申请/专利权人：河海大学

申请日：2023-05-16

公开（公告）日：2024-02-06

公开（公告）号：CN117523255A

主分类号：G06V10/764

分类号：G06V10/764;G01W1/00;G06V10/774;G06V10/82;G06V10/40;G06N3/0464;G06N3/045;G06N3/048;G06N3/084

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.02.27#实质审查的生效;2024.02.06#公开

摘要：本发明属于计算机视觉领域，具体涉及一种基于轻量化VGG‑19的天气检测方法。天气对人们的生产生活有着十分巨大的影响，因此各行各业都需要行之有效的天气检测方法。然而在现实中，大量的边缘终端设备计算能力比较薄弱，无法支持现存的深度学习方法庞大的推理计算量需求，本发明通过对经典深度学习网络VGG‑19的轻量化改进和精度改进，在大大降低计算量的同时，还提高了网络的天气检测精度。实验结果表明：改进后的轻量化VGG‑19网络不仅检测精度比原VGG‑19网络提高2.4％，而且其计算量和参数量仅为原VGG‑19网络的12.44％和87.35％。本发明为大量计算能力薄弱的边缘终端设备提供了一种高精度低计算代价的基于深度学习的天气检测网络，弥补了传统方法的不足，更加智能灵活。

主权项：1.一种基于轻量化VGG-19网络的天气检测方法，其特征在于包括以下步骤：S1、数据集的搜集与处理：使用天气检测领域的公共数据作为本发明的数据支撑，将数据集划分为训练集和验证集，分别用于轻量化VGG-19网络的训练和验证；此外，根据VGG-19网络的输入要求将天气数据集中图片的尺寸调整为224×224像素；S2、VGG-19网络的改进：对VGG-19网络中的主干特征提取网络进行改进，首先进行轻量化改进，将网络中所有的普通卷积替换为深度可分离卷积；其次，将注意力模块CBAM加入到主干特征提取网络中，使网络自适应的地调整每个通道和空间位置的权重，以增强网络对重要特征的关注，计算公式如下：output＝σMLPAPinput+MLPMPinput×input其中σ是激活函数Sigmoid，MLP是多层感知机，AP和MP分别是平均池化和最大池化；最后，将残差网络结构加入到主干特征提取网络中，避免了因网络层数过深而产生的梯度消失或梯度爆炸的问题，计算公式如下：output＝Finput+input其中F是网络中的功能模块，input是输入的特征图，F是网络中的功能模块；S3、网络的训练：将天气数据集中的训练集输入到改进的轻量化VGG-19中，利用网络结构中的卷积层，池化层，全连接层等特征层自动学习各种天气的图片对应的特征，并将学习得到的参数以权重文件的方式保存下来。S4、天气检测：使用S3中学习到的参数结合网络中的特征层对输入的天气图片进行特征提取，生成特征向量，再使用SoftMax分类器计算图片属于每种天气的概率，输出概率最高的类别就是最终的检测结果。

全文数据：

权利要求：

百度查询： 河海大学 一种基于轻量化VGG-19网络的天气检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD