ABSTRACT In the atmosphere, cloud particles have different shapes. The study of cloud particle shapes plays an important role in understanding cloud precipitation processes, radiative transfer, and weather modification. The image resolution and data quality of cloud probes affect the accuracy of the classification of particle shapes. To solve the occlusion of the photosensitive edge of the particle image and achieve automatic, high-precision ice-crystal classification of airborne Cloud Imaging Probe (CIP) ice-crystal images, this study uses a traditional image processing algorithm for data quality control and applies artificial intelligence algorithms to classify ice-crystal images. At present, there are mainly two types of ice-crystal classification methods, one classifies the shape of ice crystals using a pattern parameterization scheme, and the other uses an artificial intelligence network model to classify the shape. Combined with data quality control, the dataset was tested on eight models, and the TL-EfficientNet-b6 model was found to be the most accurate. Therefore, the TL-EfficientNet-b6 classifier model was used in this study, which is a newly developed convolutional neural network (CNN) based on a transfer learning method. Experimental results show that the TL-EfficientNet-b6 model can reach 100% in the single-class precision of tiny and hexagonal ice crystals, and the average precision can reach 98%. These results are more accurate than those using traditional classification methods. This method could be valuable in cloud microphysics research and weather modification.

中文翻译：

---

机载云成像探测器观测到的冰晶图像的神经网络分类

摘要 在大气中，云粒子具有不同的形状。云粒子形状的研究在理解云降水过程、辐射传递和影响天气方面发挥着重要作用。云探针的图像分辨率和数据质量影响粒子形状分类的准确性。为解决粒子图像光敏边缘遮挡问题，实现机载云成像探针（CIP）冰晶图像的自动、高精度冰晶分类，本研究采用传统的图像处理算法进行数据质量控制，并应用人工智能算法对冰晶图像进行分类。目前，冰晶分类方法主要有两种，一种是利用图案参数化方案对冰晶的形状进行分类，另一种使用人工智能网络模型对形状进行分类。结合数据质量控制，该数据集在8个模型上进行了测试，发现TL-EfficientNet-b6模型最准确。因此，本研究采用了TL-EfficientNet-b6分类器模型，它是一种新开发的基于迁移学习方法的卷积神经网络（CNN）。实验结果表明，TL-EfficientNet-b6模型在微小和六边形冰晶的单类精度上可以达到100%，平均精度可以达到98%。这些结果比使用传统分类方法的结果更准确。该方法在云微物理研究和人工影响天气方面具有重要价值。结合数据质量控制，该数据集在8个模型上进行了测试，发现TL-EfficientNet-b6模型最准确。因此，本研究采用了TL-EfficientNet-b6分类器模型，它是一种新开发的基于迁移学习方法的卷积神经网络（CNN）。实验结果表明，TL-EfficientNet-b6模型在微小和六边形冰晶的单类精度上可以达到100%，平均精度可以达到98%。这些结果比使用传统分类方法的结果更准确。该方法在云微物理研究和人工影响天气方面具有重要价值。结合数据质量控制，该数据集在8个模型上进行了测试，发现TL-EfficientNet-b6模型最准确。因此，本研究采用了TL-EfficientNet-b6分类器模型，它是一种新开发的基于迁移学习方法的卷积神经网络（CNN）。实验结果表明，TL-EfficientNet-b6模型在微小和六边形冰晶的单类精度上可以达到100%，平均精度可以达到98%。这些结果比使用传统分类方法的结果更准确。该方法在云微物理研究和人工影响天气方面具有重要价值。这是一种新开发的基于迁移学习方法的卷积神经网络（CNN）。实验结果表明，TL-EfficientNet-b6模型在微小和六边形冰晶的单类精度上可以达到100%，平均精度可以达到98%。这些结果比使用传统分类方法的结果更准确。该方法在云微物理研究和人工影响天气方面具有重要价值。它是一种新开发的基于迁移学习方法的卷积神经网络（CNN）。实验结果表明，TL-EfficientNet-b6模型在微小和六边形冰晶的单类精度上可以达到100%，平均精度可以达到98%。这些结果比使用传统分类方法的结果更准确。该方法在云微物理研究和人工影响天气方面具有重要价值。