基于轻量级卷积神经网络的天气现象识别研究

李晓勇，刘宽宗，周祥华，李红玉，谭贵蓉，熊胤帆

（1泸州市气象局 四川 泸州 646599）

（2成都润联科技开发有限公司 四川 成都 610000）

1 引言

现代道路交通中，城市交通会因为恶劣天气条件而产生诸多影响，例如大雪、大雾天气或其他极端气候条件会导致驾驶人员视物能力变差、道路湿滑和交通堵塞。如果情况严重，还有引发交通事故的风险，通过与交通监控系统相配合，实时监测当地天气，可最大程度上降低因恶劣气候对正常交通系统运转的影响，减少恶劣气候下出行流量，提高交通安全性，由此可以表明，实时天气预测对社会各方面有着重要意义[1-2]。而传统气象检测方式大多通过气象卫星和地面观测站建立气象模型实现天气预测，虽然在大范围的天气趋势监测方面准确率较高，但对小区域的实时天气预报的准确率也不是很理想，而通过在城市内大规模进行视觉图像采集，并应用轻量级卷积神经网络识别技术进行精准识别，可有效提升天气监测的准确度，相对于传统方法而言，可合理缩减实验步骤，节省技术时间[3-4]。

2 对象与方法

图像移动、大小和DenseNet对DenseNet分类识别没有影响。seNet在自然图像识别任务中表现出色，尤其是在复杂环境中特异性较高。实现过程如下。

DenseNet CVPR会议于2017年召开，是一种新型的轻量级卷积神经网络模型，该网络结构为密集连接型。在网络中，任意两层之间都可以形成直接连接，每一层网络的输入都可以像以前一样使用所有的输出层，并通过学习图的特征来设定该层，将会同时作为后续所有层的输入。

设第L层的变换函数作为H-L，输出为Y-L，可采用如下公式进行DenseNet每一层的变换：Y-L=H-L（[Y-0，Y-1……Y-[L-1]）。

DenseNet与其他网络的主要差异在于：（1）网络中的h层可以直接与前一层连接，实现重复利用的特点。（2）网络的每一层设计都非常狭窄，每一层只需要学习少量的特征图，以减少冗余。

同时，DenseNet还有如下优势：（1）节省参数：在ImageNet数据集的实验中获得了相同的识别率，DenseNet参数个数是ResNet的一半。模型越小，带宽越小，可以大大减少开销。（2）节省计算：与其他神经网络模型相比，DenseNet的计算量大大减少，只有约一半的其他神经网络模型。

3 结果

本研究未获得大型气象数据集，利用互联网获得的小尺度图像，对同一地点、不同时段拍摄的不同气象图像进行采集，可分为4种类型：晴天、阴天、雨、雪，所有图像分辨率设置为224×224。由于数据集数量较少，本研究将训练集中在60%的图像上，以所有图像作为验证集，通过多次迭代得到训练模型。

为保障实验准确性，本研究使用TensorFlow后端的Keras deep learning pants作为开源代码，在Anaconda voucher下使用Python 3.6进行编程。实验采用了709层Densenet模型。这个结构，使用全局池层来代替整个连接层，设计学习率为0.001。采用轻衰减防止过拟合，设定衰减为0.0001。

在代码中调用绘图模块时，训练结果的准确率和丢失率由图表示，见图1、图2。本实验大约有20次训练迭代，在第10次迭代后，准确率逐渐稳定并呈现缓慢增长趋势。

图1 训练和验证准确率

图2 训练和验证损失值

通过测试，可以获得数据集中每个图像的天气识别结果。该方法的识别率在阴天和晴天高于雪天和雨天。通过图像分析发现，雨雪天错误率高的原因是图像数量少，降雨过程产生的水雾对图像质量也有一定影响。

4 讨论

通过对气候和环境的实时监测，结合交通路段的信息，可以有效减少恶劣气候下的出行量和对道路交通的负面影响，提高恶劣气候下的出行效率[5-6]。因此实时预测天气状况，对城市交通、航空管制、公路调度等多方面具有重要影响意义[7]。

传统气象检测中，该预报主要通过地面观测站结合气象卫星建立的大气模型进行，该方法虽然能够实现大规模的天气趋势预报，但对小范围的实时天气预报缺乏准确性，通常需要在固定范围内布置大量传感器，在一定程度上提高了预测精度，但部署和维护传感器的成本高，实现难度大[8-9]。视觉图像采集具有成本低、效率高的优点。如果能将城市中大量的交通摄像头和网络摄像头有机地结合起来，通过机器学习对摄像头实时采集到的户外图像进行处理，那么识别的范围将会更广[10-11]。有研究表示，图中他的空间直方图的特征可以帮助判断驱动系统是拍摄晴天还是雨天[12]，也有研究对气象现象图像的差异性影响相关分析，通过提取图像的功率对比度、坡度、噪声特征等训练，构建决策树，并在叶节点构建SVM分类器，实现户外图像识别气象现象[13-14]。这些方法只能通过拍摄照片来识别具体场景，而且需要更精细、更复杂的训练过程，无法满足现有气象信息的实时性要求[15]。

随着轻量级卷积神经网络的不断发展，它在图像分类中具有明显的操作优势，本研究在基于图片的天气分类中充分应用卷积神经网络，通过对同一地点和不同时刻的4种天气图片进行训练取得了良好的效果，该方法节省了人工从图像中提取各种气象特征的步骤，大大减少了识别时间。具体操作如下：为保证测试的准确性，本研究使用TensorFlow后端的Keras deep learning pants作为开源代码，Anaconda voucher编程中采用Python 3.6。实验中使用了总共709层Densenet模型，使用global pooling层代替了该结构中的full connection层。设计学习率为0.001，采用权重衰减防止过拟合，设定衰减为0.0001，代码中调用绘图模块。测试结果表明，训练结果的准确率和丢失率可以用图来表示。本实验大约有20次训练迭代，在第10次迭代后，准确率逐渐稳定并呈现缓慢增长趋势。

由此可见，在气象现象识别中，应用轻量级卷积神经网络技术可取得满意的预期效果，可为后续的相关研究提供一定理论依据，但是由于本研究中的研究样本较少，而只有在大量样本中应用卷积神经网络才能充分验证其识别率的准确度，在后续的工作中，可以从以下两个方面提出相应的改进：（1）扩大数据集的规模，将相关摄像机设置在固定的位置范围内，定时拍照，手工标注每张照片的气象现象；（2）利用多种神经网络识别天气，可以融合多种结果，获得更准确的结果。

5 结论

综上所述，实验结果表明，该技术在识别图像天气中达到了满意的预期效果，相较于传统方法而言，缩减了实验步骤，缩短了技术时间。