CN112507795A - 一种采用机器识别技术估算大气能见度的***及方法 - Google Patents

一种采用机器识别技术估算大气能见度的***及方法 Download PDF

Info

Publication number
CN112507795A
CN112507795A CN202011242681.4A CN202011242681A CN112507795A CN 112507795 A CN112507795 A CN 112507795A CN 202011242681 A CN202011242681 A CN 202011242681A CN 112507795 A CN112507795 A CN 112507795A
Authority
CN
China
Prior art keywords
visibility
rod
target
camera
shaped target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011242681.4A
Other languages
English (en)
Inventor
何坤
黄琛
胡志华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
WUHAN YANGTZE COMMUNICATIONS INDUSTRY GROUP CO LTD
Wuhan Yangtze Communications Zhilian Technology Co ltd
Original Assignee
WUHAN YANGTZE COMMUNICATIONS INDUSTRY GROUP CO LTD
Wuhan Yangtze Communications Zhilian Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by WUHAN YANGTZE COMMUNICATIONS INDUSTRY GROUP CO LTD, Wuhan Yangtze Communications Zhilian Technology Co ltd filed Critical WUHAN YANGTZE COMMUNICATIONS INDUSTRY GROUP CO LTD
Priority to CN202011242681.4A priority Critical patent/CN112507795A/zh
Publication of CN112507795A publication Critical patent/CN112507795A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及智能交通技术，具体涉及一种采用机器识别技术估算大气能见度的***及方法，该***包括靶标和摄像机，靶标为杆状，杆状靶标上设置有多根LED灯条，从上往下的LED灯条亮度依次变暗；高速公路上所有杆状靶标到摄像机的距离均相同。该估算方法利用安装在高速公路上监控球机、枪机对有源靶标进行拍摄，机器学习计算服务器定时对照片进行处理，根据对照片的分类换算得出拍摄处的大气能见度值。本发明解决了在夜间检测高速公路上能见度的问题，能利用高速公路上现有的监控设备采集图片，由中心机器学习服务器对图片进行处理分类，从而获得能见度等级，以满足高速公路上对能见度进行等级区分的要求。

