一种云类别自动识别方法及系统技术方案

本发明专利技术公开了数字图像识别和深度学习技术领域的一种云类别自动识别方法及系统，包括数据采集模块、云图识别模块、云图结果展示模块和模型构建模块，所述云图结果展示模块分别信号连接数据采集模块、云图识别模块和模型构建模块，通过在密集连接卷积网络(Dense Net)的基础上，提出一种改进的Dense Net，结合手机APP开发和摄像头监测视频处理等技术，解决了由于云的种类繁多，部分提取的特征针对性较强，难以从海量的云图数据中提取有效的特征，不能充分挖掘不同云图之间的内在联系的问题，结构简单，效率提高。

【技术实现步骤摘要】
一种云类别自动识别方法及系统
本专利技术涉及数字图像识别和深度学习
，具体为一种云类别自动识别方法及系统。
技术介绍
地球上空约1/2的区域被云覆盖，一定的天气气象总是和云的某种形态有所联系，云通过地球-大气辐射系统影响全球的能量交换，进而影响能量所驱动的气候因素。从古至今，人类一直通过观测云的形态预测当地的天气，因此对云种类的识别对于天气预报、气候监测等有重要的意义。目前云类别的识别方法主要有人工识别、基于数字图像处理和模式识别的方法等，人工识别方法需要识别人员具有一定的专业知识，主观性较强；基于数字图像处理和模式识别的方法关键在于云图的有效特征提取，但是，由于云的种类繁多，部分提取的特征针对性较强，难以从海量的云图数据中提取有效的特征，不能充分挖掘不同云图之间的内在联系，基于此，本专利技术设计了一种云类别自动识别方法及系统，以解决上述问题。
技术实现思路
本专利技术的目的在于一种云类别自动识别方法及系统，以解决上述
技术介绍
中提出的上述云种类识别方法存在主观性强及难以提取有效特征的问题。为实现上述目的，本专利技术提供如下技术方案：一种云类别自动识别方法，包括如下步骤：步骤一、收集大量的、覆盖各种情况的不同云种类的相关图片，对图片进行大小调整、翻转及色彩调整等操作，得到训练图片，表示为x1、x2、…、xn，n表示图片总数；步骤二、对云图进行云种类标记，得到数据的标签，表示为y1、y2、…、yk，k表示云的类别数，根据标签建立文件夹，将对应的云图片放在文件夹中；步骤三、利用训练集中的图片xi经过改进的DenseNet进行一系列卷积、归一化、池化、残差连接等得到图片类别，结合图片已知类别标签构建误差代价函数，并通过随机梯度下降法进行网络参数更新，直至收敛；进一步地，所述改进的DenseNet网络模型主要包括初始卷积层CONV1，3个由卷积层组成的密集卷积块B1、B2、B3，2个过渡层T1、T2，最后的pooling层及全连接层组成；所述初始卷积层CONV1为一个步长为2，大小1×1的卷积核，提取图片的初始特征；所述密集卷积块Bi，包含Ki层子结构，每层子结构为一个1×1的bottleneck层与3×3的卷积层，与传统的卷积过程不同，在密集卷积块中，将0，1，…，l-1层的输出做concatenation作为l层的输入，得到的l层为：xl＝Hl([x0,x1,...,xl-1])密集卷积块B1、B2和B3中间包含过渡层T1与T2，过渡层主要包括1×1卷积层以及池化层；进一步地，为更好保留图像底层特征，减少梯度弥散，引入残差网络思想，在密集卷积块之间加入跳跃层，具体的，将经过CONV1卷积后的输出图像与经过B1块后的输出数据进行相加，作为过渡层T1的输入数据，同理得到T2与最后pooling层的输入数据，可表示为：xl＝Hl(xl-1)+xl-1最后全连接层FC将前一层的featuremaps映射到k维向量中，并通过softmax函数得到属于每一类云的概率，选取最大概率值作为当前输入图片中云的种类。