CN114782903A - 基于esn的高速公路跨河特大桥团雾识别与预警方法 - Google Patents

基于esn的高速公路跨河特大桥团雾识别与预警方法 Download PDF

Info

Publication number
CN114782903A
CN114782903A CN202210438430.6A CN202210438430A CN114782903A CN 114782903 A CN114782903 A CN 114782903A CN 202210438430 A CN202210438430 A CN 202210438430A CN 114782903 A CN114782903 A CN 114782903A
Authority
CN
China
Prior art keywords
fog
image
weather
data
sensing
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
CN202210438430.6A
Other languages
English (en)
Inventor
王孜健
张昱
申全军
陈亮
么新鹏
樊兆董
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.)
Shandong Expressway Group Innovation Research Institute
Shandong Transportation Institute
Original Assignee
Shandong Expressway Group Innovation Research Institute
Shandong Transportation Institute
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 Shandong Expressway Group Innovation Research Institute, Shandong Transportation Institute filed Critical Shandong Expressway Group Innovation Research Institute
Priority to CN202210438430.6A priority Critical patent/CN114782903A/zh
Publication of CN114782903A publication Critical patent/CN114782903A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N20/00—Machine learning
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/40—Transportation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30192—Weather; Meteorology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30236—Traffic on road, railway or crossing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q2209/00—Arrangements in telecontrol or telemetry systems
    • H04Q2209/20—Arrangements in telecontrol or telemetry systems using a distributed architecture
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q2209/00—Arrangements in telecontrol or telemetry systems
    • H04Q2209/40—Arrangements in telecontrol or telemetry systems using a wireless architecture

