基于輕量級卷積神經(jīng)網(wǎng)絡的天氣現(xiàn)象識別研究

李曉勇，劉寬宗，周祥華，李紅玉，譚貴蓉，熊胤帆

（1瀘州市氣象局 四川 瀘州 646599）

（2成都潤聯(lián)科技開發(fā)有限公司 四川 成都 610000）

1 引言

現(xiàn)代道路交通中，城市交通會因為惡劣天氣條件而產(chǎn)生諸多影響，例如大雪、大霧天氣或其他極端氣候條件會導致駕駛人員視物能力變差、道路濕滑和交通堵塞。如果情況嚴重，還有引發(fā)交通事故的風險，通過與交通監(jiān)控系統(tǒng)相配合，實時監(jiān)測當?shù)靥鞖猓勺畲蟪潭壬辖档鸵驉毫託夂驅φ＝煌ㄏ到y(tǒng)運轉的影響，減少惡劣氣候下出行流量，提高交通安全性，由此可以表明，實時天氣預測對社會各方面有著重要意義[1-2]。而傳統(tǒng)氣象檢測方式大多通過氣象衛(wèi)星和地面觀測站建立氣象模型實現(xiàn)天氣預測，雖然在大范圍的天氣趨勢監(jiān)測方面準確率較高，但對小區(qū)域的實時天氣預報的準確率也不是很理想，而通過在城市內(nèi)大規(guī)模進行視覺圖像采集，并應用輕量級卷積神經(jīng)網(wǎng)絡識別技術進行精準識別，可有效提升天氣監(jiān)測的準確度，相對于傳統(tǒng)方法而言，可合理縮減實驗步驟，節(jié)省技術時間[3-4]。

2 對象與方法

圖像移動、大小和DenseNet對DenseNet分類識別沒有影響。seNet在自然圖像識別任務中表現(xiàn)出色，尤其是在復雜環(huán)境中特異性較高。實現(xiàn)過程如下。

DenseNet CVPR會議于2017年召開，是一種新型的輕量級卷積神經(jīng)網(wǎng)絡模型，該網(wǎng)絡結構為密集連接型。在網(wǎng)絡中，任意兩層之間都可以形成直接連接，每一層網(wǎng)絡的輸入都可以像以前一樣使用所有的輸出層，并通過學習圖的特征來設定該層，將會同時作為后續(xù)所有層的輸入。

設第L層的變換函數(shù)作為H-L，輸出為Y-L，可采用如下公式進行DenseNet每一層的變換：Y-L=H-L（[Y-0，Y-1……Y-[L-1]）。

DenseNet與其他網(wǎng)絡的主要差異在于：（1）網(wǎng)絡中的h層可以直接與前一層連接，實現(xiàn)重復利用的特點。（2）網(wǎng)絡的每一層設計都非常狹窄，每一層只需要學習少量的特征圖，以減少冗余。

同時，DenseNet還有如下優(yōu)勢：（1）節(jié)省參數(shù)：在ImageNet數(shù)據(jù)集的實驗中獲得了相同的識別率，DenseNet參數(shù)個數(shù)是ResNet的一半。模型越小，帶寬越小，可以大大減少開銷。（2）節(jié)省計算：與其他神經(jīng)網(wǎng)絡模型相比，DenseNet的計算量大大減少，只有約一半的其他神經(jīng)網(wǎng)絡模型。

3 結果

本研究未獲得大型氣象數(shù)據(jù)集，利用互聯(lián)網(wǎng)獲得的小尺度圖像，對同一地點、不同時段拍攝的不同氣象圖像進行采集，可分為4種類型：晴天、陰天、雨、雪，所有圖像分辨率設置為224×224。由于數(shù)據(jù)集數(shù)量較少，本研究將訓練集中在60%的圖像上，以所有圖像作為驗證集，通過多次迭代得到訓練模型。

為保障實驗準確性，本研究使用TensorFlow后端的Keras deep learning pants作為開源代碼，在Anaconda voucher下使用Python 3.6進行編程。實驗采用了709層Densenet模型。這個結構，使用全局池層來代替整個連接層，設計學習率為0.001。采用輕衰減防止過擬合，設定衰減為0.0001。

在代碼中調(diào)用繪圖模塊時，訓練結果的準確率和丟失率由圖表示，見圖1、圖2。本實驗大約有20次訓練迭代，在第10次迭代后，準確率逐漸穩(wěn)定并呈現(xiàn)緩慢增長趨勢。

