基于深度学习的天气图像识别方法、装置、设备及介质

1.本发明涉及图像识别技术领域，尤其涉及一种基于深度学习的天气图像识别方法、装置、设备及介质。


背景技术：

2.天气是指某一个地区距离地表较近的大气层在短时间内的具体状态。而天气现象则是指发生在大气中的各种自然现象，即某瞬时内大气中各种气象要素(如气温、气压、湿度、风、云、雾、雨、闪、雪、霜、雷、雹、霾等)空间分布的综合表现。
3.目前天气识别的技术主要依靠人工观测，但是通过人工来进行天气识别的工作量是巨大的，且由于人工的标准不统一，不仅识别效率低，识别准确性也是非常低的。


技术实现要素：

4.本发明的主要目的在于提供一种基于深度学习的天气图像识别方法、装置、设备及介质，旨在解决现有技术中依靠人工观测的方式来进行天气识别而导致识别效率低以及识别准确性低的技术问题。
5.为实现上述目的，本发明提供了一种基于深度学习的天气图像识别方法，所述方法包括以下步骤：
6.使用源数据集对初始天气识别模型进行预训练，得到第一天气识别模型；
7.将所述第一天气识别模型的权重参数迁移到未经训练的初始天气识别模型中，得到目标天气识别模型；
8.构建天气图像数据集；
9.使用所述天气图像数据集训练所述目标天气识别模型，得到第二天气识别模型；
10.将当前天气图像输入至所述第二天气识别模型中，识别出所述当前天气图像的天气类别。
11.可选地，所述使用源数据集对初始天气识别模型进行预训练，得到第一天气识别模型之前，还包括：
12.根据天气的细粒度区分确定天气类别的类别数量；
13.根据所述类别数量来调整所述初始天气识别模型的全连接层的数量。
14.可选地，所述初始天气识别模型包括依次连接的输入层、卷积层、扩张层、可分离卷积层、全局平均层、最大池化层、全连接层以及输出层。
15.可选地，所述初始天气识别模型还包括注意力机制，所述注意力机制包括se模块和nl模块，所述se模块用于自适应调整所述初始天气识别模型中的通道权重，所述nl模块用于计算特征图像的自注意力矩阵来增强所述当前天气图像的空间上下文信息。
16.可选地，所述构建天气图像数据集，包括：
17.根据天气的细粒度区分确定多个天气类别；
18.获取多个天气图像，根据所述多个天气类别对所述多个天气图像进行标注，得到
多个标注天气图像；
19.基于所述多个标注天气图像构建天气图像数据集。
20.可选地，所述基于所述多个标注天气图像构建天气图像数据集，包括：
21.基于所述多个标注天气图像构建初始天气图像数据集，并确定所述初始天气图像数据集中各天气类别的标注天气图像的数量；
22.基于所述各天气类别的标注天气图像的数量对所述初始天气图像数据集进行数据增强，得到所述天气图像数据集，其中，所述天气图像数据集中各天气类别的样本数量处于均衡状态。
23.可选地，所述数据增强包括翻转变换、位移变换、旋转变换、添加噪声以及随机裁剪；所述翻转变换为将标注天气图像依次进行垂直以及水平翻转操作；所述位移变换为将标注天气图像沿x方向或y方向移动一定数量的像素值；所述旋转变换为标注天气图像以预设角度旋转；所述添加噪点为在标注天气图像中添加高斯噪声；所述随机裁剪为将标注天气图像的小部分区域随机裁剪出来。
24.此外，为实现上述目的，本发明还提出一种基于深度学习的天气图像识别装置，所述基于深度学习的天气图像识别装置包括：
25.获取模块，用于使用源数据集对初始天气识别模型进行预训练，得到第一天气识别模型；
26.所述获取模块，用于将所述第一天气识别模型的权重参数迁移到未经训练的初始天气识别模型中，得到目标天气识别模型；
27.构建模块，用于构建天气图像数据集；
28.所述获取模块，用于使用所述天气图像数据集训练所述目标天气识别模型，得到第二天气识别模型；
29.识别模块，用于将当前天气图像输入至所述第二天气识别模型中，识别出所述当前天气图像的天气类别。
30.此外，为实现上述目的，本发明还提出一种基于深度学习的天气图像识别设备，所述基于深度学习的天气图像识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于深度学习的天气图像识别程序，所述基于深度学习的天气图像识别程序配置为实现如上文所述的基于深度学习的天气图像识别方法的步骤。
