[發明專利]基于深度學習的能見度監測和模型訓練方法、裝置、終端及介質

在審

• 申請號: 202010042073.2
• 申請日: 2020-01-15
• 公開（公告）號: CN111259957A
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 周康明;方飛虎
• 申請（專利權）人: 上海眼控科技股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 上海光華專利事務所(普通合伙) 31219
• 代理人: 倪靜

1.一種基于深度學習的能見度監測方法，其特征在于，包括：

采集能見度監測區域內的參照物圖像并進行圖像預處理；

將預處理后的參照物圖像輸入經深度學習訓練的清晰度分類模型中，據以輸出所述參照物圖像對應于多個清晰度類別的歸類置信度，并以其中歸類置信度最高的清晰度類別作為所述參照物圖像的清晰度類別；

根據所述參照物與圖像采集地點位置之間的距離信息以及所述參照物圖像的清晰度類別信息，計算該參照物圖像所能反映的能見度值。

2.根據權利要求1所述的能見度監測方法，其特征在于，所述圖像預處理包括圖像歸一化處理，其包括：

通過預設的參照物位置信息截取參照物所在區域的圖像；

將所截取圖像中的每個像素點的三個色彩通道數據分別減去對應的預設通道數據，并縮放至預設像素尺寸。

3.根據權利要求1所述的能見度監測方法，其特征在于，所述根據所述參照物與圖像采集地點位置之間的距離信息以及所述參照物圖像的清晰度類別信息，計算該參照物圖像所能反映的能見度值，其包括：

獲取所述參照物與圖像采集地點位置之間的實際距離信息；

獲取與所述參照物圖像的清晰度類別相對應的最大能見度系數；

將所述最大能見度系數作為所述參照物與圖像采集地點位置之間實際距離的權重系數，據以得到所述參照物圖像所反映的能見度值。

4.一種基于深度學習的模型訓練方法，其特征在于，用于訓練權利要求1中所述的清晰度分類模型；所述方法包括：

采集多張不同能見度及不同光照條件下的參照物圖像數據；

為每張圖像中的參照物標記參照物的位置數據和清晰度標簽類別數據；

構建一分類網絡模型，并以參照物的位置數據和清晰度標簽類別數據作為訓練數據來訓練所述分類網絡模型直至其收斂。

5.根據權利要求4所述的模型訓練方法，其特征在于，所述以參照物的位置數據和清晰度標簽類別數據作為訓練數據來訓練所述分類網絡模型直至其收斂，其包括：

對參照物圖像進行歸一化處理；

將歸一化處理后的參照物圖像數據及其對應的位置數據和清晰度標簽類別數據輸入所述分類網絡模型中，并計算二值交叉熵損失值；其中，在所述二值交叉熵損失值小于預設損失值的情況下，確定所述分類網絡模型收斂。

6.一種基于深度學習的能見度監測裝置，其特征在于，包括：

圖像采集模塊，用于采集能見度監測區域內的參照物圖像并進行圖像預處理；

圖像處理模塊，用于將預處理后的參照物圖像輸入經深度學習訓練的清晰度分類模型中，據以輸出所述參照物圖像對應于多個清晰度類別的歸類置信度，并以其中歸類置信度最高的清晰度類別作為所述參照物圖像的清晰度類別；

能見度計算模塊，用于根據所述參照物與圖像采集地點位置之間的距離信息以及所述參照物圖像的清晰度類別信息，計算該參照物圖像所能反映的能見度值。

7.一種基于深度學習的模型訓練裝置，其特征在于，包括：

訓練數據采集模塊，用于采集多張不同能見度及不同光照條件下的參照物圖像數據；

標簽標注模塊，用于為每張圖像中的參照物標注參照物的位置數據和清晰度標簽類別數據；

模型訓練模塊，用于構建一分類網絡模型，并以參照物的位置數據和清晰度標簽類別數據作為訓練數據來訓練所述分類網絡模型直至其收斂。

8.一種計算機可讀存儲介質，其上存儲有第一計算機程序和/或第二計算機程序，其特征在于，所述第一計算機程序被處理器執行時實現權利要求1至3中任一項所述基于深度學習的能見度監測方法；所述第二計算機程序被處理器執行時實現權利要求4或5所述基于深度學習的模型訓練方法。

9.一種基于深度學習的能見度監測終端，其特征在于，包括：處理器及存儲器；

所述存儲器用于存儲計算機程序；

所述處理器用于執行所述存儲器存儲的計算機程序，以使所述終端執行如權利要求1至3中任一項所述基于深度學習的能見度監測方法。

10.一種基于深度學習的模型訓練終端，其特征在于，包括：處理器及存儲器；

所述存儲器用于存儲計算機程序；

所述處理器用于執行所述存儲器存儲的計算機程序，以使所述終端執行如權利要求4或5所述基于深度學習的模型訓練方法。