优选的，一种云类别自动识别系统，包括数据采集模块、云图识别模块、云图结果展示模块和模型构建模块，所述云图结果展示模块分别信号连接数据采集模块、云图识别模块和模型构建模块。优选的，所述数据采集模块主要包括云种类训练样本数据及待识别云图的采集，同时，搜集不同云种类对应的云特征、天气特征、谚语、古诗词等资料；对于训练样本数据，首先对云的种类进行划分，结合分类并利用python爬虫自动获取网络中不同相关种类的云的图片，并进行人工检查，同时搜集气象部门相关资料，将上述数据按种类进行分类形成有标签的云图训练集；采用手机拍照与摄像头录制视频两种方式获取待识别的云图。优选的，所述云图识别模块用于将手机拍照以及摄像头录制的视频获得的待识别的云图输入至训练好的网络模型，得出待识别云图属于哪一种类型的云。优选的，所述云图结果展示模块通过关联查询与云图识别模块连接，利用后台数据文件关联技术将与识别的云种类对应的云特征、天气特征、谚语、古诗词等投影到显示屏进行展示。优选的，所述模型构建模块采用上述提及的云种类识别方法构建改进的DenseNet，DenseNet网络模型主要各层连接顺序为CONV1、DenseBlock1(B1)、conv&pooling1(T1)、DenseBlock2(B2)、conv+pooling2(T2)、DenseBlock3(B3)、conv+pooling3(T3)、DenseBlock4(B4)、pooling、FC，进一步地，改进的DenseNet将CONV1的输出与B1的输出相加作为T1的输入，将B1与B2的输出相加作为T2的输入，将B2及B3的输出相加作为最后pooling的输入，采用数据采集模块得到的云图训练集对网络模型进行训练。与现有技术相比，本专利技术的有益效果是：本专利技术通过在密集连接卷积网络(DenseNet)的基础上，提出一种改进的DenseNet，结合手机APP开发和摄像头监测视频处理等技术，解决了由于云的种类繁多，部分提取的特征针对性较强，难以从海量的云图数据中提取有效的特征，不能充分挖掘不同云图之间的内在联系的问题，结构简单，效率提高。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术云种类识别流程图；图2为本专利技术卷积流程图；图3为本专利技术卷积密集块结构示意图；图4为本专利技术系统原理图；图5为现有密集卷积网络Densenet结构框图；图6为改进型密集卷积网络Densenet结构框图。附图中，各标号所代表的部件列表如下：1-数据采集模块，2-云图识别模块，3-云图结果展示模块，4-模型构建模块。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。请参阅图1-6，本专利技术提供一种技术方案：一种云类别自动识别方法，包括如下步骤：步骤一、训练集制作；具体地，确定云的种类，主要根据云的分类表(摘自《气象知识》)确定28种云的种类，并对应编号，按照编号建立文件夹，根据不同云种类，采用python编写网络爬虫程序，自动获取不同云种类的照片资料，同时，搜集气象部门累积的相关资料，对上述两种资料进行人工检查后放入对应编号的文件夹中。将所有文件夹中的照片均resize到96×96大小，并在python中对resize后的照片进行旋转、色彩调整等操作，得到训练神经网络的输入数据，表示为x1、x2、…、xn，其中，n表示图片总数，将文件夹编号作为标签数据，表示为y1、y2、…、yk，此处，k＝28表示云的类别数，根据标签建立一维向量y28×1，该向量中有1个元素为1，其余元素均为0，每个元素表示一种云的类别，当元素为1时，表示对应的图片属于该类，至此，网络模型的训练集制作完成。步骤二、网络构建及训练本文档来自技高网...