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Emergency Management (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Geology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)

Abstract

本发明公开了一种基于ESN的高速公路跨河特大桥团雾识别与预警方法，属于高速公路团雾识别技术领域，本发明要解决的技术问题为如何实现高速公路跨河大桥区域沿线团雾识别，提高团雾预测精度，采用的技术方案为：该方法具体如下：布设设备：在高速公路跨河特大桥上安装团雾感知设备和边缘计算设备，团雾感知设备用于感知并传输高速公路跨河特大桥各个点位的能见度及图像数据；边缘计算设备用于分析处理多源异构气象数据并预测团雾发生的概率；团雾判定；感知团雾；团雾预测：依据高速公路跨河特大桥沿线实时感知气象数据，利用回声状态网络的训练方法得出团雾预测概率值。

Description

基于ESN的高速公路跨河特大桥团雾识别与预警方法
技术领域
本发明涉及高速公路团雾识别领域，具体地说是一种基于ESN的高速公路跨河特大桥团雾识别与预警方法。
背景技术
团雾是一种常见的天气现象，其区域性强、能见度低、变化快、预测难度大，对于高速公路行车安全极具危害性。团雾不同于大范围的平流雾、辐射雾，其大气能见度值变化幅度较大、团雾区监测到的能见度呈反复跳跃式升降。由于跨河流域独特的气候条件，空气湿度较大，当处于昼夜温差大的季节时，白天水分蒸发到空中，晚上气温下降后，空气中的水蒸气极易液化形成团雾。不同方式形成的团雾对交通运行的影响有所不同，导致在团雾的识别与预测方面难度很大。
目前，对团雾的识别预警通常采用能见度仪，分为透视式和散射式两种，透视式原理是通过测量大气消光系数，按照经验公式得出大气中肉眼观测距离。散射式原理是通过测量一定体积空气中由气体分子，气溶胶粒子、雾滴等引起的散射光的强度来确定能见距离。上述方法对于该区域大雾天气的识别，预测精度较低，设施受限于硬件技术条件分布不合理，观测数据分析能力不足，无法实现高速公路跨河大桥区域沿线团雾识别以及团雾走向预测。
故如何实现高速公路跨河大桥区域沿线团雾识别，提高团雾预测精度是目前亟待解决的技术问题。
发明内容
本发明的技术任务是提供一种基于ESN的高速公路跨河特大桥团雾识别与预警方法，来解决如何实现高速公路跨河大桥区域沿线团雾识别，提高团雾预测精度的问题。
本发明的技术任务是按以下方式实现的，一种基于ESN的高速公路跨河特大桥团雾识别与预警方法，该方法具体如下：
布设设备：在高速公路跨河特大桥上安装团雾感知设备和边缘计算设备，团雾感知设备用于感知并传输高速公路跨河特大桥各个点位的能见度及图像数据；边缘计算设备用于分析处理多源异构气象数据并预测团雾发生的概率；
团雾判定：通过多个相邻的团雾感知设备采集的视频图像进行判别，利用图像识别技术剔除运动目标，保留背景图片；并利用高斯模型表征图像中各像素点的特征，分析当前影像与上一帧影像的对比度以及模糊度的变化量值判定识别是否发生团雾；
感知团雾：应用分布式结构布设一个气象感知主站和若干气象感知子站，气象感知主站和气象感知子站之间通过无线自组织Zigbee网络通信，有效感知高速公路跨河特大桥区域沿线团雾情况；
团雾预测：依据高速公路跨河特大桥沿线实时感知气象数据，利用回声状态网络的训练方法得出团雾预测概率值。
作为优选，所述团雾感知设备包括雷视一体机、Zigbee(TI-CC2530)收发模块、气象感知主站及若干气象感知子站；气象感知主站是由主站气象传感器组成，主站气象传感器包括能见度仪、空气温度传感器、湿度传感器、风速传感器、风向传感器、路面温感器和降水传感器；气象感知子站是由子站气象传感器组成，子站气象传感器包括后散射式能见度仪和路面温度传感器；
边缘计算设备包括雾端路测终端(RSU通信单元)和边缘计算终端，边缘计算终端用于收集分析高速公路跨河特大桥沿线主站和若干子站的气象数据。
更优地，边缘计算终端与团雾感知设备的数据传输具体如下：
边缘计算终端采用RS485通信方式向气象传感器发送启动传输的气象命令，气象传感器将获得的各类气象信息以气象报文的形式发送给边缘计算终端；其中，边缘计算终端与气象传感器之间传输报文为296字节，报文信息包括区站号、观测时间、经纬度、海拔高度、气温、相对湿度、降水量、风速、风向、路温、能见度、路面状态和大气压值；
