模型直至其收敛，其包括：

对云状图像进行归一化处理；

将归一化处理后的图像数据及其对应的标签数据输入分类网络模型中，并计算二值交叉熵损失值；其中，在所述二值交叉熵损失值小于预设损失值的情况下，确定所述分类网络模型收敛。

6.一种基于深度学习的云状识别装置，其特征在于，包括：

图像获取模块，用于获取待识别的云状图像并对其进行图像预处理；

图像识别模块，用于将预处理后的云状图像输入经深度学习训练的云状识别多标签分类模型中，据以获得所述云状图像对应于多个云状类别的归类置信度；其中，若云状图像对应于一云状类别的置信度大于该云状类别的置信度预设阈值，则确定待识别图像中出现了该云状类别的云；否则，确定待识别图像中未出现云状类别的云。

7.一种基于深度学习的模型训练装置，其特征在于，包括：

训练数据采集模块，用于采集多张不同时刻及不同类别的云状图像数据；

标签标注模块，用于为每张图像中的各云状标注类别标签，并将所标注的类别标签转换为对应的标签数据；

模型训练模块，用于构建一分类网络模型，并以所述云状图像及其对应的标签数据作为训练数据来训练所述分类网络模型直至其收敛。

8.一种计算机可读存储介质，其上存储有第一计算机程序和/或第二计算机程序，其特征在于，所述第一计算机程序被处理器执行时实现权利要求1至3中任一项所述基于深度学习的云状识别方法；所述第二计算机程序被处理器执行时实现权利要求4或5所述基于深度学习的模型训练方法。

9.一种基于深度学习的云状识别终端，其特征在于，包括：处理器及存储器；

所述存储器用于存储计算机程序；

所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至3中任一项所述基于深度学习的云状识别方法。

10.一种基于深度学习的模型训练终端，其特征在于，包括：处理器及存储器；

所述存储器用于存储计算机程序；

所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求4或5所述基于深度学习的模型训练方法。