【技术保护点】
1.一种云类别自动识别方法，其特征在于，包括如下步骤：步骤一、收集大量的、覆盖各种情况的不同云种类的相关图片，对图片进行大小调整、翻转及色彩调整等操作，得到训练图片，表示为x1、x2、…、xn，n表示图片总数；步骤二、对云图进行云种类标记，得到数据的标签，表示为y1、y2、…、yk，k表示云的类别数，根据标签建立文件夹，将对应的云图片放在文件夹中；步骤三、利用训练集中的图片xi经过改进的Dense Net进行一系列卷积、归一化、池化、残差连接等得到图片类别，结合图片已知类别标签构建误差代价函数，并通过随机梯度下降法进行网络参数更新，直至收敛；进一步地，所述改进的Dense Net网络模型主要包括初始卷积层CONV1，3个由卷积层组成的密集卷积块B1、B2、B3，2个过渡层T1、T2，最后的pooling层及全连接层组成；所述初始卷积层CONV1为一个步长为2，大小1×1的卷积核，提取图片的初始特征；所述密集卷积块Bi，包含Ki层子结构，每层子结构为一个1×1的bottle neck层与3×3的卷积层，与传统的卷积过程不同，在密集卷积块中，将0，1，…，l‑1层的输出做concatenation作为l层的输入，得到的l层为：xl＝Hl([x0,x1,...,xl‑1])密集卷积块B1、B2和B3中间包含过渡层T1与T2，过渡层主要包括1×1卷积层以及池化层；进一步地，为更好保留图像底层特征，减少梯度弥散，引入残差网络思想，在密集卷积块之间加入跳跃层，具体的，将经过CONV1卷积后的输出图像与经过B1块后的输出数据进行相加，作为过渡层T1的输入数据，同理得到T2与最后pooling层的输入数据，可表示为：xl＝Hl(xl‑1)+xl‑1最后全连接层FC将前一层的feature maps映射到k维向量中，并通过softmax函数得到属于每一类云的概率，选取最大概率值作为当前输入图片中云的种类。...

【技术特征摘要】
1.一种云类别自动识别方法，其特征在于，包括如下步骤：步骤一、收集大量的、覆盖各种情况的不同云种类的相关图片，对图片进行大小调整、翻转及色彩调整等操作，得到训练图片，表示为x1、x2、…、xn，n表示图片总数；步骤二、对云图进行云种类标记，得到数据的标签，表示为y1、y2、…、yk，k表示云的类别数，根据标签建立文件夹，将对应的云图片放在文件夹中；步骤三、利用训练集中的图片xi经过改进的DenseNet进行一系列卷积、归一化、池化、残差连接等得到图片类别，结合图片已知类别标签构建误差代价函数，并通过随机梯度下降法进行网络参数更新，直至收敛；进一步地，所述改进的DenseNet网络模型主要包括初始卷积层CONV1，3个由卷积层组成的密集卷积块B1、B2、B3，2个过渡层T1、T2，最后的pooling层及全连接层组成；所述初始卷积层CONV1为一个步长为2，大小1×1的卷积核，提取图片的初始特征；所述密集卷积块Bi，包含Ki层子结构，每层子结构为一个1×1的bottleneck层与3×3的卷积层，与传统的卷积过程不同，在密集卷积块中，将0，1，…，l-1层的输出做concatenation作为l层的输入，得到的l层为：xl＝Hl([x0,x1,...,xl-1])密集卷积块B1、B2和B3中间包含过渡层T1与T2，过渡层主要包括1×1卷积层以及池化层；进一步地，为更好保留图像底层特征，减少梯度弥散，引入残差网络思想，在密集卷积块之间加入跳跃层，具体的，将经过CONV1卷积后的输出图像与经过B1块后的输出数据进行相加，作为过渡层T1的输入数据，同理得到T2与最后pooling层的输入数据，可表示为：xl＝Hl(xl-1)+xl-1最后全连接层FC将前一层的featuremaps映射到k维向量中，并通过softmax函数得到属于每一类云的概率，选取最大概率值作为当前输入图片中云的种类。2.一种云类别自动识别系统，其特征在于：包括数据采集模块(1)、云图识别模块(2)、...

【专利技术属性】
技术研发人员：闵松寒，殷志祥，杨辉，吴艳兰，
申请(专利权)人：安徽大学，
类型：发明
国别省市：安徽,34