边缘计算终端采用TCP/IP传输协议向雷视一体机发送启动雷视一体机数据传输的视觉命令，雷视一体机将获得的雷视数据以视觉信息流的方式发送给边缘计算终端；其中，雷视一体机中的雷视数据包括视觉图片、车辆类型、车辆数目及车道占有率的交通量信息；
边缘计算终端采用UART通信方式向Zigbee收发模块发送控制信息，Zigbee收发模块收到信息后，启动Zigbee网络，检测附近是否有其他Zigbee收发模块布设的Zigbee网络：
若有，则进行组网，并将Zigbee收发模块是否组网信息以及其它节点获取的数据信息返回给边缘计算终端；
边缘计算终端在收到气象传感器、雷视一体以及TI-CC2530的反馈信息后，将本节点所有的状态信息通过雾端路测终端上报到云平台。
更优地，所述边缘计算终端与雾端路测终端通过TCP/IP协议进行通信，雾端路测终端内置物联网流量卡，借助雾端路测终端，边缘计算终端通过4G的方式访问互联网，并将收集到的各类信息通过4G网络上传至云平台；
边缘计算终端供电为交流220V，雾端路测终端、雷视一体机采用直流24V电路供电，气象传感器供电为直流12V，Zigbee收发模块供电为直流5V，Zigbee收发模块的天线与功放电路相连，不需要单独供电。
更优地，所述气象感知主站用于对高速公路跨河特大桥各个感知子站数据资源调度，通过Zigbee网络控制子站的数据传输；气象感知主站结合ESN算法利用各子站报送的气象、雷达及视觉信息对是否存在团雾进行判断，继而输出预警信息；具体如下：
感知气象主站上电后，边缘计算终端(MEC)进行初始化；
各个气象传感器上电后，获取气象感知主站数据，气象感知主站数据包括能见度、大气温湿度、风速风向、降水、路面温度以及路面状态数据，同时判断气象感知子站是否获取数据：
若气象感知子站未获取数据，则边缘计算终端上ESN算法只判断气象感知主站处是否存在团雾；其中，气象感知子站数据包括能见度和路面温度；
若气象感知子站获取了数据，则通过Zigbee网络实现数据传输，并进行数据校验：
若校验无误后，边缘计算终端上ESN算法判断气象感知主站和若干气象感知子站位置处是否存在团雾：
若未发现存在团雾，则重新获取气象感知主站和气象感知子站数据；
若存在团雾，则输出预警并进行下一个工作循环。
更优地，所述气象感知子站用于驱动气象传感器正常工作获取数据，建立Zigbee网络节点，接收气象感知主站的命令，将命令中需要的数据以报文的形式通过Zigbee网络传送给气象感知主站；具体如下：
气象感知子站上电后，Arm平台控制程序启动，建立Zigbee子节点通信，获取能见度传感器和路面温度传感器数据，并进行数据预处理；
确认气象感知主站是否获取气象感知子站数据命令：
若获取到气象感知主站的接收命令，则气象感知子站通过Zigbee网络将数据传输至气象感知主站；
若未获取到气象感知主站的接收命令，则在气象感知子站本地进行数据存储；
气象感知子站数据发送后，确认传输是否完成：
若传输完成，则进行下一工作循环；
若未完成，则进行重传；无论重传是否正确传输数据，重传结束即进行下一工作循环。
作为优选，团雾判定具体如下：
图像数据预处理：对雷视一体机的摄像头拍摄的视频图像数据进行审查校验，删除重复信息，并剔除摄像头斑点问题引起的图像错误，同时将图像存储格式统一为jpg格式；
时间序列成像：根据所选取的视频图像，按照5s步长提取图片，将每五张图片形成时间序列图像，并分别保存在自动的文件夹里，文件夹的命名采用桩号+时间的格式；
确定背景图像：将一幅图像中明暗区域最亮的白和最暗的黑之间不同亮度层级的测量是对图像对比度的识别，即指一幅图像灰度反差的大小，具体为：将图像转化为灰度图，并计算相邻像素间的像素差，求和后得到图像的对比度，通过机器学习分类算法对不同时间段产生雾的图像进行学习，从而确定不同时刻雾判别的阈值，并与当前时刻图像对比度进行对比判别确定是否存在雾；
判别是否有雾：通过计算图像清晰度反算得出图像模糊度，根据图像灰度值通过拉普拉斯掩模做卷积运算，并计算标准差，当图像的标准差低于阈值时，则该时刻被认为有雾；当图像的标准差高于阈值时，则该时刻被认为无雾；阈值是通过机器学习的方式对各种有无雾图片的模糊度值进行训练来获取的，不同时刻的阈值是不同的；
