一种基于摄像探头的能见度识别预警方法与流程

本发明具体涉及一种基于摄像探头的能见度识别预警方法。
背景技术：
：现代气象观测使用的散射式能见度仪受其自身原理和布站密度的限制，往往难以准确描述低能见度天气现象的区域特征。根据天气学基本原理和气象预报实践，凌晨到早间局部出现的低能见度天气现象往往容易发展形成区域性的大雾天气。因此，对小范围的低能见度现象进行观测预警十分必要。而现今气象站普遍使用的散射式能见度观测仪由于采样空间不足1立方米，导致其不仅在0-1000米的范围内观测准确性低，而且不能反映雾这一稍大尺度天气现象的特点。技术实现要素：本发明的目的在于克服现有技术中的不足，提供了一种基于摄像探头的能见度识别预警方法，采用caffenet模型对图片的能见度进行分类识别，并根据获得的能见度范围决定是否进行预警。为解决上述技术问题，本发明提供了一种基于摄像探头的能见度识别预警方法，其特征是，包括以下步骤：步骤s1，利用摄像探头拍摄多组其周围场景图片，并将场景图片分为训练样本和测试样本；步骤s2，对训练样本和测试样本进行预处理，并将训练样本和测试样本裁剪成适应caffenet卷积神经网络的图像块；步骤s3，构建caffenet卷积神经网络模型，该网络模型包括5层卷积层、3层下采样层和3层全连接层；步骤s4，利用步骤s2预处理后的训练样本对步骤s3所述构建caffenet卷积神经网络模型进行前向传播和后向传播两个阶段的训练，当后向传播训练计算出的误差达到期望值时，训练结束并得到卷积神经网络模型的参数；步骤s5，利用步骤s4训练好的caffenet卷积神经网络模型对步骤s2预处理后的测试样本进行测试，得出能见度分类结果，当能见度低于设定阈值时进行预警。优选的，图像块大小为227像素x227像素。优选的，图像块保存为.bmp格式。优选的，caffenet模型的输出为图片块属于各能见度类别的概率，且图片属于概率最大值对应的能见度类别，能见度类别按照能见度区间分成以下五类：第一类：0-750米；第二类：751米-1000米；第三类：1001米-2250米；第四类：2251米-3000米；第五类：3001米及以上。优选的，步骤s3所述卷积层的计算公式为：其中，为卷积层第lc层的第j个输出图，f为激活函数，mj为输入特征映射的集合，*为卷积操作，为卷积层第lc层的第j个输出图与上一层第i个输入图之间的卷积核，1≤i≤max(lcin)，max(lcin)为第lc层输入图的最大个数，1≤i≤max(lcout)，max(lcout)为第lc层输出图的最大个数，为卷积层第lc层的第j个输出图的附加偏差，lc＝1,…,5。优选的，步骤s3所述下采样层的计算公式为：其中，为下采样层第ls层的第j个输出图，f为激活函数，s为下采样函数，分别为下采样层第ls层的第j个输出图的乘子偏差、附加偏差，ls＝1,…,3。优选的，步骤s4对于分类结果的假设函数为：其中，k是类别数，x(i)是第i个样本在caffenet的最后一层全连接层中的响应。则分类结果的损失函数的计算公式为：其中，m是训练样本的样本总数，k是类别数，第二项是权重衰减项，λ是权重权重衰减；采用批梯度下降法训练该网络模型，损失函数关于θj参数的偏导数如下：优选的，采用“多数投票”法得到最终测试样本的分类结果。优选的，能见度阈值设定为1000米或750米。与现有技术相比，本发明所达到的有益效果是：本发明采用caffenet模型对图片的能见度进行分类识别，分类准确率高，具有方法简单，识别速度快等优点，为能见度预警提供了一种新的技术方案。附图说明图1是本发明实施例中拍摄的场景图；图2是本发明实施例中测试结果；图3是本发明实施例中测试准确率示意图。具体实施方式下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。在本发明专利的描述中，需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，除了包含所列的那些要素，而且还可包含没有明确列出的其他要素。