卷積神經網絡識別地基云圖的數據庫建立及處理方法
2020年信息技術與網絡安全第3期
王敏1,2，周樹道1,2，劉展華1，任尚書3
(1.國防科技大學 氣象海洋學院，江蘇 南京 211101； 2.南京信息工程大學 氣象災害預警與評估協同創新中心，江蘇 南京 210044； 3.解放軍95171部隊，廣東 廣州 510000)
摘要： 卷積神經網絡(Convolutional neural network,CNN)具有非比尋常的從樣本中學習特征的能力，訓練需要大量帶有標簽的圖像樣本。因此，在使用卷積神經網絡對地基云圖相關研究時，建立云圖樣本庫是第一步，也是非常重要的一步。首先，通過數碼相機直接拍攝、從互聯網上下載、從公開發行的云圖類書籍獲取以及由全天空照相機拍攝等手段獲取三個云圖樣本庫；接著，對三個樣本庫圖像的分辨率、噪聲、數量等問題進行了分析；然后，采用雙線性插值和數據增強方法對樣本庫進行歸一化預處理；最后，利用卷積神經網絡、LBP、Heinle feature和Textonbased method三種方法對增強后的數據集進行云識別分類驗證，實驗結果表明，利用本文方法進行增強數據可有效解決卷積神經網絡對小樣本數據識別率不高
中圖分類號：TP412.15
文獻標識碼：A
DOI： 10.19358/j.issn.2096-5133.2020.03.011
引用格式：王敏，周樹道，劉展華，等.卷積神經網絡識別地基云圖的數據庫建立及處理方法［J］.信息技術與網絡安全，2020,39（3）：56-61.
文獻標識碼：A
DOI： 10.19358/j.issn.2096-5133.2020.03.011
引用格式：王敏，周樹道，劉展華，等.卷積神經網絡識別地基云圖的數據庫建立及處理方法［J］.信息技術與網絡安全，2020,39（3）：56-61.
Establishment and processing of Groundbased cloud image database for CNN
Wang Min1,2,Zhou Shudao1,2,Liu Zhanhua1,Ren Shangshu3
（1.College of Meteorology and Oceanography,National University of Defense Technology,Nanjing 211101,China; 2.Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, Nanjing University of Information Science & Technology,Nanjing 210044,China; 3.Unit 95171 of PLA,Guangzhou 510000, China）
Abstract： Convolutional neural network (CNN) has an extraordinary ability to learn features from samples,and training requires a large number of image samples with labels.Therefore,it is the first and very important step to establish cloud image sample bank when using convolutional neural network to study the groundbased cloud image.Firstly,three cloud image sample libraries are acquired by means of digital camera direct shooting,downloading from the Internet,acquiring from publicly released cloud image books,and shooting by allsky camera.Then,the resolution,noise and number of images in the three sample libraries are analyzed.Then,bilinear interpolation and data enhancement are used to normalize the sample database.Finally,CNN,LBP,Heinle feature and Textonbased method are used to verify the cloud recognition of the enhanced data set.The experimental results show that the improved data can effectively solve the problems of convolution neural network for small sample data recognition such as low rate and incomplete network operation, and lays a foundation for the application of convolutional neural network in the recognition of groundbased cloud image.
Key words : convolutional neural network;supervised learning;sample bank;normalization
0 引言
云是地球上水文循環的一個重要環節，它與地面輻射相互作用共同影響著局地和全球尺度的能量平衡。云分類對天氣預報很重要，直接決定著降水、降雪、雹和雷電等天氣活動。地基云觀測數據主要包括云量、云狀、云底高度，根據三者的不同表現可以將云分為3族、10屬、29類，具有種類多、變化快、相似、易與天空背景融合等特點。實際觀測中人工觀測為主，存在著主觀性強、準靜態、成本高、觀測點偏少以及信息記錄不完整等問題。目前的地基云圖云狀自動化識別方法通常采用圖像預處理→特征提取→分類器分類這樣的流程。
大多數研究者重點研究表達不同云屬性的特征提取技術，但這種識別分類方法是基于人工經驗提取特征的，且各個環節都是獨立的，只有簡單的兩三層學習網絡，實則是一種“淺層學習”，致使此類方法適用的云類別范圍有限，加之分類器的選取、云的復雜變化，影響了器測云狀識別的識別精度及識別速度，僅能簡單識別積云、層云、高積云、卷云等少數四至五類典型云的自動識別。
本文詳細內容請下載：http://www.rjjo.cn/resource/share/2000003184
作者信息：
王敏1,2，周樹道1,2，劉展華1，任尚書3
(1.國防科技大學 氣象海洋學院，江蘇 南京 211101；2.南京信息工程大學 氣象災害預警與評估協同創新中心，江蘇 南京 210044；3.解放軍95171部隊，廣東 廣州 510000)
此內容為AET網站原創，未經授權禁止轉載。