深度学习在多天气分类算法中的研究与应用

发布时间：2021-09-30 04:55

　　针对目前多天气识别分类问题,提出了一种基于深度学习和计算机视觉的天气现象自动分类算法。采集并建立了一个包括雾霾、沙尘、雨、雪、霜、露6类天气的适用于任意场景的多天气现象数据集,改善了目前已见报数据集规模小、种类单一、只面向特定场景的情况;同时采用密集连接和池化均衡的结构搭建深度卷积神经网络（CNN）模型,训练并挖掘天气数据的特征与内在规律,用深度学习方法实现天气现象的自动分类。实验结果表明:相比传统计算机视觉算法,该算法解决了严重依靠特征提取、适用场景单一问题;且比大多数深度网络模型参数更少、识别准确性更高,算法泛化性能大幅提升。 

【文章来源】：高技术通讯. 2020,30(10)北大核心

【文章页数】：8 页

【部分图文】：

基于深度学习的多天气自动分类技术框架

为创建一个有助于未来气象领域、计算机视觉领域应用发展的数据集,本研究从多地气象观测站采集拍摄天气现象数据,并在百度、Google等各大搜索引擎、多个网络相册、多部影视作品中采集图像作为补充。数据集包括雾霾、沙尘、雨、雪、霜、露6类天气,共19 753幅图片,其中雾霾7 470幅、沙尘1 574幅、雨2 312幅、雪6 507幅、霜675幅、露1 217幅,天气数据集CCW Dataset样本见图2。数据集面向多场景,每一幅图像的背景互不相同且复杂多变。为保证数据集的客观性,本研究对天气的理解、采集和标注均经过专业气象人员培训。

表3 批尺寸对实验结果的影响 批尺寸 Dataset Dataset+ 损失函数值 准确率(%) 损失函数值 准确率(%) 16 0.00293 91.36 0.00977 95.34 32 0.00174 92.32 0.00398 96.18 64 0.00133 92.47 0.00231 96.02 128 0.000973 92.49 0.00109 96.18 256 0.000828 92.93 0.000570 96.29 512 0.000692 93.04 0.000275 96.30根据硬件条件与数据集样本数量,本文中的网络参数为初始网络学习率0.1,在完成50%的迭代次数后,学习率降低到原来的10%;在完成75%的迭代次数后,学习率继续降低到之前的10%;批尺寸大小(Batchsize)为256,迭代总次数为10 000,训练过程中加入early stop机制,当连续迭代5次验证损失函数都未减小时,停止训练;数据集以6:2:2的比例划分训练集、评估集和测试集。

【参考文献】：
期刊论文
[1]户外天气状况分类识别[J]. 史静,朱虹,韩勇.  计算机系统应用. 2018(04)
[2]基于贝叶斯分类的雾天和雨天两类天气图像自动识别[J]. 于浩,王孝通,徐冠雷.  舰船电子工程. 2016(09)
[3]基于改进双色模型的视程障碍类天气现象识别[J]. 郭佳,杨玲,吴可军,马舒庆,胡树贞.  气象科技. 2013(02)
[4]天气现象自动化观测系统设计[J]. 马舒庆,吴可军,陈冬冬,汤志亚,李肖霞,杜波,曹治国.  气象. 2011(09)
[5]基于室外图像的天气现象识别方法[J]. 李骞,范茵,张璟,李宝强.  计算机应用. 2011(06)



本文编号：3415166