结合深度卷积网络及光学图像的降雨强度识别

发布时间：2021-11-20 20:13

　　基于降雨图像数据,依据降雨量划分不同的降雨强度;结合深度神经网络理论建立降雨强度识别模型,对降雨强度进行实时监测与预警.首先,通过福州市8个气象站点获取降雨图像及其对应的降雨量数据;其次,依据降雨强度对降雨图像进行分类,共分为6个等级,并将数据分为白天图像和晚上图像2个数据集;最后,采用DenseNet深度卷积神经网络构建降雨强度识别模型.结果表明:（1）各气象站点降雨强度的识别精度均高于80%,识别精度不存在明显差异;（2）白天降雨图像的识别精度高于晚上;（3）白天和晚上图像存在特征差异,使其识别精度在不同网络层数上的变化趋势不一致;（4）数据量不均衡将会影响模型总体的识别精度.表明基于降雨图像的DenseNet降雨强度识别模型具有良好的数据适应性及准确的识别结果. 

【文章来源】：福建农林大学学报(自然科学版). 2020,49(04)北大核心CSCD

【文章页数】：10 页

【部分图文】：

福州市8个气象站点分布图

卷积神经网络[23-24]属于前馈神经网络,具有较强的特征提取及分类能力,被广泛应用于图像处理领域,如图像分类[23]、图像分割[24-25]以及图像定位[26]等.卷积神经网络主要由输入层、卷积层、激活函数、池化层以及全连接层构成,不同组合表现出不同的模型效果.卷积层采用不同权重的卷积核对输入图像进行卷积计算,抽取图像分类特征.卷积计算通过引入非线性激活函数,使卷积神经网络能够拟合复杂的非线性函数.提取有效分类特征,其中激活函数主要有Sigmoid函数、双曲正切Tanh函数、修正线性单元Relu函数.Sigmoid及Tanh函数分别将输入值值域调整至[0,1]及[-1,1],两种激活函数均具有函数单调性,且具有光滑作用.但对于Sigmoid函数和Tanh函数采用指数运算,计算量大,且其导函数容易导致网络训练梯度不正常.Relu函数是对输入值与0比较后取最大值,具有单边抑制性以及稀疏激活性,且形式简单,计算方便.因此,本文采用Relu函数作为网络激活函数,具体公式表示如下:

Transition layer结构用于连接Dense block,每个Transition layer均由一个卷积层和平均池化层构成,卷积层中的卷积核大小为1×1,结构见图5.其中,卷积层通过控制卷积核的通道数改变前一层输出特征图的数量;池化层通过控制卷积核的大小及卷积核移动步长改变前一层输出特征图的大小,以达到降维效果.通过Transition layer进行降维操作,每经过一层Transition layer,输出的特征图数量均减少且尺寸减半,进一步减少整个网络模型的参数使用量.特征图的尺寸大小与网络的计算速度相关,因此DenseNet网络通过减小特征图尺寸及减少数量来加快计算速度.图4 Dense block结构示意图


本文编号：3508030