Description

一种采用机器识别技术估算大气能见度的***及方法
技术领域
本发明属于智能交通技术领域，特别涉及一种采用机器识别技术估算大气能见度的***及方法。
背景技术
由雾霾、雨雪等恶劣天气条件造成能见度偏低是导致道路交通事故的一个重要原因。特别是在高速公路上，由于车速快、车流量大且全封闭，低能见度情况时就极易发生多车追尾的重大交通事故。
目前测量能见度的方法有以下几类：仪器检测方案和基于大气散射模型的一类方案。仪器检测采用激光散射技术，激光雷达能见度仪发射一定波长的激光束，通过单光子探测器将回波转换为电信号进行数据采集，从而得到回波功率随距离变化的曲线，进而进行大气消光系数的反演以及能见度计算。
第二类方法采用图像上依次判断不同距离的靶标来估计能见度，通过测量不同距离参照物的衰减程度来估算能见度。
第三类方法采用双亮度差的方法，通过测量点间亮度差来估算能见度。
第四类是对靶标上特定区域进行检测，结合背景的大气光强值按照Koschmieder(科施米德尔)定律对大气能见度进行估算。
但以上测量能见度的方法均存在缺陷。如：激光雷达仪器检测方案虽然精度很高，可成本也很高，常用于军事、民航等对能见度区分要求很高的领域。靶标检测方案都需要依赖大气光强值，也就是说只能适合白天的能见度测量。但大雾天气一般发生在昼夜温差大的夜间或凌晨出现，所以该类方案并不太适合道路、特别是高速公路上。双亮度差法需要在不同距离上安装多个主动发光的靶标物，该方案的建设、维护成本高。
发明内容
针对背景技术存在的问题，本发明提供一种采用机器识别技术估算大气能见度的***及方法。
为解决上述技术问题，本发明采用如下技术方案：一种采用机器识别技术估算大气能见度的***，包括靶标和摄像机，靶标为杆状，杆状靶标上设置有多根LED灯条，从上往下的LED灯条亮度依次变暗；高速公路上所有杆状靶标到摄像机的距离均相同。
在上述的采用机器识别技术估算大气能见度的***中，杆状靶标到摄像机的距离设置满足：使整个杆状靶标在摄像机的视场范围内，且当能见度级别最高时，杆状靶标上所有的灯条均能识别；当能见度级别降低时，杆状靶标上较暗的灯条将逐渐模糊，能被识别的灯条数目减少；当能见度最低时，杆状靶标上所有的灯条均不可见。
在上述的采用机器识别技术估算大气能见度的***中，杆状靶标上自上而下依次设置有1号、2号、3号、4号、5号灯条。
在上述的采用机器识别技术估算大气能见度的***中，摄像机为安装在高速公路上监控球机、枪机。
在上述的采用机器识别技术估算大气能见度的***中，杆状靶标选择单有源靶标。
一种采用机器识别技术估算大气能见度的方法，包括以下步骤：
步骤1、靶标校准；
通过调整杆状靶标上每个灯条的亮度，使其满足能见度等级表中所述各类气象条件下靶标的可视发光范围，确定能见度和可视发光范围的关系；
步骤2、模型训练；
在每种亮度下，不同位置采集若干张图片，并按照其可视发光范围进行标注；对样本进行分类训练，选用激活函数，对标注后的图片进行分类训练；
步骤3、根据对照片的分类换算得出拍摄处的大气能见度值。
在上述的采用机器识别技术估算大气能见度的方法中，步骤1的具体实现包括：通过仪表测得一杆状靶标所在处大气能见度级别为4级时，调整该杆状靶标上1号灯条亮度，使得在标摄像机中仅能分辨1号灯条；同样通过仪表测得该杆状靶标所在处大气能见度级别为3级时，调整该杆状靶标上2号灯条亮度，使得在摄像机中能分辨2号灯条，同时可见1号灯条；重复以上步骤依次将杆状靶标上其余灯条调整完毕，并记录所有灯条的亮度值；
高速公路上其他位置的所有杆状靶标依据以上步骤记录的所有灯条的亮度值直接进行校准。
在上述的采用机器识别技术估算大气能见度的方法中，步骤2的实现包括：摄像机每5分钟或每大于5分钟对杆状靶标进行一次拍摄，并将图片上传至AI推理服务器，AI推理服务器使用alexnet网络对图片进行分类训练。
在上述的采用机器识别技术估算大气能见度的方法中，步骤3的实现包括：根据步骤2所训练的类别对应的能见度等级表中可视发光范围，通过查询能见度等级表得到该摄像机所在处当时的能见度级别。
在上述的采用机器识别技术估算大气能见度的方法中，样本分类训练选用LeNet、AlexNet、VGG、Inception、ResNet的CNN网络，激活函数选用ReLU或sigmoid、ReLU函数。
与现有技术相比，本发明的有益效果：解决了在夜间检测高速公路上能见度的问题，能利用高速公路上现有的监控设备采集图片，由中心机器学习服务器对图片进行处理分类，从而获得能见度等级，以满足高速公路上对能见度进行等级区分的要求。
附图说明
图1为本发明一个实施例采用机器识别技术估算大气能见度的***有源靶标示意图；
图2为本发明一个实施例采用机器识别技术估算大气能见度的***有源靶标与摄像机距离示意图。
具体实施方式
下面将结合本发明实施例对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合具体实施例对本发明作进一步说明，但不作为本发明的限定。
在《高速公路能见度监测及浓雾的预警预报》(QX/T 76-2007)中对大气能见度进行了分类。它将能见度分为5个级别，每个级别分别设置了相应的处置措施。因此对于大气能见度只需要估计级别并不需要准确的测量，鉴于此本实施例的主要目的是对大气能见度进行分级估算。
本实施例利用安装在高速公路上监控球机、枪机对有源靶标进行拍摄，机器学习计算服务器定时对照片进行处理，根据对照片的分类换算得出拍摄处的大气能见度值。本实施例采用有源靶标，通过检测靶标上可视区域的长度可以对全天候的大气能见度进行估算。
本实施例提供一种采用机器识别技术估算大气能见度的***，如图1所示，靶标设计为杆状，靶标上设置有多根LED灯条。按照高速公路对能见度要求能区分为5个等级，靶标上也设置1号-5号5个灯条，从上往下灯条依次变暗。这样在固定位置的摄像机拍摄的图片中可视发光范围越长则表示能见度越高，可视发光范围越短能见度越小。从图1中可知，1号灯条最亮，5号灯条最暗。
为了能全天候的测量大气能见度选用有源靶标，为了在满足精度要求的条件下降低***安装、部署、维护成本则选用单靶标。因此，本实施例采用单有源靶标方案。
如图2所示，靶标被设置在距离摄像机一定距离的位置，高速公路沿路上所有的靶标到摄像机的距离须保持相同，这样在相同的焦距条件下，视场内靶标的大小、长度是相同的，保证整个靶标在摄像机的视场范围内。当能见度条件很好时，靶标上所有的灯条都能被识别。而当能见度条件变差时，靶标上较暗的灯条将逐渐模糊，则能被识别的灯条数目变少。当能见度进一步变差时，所有的灯条将都可能不可见。
本实施例还提供一种采用机器识别技术估算大气能见度的方法，包括以下步骤：
a)靶标校准
靶标校准是为了确定能见度和可视发光范围的关系。通过调整每个灯条的亮度，使其满足表1中描述各类气象条件下靶标的可视发光范围。具体方法为：通过仪表在表1中能见度级别为4级时，调整1号灯条亮度，使得在摄像机中仅能分辨最亮的1号灯条。同样在大气能见度级别为3级时，调整2号灯条年度，使得在摄像机中能分辨2号灯条，此时1号灯条肯定可见。
以此类推将1到5号灯条全部调整完毕，并记录所有灯条的亮度值。
表1能见度等级表
Figure BDA0002768921370000041
Figure BDA0002768921370000051
校准后，高速公路上所有其他位置的灯条也按照上述步骤求得的亮度值直接进行校准即可，无需逐个尝试。
b)模型训练
需在每种亮度下，不同位置采集图片若干张，并按照其可视发光范围进行标注。
选用alexnet网络对样本进行分类训练，选用ReLU函数作为激活函数。对上述标注后的图片进行分类训练。
c)对大气能见度进行分级估算
根据实际需求，摄像机在预制位每5分钟或更长时间段对靶标进行一次拍摄，随后将图片上传至AI推理服务器。
AI推理服务器使用alexnet网络对图片进行分类，其类别对应着表1中可视发光范围，进而通过查询表1可知当时的能见度的级别。
也可以考虑选用LeNet、AlexNet、VGG、Inception、ResNet等其他的CNN网络对样本进行分类训练。激活函数也可以考虑常用的sigmoid，ReLU等。
以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (10)

