Многие отрасли промышленности нуждаются в определении текущих и прошлых погодных условий. Данные помогают им планировать, организовывать и/или оптимизировать свою деятельность. Например, фермеры могут посмотреть на текущую погоду, чтобы решить, следует ли включать или выключать разбрызгиватели. Операторы горнолыжных курортов могут включить машины для производства снега в зависимости от погодных условий в горах. Строители могут планировать расходные материалы и дождевик, которые им понадобятся для удаленной работы.

В настоящее время принятие таких решений может потребовать ручного просмотра видеопотоков с удаленных камер, опоры на прогнозы погоды или просто взгляда в окно.

Использование машинного обучения (МО) позволяет автоматизировать это, предоставляя цифровой глаз. В частности, если модель машинного обучения для распознавания изображений можно было бы построить для определения условий, просто просматривая изображения погоды, ее можно было бы развернуть в сценариях, подобных описанным выше. Например, поток с камеры на ферме может обрабатываться моделью машинного обучения, развернутой на периферийном устройстве Интернета вещей (например, на смарт-камере). Затем эту модель можно использовать для автоматического определения текущих погодных условий и соответствующего включения или отключения спринклерных клапанов.

Чтобы продемонстрировать этот вариант использования, мы создали в PerceptiLabs модель, обученную классифицировать четыре различных типа погоды. Мы использовали 1123 изображения из Мультиклассового набора данных о погоде для классификации изображений: облачно, солнце, восход солнца и дождь.

Данные

Мы предварительно обработали изображения, чтобы изменить размер каждого из них до разрешения 224x224 пикселей, и создали файл .csv для сопоставления изображений с соответствующими перечислениями классификации. Ниже приведен частичный пример того, как выглядит файл .csv:

Обзор модели

Наша модель была построена всего из трех Компонентов:

Обучение и результаты

Мы обучили модель с 10 эпохами партиями по 50, используя оптимизатор ADAM, скорость обучения 0,001 и функцию потери кросс-энтропии.

За время обучения около четырех минут мы смогли достичь точности обучения 99,4 % и точности проверки 95,9 %. На следующем снимке экрана из PerceptiLabs вы можете увидеть, как увеличилась точность. к этим процентам в течение 10 эпох, причем большая часть увеличения приходится на первые три эпохи:

При этом потери больше всего уменьшались в первые пять-шесть эпох:

Вертикальные приложения

Возможность автоматически определять текущие погодные условия с помощью распознавания изображений может сыграть ключевую роль в промышленных приложениях IoT (IIoT), начиная от сельского хозяйства и заканчивая нефтью и газом и не только. Компании могут использовать его для управления ресурсами, экономии энергии и оптимизации своей деятельности.

Сама модель также может быть использована в качестве основы для переносного обучения для создания более продвинутых моделей, которые обнаруживают другие погодные условия или даже анализируют заданную среду.

Сводка

Этот вариант использования — простой пример того, как машинное обучение можно использовать для определения погодных условий с помощью распознавания изображений. Если вы хотите построить подобную модель глубокого обучения всего за несколько минут, запустите PerceptiLabs и скачайте копию нашего предварительно обработанного набора данных с GitHub.

Авторы набора данных: Ajayi, Gbeminiyi (2018), «Многоклассовый набор данных о погоде для классификации изображений», Mendeley Data, V1, doi: 10.17632/4drtyfjtfy.1