一种基于深度学习的能见度检测方法技术

本发明专利技术涉及一种基于深度学习的能见度检测方法，包括图像训练部分和能见度检测部分：图像训练部分：输入已标记好能见度的图像，对所述图像进行尺度变换以获得三种不同尺度的图像，并分别输入三个深度卷积网络中，以能见度值作为目标函数进行训练，当训练误差收敛后，保存训练好的深度卷积网络；能见度检测部分：对图像进行多尺度变换，获得三种不同尺度的图像，将三种不同尺度的图像分别输入到三个训练好的深度卷积网络中并提取特征向量，将三个特征向量加权相加获得总的特征向量，根据总的特征向量利用softmax函数进行分类，最终输出能见度值。本发明专利技术针对不同天气情况，能根据拍摄的图像检测其对应的能见度，无需人工辅助手段，检测的准确率高且速度快。

A method of visibility detection based on depth learning

The invention relates to a visibility detection method based on deep learning, including image training and visibility detection part: training image: image input has been marked good visibility, transform the image to obtain three different scale images, and respectively input three convolutional neural networks, with visibility value as the objective function for training, when the training error after convergence, save the convolutional neural networks trained; visibility detection: the multi-scale transform of the image, to obtain three different scale images of three different scale images were input to the three trained convolutional neural networks and extracting feature vectors, the three weighted feature vector obtained by adding the feature vector of the total, according to the characteristics of vector using softmax function classification, the final output of visibility Value. According to different weather conditions, the invention can detect corresponding visibility according to the captured images, without manual assistance, and has high accuracy and fast detection speed.

【技术实现步骤摘要】
一种基于深度学习的能见度检测方法
本专利技术涉及一种基于深度学习的能见度检测方法，属于大气水平能见度

技术介绍
大气水平能见度是气象观测的常规项目，它是表征大气透明程度的一个重要的物理量。大气能见度的概念最早来源于气象部门，在气象部门中称为气象能见度。近几年来，雾霾在我国各大城市愈演愈烈，部分地方甚至全年大部分时间都笼罩在雾霾下。雾霾较大时，能见度降低，会严重影响交通运输，给人们的出行造成困扰。由于大气能见度与人们的日常生活密切相关，与大气低能见度相伴随的恶劣天气往往会导致交通事故，妨碍海陆空交通运输，造成人们的生命和财产损失，因此对大气能见度检测的研究受到广泛关注。探测大气能见度最常用的是仪器测量。目前探测大气能见度的仪器按探测原理可分为透射式能见度仪和散射式能见度仪2大类，其中透射式大气能见度仪和散射式大气能见度仪中的前向散射仪应用最为广泛。由于常用的能见度仪器成本较高，价格昂贵，使用和安装都很复杂，因此，最近几十年，随着计算机技术和数字摄像技术的发展，用数字摄像法测量大气能见度的研究受到广泛地研究。文章[1]提出了采用双亮度差法来测量大气能见度，通过用照相机拍摄距离不本文档来自技高网...

【技术保护点】
一种基于深度学习的能见度检测方法，其特征在于：实现步骤包括图像训练部分S1和能见度检测部分S2：图像训练部分S1的步骤如下：步骤S11：将训练集中的图像按照能见度由高到低分为9个类，能见度最高的图片标签为0，能见度最低的图片标签为8；步骤S12：对图像进行尺度变换获得三种不同尺度的图像作为深度卷积网络的输入图像；步骤S13：将三种不同尺度的图像分别输入三个深度卷积网络中提取能见度图像的特征，每个深度卷积网络提取9维的特征向量，然后将三个特征向量加权相加成为9维的输出特征向量，三个特征向量的权重在深度卷积网络中训练；步骤S14：将上述特征向量输入softmax函数，以能见度值作为目标函数，对深度...

【技术特征摘要】
1.一种基于深度学习的能见度检测方法，其特征在于：实现步骤包括图像训练部分S1和能见度检测部分S2：图像训练部分S1的步骤如下：步骤S11：将训练集中的图像按照能见度由高到低分为9个类，能见度最高的图片标签为0，能见度最低的图片标签为8；步骤S12：对图像进行尺度变换获得三种不同尺度的图像作为深度卷积网络的输入图像；步骤S13：将三种不同尺度的图像分别输入三个深度卷积网络中提取能见度图像的特征，每个深度卷积网络提取9维的特征向量，然后将三个特征向量加权相加成为9维的输出特征向量，三个特征向量的权重在深度卷积网络中训练；步骤S14：将上述特征向量输入softmax函数，以能见度值作为目标函数，对深度卷积网络进行分类训练；步骤S15：若训练误差未收敛，则继续训练深度卷积网络，直到训练误差收敛后，保存网络，作为检测能见度所用的最终网络；能见度检测部分S2的步骤如下：步骤S21：输入图像；步骤S22：对图像进行尺度变换以获得三种不同尺度的图像；步骤S23：将三种不同尺度的图像分别输入到步骤S1中三个训练好的深度卷积网络中，提取对应的能见度特征向量，并将特征向量加权相加，得到总的能见度特征向量；步骤S24：将特征向量输入softmax函数中，计算每一类能见度的概率；步骤S25：输出概率最大的能见度值。2.根据权利...

【专利技术属性】
技术研发人员：凌强，陈春霖，李峰，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：安徽,34