本技術(shù)涉及圖像處理，尤其是一種基于輕量級神經(jīng)網(wǎng)絡(luò)的地基云云狀識別方法。

背景技術(shù)：

1、云在大氣輻射傳輸、全球水循環(huán)、全球能量平衡等方面扮演著非常重要的角色，研究云的特點也有助于探索對流層的積冰和平流層的強擾動。因此，觀測云在天氣預(yù)報、人工影響天氣、飛行保障等方面有著重要意義。在氣象業(yè)務(wù)中，云觀測的三要素為：云量、云狀和云高。目前氣象業(yè)務(wù)中已經(jīng)使用衛(wèi)星、全天空成像儀、激光云高儀或毫米波測云雷達等多種觀測設(shè)備對云量、云高開展自動觀測，而云狀的觀測一直存在主觀性強、不確定性高、誤差偏大、費時費力等問題，因此近年來云狀觀測技術(shù)越來越受到人們的關(guān)注。

2、隨著地面觀測設(shè)備與成像技術(shù)的發(fā)展，地基云的觀測已逐步由人工目測記錄轉(zhuǎn)變?yōu)樽詣踊^測記錄。目前關(guān)于云狀的識別研究主要借助于兩個自動化觀測方法：（1）基于云圖的云狀分類識別。（2）基于云反射特征進行分類識別?；谠品瓷涮卣鞯姆椒壳按蟛糠植僮髦饕€是依靠人工實現(xiàn)，效率較低，不適合觀測預(yù)報自動化業(yè)務(wù)的發(fā)展，因此現(xiàn)有研究主要采用的方法都是基于云圖的云狀分類識別。

3、基于云圖的云狀分類識別主要采用圖像分類識別法，且隨著技術(shù)的發(fā)展，基于深度學(xué)習(xí)的方法逐漸被用于云圖分類，即首先提取云圖圖像特征，然后利用深度學(xué)習(xí)模型基于云圖圖像特征進行分類從而實現(xiàn)云狀識別。深度學(xué)習(xí)模型的訓(xùn)練依賴于云狀樣本數(shù)據(jù)，中國氣象局在地面氣象觀測規(guī)范云中制定了云狀分類標(biāo)準(zhǔn)為三族十屬二十九類，但其中部分云狀非常罕見，導(dǎo)致這類云狀的樣本數(shù)據(jù)非常少，因此獲取到的云狀樣本數(shù)據(jù)往往分布不均衡且一般服從長尾分布，這導(dǎo)致訓(xùn)練得到的深度學(xué)習(xí)模型能夠識別的云狀類別較少，目前大多數(shù)研究通常只能實現(xiàn)4到10類粗粒度云狀分類識別，影響了目前云狀識別的精度和效果。

技術(shù)實現(xiàn)思路

1、本技術(shù)針對上述問題及技術(shù)需求，提出了一種基于輕量級神經(jīng)網(wǎng)絡(luò)的地基云云狀識別方法，本技術(shù)的技術(shù)方案如下：

2、一種基于輕量級神經(jīng)網(wǎng)絡(luò)的地基云云狀識別方法，該地基云云狀識別方法包括：

3、獲取包含若干個樣本全天空云圖的初始樣本集；

4、根據(jù)初始樣本集中每個樣本全天空云圖中包含的云狀標(biāo)簽的標(biāo)簽值，確定樣本全天空云圖的云圖標(biāo)簽值，每類云狀標(biāo)簽的標(biāo)簽值各異且唯一；

5、根據(jù)各個樣本全天空云圖的云圖標(biāo)簽值的分布情況，對初始樣本集執(zhí)行過采樣操作以平衡不同云狀標(biāo)簽組合的數(shù)量并得到平衡樣本集；

6、利用平衡樣本集訓(xùn)練云狀識別網(wǎng)絡(luò)，構(gòu)建的云狀識別網(wǎng)絡(luò)包括inception模塊、殘差模塊和srm模塊，inception模塊用于進行多尺度特征提取，srm模塊通過利用中間特征圖的樣式來自適應(yīng)地重新校準(zhǔn)中間特征圖；

