[發明專利]一種基于MobileNet-V2神經網絡的機場霧天能見度分類方法

在審

• 申請號: 202210186273.4
• 申請日: 2022-02-28
• 公開（公告）號: CN114663452A
• 公開（公告）日: 2022-06-24
• 發明（設計）人: 吳建鋒;劉斌
• 申請（專利權）人: 南京工業大學
• 主分類號: G06T7/13
• 分類號: G06T7/13;G06N3/08;G06N3/04;G06K9/62;G06V10/764;G06V10/82
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 羅運紅

1.一種基于MobileNet-V2神經網絡的機場霧天能見度分類方法，其特征在于，所述方法包括以下步驟：

步驟一：定點采集霧天機場圖像與能見度數據；

步驟二：通過Canny邊緣檢測算法對數據集進行預處理；

步驟三：使用tensorflow框架，搭建基礎的MobileNet-V2神經網絡模型并修改模型配置；

步驟四：利用數據集對分類模型進行訓練和測試得到最優分類模型；

步驟五：將采集到的霧天機場圖像與能見度數據經過步驟二處理后輸入到最優分類模型中得到機場霧天能見度分類結果。

2.根據權利要求1所述的一種基于MobileNet-V2神經網絡的機場霧天能見度分類方法，其特征在于，步驟一所述的獲取數據集包括以下步驟：

步驟一：通過拍攝機每隔15秒場定點拍攝圖像，并通過激光能見度儀，錄下拍攝時機場能見度；

步驟二：將定點拍攝的圖像與能見度儀所記錄的能見度一一對應；

步驟三：根據能見度分類指標將步驟三中的圖片分為五個類別。

3.根據權利要求1所述的一種基于MobileNet-V2神經網絡的機場霧天能見度分類方法，其特征在于，步驟二所述的通過Canny邊緣檢測算法對數據集進行預處理，包括以下步驟：

步驟一：通過高斯濾波器，對圖像進行卷積，使得圖像平滑，降低邊緣檢測上明顯的噪聲影響，經過高斯濾波后圖像的灰度值將變為：

其中x、y分別代表像素點的位置，f(x,y)代表該像素點的灰度值，σ為圖像像素點灰度值的方差；

步驟二：使用Sobel算子計算水平和垂直方向上的梯度G_x、G_y：

G_x＝f(x,y)*Sobel_x

G_y＝f(x,y)*Sobel_y

進一步得到圖像的梯度G和方向θ：

其中，f(x,y)為一個3×3窗口的灰度值，Sobel_x是Sobel算子在x方向上的值，Sobel_y是Sobel算子在y方向的值，arctan為反正切函數；

步驟三：應用非極大值抑制，消除邊緣檢測帶來的雜散響應，保留局部最大梯度而抑制所有其他梯度值，對梯度圖像中每隔像素進行非極大值抑制的算法是：將當前的像素的梯度強度與沿正負梯度方向上的兩個像素進行比較，如果當前像素的梯度強度與另外兩個像素相比最大，則該像素點保留為邊緣點，否則像素點將被抑制，具體公式如下：

其中，G_p代表p點的梯度值，G_p1代表p沿正方向梯度方向上的梯度值，G_p2代表p沿負方向上的梯度值；

步驟四：應用雙閾值剔除噪聲點，即設定第一閥值和第二閥值區分邊緣像素點，如果邊緣像素點梯度值大于第一閥值，則被認為是強邊緣點；如果邊緣梯度值小于第一閥值且大于第二閥值，則標記為弱邊緣點，小于第二閥值的點則被抑制掉，所述第一閾值大于第二閾值。

4.根據權利要求1所述的一種基于MobileNet-V2神經網絡的機場霧天能見度分類方法，其特征在于，步驟三中使用tensorflow框架，搭建基礎的MobileNet-V2神經網絡模型并修改模型配置，包括以下步驟：

步驟一：使用tensorflow框架，搭建基礎的MobileNet-V2神經網絡；

步驟二：修改原有模型，在網絡末端加入一層7×7平均池化層；

步驟三：在平均池化層后添加神經元個數為1024的全連接層；

步驟四：設置softmax作為MobileNet-V2神經網絡的損失函數，定義為

其中，M代表類別數量，y_c為指標變量，p_c代表觀測樣本為數據類別c的概率。

5.根據權利要求1所述的一種基于MobileNet-V2神經網絡的機場霧天能見度分類方法，其特征在于，步驟四所述的利用數據集對分類模型進行訓練和測試，得到最優分類模型，包括以下步驟：

步驟一：通過遷移學習的方法，將224×224×3規格的圖片輸入到MobileNet-V2神經網絡模型中，以圖片對應的能見度分類級別作為目標進行訓練；

步驟二：設置SGD優化器訓練MobileNet-V2模型，學習率為0.01，動量為0.01，權重衰減為1×10^-6；

步驟三：訓練過程中，最大迭代次數設置為10000次，并根據分類準確率保存最佳模型作為模型的最終訓練結果。