判别是否为团雾：当一个雷视一体机的摄像头判读为有雾后，立即启动团雾判读对前后相邻的五个雷视一体机的摄像头进行综合判断：
当四个以上相邻的雷视一体机的摄像头判断有雾时，则启动雾预警；
当两个以上相邻的雷视一体机的摄像头检测到非雾情况时，则判断为团雾,分析预测团雾的流动方向,启动团雾预警；同时根据摄像头检测到雾的先后顺序预测分析团雾的流动方向和速度，因为摄像头是按照特定方向和距离布置的,若一个摄像头检测到有雾,位于其南方的摄像头依次检测到有雾,则可以判定团雾的流动方向是从北向南,根据摄像头之间的距离和计算出团雾的流动方向和速度。
更优地，确定背景图像具体如下：
将时间序列图像的第一帧f1作为初始背景，使用K个高斯模型表征本图像各个像素点f1(x,y)的特征；同时，由图像灰度直方图的分布确定每个高斯模型的均值μj和标准差σj，每个像素点灰度值表示为K个高斯分布函数的叠加；
从第二帧图像开始fi(x,y),i>1开始，估计每个像素点是否属于背景，即判断如下公式是否成立：
|fi(x,y)-μj|2.5σj；
若成立，则该像素点为背景点；
若不成立，则作为前景点；
利用更新图像中的背景模型权重：对所有高斯模型进行排序，权重大且标准差小的高斯模型排在前面，K之后的舍去，依次迭代，对背景点的模型图像进行更新，公式如下：
Figure BDA0003613918310000061
其中，背景点Mk,i＝1,前景点Mk,i＝0，α为学习速率，
基于背景图像的时间序列图像，将背景图片划分为四个区域，建立四个个区域的对比度的时间变化曲线；
建立基于背景图像的时间序列图像的雾监测模型,并使用雾监测模型对摄像头传来的实时图像进行判断。
更优地，基于背景图像的时间序列图像变化规律的分析具体如下：
①、当前影像的对比度X1，团雾突发时，造成背景图像中像元值的对比度X1急剧降低；
②、当前影像的模糊度X2，对当前进行模糊度识别，团雾突发时，全图有75％以上区或为模糊区域；
③、时间序列中上帧图像的对比度X3，团雾突发时，四个分区中有三个区的X3与X1降幅度超过300％；
④、时间序列中上帧图像的模糊度X4，在模糊度识別中，团雾突发时,全图有25％以下区域为模糊区域。
作为优选，利用回声状态网络的训练方法得出团雾预测概率值具体如下：
网络初始化：
随机初始化输入权值Win和储备池状态权值Wres，调整Wres值，选择合适的谱半径，将Wback设为0，忽略输出层对储备池的反馈。对ESN的训练过程主要体现在输出权值Wout的动态调整。即，储备的规模确定以及其它权值经过随机初始化以后，采用线性回归或者机器学习的方法对输出权值进行训练。
构造有L个输入节点、M个储备池内部神经元和N个输出节点的网络结构，储备池状态更新和网络输出的表达式如下：
u(n)＝f(Wresu(n-1)+Winx(n)+Wbacky(n-1))；公式(1)
y(n)＝fout(Woutu(n))；公式(2)
其中，x(n)∈CL×1表示网络在n时刻的输入序列；u(n)∈CM×1表示储备池内部神经元n时刻状态；Wres∈CM×M表示储备池连接权值矩阵；Win∈CM×l表示网络输入节点到储备池神经元节点的连接权值矩阵；Wout∈CM×N表示储备池神经元节点到输出节点的连接权值矩阵；Wback∈CN×M表示输出层节点到储备池神经元节点的反馈连接权值矩阵；y(n)∈CN×1表示当网络输入为x(n)时的目标输出；f(g)、fout(g)分别表示所储备池神经元的激活函数和输出层的读出函数；f(g)通常使用非线性函数；fout(g)对网络的输出节点作非线性读出；
收集储备池状态和目标输出矩阵：在n(n＝1,2,…,L)时刻，将输入数据x(n)馈入ESN的储备池，储备池状态根据公式(1)更新，得到新的状态矩阵u(n)；并将新的状态矩阵收集起来；设从t0时刻开始收集储备池状态矩阵u(n)和目标输出矩阵，当n＝L时，则得到维数为M×(L-t0+1)的储备池矩阵U＝[u(t0),u(t0+1),...,u(M)]T和维数为N×(L-t0+1)的目标输出矩阵T＝[yt(t0),yt(t0+1),...,yt(N)]；x(n)表示L维的输入向量，U表示M×(L-t0+1)维的储备池状态更新矩阵，T表示N×(L-t0+1)维的目标输出矩阵；
训练输出权值Wout：根据n时刻输入的训练样本(x(n),yt(n))和储备池状态u(n)来训练网络的输出权值Wout；设储备池状态u(n)与网络的输出y(n)呈线性关系，即输出层的读出函数fout(g)＝1，为了使网络的实际输出y(n)逼近数据样本的期望输出yt(n)，即：
