在各行業(yè)快速發(fā)展的同時(shí),對(duì)天氣狀況進(jìn)行及時(shí)、準(zhǔn)確的識(shí)別與預(yù)測(cè)已經(jīng)成為一個(gè)非常急迫的工作。尤其在交通領(lǐng)域,天氣變化的不確定性,給道路安全帶來(lái)了很大的風(fēng)險(xiǎn)。在人工智能高速發(fā)展的背景下,基于圖像的天氣現(xiàn)象識(shí)別分類,解決了原有的天氣識(shí)別方式識(shí)別范圍較廣,無(wú)法具體到某一位置的缺陷,同時(shí)根據(jù)道路上隨處可見(jiàn)的攝像頭拍攝的圖片進(jìn)行天氣識(shí)別保證了判別結(jié)果的實(shí)時(shí)性,使得人們處理各項(xiàng)突發(fā)事件的效率大大提高。通過(guò)圖片進(jìn)行天氣分類最常用的方法是先提取圖片中各種天氣的特征,然后再選擇分類器進(jìn)行天氣分類。天氣圖片的特征相似度較高,而且多種分類器的選擇以及分類過(guò)程都及其復(fù)雜,不利于日后的大量應(yīng)用,缺乏普適性。針對(duì)上述天氣分類的問(wèn)題,本文提出了基于多卷積集成學(xué)習(xí)的天氣圖像識(shí)別方法。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network,CNN）是一種簡(jiǎn)單快速的圖像分類方法,在人工智能的推進(jìn)過(guò)程中發(fā)揮著舉足輕重的作用。相較于其他機(jī)器學(xué)習(xí)方法,卷積神經(jīng)網(wǎng)絡(luò)通過(guò)卷積層和池化層,自動(dòng)學(xué)習(xí)圖像更深層次的語(yǔ)義特征,使得機(jī)器在圖像分類過(guò)程中更加符合人類對(duì)圖像識(shí)別的特點(diǎn),并且大大縮短了分類時(shí)間。證據(jù)推理（Evident... 

【文章來(lái)源】：哈爾濱師范大學(xué)黑龍江省

【文章頁(yè)數(shù)】：55 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

經(jīng)典AlexNet結(jié)構(gòu)圖

哈爾濱師范大學(xué)碩士學(xué)位論文14圖2-7DenseNet模型結(jié)構(gòu)圖Figure2-7DenseNetmodelstructureDenseNet相較與其他模型可以獲得更高的識(shí)別效率，因?yàn)槊繉犹卣髦g的重復(fù)利用，使得模型的計(jì)算量大大減少。2.2集成學(xué)習(xí)方法為了讓卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別能達(dá)到更好的效果，本文在多個(gè)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練識(shí)別之后，選擇集成學(xué)習(xí)的方法對(duì)實(shí)驗(yàn)結(jié)果進(jìn)一步提高，下面對(duì)集成學(xué)習(xí)的定義以及一些常用方法進(jìn)行介紹。2.2.1集成學(xué)習(xí)定義在機(jī)器學(xué)習(xí)的監(jiān)督算法中，目標(biāo)是想要得到一個(gè)穩(wěn)定并且能快速準(zhǔn)確進(jìn)行識(shí)別的分類器，但是因?yàn)楦鞣N因素的影響，這個(gè)目標(biāo)很難實(shí)現(xiàn)，現(xiàn)實(shí)中人們只能得到一個(gè)在某方面表現(xiàn)較好的模型。為此，集成學(xué)習(xí)（EnsembleLearning）[50]應(yīng)運(yùn)而生。集成學(xué)習(xí)的本質(zhì)就是將多個(gè)在某一方面表現(xiàn)較好的分類器（弱分類器）有效組合成一個(gè)新的分類器（強(qiáng)分類器）。這些弱分類器之間互補(bǔ)，即使某一個(gè)分類器在分類時(shí)出現(xiàn)了錯(cuò)誤，別的分類器的效果可以將它的錯(cuò)誤彌補(bǔ)過(guò)來(lái)，使其不影響整體結(jié)果。集成學(xué)習(xí)的一般框架如圖2-7所示。集成學(xué)習(xí)將多種傳統(tǒng)的分類方法組合起來(lái)構(gòu)成一個(gè)新的分類識(shí)別模型，其主要目的是減小計(jì)算過(guò)程中的方差和偏差，并且增強(qiáng)對(duì)數(shù)據(jù)預(yù)測(cè)的效果。集成學(xué)習(xí)對(duì)于數(shù)據(jù)集的大小有很好的適應(yīng)能力。對(duì)于較大的數(shù)據(jù)集可以將其分成多個(gè)小數(shù)據(jù)集，分別對(duì)其學(xué)習(xí)，最后將結(jié)果組合起來(lái)。而對(duì)于樣本較少的數(shù)據(jù)集可以進(jìn)行抽樣，組合成多個(gè)數(shù)據(jù)集，再進(jìn)行訓(xùn)練。

