[发明专利]基于迁移学习技术的室外天气图像分类方法

摘要

本发明公开了一种基于迁移学习技术的室外天气图像分类方法。该方法首先建立深度网络模型，接着将训练好的checkpoint格式的深度网络模型转换为pb格式的深度网络模型；最后只需将待判别的图像输入pb格式的深度网络模型即可快速自动判别图像的天气类别，且分类准确率较高，同时本发明所述的室外天气图像分类方法可以对天气类别进行分类，即分为雾、雨、晴、雪，同时还可以针对雪天天气进行细分，即细分为小雪、中雪、大雪，同时本发明基于迁移学习技术，具有训练数据需求量少，模型训练时间更少、优化速度更快的优势，本发明迁移在ImageNet数据集上表现优异的深度网络ResNet到我们的天气图像数据集上，取得了较高的分类准确率。适合在图像处理技术领域推广应用。

主权项

1.基于迁移学习技术的室外天气图像分类方法，其特征在于包括以下步骤：1)、建立深度网络模型；A、在不同的地点布置相机，以固定时间间隔拍取照片图像，然后将获取的图像上传到服务器存储；B、将获取的图像按照雾、雨、晴、小雪、中雪、大雪分成六类天气候选数据集；C、六类天气候选数据集的预处理；具体的预处理过程如下所述：首先，从步骤B得到的六类天气候选数据集中分别选取一定数量的图片，然后对选取的图片随机翻转处理一次，扩充一倍的数据量，再利用双线性插值法将原图尺寸调整为适合ResNet的尺寸，然后把调整后的图片分为两部分，一部分为训练集，另一部分为测试集，最后把所有图像数据转换为tfrecord格式文件；D、将ResNet_V1_50模型在ImageNet竞赛数据集上进行预训练得到ResNet_V1_50预训练模型；E、将预训练模型进行模型结构的迁移处理，模型结构迁移处理的过程如下所述：将ResNet_V1_50预训练模型的输出层修改为两个分支，每个分支包括一个由3个神经元组成的全连接层，模型结构迁移处理后得到的模型成为第一模型，第一模型的特征提取层结构与ResNet_V1_50预训练模型的特征提取层结构保持一致；F、对第一模型进行模型参数迁移处理，模型参数迁移处理的过程如下所述：将第一模型的除最后的全连接层参数外的所有参数作为第一模型的初始化参数，第一模型的全连接层参数采用随机初始化，模型参数迁移处理后得到第二模型；G、对第二模型进行训练；模型训练的具体过程如下所述：采用Adam算法作为训练模型的优化算法，Adam算法的初始学习率设置为0.0001，设置每次迭代的批处理图片数为24，将步骤C得到的tfrecord格式文件的训练集和测试集图像数据导入第二模型中进行训练后得到最终的checkpoint格式的深度网络模型；2)、将训练好的checkpoint格式的深度网络模型转换为pb格式的深度网络模型；3)、将待判别的图像输入pb格式的深度网络模型即可得到图像的天气类别。