卷积神经网络识别地基云图的数据库建立及处理方法
2020年信息技术与网络安全第3期
王敏1,2，周树道1,2，刘展华1，任尚书3
(1.国防科技大学 气象海洋学院，江苏 南京 211101； 2.南京信息工程大学 气象灾害预警与评估协同创新中心，江苏 南京 210044； 3.解放军95171部队，广东 广州 510000)
摘要：卷积神经网络(Convolutional neural network,CNN)具有非比寻常的从样本中学习特征的能力，训练需要大量带有标签的图像样本。因此，在使用卷积神经网络对地基云图相关研究时，建立云图样本库是第一步，也是非常重要的一步。首先，通过数码相机直接拍摄、从互联网上下载、从公开发行的云图类书籍获取以及由全天空照相机拍摄等手段获取三个云图样本库；接着，对三个样本库图像的分辨率、噪声、数量等问题进行了分析；然后，采用双线性插值和数据增强方法对样本库进行归一化预处理；最后，利用卷积神经网络、LBP、Heinle feature和Textonbased method三种方法对增强后的数据集进行云识别分类验证，实验结果表明，利用本文方法进行增强数据可有效解决卷积神经网络对小样本数据识别率不高
中图分类号：TP412.15
文献标识码：A
DOI：10.19358/j.issn.2096-5133.2020.03.011
引用格式：王敏，周树道，刘展华，等.卷积神经网络识别地基云图的数据库建立及处理方法［J］.信息技术与网络安全，2020,39（3）：56-61.
文献标识码：A
DOI：10.19358/j.issn.2096-5133.2020.03.011
引用格式：王敏，周树道，刘展华，等.卷积神经网络识别地基云图的数据库建立及处理方法［J］.信息技术与网络安全，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
云是地球上水文循环的一个重要环节，它与地面辐射相互作用共同影响着局地和全球尺度的能量平衡。云分类对天气预报很重要，直接决定着降水、降雪、雹和雷电等天气活动。地基云观测数据主要包括云量、云状、云底高度，根据三者的不同表现可以将云分为3族、10属、29类，具有种类多、变化快、相似、易与天空背景融合等特点。实际观测中人工观测为主，存在着主观性强、准静态、成本高、观测点偏少以及信息记录不完整等问题。目前的地基云图云状自动化识别方法通常采用图像预处理→特征提取→分类器分类这样的流程。
大多数研究者重点研究表达不同云属性的特征提取技术，但这种识别分类方法是基于人工经验提取特征的，且各个环节都是独立的，只有简单的两三层学习网络，实则是一种“浅层学习”，致使此类方法适用的云类别范围有限，加之分类器的选取、云的复杂变化，影响了器测云状识别的识别精度及识别速度，仅能简单识别积云、层云、高积云、卷云等少数四至五类典型云的自动识别。
本文详细内容请下载：http://www.chinaaet.com/resource/share/2000003184
作者信息：
王敏1,2，周树道1,2，刘展华1，任尚书3
(1.国防科技大学 气象海洋学院，江苏 南京 211101；2.南京信息工程大学 气象灾害预警与评估协同创新中心，江苏 南京 210044；3.解放军95171部队，广东 广州 510000)
此内容为AET网站原创，未经授权禁止转载。