[發明專利]一種基于雙通路深度網絡的霧天能見度檢測方法

在審

• 申請號: 202011268313.7
• 申請日: 2020-11-13
• 公開（公告）號: CN112365476A
• 公開（公告）日: 2021-02-12
• 發明（設計）人: 孫玉寶;閆宏艷;李家豪;劉青山;閆麒名;岳志遠;耿玉標
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京鐘山專利代理有限公司 32252
• 代理人: 蘇良

1.一種基于雙通路深度網絡的霧天能見度檢測方法，其特征在于，包括如下步驟：

一、采集高速公路監控圖像，根據能見度距離分類為若干等級，并劃分為訓練數據集與測試數據集；

二、構建霧天能見度檢測的雙通路深度網絡模型，兩條通路分別學習暗通道先驗信息與霧天圖像的深度特征，并聯合兩類特征通過全連接層進行分類；

三、設計用于優化網絡模型參數學習的目標函數，預設網絡模型的訓練超參；

四、將訓練數據送入網絡模型中，根據目標函數，采用Adam優化器實現模型參數的迭代優化與更新；

五、若網絡模型收斂，則訓練完成的網絡模型可實現對高速公路霧天能見度等級的端對端分類，預測高速公路監控圖像的能見度等級，否則，返回步驟四。

2.根據權利要求1所述的基于雙通路深度網絡的霧天能見度檢測方法，其特征在于，步驟一中，設能見度距離為d，d50m時，能見度等級為0級；50md100m時，能見度等級為1級；100md200m時，能見度等級為2級；200md500m時，能見度等級為3級；500md時，能見度等級為4級；根據能見度等級標準將原始高速公路監控圖像分為5類，并按照0.8:0.2的比例劃分訓練數據集與測試數據集。

3.根據權利要求1所述的基于雙通路深度網絡的霧天能見度檢測方法，其特征在于，步驟二中，雙通路深度網絡模型表達式為其中，N_m(*)為引入注意力機制的MobileNet網絡模塊，D(*)為暗通道先驗算法，N_c(*)為卷積層，C[*]為concatenate操作，f{*}為全連接層。

4.根據權利要求3所述的基于雙通路深度網絡的霧天能見度檢測方法，其特征在于，MobileNet網絡模塊中引入了通道注意力與像素注意力模塊；卷積網絡的結構為：

5.根據權利要求1所述的基于雙通路深度網絡的霧天能見度檢測方法，其特征在于，步驟三中，目標函數采用交叉熵損失函數，表達式為其中，為第i個類別的真實值，y_i為第i個類別的預測值，θ為需要優化的參數。網絡模型的訓練超參包括模型學習率α、迭代次數L、訓練批次大小S、網絡模型的深度與層數，以及激活函數的類別。

6.根據權利要求1所述的基于雙通路深度網絡的霧天能見度檢測方法，其特征在于，步驟四包括：

步驟S401、對網絡的各個神經網絡模塊進行相應的參數初始化；選取訓練數據集中S個訓練圖像{x⁽¹⁾,…,x^(s)}送入到網絡模型中，并得到相應的輸出向量{y⁽¹⁾,…,y^(s)}；

步驟S402、通過反向傳播算法，更新各個神經網絡模塊的網絡參數ω，ω←ω+α·Adam(ω,d_ω)，其中，Adam為梯度下降算法中的一種；

步驟S403、對整個訓練數據集的所有圖像，依次進行步驟S401和S402操作，總共進行L次迭代。

7.根據權利要求1所述的基于雙通路深度網絡的霧天能見度檢測方法，其特征在于，步驟五包括：

步驟501、判斷網絡模型是否收斂：在網絡訓練迭代過程中，若目標函數值減小并漸進于某個值時，則判定網絡收斂；

步驟S502、將處理好的高速公路霧天圖像數據輸入到已經收斂的網絡模型中，則可實現對高速公路霧天能見度等級的端對端分類，預測高速公路監控圖像的能見度等級；

步驟S503、若迭代訓練不收斂，則返回執行步驟四。