31.此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有基于深度学习的天气图像识别程序，所述基于深度学习的天气图像识别程序被处理器执行时实现如上文所述的基于深度学习的天气图像识别方法的步骤。
32.本发明提出的基于深度学习的天气图像识别方法、装置、设备及介质，通过使用源数据集对初始天气识别模型进行预训练，得到第一天气识别模型；将所述第一天气识别模型的权重参数迁移到未经训练的初始天气识别模型中，得到目标天气识别模型；构建天气图像数据集；使用所述天气图像数据集训练所述目标天气识别模型，得到第二天气识别模型；将当前天气图像输入至所述第二天气识别模型中，识别出所述当前天气图像的天气类别。通过上述方式，先使用源数据集来对初始天气识别模型进行训练得到第一天气识别模型，再将第一天气识别模型的部分模型参数迁移到未经训练的初始天气识别模型中，能够避免因天气图像数据集中的图像数量不足而影响模型的训练效果，从而有效提高模型的分
类准确率和泛化能力。
附图说明
33.图1是本发明实施例方案涉及的硬件运行环境的基于深度学习的天气图像识别设备的结构示意图；
34.图2为本发明基于深度学习的天气图像识别方法第一实施例的流程示意图；
35.图3为本发明基于深度学习的天气图像识别方法第一实施例中训练网络模型以及使用网络模型的流程示意图；
36.图4为本发明基于深度学习的天气图像识别方法第二实施例的流程示意图；
37.图5为本发明基于深度学习的天气图像识别装置第一实施例的结构框图。
38.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
39.应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
40.参照图1，图1为本发明实施例方案涉及的硬件运行环境的基于深度学习的天气图像识别设备结构示意图。
41.如图1所示，该基于深度学习的天气图像识别设备可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)存储器，也可以是稳定的非易失性存储器(non-volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
42.本领域技术人员可以理解，图1中示出的结构并不构成对基于深度学习的天气图像识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
43.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于深度学习的天气图像识别程序。
44.在图1所示的基于深度学习的天气图像识别设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明基于深度学习的天气图像识别设备中的处理器1001、存储器1005可以设置在基于深度学习的天气图像识别设备中，所述基于深度学习的天气图像识别设备通过处理器1001调用存储器1005中存储的基于深度学习的天气图像识别程序，并执行本发明实施例提供的基于深度学习的天气图像识别方法。
45.基于上述硬件结构，提出本发明基于深度学习的天气图像识别方法实施例。
46.参照图2，图2为本发明一种基于深度学习的天气图像识别方法第一实施例的流程示意图。
47.本实施例中，所述基于深度学习的天气图像识别方法包括以下步骤：
48.步骤s10：使用源数据集对初始天气识别模型进行预训练，得到第一天气识别模型。
49.需要说明的是，本实施例的执行主体可以是一种具有数据处理、网络通信以及程序运行功能的计算服务设备，例如手机、平板电脑、个人电脑等，或者是一种能够实现上述功能的电子设备或基于深度学习的天气图像识别设备。以下以所述基于深度学习的天气图像识别设备为例，对本实施例及下述各实施例进行说明。
