[发明专利]基于改进DenseNet网络的地基云自动识别方法

权利要求书

1.一种基于改进DenseNet网络的地基云自动识别方法，其特征在于，包括以下步骤：

S1、收集并预处理地基云图数据集；

S2、结合地基云网络的特性来修改DenseNet网络的结构，对DenseNet网络的顶层部分重新设计，具体包括如下子步骤：

S21、首先使用一个Flatten层将前一个卷积层展平，即将之前多维的数据变成一维的，denseNet最顶端的卷积层维度是7x7x1024，故Flatten的维度设为1x50176；

S22、之后在Flatten层后，添加三个全连接层，三个全连接尺寸分别为1x1024、1x512、1x32，在全连接层中间添加了两个batch normal层，batch normal层可以使每层的数据转换为均值为0，方差为1的数据，使数据分布更均匀，也允许使用较大的学习率去训练网络，两个batch normal层分别放置在尺寸是1x1024的全连接层和尺寸是1x512的全连接层后面；

S23、最后在尺寸是1x32的全连接层后面添加一个带有softmax函数的7分类层，新添加的神经元使用Lecun初始化方法初始化神经元的权重；

S3、使用迁移学习对经步骤S2修改后的DenseNet网络进行训练；

将DenseNet网络在大数据集ImageNet中预训练的权重，导入DenseNet网络中，然后再对DenseNet网络在地基云图数据集上进行训练；

S4、在步骤S1预处理后的地基云数据集上对修改后完整的DenseNet网络模型进行微调，使DenseNet网络的权重在训练过程中得到调整。

2.根据权利要求1所述的基于改进DenseNet网络的地基云自动识别方法，其特征在于，步骤S1中，对地基云数据集的预处理操作包括：云图的筛选、图片像素值的比对、图像归一化以及数据集增强。

3.根据权利要求1所述的基于改进DenseNet网络的地基云自动识别方法，其特征在于，步骤S4，在地基云数据集上对修改后完整的DenseNet网络模型进行微调，包括对不同的卷积层进行冻结，使用不同的学习率进行训练，具体包括以下子步骤：

S41、首先对地基云数据集中的样本进行归一化处理，即将图像的输入RGB值除以255，得到的值在0到1之间，随后建立DenseNet121网络；将ImageNet数据集预训练的网络权值导入DenseNet121网络；冻结相关参数，采用上述方法对顶层进行修改；使用LeCun均匀分布对新增层的参数进行初始化；

S42、建立参数训练网络后，对参数训练网络进行调整，首先，只训练顶层的参数，然后解冻DenseNet121网络底层的一部分，DenseNet121网络分为五个大的卷积块，从第三块开始微调，具体到第141层，解冻后进行步骤S421~步骤S425；

S421、训练网络前10个epoch，学习率0.0001；

S422、训练网络前10个epoch，学习率0.00005；

S423、训练网络前10个epoch，学习率0.00001；

S424、从第三个卷积块开始进行微调，即解冻第三个卷积块之后的参数，首先，训练20个epoch，学习率为0.00005；

S425.最后训练20个epoch，学习率0.00001。