圖1 訓練和驗證準確率

圖2 訓練和驗證損失值

通過測試，可以獲得數(shù)據(jù)集中每個圖像的天氣識別結果。該方法的識別率在陰天和晴天高于雪天和雨天。通過圖像分析發(fā)現(xiàn)，雨雪天錯誤率高的原因是圖像數(shù)量少，降雨過程產(chǎn)生的水霧對圖像質量也有一定影響。

4 討論

通過對氣候和環(huán)境的實時監(jiān)測，結合交通路段的信息，可以有效減少惡劣氣候下的出行量和對道路交通的負面影響，提高惡劣氣候下的出行效率[5-6]。因此實時預測天氣狀況，對城市交通、航空管制、公路調(diào)度等多方面具有重要影響意義[7]。

傳統(tǒng)氣象檢測中，該預報主要通過地面觀測站結合氣象衛(wèi)星建立的大氣模型進行，該方法雖然能夠實現(xiàn)大規(guī)模的天氣趨勢預報，但對小范圍的實時天氣預報缺乏準確性，通常需要在固定范圍內(nèi)布置大量傳感器，在一定程度上提高了預測精度，但部署和維護傳感器的成本高，實現(xiàn)難度大[8-9]。視覺圖像采集具有成本低、效率高的優(yōu)點。如果能將城市中大量的交通攝像頭和網(wǎng)絡攝像頭有機地結合起來，通過機器學習對攝像頭實時采集到的戶外圖像進行處理，那么識別的范圍將會更廣[10-11]。有研究表示，圖中他的空間直方圖的特征可以幫助判斷驅動系統(tǒng)是拍攝晴天還是雨天[12]，也有研究對氣象現(xiàn)象圖像的差異性影響相關分析，通過提取圖像的功率對比度、坡度、噪聲特征等訓練，構建決策樹，并在葉節(jié)點構建SVM分類器，實現(xiàn)戶外圖像識別氣象現(xiàn)象[13-14]。這些方法只能通過拍攝照片來識別具體場景，而且需要更精細、更復雜的訓練過程，無法滿足現(xiàn)有氣象信息的實時性要求[15]。

隨著輕量級卷積神經(jīng)網(wǎng)絡的不斷發(fā)展，它在圖像分類中具有明顯的操作優(yōu)勢，本研究在基于圖片的天氣分類中充分應用卷積神經(jīng)網(wǎng)絡，通過對同一地點和不同時刻的4種天氣圖片進行訓練取得了良好的效果，該方法節(jié)省了人工從圖像中提取各種氣象特征的步驟，大大減少了識別時間。具體操作如下：為保證測試的準確性，本研究使用TensorFlow后端的Keras deep learning pants作為開源代碼，Anaconda voucher編程中采用Python 3.6。實驗中使用了總共709層Densenet模型，使用global pooling層代替了該結構中的full connection層。設計學習率為0.001，采用權重衰減防止過擬合，設定衰減為0.0001，代碼中調(diào)用繪圖模塊。測試結果表明，訓練結果的準確率和丟失率可以用圖來表示。本實驗大約有20次訓練迭代，在第10次迭代后，準確率逐漸穩(wěn)定并呈現(xiàn)緩慢增長趨勢。

由此可見，在氣象現(xiàn)象識別中，應用輕量級卷積神經(jīng)網(wǎng)絡技術可取得滿意的預期效果，可為后續(xù)的相關研究提供一定理論依據(jù)，但是由于本研究中的研究樣本較少，而只有在大量樣本中應用卷積神經(jīng)網(wǎng)絡才能充分驗證其識別率的準確度，在后續(xù)的工作中，可以從以下兩個方面提出相應的改進：（1）擴大數(shù)據(jù)集的規(guī)模，將相關攝像機設置在固定的位置范圍內(nèi)，定時拍照，手工標注每張照片的氣象現(xiàn)象；（2）利用多種神經(jīng)網(wǎng)絡識別天氣，可以融合多種結果，獲得更準確的結果。

5 結論

綜上所述，實驗結果表明，該技術在識別圖像天氣中達到了滿意的預期效果，相較于傳統(tǒng)方法而言，縮減了實驗步驟，縮短了技術時間。