50.需要说明的是，源数据集可以是imagenet图像数据集；初始天气识别模型使用mobilenet v3网络模型，mobilenet v3是一种轻量级的卷积神经网络模型，主要应用于移动设备和嵌入式系统等资源受限的场景中。
51.可以理解的是，虽然imagenet图像数据集并不是针对天气图像识别的，但是可以使用imagenet图像数据集来对模型进行初步的调整和训练，再将经过初步训练的模型的模型参数迁移到未经训练的模型上，这样无需大量的算力支持便能在短时间内将模型训练到满意的效果。
52.在一实施例中，所述使用源数据集对初始天气识别模型进行预训练，得到第一天气识别模型之前，还包括：
53.根据天气的细粒度区分确定天气类别的类别数量；
54.根据所述类别数量来调整所述初始天气识别模型的全连接层的数量。
55.可以理解的是，网络模型的全连接层数量与天气类别的数量应该一致，才能确保模型能够实现每一种天气类别的天气图像的分类。
56.在一实施例中，所述初始天气识别模型包括依次连接的输入层、卷积层、扩张层、可分离卷积层、全局平均层、最大池化层、全连接层以及输出层。
57.需要说明的是，通过对图像进行卷积操作的优化和特征重用的方法能够在保持模型较高准确率的同时减少模型的参数和计算量。
58.在一实施例中，所述初始天气识别模型还包括注意力机制，所述注意力机制包括se模块和nl模块，所述se模块用于自适应调整所述初始天气识别模型中的通道权重，所述nl模块用于计算特征图像的自注意力矩阵来增强所述当前天气图像的空间上下文信息。
59.需要说明的是，se模块(squeeze-and-excitation module)通过压缩特征图像的通道数，然后用全连接层对每个通道进行权重学习，最终生成一个通道权重向量，然后再通过通道权重向量来自适应地调整每个通道的权重，从而提高重要通道的权重，减少不重要通道的权重。
60.需要说明的是，nl模块(non-local module)通过计算特征图像中不同区域之间的相似度，从而确定不同区域之间的信息交互和影响。nl模块能够有效地增强图像的空间上下文信息，从而提高模型的准确率和泛化能力。该模块通过计算全局特征图像的自注意力矩阵来实现。
61.在本实施例中，在模型中添加注意力机制，通过注意力机制中的se模块来适应性调整模型中各通道的权重(即通过注意力机制来适应性地提高图像中重要特征的权重)，再通过nl模块来增强图像的空间上下文信息，从而能够有效地提高模型的准确率和泛化能力。
62.步骤s20：将所述第一天气识别模型的权重参数迁移到未经训练的初始天气识别
模型中，得到目标天气识别模型。
63.可以理解的是，第一天气识别模型的权重参数指的是模型中除了全连接层之外的其他层的权重参数。
64.步骤s30：构建天气图像数据集。
65.需要说明的是，在构建天气图像数据集时，首先收集整理灾害天气细粒度图像数据集，将其中的雪天、雨天、雾天这三类灾害天气挑选出来，然后分别重新进行标注最终得到雪天的细粒度图像数据集：大雪、小雪；雨天的细粒度图像数据集：大雨、小雨；雾天的细粒度图像数据集：大雾、小雾。
66.步骤s40：使用所述天气图像数据集训练所述目标天气识别模型，得到第二天气识别模型。
67.可以理解的是，初始天气识别模型、第一天气识别模型、第二天气识别模型以及目标识别模型的模型架构是一样的，区别仅在于参数权重不一致。
68.步骤s50：将当前天气图像输入至所述第二天气识别模型中，识别出所述当前天气图像的天气类别。
69.在具体实现中，如图3所示，第二天气识别模型即识别模型，将当前天气图像输入至第二天气识别模型中便可识别出该当前天气图像对应的天气类别。
70.本实施例通过使用源数据集对初始天气识别模型进行预训练，得到第一天气识别模型；将所述第一天气识别模型的权重参数迁移到未经训练的初始天气识别模型中，得到目标天气识别模型；构建天气图像数据集；使用所述天气图像数据集训练所述目标天气识别模型，得到第二天气识别模型；将当前天气图像输入至所述第二天气识别模型中，识别出所述当前天气图像的天气类别。通过上述方式，先使用源数据集来对初始天气识别模型进行训练得到第一天气识别模型，再将第一天气识别模型的部分模型参数迁移到未经训练的初始天气识别模型中，能够避免因天气图像数据集中的图像数量不足而影响模型的训练效果，从而有效提高模型的分类准确率和泛化能力。