7、利用訓(xùn)練得到的云狀識別網(wǎng)絡(luò)對待識別全天空云圖進行地基云云狀識別以輸出待識別全天空云圖的云狀識別結(jié)果。

8、其進一步的技術(shù)方案為，初始樣本集中的樣本全天空云圖共包含31類不同云狀標(biāo)簽，覆蓋的云狀標(biāo)簽包括無云標(biāo)簽、視程障礙標(biāo)簽以及29類不同的云狀分類標(biāo)簽，每個云狀分類標(biāo)簽對應(yīng)地基云的一種云狀類別；

9、每個樣本全天空云圖中僅包含無云標(biāo)簽，或者僅包含視程障礙標(biāo)簽，或者包含至少一個云狀分類標(biāo)簽；其中，無云標(biāo)簽指示樣本全天空云圖中不包含地基云，視程障礙標(biāo)簽指示因視程障礙而無法確定樣本全天空云圖中包含的地基云的云狀類別。

10、其進一步的技術(shù)方案為，云狀識別網(wǎng)絡(luò)包括依次級聯(lián)的inception模塊和多個殘差模塊，多個殘差模塊用于實現(xiàn)深層特征的提??；每個殘差模塊基于ghost模塊和ca注意力機制構(gòu)建得到，并利用殘差連接實現(xiàn)特征重用。

11、其進一步的技術(shù)方案為，殘差模塊包括依次連接的卷積層、ghost模塊、ca注意力機制、1*1卷積層和激活函數(shù)，輸入殘差模塊的特征圖f1經(jīng)過卷積層后得到特征圖f2并輸入ghost模塊，特征圖f2在ghost模塊中分別進行恒等映射和線性變換的并行處理后實現(xiàn)通道拼接得到特征圖f3，特征圖f3依次經(jīng)過ca注意力機制和1*1卷積層后得到特征圖f4，特征圖f4與特征圖f1進行殘差連接后經(jīng)過激活函數(shù)并輸出殘差模塊。

12、其進一步的技術(shù)方案為，云狀識別網(wǎng)絡(luò)包括依次級聯(lián)的若干個卷積層、inception模塊、多個殘差模塊、展平層和線性層，每一個卷積層后以及inception模塊之后分別添加有最大池化層，在卷積層之間插入有srm模塊，在inception模塊之前插入有srm模塊，每個殘差模塊之前分別插入有srm模塊且插入的srm模塊之后添加有最大池化層，展平層之前添加有平均池化層。

13、其進一步的技術(shù)方案為，輸入inception模塊的特征圖f1依次經(jīng)過3*3卷積層和1*1卷積層后得到特征圖f2并輸出給concat模塊，特征圖f1還依次經(jīng)過1*1卷積層和5*5卷積層后得到特征圖f3并輸出給concat模塊，特征圖f1還依次經(jīng)過1*1卷積層和3*3卷積層后得到特征圖f4并輸出給concat模塊，特征圖f1還經(jīng)過1*1卷積層后得到特征圖f5并輸出給concat模塊；concat模塊對特征圖f2、特征圖f3、特征圖f4和特征圖f5進行通道拼接后輸出。

14、其進一步的技術(shù)方案為，對初始樣本集執(zhí)行過采樣操作包括：

15、分別確定每一個云圖標(biāo)簽值對應(yīng)的樣本數(shù)量并確定最大樣本數(shù)量，任意一個云圖標(biāo)簽值對應(yīng)的樣本數(shù)量是初始樣本集中具有云圖標(biāo)簽值的樣本全天空云圖的數(shù)量，最大樣本數(shù)量是初始樣本集中具有同一個云圖標(biāo)簽值的樣本全天空云圖的最大數(shù)量；

16、依次遍歷每一個云圖標(biāo)簽值，根據(jù)遍歷到的云圖標(biāo)簽值對應(yīng)的樣本數(shù)量與最大樣本數(shù)量的差異程度確定抽取數(shù)量，并按照抽取數(shù)量從初始樣本集包含的具有當(dāng)前遍歷到的云圖標(biāo)簽值的樣本全天空云圖中抽取樣本全天空云圖增加到初始樣本集中；直至遍歷完所有不重復(fù)的云圖標(biāo)簽值后確定完成過采樣操作，并得到在初始樣本集中增加樣本全天空云圖后得到的平衡樣本集。

17、其進一步的技術(shù)方案為，根據(jù)遍歷到的云圖標(biāo)簽值對應(yīng)的樣本數(shù)量與最大樣本數(shù)量的差異程度確定抽取數(shù)量包括：

