[发明专利]一种基于深度学习的雾霾能见度检测方法

说明书

技术领域

本发明涉及图像处理技术领域，特别是一种基于深度学习的雾霾能见度检测方法。

背景技术

近年来，雾霾天气频发，气象专家对雾霾天气的众多原因做了分析。据悉，持续的雾霾天气给各行各业带来了比较严重的影响，首先就是对于交通运输的影响，受雾霾影响的地方航班延误甚至被取消，高速公备被封闭，海上交通也遭到了不同程度的影响。包括铁路，雾霾引起的“雾闪”导致京广铁路断电，临时停车或者延误事件时有发生，而准确的能见度检测是缓解该问题的必要环节之一。

传统的雾霾能见度检测方法分为人眼目测法和仪器测量法，人眼目测法是指：在人眼没有任何帮助的条件下，所能识别物体的最大距离。这往往会带来很多的人为误差，而仪器测量法是指：通过一些光学元器件进行能见度值的检测，这种设备通常比较昂贵，且使用起来不是特别方便，于是，近些年来开始有更多的人关注于基于图像的雾霾能见度检测，主要是通过对大气消光系数的估计进行能见度值的计算，这是一个复杂计算的过程。基于上述的种种，开始有人考虑用机器学习的方法进行能见度的识别，但都只是设想，暂时没有什么具体的模型。

发明内容

本发明所要解决的技术问题是克服现有技术的不足而提供一种基于深度学习的雾霾能见度检测方法，构建雾霾图像检测模型，以达到雾霾图像能见度有效的识别效果。

本发明为解决上述技术问题采用以下技术方案：

根据本发明提出的一种基于深度学习的雾霾能见度检测方法，包括以下步骤：

步骤1、创建道路交通雾霾图像库，该数据库包括训练样本集和交叉验证样本集；

步骤2、对步骤1中交通雾霾图像库中训练样本集和交叉验证样本集里所有的雾霾图像进行预处理；

步骤3、采用卷积神经网络提取训练样本集里预处理后的雾霾图像的最远能见度边缘特征，得到多个特征图；将特征图通过前向传播至配置好的卷积神经网络进行训练，并通过反向传播算法进行卷积神经网络中各层间权重的调整，反复迭代求取得用于雾霾图像分类的卷积神经网络模型，再通过预处理后的交叉验证样本集对卷积神经网络模型进行优化，最终得到一个用于对雾霾图像分类的能见度检测模型；

步骤4、利用步骤3中得到的能见度检测模型对于路面摄像机拍摄的图片进行分类判断，从而实现对雾霾状况的实时检测。

作为本发明所述的一种基于深度学习的雾霾能见度检测方法进一步优化方案，卷积神经网络为一个包含输入层、隐层和输出层的多层网络。

作为本发明所述的一种基于深度学习的雾霾能见度检测方法进一步优化方案，卷积神经网络是具有权值共享的网络结构。

作为本发明所述的一种基于深度学习的雾霾能见度检测方法进一步优化方案，卷积神经网络是在Caffenet网络的基础上通过参数的设置进行训练和验证的。

作为本发明所述的一种基于深度学习的雾霾能见度检测方法进一步优化方案，Caffenet网络包括2个数据层和5个卷积层，2个数据层分别为用于训练的数据的输入和用于验证的数据的输入。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

(1)首次将深度学习的相关算法与雾霾能见度检测进行结合，并取得了相当可观的实验效果；

(2)不需要光学测量仪器的帮助，只需要监控路面的拍摄图片，就可对雾霾能见度进行快速分类和识别。

附图说明

图1是本发明的流程图。

图2是卷积神经网络结构示意图。

图3是神经元结构图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

本发明具体是一种使用自建的交通图像数据库，并将卷积神经网络作为算法的训练和验证网络来实现的雾霾能见度检测算法，接下来将详细介绍具体的实现过程。

如图1所示是本发明的流程图，本发明的基于深度学习的雾霾能见度检测方法的实现主要包含以下步骤：

步骤1：创建道路交通雾霾图像库

数据集方面将采用两个数据集，第一个数据集是用来训练的，第二个数据集用来验证的，根据经验采用8:2的比例进行数据的分配。根据《中华人民共和国道路交通安全法实施条例》第81条机动车在高速公路上行驶，遇有雾、雨、雪、沙尘、冰雹等低能见度气象条件时，应当遵守下列规定：

(一)能见度小于200米时，开启雾灯、近光灯、示廓灯和前后位灯，车速不得超过每小时60公里，与同车道前车保持100米以上的距离；