71.参考图4，图4为本发明一种基于深度学习的天气图像识别方法第二实施例的流程示意图。
72.基于上述第一实施例，本实施例基于深度学习的天气图像识别方法所述构建天气图像数据集，包括：
73.步骤s301：根据天气的细粒度区分确定多个天气类别。
74.需要说明的是，根据天气的细粒度区分可将天气分为大雨、小雨、大雪、小雪、大雾、小雾、雷电、晴天、阴天这九个类别。
75.步骤s302：获取多个天气图像，根据所述多个天气类别对所述多个天气图像进行标注，得到多个标注天气图像。
76.可以理解的是，标注天气图像指的是标注了天气类别的天气图像。
77.步骤s303：基于所述多个标注天气图像构建天气图像数据集。
78.在一实施例中，所述基于所述多个标注天气图像构建天气图像数据集，包括：
79.基于所述多个标注天气图像构建初始天气图像数据集，并确定所述初始天气图像数据集中各天气类别的标注天气图像的数量；
80.基于所述各天气类别的标注天气图像的数量对所述初始天气图像数据集进行数
据增强，得到所述天气图像数据集，其中，所述天气图像数据集中各天气类别的样本数量处于均衡状态。
81.在本实施例中，通过对数据集进行数据增强能够确保用于训练目标识别模型的数据集中各天气类别的样本数量均衡，进而确保最终训练得到的第二天气识别模型的效果更精准。
82.在一实施例中，所述数据增强包括翻转变换、位移变换、旋转变换、添加噪声以及随机裁剪；所述翻转变换为将标注天气图像依次进行垂直以及水平翻转操作；所述位移变换为将标注天气图像沿x方向或y方向移动一定数量的像素值；所述旋转变换为标注天气图像以预设角度旋转；所述添加噪点为在标注天气图像中添加高斯噪声；所述随机裁剪为将标注天气图像的小部分区域随机裁剪出来。
83.需要说明的是，翻转变换是最容易实现的一种数据增强方法，对图像进行垂直翻转操作就相当于首先将图像进行180度旋转，接下来再进行水平翻转操作；位移变换通常是将图像沿x方向或y方向以及同时沿两个方向移动一定数量的像素值；旋转变换在图像处理领域，对图像进行旋转变换操作是一种常见的数据增强方法，当图像长宽尺寸一致为正方形时，对其旋转90度最终得到的图像尺寸大小与原始图像一致；当神经网络试图学习可能无用的高频特征时，通常会发生过拟合。具有零均值的高斯噪声基本上在所有频率中具有数据点，从而能够有效地扭曲高频特征，通过添加适量的噪声可以增强模型学习能力；随机剪裁将原始图像中的一小部分随机裁剪抽取出来，并且恢复尺寸大小与原始图像保持一致，这种操作就叫做图像的随机裁剪。
84.本实施例通过根据天气的细粒度区分确定多个天气类别；获取多个天气图像，根据所述多个天气类别对所述多个天气图像进行标注，得到多个标注天气图像；基于所述多个标注天气图像构建天气图像数据集。通过上述方式，能够根据实际情况来对天气图像进行标注，使得第二天气识别模型在识别天气图像的类别时更加精准。
85.此外，本发明实施例还提出一种存储介质，所述存储介质上存储有基于深度学习的天气图像识别程序，所述基于深度学习的天气图像识别程序被处理器执行时实现如上文所述的基于深度学习的天气图像识别方法的步骤。
86.参照图5，图5为本发明基于深度学习的天气图像识别装置第一实施例的结构框图。
87.如图5所示，本发明实施例提出的基于深度学习的天气图像识别装置包括：
88.获取模块10，用于使用源数据集对初始天气识别模型进行预训练，得到第一天气识别模型。
89.所述获取模块10，用于将所述第一天气识别模型的权重参数迁移到未经训练的初始天气识别模型中，得到目标天气识别模型。
90.构建模块20，用于构建天气图像数据集。
91.所述获取模块10，用于使用所述天气图像数据集训练所述目标天气识别模型，得到第二天气识别模型。
92.识别模块30，用于将当前天气图像输入至所述第二天气识别模型中，识别出所述当前天气图像的天气类别。
