基于深度学习的雾霾能见度检测算法研究

发布时间：2021-08-21 00:36

　　近年来,随着国内经济的发展,大量污染物的排放,导致雾霾天气频发,雾霾治理引起社会各界关注。雾霾天气的发生,不仅危害人们的身心健康,同时由雾霾导致能见度降低给人们的出行带来极大的不便。能见度对于道路交通安全有着重要的影响,尤其是严重的雾霾天气会严重威胁道路交通安全。所以,能见度的准确检测可以最大程度上的辅助驾驶减少安全隐患,但现有的设备检测法存在性价比和普遍适用性等缺点,当前的利用图像处理进行能见度检测的方法的准确度、稳定性还有待提高,因此需要一种准确且稳定的雾霾能见度检测方法。由于雾霾能见度检测具有重要的实用价值,所以已经引起了大量的图像处理和计算机视觉领域的学者的关注,随着深度学习的兴起,为了克服传统检测方法的各种缺点,本文提出了一种基于深度学习的雾霾能见度检测方法,主要的研究内容如下:1.本文针对传统方法检测速度慢、准确率低等不足之处,采用了卷积神经网络进行能见度检测方法,利用卷积神经网络学习雾霾图片特征,同时根据图片使用大量的人力通过计算均值的方法计算真值,利用真值通过减小损失函数函数值的方法不断有监督自学习来优化训练模型得到最好的训练模型。在tensorflow深度学习平台上分... 

【文章来源】：南京邮电大学江苏省

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

大气散射模型

研究生学位论文 第三章 基于深度残差网分类与位置的回归，实现利用卷积神经网络进行检ast RCNN[58]、SPPNet[59]等。近年来，卷积神经网络整网络结构方向发展，图 3.2 展示了卷积神经网络检测网络模型，它们都是一种层次化的模型结构，堆叠而成，经过不同操作层的作用后原始的数据空归任务。

图 3.3 卷积神经网络结构图上图是一个用于图像分类的 CNN 模型。可以看到最左边的能见度图像为输入层，计算机将其理解为若干个矩阵，接着是卷积层和池化层的组合，根据模型的需要，这个组合在隐藏层可多次出现，上图出现了两次。当然在构建模型时，我们可根据实际情况的需要灵活使用卷积层加卷积层，或者是卷积层加卷积层加池化层的组合，以适用不同类型的数据库，但是最常见的卷积神经网络都是多个卷积层和池化层的堆叠。在多个卷积层和池化层之后是若干个全连接层，当对结果进行分类识别，最后连接 Softmax 分类器，将网络识别结果输出，本文是需要得到能见度值而不是进行能见度检测，所以本文在输入时将能见度值作为图片标签即特征输入进行训练。（1）数据输入层数据在输入卷积神经网络之前往往要进行一系列的预处理操作，这些操作过程在输入层实现。数据预处理在构建网络模型时时十分重要，在很大程度上能够影响训练结果。对于不同的数据集，预处理方法存在一定的差异，常用的数据与处理方法有去均值和归一化。


本文编号：3354524