[发明专利]一种用于视频大雾监测的深度神经网络模型构建方法、系统及装置

说明书

本发明提供了一种深度神经网络模型构建方法、系统及装置，方法包括如下步骤：构建视频大雾识别数据集，所述视频大雾识别数据集包括大雾视频数据和无大雾视频数据；提取所述视频数据的单帧图像形成样本集，并将其划分为训练集和测试集；构建深度神经网络模型；利用训练集训练深度神经网络模型，优化模型参数；利用测试集测试经过训练的深度神经网络模型。本发明能够提取出单帧图像的静态特征，结构简单，识别准确率高，并可以实现监控视频下的实时烟大雾监测识别，满足非气象用户对大雾识别业务需求。在各能见度等级下的白天黑夜大雾识别中，白天识别率平均在85.4%以上，而晚上的平均识别率为69.7%，该结果基本能满足摄像头辅助监测大雾等级需要。

技术领域

本发明属于气象监测技术领域，具体涉及一种用于视频大雾监测的深度神经网络模型构建方法、系统及装置。

背景技术

大雾天气是影响高速公路安全的重要灾害性天气，提高大雾天气的监测技术水平是确保交通安全的重要措施。近些年来，通过在高速公路沿线布设能见度自动站来监测大雾，这一做法在保障交通安全方面发挥了重要作用。然而能见度自动站一般间距较远，在10km以上，对小范围的局地大雾和团雾无法提供监测预警服务，这些小范围的团雾往往容易导致驾驶员疏忽或躲避不及，造成严重的交通事故。

随着监控水平和信息化的发展，交通管理部门在高速公路沿线(如高速公路的收费站、服务区、主干线)布设了密度更高的视频监控设备。交管部门在对大雾能见度等级进行判定时，主要还是通过人工巡查的方式查看道路天气状况，该方式费时费力且频次低，难以及时发现恶劣的天气情况。

视频监控设备(摄像头)具有安装简便灵活的特点，可用于大雾的长时间连续观测，能够快速积累大量大雾的图像数据。当大雾天气发生时，视频图像受到低能见度的影响会发生模糊和退化，具有明显的图像特征。

随着基于人工智能的图像识别技术的快速发展，深度神经网络能够自动提取图像的有效特征，能够较好地解决通用图像分类问题。因此，通过建立深度神经网络，从视频图像中提取有效的视觉特征，并通过积累的历史数据训练特征与大雾的关系模型，可实现大雾天气的智能识别与判断。

近几年，深度学习技术在图像识别领域取得了突破性进展，在视频大雾等级识别中，利用深度学习技术对海量的视频图像进行特征训练，建立能见度等级估测模型，将极大地弥补能见度站点布设成本高、距离稀疏的问题，对进一步提高团雾的监测能力、为气象和交通管理部门监测大雾提供了低成本、高效率的辅助手段。

发明内容

本发明所要解决的技术问题是：提供一种用于视频大雾监测的深度神经网络模型构建方法、系统及装置，能够弥补能见度站点布设成本高、距离稀疏的问题，对进一步提高团雾的监测能力、为气象和交通管理部门监测大雾提供了低成本、高效率的辅助手段。

本发明是这样实现的：一种用于视频大雾监测的深度神经网络模型构建方法，包括如下步骤：

构建视频大雾识别数据集，所述视频大雾识别数据集包括大雾视频数据和无大雾视频数据；

提取所述视频数据的单帧图像形成样本集，并将其划分为训练集和测试集；

构建深度神经网络模型；

利用训练集训练深度神经网络模型，优化模型参数；

利用测试集测试经过训练的深度神经网络模型。

进一步地，所述提取所述视频数据的单帧图像形成样本集的过程具体如下：

按照一定频率提取单帧图像，

对所述单帧图像进行信息标注，所述信息包括能见度数值、时间、地点；

选取所有单帧图像中标注有能见度值的单帧图像形成样本集。

进一步地，还包括如下步骤：