93.应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具
体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
94.本实施例通过使用源数据集对初始天气识别模型进行预训练，得到第一天气识别模型；将所述第一天气识别模型的权重参数迁移到未经训练的初始天气识别模型中，得到目标天气识别模型；构建天气图像数据集；使用所述天气图像数据集训练所述目标天气识别模型，得到第二天气识别模型；将当前天气图像输入至所述第二天气识别模型中，识别出所述当前天气图像的天气类别。通过上述方式，先使用源数据集来对初始天气识别模型进行训练得到第一天气识别模型，再将第一天气识别模型的部分模型参数迁移到未经训练的初始天气识别模型中，能够避免因天气图像数据集中的图像数量不足而影响模型的训练效果，从而有效提高模型的分类准确率和泛化能力。
95.在一实施例中，所述获取模块10，还用于：
96.根据天气的细粒度区分确定天气类别的类别数量；
97.根据所述类别数量来调整所述初始天气识别模型的全连接层的数量。
98.在一实施例中，所述获取模块10，还用于：
99.所述初始天气识别模型包括依次连接的输入层、卷积层、扩张层、可分离卷积层、全局平均层、最大池化层、全连接层以及输出层。
100.在一实施例中，所述获取模块10，还用于：
101.所述初始天气识别模型还包括注意力机制，所述注意力机制包括se模块和nl模块，所述se模块用于自适应调整所述初始天气识别模型中的通道权重，所述nl模块用于计算特征图像的自注意力矩阵来增强所述当前天气图像的空间上下文信息。
102.在一实施例中，所述构建模块20，还用于：
103.根据天气的细粒度区分确定多个天气类别；
104.获取多个天气图像，根据所述多个天气类别对所述多个天气图像进行标注，得到多个标注天气图像；
105.基于所述多个标注天气图像构建天气图像数据集。
106.在一实施例中，所述构建模块20，还用于：
107.基于所述多个标注天气图像构建初始天气图像数据集，并确定所述初始天气图像数据集中各天气类别的标注天气图像的数量；
108.基于所述各天气类别的标注天气图像的数量对所述初始天气图像数据集进行数据增强，得到所述天气图像数据集，其中，所述天气图像数据集中各天气类别的样本数量处于均衡状态。
109.在一实施例中，所述构建模块20，还用于：
110.所述数据增强包括翻转变换、位移变换、旋转变换、添加噪声以及随机裁剪；所述翻转变换为将标注天气图像依次进行垂直以及水平翻转操作；所述位移变换为将标注天气图像沿x方向或y方向移动一定数量的像素值；所述旋转变换为标注天气图像以预设角度旋转；所述添加噪点为在标注天气图像中添加高斯噪声；所述随机裁剪为将标注天气图像的小部分区域随机裁剪出来。
111.需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
112.另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的基于深度学习的天气图像识别方法，此处不再赘述。
113.此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
114.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
115.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(read only memory，rom)/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