1.一种采用机器识别技术估算大气能见度的***，其特征是，包括靶标和摄像机，靶标为杆状，杆状靶标上设置有多根LED灯条，从上往下的LED灯条亮度依次变暗；高速公路上所有杆状靶标到摄像机的距离均相同。
2.如权利要求1所述的采用机器识别技术估算大气能见度的***，其特征是，杆状靶标到摄像机的距离设置满足：使整个杆状靶标在摄像机的视场范围内，且当能见度级别最高时，杆状靶标上所有的灯条均能识别；当能见度级别降低时，杆状靶标上较暗的灯条将逐渐模糊，能被识别的灯条数目减少；当能见度最低时，杆状靶标上所有的灯条均不可见。
3.如权利要求1所述的采用机器识别技术估算大气能见度的***，其特征是，杆状靶标上自上而下依次设置有1号、2号、3号、4号、5号灯条。
4.如权利要求1所述的采用机器识别技术估算大气能见度的***，其特征是，摄像机为安装在高速公路上监控球机、枪机。
5.如权利要求1所述的采用机器识别技术估算大气能见度的***，其特征是，杆状靶标选择单有源靶标。
6.用于权利要求1-5任意一项所述的采用机器识别技术估算大气能见度的***的估算方法，其特征是，包括以下步骤：
步骤1、靶标校准；
通过调整杆状靶标上每个灯条的亮度，使其满足能见度等级表中所述各类气象条件下靶标的可视发光范围，确定能见度和可视发光范围的关系；
步骤2、模型训练；
在每种亮度下，不同位置采集若干张图片，并按照其可视发光范围进行标注；对样本进行分类训练，选用激活函数，对标注后的图片进行分类训练；
步骤3、根据对照片的分类换算得出拍摄处的大气能见度值。
7.如权利要求6所述的采用机器识别技术估算大气能见度的***的估算方法，其特征是，步骤1的具体实现包括：通过仪表测得一杆状靶标所在处大气能见度级别为4级时，调整该杆状靶标上1号灯条亮度，使得在标摄像机中仅能分辨1号灯条；同样通过仪表测得该杆状靶标所在处大气能见度级别为3级时，调整该杆状靶标上2号灯条亮度，使得在摄像机中能分辨2号灯条，同时可见1号灯条；重复以上步骤依次将杆状靶标上其余灯条调整完毕，并记录所有灯条的亮度值；
高速公路上其他位置的所有杆状靶标依据以上步骤记录的所有灯条的亮度值直接进行校准。
8.如权利要求6所述的采用机器识别技术估算大气能见度的***的估算方法，其特征是，步骤2的实现包括：摄像机每5分钟或每大于5分钟对杆状靶标进行一次拍摄，并将图片上传至AI推理服务器，AI推理服务器使用alexnet网络对图片进行分类训练。
9.如权利要求6所述的采用机器识别技术估算大气能见度的***的估算方法，其特征是，步骤3的实现包括：根据步骤2所训练的类别对应的能见度等级表中可视发光范围，通过查询能见度等级表得到该摄像机所在处当时的能见度级别。
10.如权利要求6所述的采用机器识别技术估算大气能见度的***的估算方法，其特征是，样本分类训练选用LeNet、AlexNet、VGG、Inception、ResNet的CNN网络，激活函数选用ReLU或sigmoid、ReLU函数。
CN202011242681.4A 2020-11-10 2020-11-10 一种采用机器识别技术估算大气能见度的***及方法 Pending CN112507795A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011242681.4A CN112507795A (zh) 2020-11-10 2020-11-10 一种采用机器识别技术估算大气能见度的***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011242681.4A CN112507795A (zh) 2020-11-10 2020-11-10 一种采用机器识别技术估算大气能见度的***及方法