哈爾濱師范大學(xué)碩士學(xué)位論文21由于大規(guī)模的天氣數(shù)據(jù)集獲取難度較大，本文使用在Github（https://github.com/search?q=Weather+recognition&type=Repositories）上獲得的包含晴、陰、雨、雪四種天氣的小規(guī)模數(shù)據(jù)集共2038張圖片，其中晴、陰、雨、雪的圖片數(shù)目分別為484、816、648、90，這些圖片拍攝于同一地點(diǎn)的不同時(shí)間段。為保證卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果的一致性，首先對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理，將所有圖片調(diào)整為統(tǒng)一的格式和大校因?yàn)閿?shù)據(jù)集較少，因此實(shí)驗(yàn)過(guò)程中隨機(jī)選擇數(shù)據(jù)集中的每種天氣圖片的60%作為訓(xùn)練集，全部圖片作為驗(yàn)證集。四種卷積神經(jīng)網(wǎng)絡(luò)的迭代次數(shù)統(tǒng)一為100次，訓(xùn)練結(jié)束后可以獲得訓(xùn)練模型，分別調(diào)用四種網(wǎng)絡(luò)的最終訓(xùn)練模型得到數(shù)據(jù)集中所有天氣圖片的分類結(jié)果。四種樣本天氣圖像示例如圖3-3（a）~圖3-3（d）所示。（a）晴天圖像（b）陰天圖像（c）雨天圖像（d）雪天圖像圖3-3樣本圖像數(shù)據(jù)Figure3-3Sampleimagedata本章節(jié)的實(shí)驗(yàn)是在Anaconda平臺(tái)下使用python3.6進(jìn)行編程實(shí)現(xiàn)的。四種卷積神經(jīng)網(wǎng)絡(luò)模型都采用了基于tensorflow后端的keras深度學(xué)習(xí)庫(kù)的開(kāi)源代碼。為

【參考文獻(xiàn)】：
期刊論文
[1]機(jī)器視覺(jué)研究與發(fā)展綜述[J]. 宋春華,彭泫知.  裝備制造技術(shù). 2019(06)
[2]圖像場(chǎng)景分類技術(shù)綜述[J]. 田艷玲,張維桐,張鍥石,路綱,吳曉軍.  電子學(xué)報(bào). 2019(04)
[3]集成學(xué)習(xí)方法:研究綜述[J]. 徐繼偉,楊云.  云南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(06)
[4]ReLU激活函數(shù)優(yōu)化研究[J]. 蔣昂波,王維維.  傳感器與微系統(tǒng). 2018(02)
[5]圖像理解中的卷積神經(jīng)網(wǎng)絡(luò)[J]. 常亮,鄧小明,周明全,武仲科,袁野,楊碩,王宏安.  自動(dòng)化學(xué)報(bào). 2016(09)
[6]基于證據(jù)推理規(guī)則的信息融合故障診斷方法[J]. 徐曉濱,鄭進(jìn),徐冬玲,楊劍波.  控制理論與應(yīng)用. 2015(09)
[7]基于計(jì)算機(jī)視覺(jué)的圖像多尺度識(shí)別方法[J]. 張玉璞,楊旗,張旗.  計(jì)算機(jī)應(yīng)用. 2015(02)
[8]智能交通系統(tǒng)綜述[J]. 趙娜,袁家斌,徐晗.  計(jì)算機(jī)科學(xué). 2014(11)
[9]圖像物體分類與檢測(cè)算法綜述[J]. 黃凱奇,任偉強(qiáng),譚鐵牛.  計(jì)算機(jī)學(xué)報(bào). 2014(06)
[10]改進(jìn)K近鄰和支持向量機(jī)相融合的天氣識(shí)別[J]. 張紅艷,李茵茵,萬(wàn)偉.  計(jì)算機(jī)工程與應(yīng)用. 2014(14)

碩士論文
[1]多類別天氣圖像分類算法研究[D]. 王珊.北京交通大學(xué) 2019
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的天氣識(shí)別方法研究[D]. 施雨舟.上海交通大學(xué) 2018
[3]融合先驗(yàn)知識(shí)的場(chǎng)景文本識(shí)別應(yīng)用研究[D]. 梅亞敏.電子科技大學(xué) 2016



本文編號(hào)：3600837