[發明專利]一種用于視頻大霧監測的深度神經網絡模型構建方法、系統及裝置

在審

• 申請號: 202011637801.0
• 申請日: 2020-12-31
• 公開（公告）號: CN112749654A
• 公開（公告）日: 2021-05-04
• 發明（設計）人: 彭路;張興海;柳俊凱
• 申請（專利權）人: 南京恩瑞特實業有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 江蘇舜點律師事務所 32319
• 代理人: 杜東輝

本發明提供了一種深度神經網絡模型構建方法、系統及裝置，方法包括如下步驟：構建視頻大霧識別數據集，所述視頻大霧識別數據集包括大霧視頻數據和無大霧視頻數據；提取所述視頻數據的單幀圖像形成樣本集，并將其劃分為訓練集和測試集；構建深度神經網絡模型；利用訓練集訓練深度神經網絡模型，優化模型參數；利用測試集測試經過訓練的深度神經網絡模型。本發明能夠提取出單幀圖像的靜態特征，結構簡單，識別準確率高，并可以實現監控視頻下的實時煙大霧監測識別，滿足非氣象用戶對大霧識別業務需求。在各能見度等級下的白天黑夜大霧識別中，白天識別率平均在85.4%以上，而晚上的平均識別率為69.7%，該結果基本能滿足攝像頭輔助監測大霧等級需要。

技術領域

本發明屬于氣象監測技術領域，具體涉及一種用于視頻大霧監測的深度神經網絡模型構建方法、系統及裝置。

背景技術

大霧天氣是影響高速公路安全的重要災害性天氣，提高大霧天氣的監測技術水平是確保交通安全的重要措施。近些年來，通過在高速公路沿線布設能見度自動站來監測大霧，這一做法在保障交通安全方面發揮了重要作用。然而能見度自動站一般間距較遠，在10km以上，對小范圍的局地大霧和團霧無法提供監測預警服務，這些小范圍的團霧往往容易導致駕駛員疏忽或躲避不及，造成嚴重的交通事故。

隨著監控水平和信息化的發展，交通管理部門在高速公路沿線(如高速公路的收費站、服務區、主干線)布設了密度更高的視頻監控設備。交管部門在對大霧能見度等級進行判定時，主要還是通過人工巡查的方式查看道路天氣狀況，該方式費時費力且頻次低，難以及時發現惡劣的天氣情況。

視頻監控設備(攝像頭)具有安裝簡便靈活的特點，可用于大霧的長時間連續觀測，能夠快速積累大量大霧的圖像數據。當大霧天氣發生時，視頻圖像受到低能見度的影響會發生模糊和退化，具有明顯的圖像特征。

隨著基于人工智能的圖像識別技術的快速發展，深度神經網絡能夠自動提取圖像的有效特征，能夠較好地解決通用圖像分類問題。因此，通過建立深度神經網絡，從視頻圖像中提取有效的視覺特征，并通過積累的歷史數據訓練特征與大霧的關系模型，可實現大霧天氣的智能識別與判斷。

近幾年，深度學習技術在圖像識別領域取得了突破性進展，在視頻大霧等級識別中，利用深度學習技術對海量的視頻圖像進行特征訓練，建立能見度等級估測模型，將極大地彌補能見度站點布設成本高、距離稀疏的問題，對進一步提高團霧的監測能力、為氣象和交通管理部門監測大霧提供了低成本、高效率的輔助手段。

發明內容

本發明所要解決的技術問題是：提供一種用于視頻大霧監測的深度神經網絡模型構建方法、系統及裝置，能夠彌補能見度站點布設成本高、距離稀疏的問題，對進一步提高團霧的監測能力、為氣象和交通管理部門監測大霧提供了低成本、高效率的輔助手段。

本發明是這樣實現的：一種用于視頻大霧監測的深度神經網絡模型構建方法，包括如下步驟：

構建視頻大霧識別數據集，所述視頻大霧識別數據集包括大霧視頻數據和無大霧視頻數據；

提取所述視頻數據的單幀圖像形成樣本集，并將其劃分為訓練集和測試集；

構建深度神經網絡模型；

利用訓練集訓練深度神經網絡模型，優化模型參數；

利用測試集測試經過訓練的深度神經網絡模型。

進一步地，所述提取所述視頻數據的單幀圖像形成樣本集的過程具體如下：

按照一定頻率提取單幀圖像，

對所述單幀圖像進行信息標注，所述信息包括能見度數值、時間、地點；

選取所有單幀圖像中標注有能見度值的單幀圖像形成樣本集。

進一步地，還包括如下步驟：