[發明專利]一種基于深度學習的霧霾能見度檢測方法

在審

• 申請號: 201710346524.X
• 申請日: 2017-05-17
• 公開（公告）號: CN107274383A
• 公開（公告）日: 2017-10-20
• 發明（設計）人: 許艷麗;李海波;成孝剛;邵文澤;呂泓君
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/46;G06K9/62;G06N3/04
• 代理公司: 南京經緯專利商標代理有限公司32200
• 代理人: 朱楨榮

技術領域

本發明涉及圖像處理技術領域，特別是一種基于深度學習的霧霾能見度檢測方法。

背景技術

近年來，霧霾天氣頻發，氣象專家對霧霾天氣的眾多原因做了分析。據悉，持續的霧霾天氣給各行各業帶來了比較嚴重的影響，首先就是對于交通運輸的影響，受霧霾影響的地方航班延誤甚至被取消，高速公備被封閉，海上交通也遭到了不同程度的影響。包括鐵路，霧霾引起的“霧閃”導致京廣鐵路斷電，臨時停車或者延誤事件時有發生，而準確的能見度檢測是緩解該問題的必要環節之一。

傳統的霧霾能見度檢測方法分為人眼目測法和儀器測量法，人眼目測法是指：在人眼沒有任何幫助的條件下，所能識別物體的最大距離。這往往會帶來很多的人為誤差，而儀器測量法是指：通過一些光學元器件進行能見度值的檢測，這種設備通常比較昂貴，且使用起來不是特別方便，于是，近些年來開始有更多的人關注于基于圖像的霧霾能見度檢測，主要是通過對大氣消光系數的估計進行能見度值的計算，這是一個復雜計算的過程。基于上述的種種，開始有人考慮用機器學習的方法進行能見度的識別，但都只是設想，暫時沒有什么具體的模型。

發明內容

本發明所要解決的技術問題是克服現有技術的不足而提供一種基于深度學習的霧霾能見度檢測方法，構建霧霾圖像檢測模型，以達到霧霾圖像能見度有效的識別效果。

本發明為解決上述技術問題采用以下技術方案：

根據本發明提出的一種基于深度學習的霧霾能見度檢測方法，包括以下步驟：

步驟1、創建道路交通霧霾圖像庫，該數據庫包括訓練樣本集和交叉驗證樣本集；

步驟2、對步驟1中交通霧霾圖像庫中訓練樣本集和交叉驗證樣本集里所有的霧霾圖像進行預處理；

步驟3、采用卷積神經網絡提取訓練樣本集里預處理后的霧霾圖像的最遠能見度邊緣特征，得到多個特征圖；將特征圖通過前向傳播至配置好的卷積神經網絡進行訓練，并通過反向傳播算法進行卷積神經網絡中各層間權重的調整，反復迭代求取得用于霧霾圖像分類的卷積神經網絡模型，再通過預處理后的交叉驗證樣本集對卷積神經網絡模型進行優化，最終得到一個用于對霧霾圖像分類的能見度檢測模型；

步驟4、利用步驟3中得到的能見度檢測模型對于路面攝像機拍攝的圖片進行分類判斷，從而實現對霧霾狀況的實時檢測。

作為本發明所述的一種基于深度學習的霧霾能見度檢測方法進一步優化方案，卷積神經網絡為一個包含輸入層、隱層和輸出層的多層網絡。

作為本發明所述的一種基于深度學習的霧霾能見度檢測方法進一步優化方案，卷積神經網絡是具有權值共享的網絡結構。

作為本發明所述的一種基于深度學習的霧霾能見度檢測方法進一步優化方案，卷積神經網絡是在Caffenet網絡的基礎上通過參數的設置進行訓練和驗證的。

作為本發明所述的一種基于深度學習的霧霾能見度檢測方法進一步優化方案，Caffenet網絡包括2個數據層和5個卷積層，2個數據層分別為用于訓練的數據的輸入和用于驗證的數據的輸入。

本發明采用以上技術方案與現有技術相比，具有以下技術效果：

(1)首次將深度學習的相關算法與霧霾能見度檢測進行結合，并取得了相當可觀的實驗效果；

(2)不需要光學測量儀器的幫助，只需要監控路面的拍攝圖片，就可對霧霾能見度進行快速分類和識別。

附圖說明

圖1是本發明的流程圖。

圖2是卷積神經網絡結構示意圖。

圖3是神經元結構圖。

具體實施方式

下面結合附圖對本發明的技術方案做進一步的詳細說明：

本發明具體是一種使用自建的交通圖像數據庫，并將卷積神經網絡作為算法的訓練和驗證網絡來實現的霧霾能見度檢測算法，接下來將詳細介紹具體的實現過程。

如圖1所示是本發明的流程圖，本發明的基于深度學習的霧霾能見度檢測方法的實現主要包含以下步驟：

步驟1：創建道路交通霧霾圖像庫

數據集方面將采用兩個數據集，第一個數據集是用來訓練的，第二個數據集用來驗證的，根據經驗采用8:2的比例進行數據的分配。根據《中華人民共和國道路交通安全法實施條例》第81條機動車在高速公路上行駛，遇有霧、雨、雪、沙塵、冰雹等低能見度氣象條件時，應當遵守下列規定：

(一)能見度小于200米時，開啟霧燈、近光燈、示廓燈和前后位燈，車速不得超過每小時60公里，與同車道前車保持100米以上的距離；