18、確定抽取數(shù)量為[（n-n）/β]，其中，n是最大樣本數(shù)量，n是當(dāng)前遍歷到的云圖標(biāo)簽值對應(yīng)的樣本數(shù)量，β為系數(shù)，[（n-n）/β]表示對（n-n）/β進行數(shù)值取整。

19、其進一步的技術(shù)方案為，每個樣本全天空云圖的云圖標(biāo)簽值是樣本全天空云圖包含的各類不重復(fù)的云狀標(biāo)簽的標(biāo)簽值之和，具有同一個云圖標(biāo)簽值的任意兩個樣本全天空云圖包含的云狀標(biāo)簽相同或不同。

20、其進一步的技術(shù)方案為，利用平衡樣本集訓(xùn)練云狀識別網(wǎng)絡(luò)包括：

21、計算平衡樣本集中每個云狀標(biāo)簽的損失權(quán)重為m/（m*η），基于各個云狀標(biāo)簽的損失權(quán)重計算得到損失函數(shù)并按照損失函數(shù)訓(xùn)練云狀識別網(wǎng)絡(luò)；其中，m是平衡樣本集中包含的樣本全天空云圖的總數(shù)量，m是平衡樣本集中包含云狀標(biāo)簽的樣本全天空云圖的數(shù)量，η是常數(shù)因子。

22、本技術(shù)的有益技術(shù)效果是：

23、本技術(shù)公開了一種基于輕量級神經(jīng)網(wǎng)絡(luò)的地基云云狀識別方法，該方法針對不同云狀類別的樣本數(shù)據(jù)分布不均衡的現(xiàn)象，結(jié)合單個樣本全天空云圖中會包含多個具有關(guān)聯(lián)性的云狀標(biāo)簽的多標(biāo)簽識別場景特點，提出通過計算整個樣本全天空云圖的云圖標(biāo)簽值繼而實現(xiàn)過采樣操作以均衡不同云狀標(biāo)簽組合的樣本數(shù)量的方法，有效地緩解了模型過擬合的情況，并且顯著提高了模型的訓(xùn)練精度，利用本技術(shù)構(gòu)建的云狀識別網(wǎng)絡(luò)是一種輕量型網(wǎng)絡(luò)，該云狀識別網(wǎng)絡(luò)引入inception模塊通過并行的多尺度卷積核能夠有效地捕捉云狀結(jié)構(gòu)的多尺度特征，提高了對不同形態(tài)和尺度的云狀結(jié)構(gòu)的識別能力，并利用srm模塊和殘差卷積結(jié)構(gòu)捕獲具有精準(zhǔn)位置信息的遠程空間交互，有效地增強云狀識別網(wǎng)絡(luò)對于云狀的邊緣和紋理的特征提取能力，能夠提高對復(fù)雜云狀結(jié)構(gòu)的識別精度。對模型訓(xùn)練使用的數(shù)據(jù)集的預(yù)處理操作結(jié)合對網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化，使得該方法可以提高云狀識別精度，同時保證運算速度，能夠在資源有限的設(shè)備上運行。

24、該方法中構(gòu)建的云狀識別網(wǎng)絡(luò)引入的殘差模塊還結(jié)合了ghostnet的優(yōu)點和ca注意力機制，不僅有助于解決網(wǎng)絡(luò)中冗余特征圖對網(wǎng)絡(luò)時耗增加和參數(shù)增多的影響，同時也充分利用了位置信息，而不再局限于捕獲局部的信息。這種設(shè)計提高了云狀識別網(wǎng)絡(luò)在多標(biāo)簽識別場景中的準(zhǔn)確性和適應(yīng)性，同時緩解了深層網(wǎng)絡(luò)的梯度消失問題，使得該方法能夠很好實現(xiàn)對包含中國氣象局規(guī)定的29種標(biāo)準(zhǔn)的云狀類別以及無云場景和視程障礙場景內(nèi)共31類云狀標(biāo)簽的識別。

25、針對不同云狀標(biāo)簽的數(shù)量分布不均衡的情況，該方法還在模型訓(xùn)練過程中提引入了新的云狀標(biāo)簽的損失權(quán)重的計算方法，計算得到的損失權(quán)重用于損失函數(shù)求解，可以使得模型訓(xùn)練過程更好的偏向少量樣本，進一步提高模型的識別和分類準(zhǔn)確性和精度。