【技术实现步骤摘要】
本专利技术涉及摄像头温度调控，更具体地说，本专利技术涉及一种cms摄像头温度调控系统。
技术介绍
1、电子后视镜是由摄像机与监视器组成的系统，在规定视野内需要看清车辆后方、侧方视野，是一种新型的间接视野装置，又称“摄像机-监视器系统(camera-monitorsystem)”，简称cms，随着汽车间接视野装置的流行，cms系统在车上应用越来越多。
2、然而，在某些特定的环境条件下，如室外低温环境，cms摄像头可能会因为结冰、结霜或凝雾的原因导致拍摄图像质量下降的问题；传统的温度调控方法主要依赖于简单的温度传感器和加热器，不便对cms摄像头的状态进行判断，也不便根据cms摄像头对应的状态进行温度调控。
3、鉴于此，本专利技术提出一种cms摄像头温度调控系统以解决上述问题。
技术实现思路
1、为了克服现有技术的上述缺陷，为实现上述目的，本专利技术提供如下技术方案：一种cms摄像头温度调控系统，包括，
2、图像采集预处理模块，采集cms摄像头的初始图像，通过改进迁移学习对初始图像进行扩充得到历史图像合集；
3、模型构建模块，构建卷积神经网络模型，通过卷积神经网络模型获得历史图像合集中各类别图像合集对应的概率分布区间；
4、状态判断模块，获取当前cms摄像头的当前图像，将当前图像输入卷积神经网络模型进行状态判断，得到当前cms摄像头的当前状态；
5、温度调控模块，预设加热策略，通过加热策略对cms摄像头镜头进行温度调
6、进一步地，所述采集cms摄像头的初始图像，通过改进迁移学习对初始图像进行扩充得到历史图像合集的步骤包括：
7、s10、采集cms摄像头的n个初始图像，将n个初始图像分类为结冰图像、结霜图像和凝雾图像并对其进行标签标注；
8、s11、将上述结冰图像、结霜图像和凝雾图像按照类别输入训练好的预训练模型，根据预训练模型中输出层输出的生成图像对结冰图像、结霜图像和凝雾图像按照类别进行扩充，将结冰图像集、结霜图像集和凝雾图像集作为历史图像合集；
9、所述改进迁移学习的步骤包括：
10、通过模型评估公式计算图像生成目标领域的所有候选预训练模型的评估值，选择评估值最高的候选预训练模型作为预训练模型，预训练模型为迁移学习的基础；
11、加载选定的预训练模型，冻结预训练模型中除卷积层之外的所有层，在预训练模型的卷积层之后添加一个重参数化层，将卷积层和重参数化层作为编码器，在重参数化层之后添加转置卷积层、激活函数层和输出层，将转置卷积层、激活函数和输出层作为解码器；
12、通过重构误差公式获取生成图像与初始图像之间的重构误差，根据反向传播算法计算重构误差的梯度，采用随机梯度下降对预训练模型参数进行优化，直至预训练模型收敛于最优解。
13、进一步地，所述模型评估公式为：
14、
15、其中，pgz表示候选预训练模型的评估值，xs表示候选预训练模型与图像生成领域的相似度，zq表示候选预训练模型在图像生成上的准确度，fz表示候选预训练模型的复杂度，xh表示候选预训练模型的资源消耗度，1e-6表示分母平滑项，ωxs为候选预训练模型与图像生成领域的相似度的权重值，ωzq为候选预训练模型在图像生成上的准确度的权重值，ωfz为候选预训练模型的复杂度的权重值，ωxh为表示候选预训练模型的资源消耗度的权重值，ωxs、ωzq、ωfz和ωxh的和为1，ε为影响因子；
16、所述重构误差公式为：
17、
18、其中，x表示初始图像，表示预训练模型的生成图像，n是初始图像数量，表示l2范数，j表示n个初始图像中的第j个初始图像；
19、所述随机梯度下降的公式为：
20、
21、其中，θt`表示在第t`次迭代中的预训练模型参数，θt`+1表示在第t`+1次迭代中的预训练模型参数，η表示学习率，表示重构误差lcg对预训练模型参数θ的梯度。
22、进一步地，所述构建卷积神经网络模型，通过卷积神经网络模型获得历史图像合集中各类别图像合集对应的概率分布区间，包括，
23、s20、构建卷积神经网络模型的架构，包括卷积层、池化层和全连接层，其中，使用两个卷积层，每个层都有32个卷积核，大小为3x3，relu激活函数，在每个卷积层后添加最大池化层，大小为2x2，添加一个包含128个神经元的全连接层，使用relu激活函数；
24、s21、选择adam优化器和多分类交叉熵损失函数；
25、s22、将结冰图像集、结霜图像集和凝雾图像集中的图像均进行归一化处理；
26、s23、将结冰图像集、结霜图像集和凝雾图像集内的图像作为样本图像并按照类别逐一输入卷积神经网络模型中，得到结冰特征、结霜特征和凝雾特征；