116.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种基于深度学习的天气图像识别方法，其特征在于，所述基于深度学习的天气图像识别方法包括：使用源数据集对初始天气识别模型进行预训练，得到第一天气识别模型；将所述第一天气识别模型的权重参数迁移到未经训练的初始天气识别模型中，得到目标天气识别模型；构建天气图像数据集；使用所述天气图像数据集训练所述目标天气识别模型，得到第二天气识别模型；将当前天气图像输入至所述第二天气识别模型中，识别出所述当前天气图像的天气类别。2.如权利要求1所述的方法，其特征在于，所述使用源数据集对初始天气识别模型进行预训练，得到第一天气识别模型之前，还包括：根据天气的细粒度区分确定天气类别的类别数量；根据所述类别数量来调整所述初始天气识别模型的全连接层的数量。3.如权利要求1所述的方法，其特征在于，所述初始天气识别模型包括依次连接的输入层、卷积层、扩张层、可分离卷积层、全局平均层、最大池化层、全连接层以及输出层。4.如权利要求3所述的方法，其特征在于，所述初始天气识别模型还包括注意力机制，所述注意力机制包括se模块和nl模块，所述se模块用于自适应调整所述初始天气识别模型中的通道权重，所述nl模块用于计算特征图像的自注意力矩阵来增强所述当前天气图像的空间上下文信息。5.如权利要求1所述的方法，其特征在于，所述构建天气图像数据集，包括：根据天气的细粒度区分确定多个天气类别；获取多个天气图像，根据所述多个天气类别对所述多个天气图像进行标注，得到多个标注天气图像；基于所述多个标注天气图像构建天气图像数据集。6.如权利要求5所述的方法，其特征在于，所述基于所述多个标注天气图像构建天气图像数据集，包括：基于所述多个标注天气图像构建初始天气图像数据集，并确定所述初始天气图像数据集中各天气类别的标注天气图像的数量；基于所述各天气类别的标注天气图像的数量对所述初始天气图像数据集进行数据增强，得到所述天气图像数据集，其中，所述天气图像数据集中各天气类别的样本数量处于均衡状态。7.如权利要求6所述的方法，其特征在于，所述数据增强包括翻转变换、位移变换、旋转变换、添加噪声以及随机裁剪；所述翻转变换为将标注天气图像依次进行垂直以及水平翻转操作；所述位移变换为将标注天气图像沿x方向或y方向移动一定数量的像素值；所述旋转变换为标注天气图像以预设角度旋转；所述添加噪点为在标注天气图像中添加高斯噪声；所述随机裁剪为将标注天气图像的小部分区域随机裁剪出来。8.一种基于深度学习的天气图像识别装置，其特征在于，所述基于深度学习的天气图像识别装置包括：获取模块，用于使用源数据集对初始天气识别模型进行预训练，得到第一天气识别模
型；所述获取模块，用于将所述第一天气识别模型的权重参数迁移到未经训练的初始天气识别模型中，得到目标天气识别模型；构建模块，用于构建天气图像数据集；所述获取模块，用于使用所述天气图像数据集训练所述目标天气识别模型，得到第二天气识别模型；识别模块，用于将当前天气图像输入至所述第二天气识别模型中，识别出所述当前天气图像的天气类别。9.一种基于深度学习的天气图像识别设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于深度学习的天气图像识别程序，所述基于深度学习的天气图像识别程序配置为实现如权利要求1至7中任一项所述的基于深度学习的天气图像识别方法的步骤。10.一种存储介质，其特征在于，所述存储介质上存储有基于深度学习的天气图像识别程序，所述基于深度学习的天气图像识别程序被处理器执行时实现如权利要求1至7任一项所述的基于深度学习的天气图像识别方法的步骤。

技术总结
本发明属于图像识别技术领域，公开了一种基于深度学习的天气图像识别方法、装置、设备及介质。该方法包括：使用源数据集对初始天气识别模型进行预训练，得到第一天气识别模型；将所述第一天气识别模型的权重参数迁移到未经训练的初始天气识别模型中，得到目标天气识别模型；构建天气图像数据集；使用所述天气图像数据集训练所述目标天气识别模型，得到第二天气识别模型；将当前天气图像输入至所述第二天气识别模型中，识别出所述当前天气图像的天气类别。通过上述方式，能够快速且准确地识别出天气状况。出天气状况。出天气状况。


技术研发人员：邱钰展 高遵海
受保护的技术使用者：武汉轻工大学
技术研发日：2023.05.15
技术公布日：2023/8/23