[发明专利]基于改进DenseNet网络的地基云自动识别方法

说明书

本发明提出一种基于改进DenseNet网络的地基云自动识别方法，解决目前地基云图像识别率低的问题。地基云自动识别系统包括：打开并显示单张地基云图像，识别出地基云的具体类别，批量的对大量图片进行识别，并显示识别结果，计算并统计单个地基云数据集的准确率。本发明对多种网络进行比较，选择准确率表现较好的DenseNet网络，对其进行改进，在目前最大的数据集上使用改进的网络加上迁移学习进行训练，在包含12000张地基云样本的数据集中识别准确率达到了93.21%。

技术领域

本发明涉及图像处理技术领域，更进一步涉及基于改进DenseNet网络的地基云自动识别方法。

背景技术

云的观测与分类一直是气象领域的重要一环，云与水文循环、太阳能辐射等密切相连，不同的云类型对全球的地表-大气系统有着不同的影响，在天气预报、航空航天、卫星通信等领域发挥着重要作用，所以对于云类型进行具体分类有着重要意义。

根据世界气象组织指定的标准，云的分类以云的形状为主要要素，辅以高度、颜色等信息，将云分为十属二十九类。云的种类如此繁多，加上云的颜色信息通常比较单一，呈白色或者灰色，与蓝色的天空背景容易相融合，最关键的是，云通常情况是动态的，一种云可能转化为另一种云，这也导致了云的判定界限没有那么准确，综上种种原因，地基云的分类准确率一直较低，无法应用到实际。

解决地基云的识别准确率的关键要素是数据集和识别方法，国际上地基云数据集的资料一直相对匮乏，这是由于大数据的制作工作繁杂，每一张数据集都需要专家进行判别，在大样本的地基云数据集发布前，大多数研究都在使用2014年发布的新加坡全天空数据集，该数据集仅有784张云图样本，分为5个类别，无论是样本数还是类别数都较少，深度神经网络在这种少样本的情况下训练容易造成过拟合，导致结果的鲁棒性不强。

此外，传统的机器学习识别方法存在很多不足，首先是手工特征的提取比较复杂，结果高度依赖训练样本的质量，其次提取和分类的准确性受到模型的限制比较大，识别的准确率不高。正是数据集和识别方法的双重局限性，使得地基云识别暂时未得到具体应用。

发明内容

本发明的目的在于提高现有的地基云识别方法在大数据集中的准确率，将地基云自适应识别应用到实际的气象观测领域。

为了实现上述技术目的，本发明采用如下技术手段：

一种基于改进DenseNet网络的地基云自动识别方法，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；