本发明的一种基于摄像探头的能见度识别方法，包括以下步骤：步骤s1，利用摄像探头拍摄多组其周围场景图片，并将场景图片分为训练样本和测试样本；步骤s2，对训练样本和测试样本进行预处理，去除其中的摄像头损坏，或者模糊情况下拍摄的场景图片，并且将训练样本随机裁剪成适应caffenet卷积神经网络的输入大小，组成真正的训练集；本发明实施例中，场景图片来自扬中与张家港两个场景，扬中的图片尺寸为704像素x576像素，张家港的图片尺寸为960像素x576像素，而本发明所采用的深度网络框架的输入图像大小为227像素x227像素，格式为.bmp图片。因此需将各拍摄到的各场景图片随机裁剪出原图像的227像素x227像素的图片块作为训练样本。本实施例中的场景图片来自早6点至晚17点之间所采集的图片，剔除夜晚以及摄像头损坏或者模糊不清的图片，色彩是三通道的彩色图像。步骤s3，构建caffenet卷积神经网络模型，该网络模型包括5层卷积层、3层下采样层和3层全连接层。所述卷积层的计算公式为：其中，为卷积层第lc层的第j个输出图，f为激活函数，mj为输入特征映射的集合，*为卷积操作，为卷积层第lc层的第j个输出图与上一层第i个输入图之间的卷积核，1≤i≤max(lcin)，max(lcin)为第lc层输入图的最大个数，1≤i≤max(lcout)，max(lcout)为第lc层输出图的最大个数，为卷积层第lc层的第j个输出图的附加偏差，lc＝1,…,5。所述下采样层的计算公式为：其中，为下采样层第ls层的第j个输出图，f为激活函数，s为下采样函数，分别为下采样层第ls层的第j个输出图的乘子偏差、附加偏差，ls＝1,…,3。步骤s4，利用步骤s2预处理后的训练样本对步骤s3所述构建caffenet卷积神经网络模型进行前向传播和后向传播两个阶段的训练，当后向传播训练计算出的误差达到期望值时，训练结束，并得到卷积神经网络模型的参数；本发明中按照能见度区间分成以下五类：类别能见度区间(单位：米)第一类0-750第二类751-1000第三类1001-2250第四类2251-3000第五类3001及以上本发明所采用的模型是深度学习中的图像分类模型caffenet，输入为上一步获得的大小为227像素x227像素、格式为.bmp的图片块构成的训练样本，输出为图片属于各能见度类别的概率，并且图片属于概率最大值对应的能见度类别。即通过五种类别概率的大小比较，可以判断输入图像属于哪一种能见度类型。本实施例中，训练时的具体参数为：初始学习率设置为0.001，最大迭代次数设置为10000次，每2000次迭代更行一次学习率，动量设置为0.95，权值衰减设置为0.0005。输出个数设置为需要判别的能见度类型，数值为5。对于分类结果的假设函数为：其中，k是类别数，x(i)是第i个样本在caffenet的最后一层全连接层中的响应。则分类结果的损失函数的计算公式为：其中，m是训练样本的样本总数，k是类别数，第二项是权重衰减项，λ是权重权重衰减。采用批梯度下降法训练该网络模型。损失函数关于θj参数的偏导数如下：训练平台所采用的配置为ubuntu系统，inteli7-4790处理器，一个32g显存的nvidiatitanxgpu。训练样本数量为：3463张图片，测试样本图像为866张图片，测试准确率为0.9076，参见图3。步骤s5，利用步骤s4训练结束的caffenet卷积神经网络模型对步骤s2预处理后的测试样本进行测试，将测试样本随机裁剪若干适应网络大小的图像块输入网络，并采用“多数投票”法得出最后能见度分类结果，当能见度低于设定阈值时进行预警。例如输入的图片为图1所示的扬中站的场景图，输出的结果如图2所示，属于各个能见度类别的概率分别为：9.99984622e-1、1.53363544e-5、2.95128366e-9、1.67594187e-17、1.19709305e-17，通过五种类别概率的大小比较，可以判断输入图像属于第一种能见度类型，即能见度小于750米。图片的可见区域同样是摄像头附近的区域，所以从图片中识别的能见度数值代表的是摄像探头所拍摄的区域的能见度。一旦发现某处图片的能见度数值低于阈值(如设定的1000米或750米)，就启动报警器，提醒预报员关注。以上所述仅是本发明的优选实施方式，应当指出，对于本
技术领域：
的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。当前第1页12