[发明专利]一种基于深度学习与个性化因子的雾霾能见度检测系统及方法

权利要求书

1.一种基于深度学习与个性化因子的雾霾能见度检测系统，其特征在于，该系统包括：

训练阶段：

数据库建立模块，用于根据雾霾能见度图片构建不同能见度的雾霾能见度图片库；

能见度提取模块，用于根据所述雾霾能见度图片库提取所述雾霾能见度图片中涉及场景的标志物的能见度，建立能见度坐标，并对所述雾霾能见度图片中涉及的场景进行编号，形成若干场景编号；

个性化因子提取模块，用于针对所述场景编号进行归一化，并将其定义为特征值，进而根据所述场景编号提取个性化因子；

神经网络训练模块，用于将所述个性化因子和所述雾霾能见度图片输入到卷积神经网络中进行训练，并利用BP算法训练卷积神经网络使失真函数下降并趋于收敛；

测试阶段：

系统测试模块，用于根据所述检测系统对新输入的雾霾能见度图片进行分类识别；

所述雾霾能见度图片的采集是基于同天气状态下高速公路的不同监控路口或者机场的不同跑道的视频资料，从采集到的能见度视频文件中按分钟提取照片，每分钟选取一张代表每分钟的能见度；

所述卷积神经网络包括3层卷积层，3层池化层，一个全连接层以及在全连接层后的1层softmax分类层；

第一层为卷积层，采用l₁个卷积核，其大小为k₁×k₁，卷积步长为s₁，对输入的大小为m×n的固定场景图像分别进行卷积、归一化操作，将生成的l₁个大小为m₁×n₁的特征图，其中[·]表示取整函数；

第二层为池化层，采样窗口大小为p₁×p₁，滑动步长为s₂，对上一层输出的特征图进行采样，将生成的l₁个大小为m₂×n₂的特征图，其中，

第三层为卷积层，采用l₂个卷积核，其大小为k₂×k₂，卷积步长为s₃，对上一层输出的特征图分别进行卷积、归一化操作，将生成的l₁×l₂个大小为m₃×n₃的特征图，其中，

第四层为池化层，采用采样窗口大小为p₂×p₂，滑动步长为s₄，对上一层输出的特征图进行下采样，将生成的l₁×l₂个大小为m₄×n₄的特征图，其中，

第五层为卷积层，采用l₃个卷积核，其大小为k₃×k₃，卷积步长为s₅，对上一层输出的特征图分别进行卷积、归一化操作，将生成的l₁×l₂×l₃个大小为m₅×n₅的特征图，其中，

第六层为池化层，采用采样窗口大小为p₃×p₃，滑动步长为s₆，对上一层输出的特征图进行下采样，将生成的l₁×l₂×l₃个大小为m₆×n₆的特征图，其中，

第七层为全连接层，全连接层将第六层池化层输出的l₁×l₂×l₃个m₆×n₆的特征图连接成l₁×l₂×l₃×m₆×n₆维的特征图，将其作为所述softmax分类层的输入。

2.根据权利要求1所述的基于深度学习与个性化因子的雾霾能见度检测系统，其特征在于，所述归一化采用线性函数归一化方法，公式为：

其中，X表示场景编号，X_min和X_max分别是所述场景编号中的最小值和最大值。