Publications (1)

Publication Number Publication Date
CN112507795A true CN112507795A (zh) 2021-03-16

Family

ID=74955703

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011242681.4A Pending CN112507795A (zh) 2020-11-10 2020-11-10 一种采用机器识别技术估算大气能见度的***及方法

Country Status (1)

Country Link
CN (1) CN112507795A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435405A (zh) * 2021-07-15 2021-09-24 山东交通学院 基于视频图像的高速公路夜间团雾监测方法及***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4921349A (en) * 1987-06-30 1990-05-01 Sonoma Technology Photographic method for monitoring visibility through measurement of transmittance and path radiance
JP2002014038A (ja) * 2000-06-29 2002-01-18 Koito Ind Ltd 視認状況測定装置
CN101382486A (zh) * 2008-08-18 2009-03-11 姜廷顺 一种能满***通安全需求的能见度检测***及运行方法
CN101957309A (zh) * 2010-08-17 2011-01-26 招商局重庆交通科研设计院有限公司 一种能见度的全天候视频测量方法
CN108830880A (zh) * 2018-04-25 2018-11-16 安徽超远信息技术有限公司 一种适用于高速公路的视频能见度检测预警方法及其***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4921349A (en) * 1987-06-30 1990-05-01 Sonoma Technology Photographic method for monitoring visibility through measurement of transmittance and path radiance
JP2002014038A (ja) * 2000-06-29 2002-01-18 Koito Ind Ltd 視認状況測定装置
CN101382486A (zh) * 2008-08-18 2009-03-11 姜廷顺 一种能满***通安全需求的能见度检测***及运行方法
CN101957309A (zh) * 2010-08-17 2011-01-26 招商局重庆交通科研设计院有限公司 一种能见度的全天候视频测量方法
CN108830880A (zh) * 2018-04-25 2018-11-16 安徽超远信息技术有限公司 一种适用于高速公路的视频能见度检测预警方法及其***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435405A (zh) * 2021-07-15 2021-09-24 山东交通学院 基于视频图像的高速公路夜间团雾监测方法及***
CN113435405B (zh) * 2021-07-15 2023-09-08 山东交通学院 基于视频图像的高速公路夜间团雾监测方法及***

Similar Documents

Publication Publication Date Title
Bijelic et al. Benchmarking image sensors under adverse weather conditions for autonomous driving
Chaabani et al. A neural network approach to visibility range estimation under foggy weather conditions
CN101281142B (zh) 一种测量大气能见度的方法
CN105424655A (zh) 一种基于视频图像的能见度检测方法
CN101936900A (zh) 一种基于视频的能见度检测***
Li et al. Meteorological visibility evaluation on webcam weather image using deep learning features
CN102162788A (zh) 基于高清视频的能见度检测方法
CN108830880B (zh) 一种适用于高速公路的视频能见度检测预警方法及其***
CN109856021B (zh) 一种pm2.5反演方法及监测区域分割方法
CN102621102A (zh) 基于ccd激光雷达的水平能见度的测量方法
CN113706899A (zh) 一种基于高速公路桥面气象结冰预测的交通运行风险防控方法
Yabuki et al. Development of a cloud detection method from whole-sky color images
Wagner et al. Error characteristics of ceilometer-based observations of cloud amount
CN103134800A (zh) 一种基于视频的道路气象检测***
CN114858214A (zh) 一种城市道路性能监测***
CN112507795A (zh) 一种采用机器识别技术估算大气能见度的***及方法
Marchetti et al. Retrieving visibility distance in fog combining infrared thermography, Principal Components Analysis and Partial Least-Square regression
KR101415362B1 (ko) 강수입자 분류 시스템 및 그 방법
CN104777103A (zh) 一种视距能见度仪及其测量方法
CN201740736U (zh) 一种基于视频的能见度检测***
Tan et al. Range gated imaging system for underwater robotic vehicle
Brast et al. Detecting the melting layer with a micro rain radar using a neural network approach
Kida et al. Improvement of rain/no-rain classification methods for microwave radiometer observations over the ocean using a 37 GHz emission signature
Waugh et al. A balloonborne particle size, imaging, and velocity probe for in situ microphysical measurements
Bendix et al. New perspectives in remote sensing of fog and low stratus-TERRA/AQUA-MODIS and MSG

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination