[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

说明书

本发明提供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，其包括：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。本发明的技术方案是基于深度学习的智能识别方法，而且使用的是一种多标签分类深度神经网络，能够同时判断出多个类别的云，从而提供一种更为智能且云状观测效果更好的技术解决方案。

技术领域

本发明涉及深度学习技术领域，特别是涉及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。

背景技术

在航空气象领域，云的辨别是极为重要的一环，云的分类对天气识别、气象灾害预测起着十分重要的作用，部分低云族会直接影响航班的起落飞行；因此气象观测报告中的云状信息一直是机场、航空公司密切关注的部分。

在现有技术中，通常还都是依靠人来进行云状观测，但云状观测本身需要长期的培训，而且非常耗时耗人工；也有一些现有技术采用检测识别软件来进行云状观测，但由于云本身的形状变化较为复杂，视野中常常出现多个种类的云，现有的检测识别软件对云效果较差。

因此，本领域亟需一种更为智能且云状观测效果更好的技术解决方案。

申请内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供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，用于解决现有技术中的问题。

为实现上述目的及其他相关目的，本发明的第一方面提供一种基于深度学习的云状识别方法，其包括：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。

于本发明的第一方面的一些实施例中，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。

于本发明的第一方面的一些实施例中，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；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。

为实现上述目的及其他相关目的，本发明的第二方面提供一种基于深度学习的模型训练方法，其用于训练本发明第一方面中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。

于本发明的第一方面的一些实施例中，所述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，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。