27、所述多分类交叉熵损失函数的步骤包括：
28、s210、设有c个类别，图像样本的真实标签为y，神经网络的输出为则多分类交叉熵损失函数的公式为：
29、
30、其中，c为3，yi是图像样本的真实标签的第i个图像样本，是神经网络输出的第i个图像样本的概率分布值；
31、s211、将结冰特征、结霜特征和凝雾特征进行输入，通过多个全连接层进行分类，输出一个概率分布值；
32、s212、获取结冰图像集、结霜图像集和凝雾图像集内图像的概率分布值，将同一图像集内的概率分布值所对应的范围作为概率分布区间，以此确定结冰特征、结霜特征和结雾特征的概率分布区间，cms摄像头状态为结冰状态、结霜状态、凝雾状态和正常状态四个状态类别，将非结冰特征、非结霜特征和非结雾特征的概率分布区间内的概率分布值作为正常状态。
33、进一步地，所述获取当前cms摄像头的当前图像，将当前图像输入卷积神经网络模型进行状态判断，得到当前cms摄像头的当前状态的步骤包括：
34、s30、获取当前cms摄像头的监控视频片段，通过opencv对当前cms摄像头的监控视频进行分帧，得到分帧图像，随机抽取一张分帧图像作为当前图像，将当前图像输入卷积神经网络模型；
35、所述随机抽取一张分帧图像作为当前图像的方式为：
36、通过视频解码库逐帧获取视频片段的分帧图像；
37、计算监控视频片段中的总帧数，确定随机抽取分帧图像的范围；
38、使用随机数生成器生成一个介于1到总帧数之间的随机数作为帧索引；
39、根据随机生成的帧索引从视频中提取对应的分帧图像作为当前图像；
40、将随机抽取的分帧图像返回作为当前图像；
41、s31、获取当前图像的概率分布值，将当前图像的概率分布值与结冰特征、结霜特征和凝雾特征的概率分布区间进行比对；
42、s32、获取当前图像所对应的概率分布区间，即为当前cms摄像头对应的状态类别，若不在结冰状态、结霜本文档来自技高网...
【技术保护点】
1.一种CMS摄像头温度调控系统，其特征在于，包括，
2.根据权利要求1所述的一种CMS摄像头温度调控系统，其特征在于，所述采集CMS摄像头的初始图像，通过改进迁移学习对初始图像进行扩充得到历史图像合集的步骤包括：
3.根据权利要求2所述的一种CMS摄像头温度调控系统，其特征在于，所述模型评估公式为：
4.根据权利要求1所述的一种CMS摄像头温度调控系统，其特征在于，所述构建卷积神经网络模型，通过卷积神经网络模型获得历史图像合集中各类别图像合集对应的概率分布区间，包括，
5.根据权利要求4所述的一种CMS摄像头温度调控系统，其特征在于，所述获取当前CMS摄像头的当前图像，将当前图像输入卷积神经网络模型进行状态判断，得到当前CMS摄像头的当前状态的步骤包括：
6.根据权利要求1所述的一种CMS摄像头温度调控系统，其特征在于，所述预设加热策略的步骤包括：
7.根据权利要求6所述的一种CMS摄像头温度调控系统，其特征在于，所述获取处于结冰状态、结霜状态和凝雾状态的CMS摄像头所需的预计加热时间，包括，
9.根据权利要求7所述的一种CMS摄像头温度调控系统，其特征在于，所述通过加热策略对CMS摄像头镜头进行温度调控的步骤包括：
10.根据权利要求9所述的一种CMS摄像头温度调控系统，其特征在于，预设所述验证图像的输入周期，输入周期为验证图像输入卷积神经网络模型的间隔时长，输入周期与对应的加热时间相同。
...【技术特征摘要】
1.一种cms摄像头温度调控系统，其特征在于，包括，
2.根据权利要求1所述的一种cms摄像头温度调控系统，其特征在于，所述采集cms摄像头的初始图像，通过改进迁移学习对初始图像进行扩充得到历史图像合集的步骤包括：
3.根据权利要求2所述的一种cms摄像头温度调控系统，其特征在于，所述模型评估公式为：
4.根据权利要求1所述的一种cms摄像头温度调控系统，其特征在于，所述构建卷积神经网络模型，通过卷积神经网络模型获得历史图像合集中各类别图像合集对应的概率分布区间，包括，
5.根据权利要求4所述的一种cms摄像头温度调控系统，其特征在于，所述获取当前cms摄像头的当前图像，将当前图像输入卷积神经网络模型进行状态判断，得到当前cms摄像头的当前状态的步骤包括：
6.根据权利要求1所述的一种c...
【专利技术属性】
技术研发人员：董亮，罗浩菱，张如，
申请(专利权)人：钧捷智能深圳有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。