yt(n)≈y(n)＝Wout(n)u(n)； (3)
网络的期望输出权值Wout能够使***的均方误差达到最小，即：
Wout＝argmin||WoutU-T||2； (4)
采用线性回归的方法求解公式(3)和公式(4)即可得到网络的输出权值Wout，
Figure BDA0003613918310000081
其中，
Figure BDA0003613918310000082
为矩阵的伪逆运算；
通过求解范数方程组避免限制储备池的规模N或训练样本的数量，公式如下：
WoutUUT＝TUT； (6)
U和T是上文所述的储备池状态更新矩阵和目标输出矩阵，右上角T表示矩阵的转置；
得到方程得解为：
Wout＝TUT(UUT)-1； (7)
右上角-1表示矩阵的逆；
通过公式(7)可知，TUT∈Cm×N和UUT∈CN×N不依懒于训练样本的长度(L-t0+1)，并且在训练数据通过储层时递增计算。
本发明的基于ESN的高速公路跨河特大桥团雾识别与预警方法具有以下优点：
(一)本发明根据高速公路跨河大桥团雾天气交通安全管控需求，充分综合无线自组织Zigbee网络通信、多点位图像识别以及回声状态网络等技术优势，确保高速公路跨河特桥梁团雾预测的稳定可靠机高效实用；
(二)本发明利用图像处理技术识别高速公路团雾情况，采用多个相邻相机镜头采集的视频数据进行判别，剔除运动目标，保留背景图片；利用高斯模型表征图像中各像素点的特征，分析当前影像与上一帧影像的对比度与模糊度的变化判定是否出现团雾，有效提高了团雾识别的准确性；
(三)本发明采用分布式结构布设团雾感知设备，通过搭建无线自组织Zigbee网络将具有多点、多源、异构特点的气象数据经边缘计算终端归集整理组网通信，对所采集的多源异构数据进行分类处理，提高了数据传输的可靠性与实时性；其中，分布式结构指的是在一个高速公路跨河特大桥上观测大桥沿线的团雾变化情况，可以通过配置1个气象感知主站和若干个气象感知子站来实现团雾的感知，并能达到精细化感知；气象感知主站布设需要靠近电源处，有供电(220v交流电)要求，其传输采用无线方式有sim卡尽可；气象感知子站采用太阳能板供电，其与气象感知主站通信采用Zigbee网络；气象感知主站需要在桥上增加地面基础并立杆，气象感知子站可通过抱箍形式固定在门架、灯杆上；气象感知主站与气象感知子站的布设采用分布式结构，气象环境信息通过气象感知主站和气象感知子站设备采集，气象感知主站采用一体式气象站可以采集全部数据，气象感知子站选配能见度传感器和遥感式路面状态传感器，沿高速公路的路线布设在高速公路路侧；气象感知主站每10公里设置1处，气象感知主站的参数如下表所示：
Figure BDA0003613918310000091
气象感知子站每500m设置1处，气象感知子站参数如下表所示：
序号 现场传感器 测量范围 分辨力 准确度
1 后散射式能见度 10～1000m﹡ 1m ±20％
2 路面温度 -40～+80℃ 0.1℃ ±1℃
(四)本发明将回声状态网络的经典训练方法应用在高速公路特大桥团雾的短临预测上，通过在边缘计算终端上运行ESN预测算法，既提高了预测信息的准确性，又增加了***可用性。
附图说明
下面结合附图对本发明进一步说明。
附图1为分布式布设团雾感知设备的路线示意图；
附图2为团雾感知设备和边缘计算设备的结构框图；
附图3为基于ESN的高速公路跨河特大桥团雾识别与预警方法的流程框图；
附图4为气象感知主站工作过程的流程框图；
附图5为气象感知子站工作过程的流程框图；
附图6为回声状态网络ESN拓扑结构示意图。
具体实施方式
参照说明书附图和具体实施例对本发明的基于ESN的高速公路跨河特大桥团雾识别与预警方法作以下详细地说明。
实施例1：
本发明的基于ESN的高速公路跨河特大桥团雾识别与预警方法，该方法具体如下：
S1、布设设备：在高速公路跨河特大桥上安装团雾感知设备和边缘计算设备，团雾感知设备用于感知并传输高速公路跨河特大桥各个点位的能见度及图像数据；边缘计算设备用于分析处理多源异构气象数据并预测团雾发生的概率；
S2、团雾判定：通过多个相邻的团雾感知设备采集的视频图像进行判别，利用图像识别技术剔除运动目标，保留背景图片；并利用高斯模型表征图像中各像素点的特征，分析当前影像与上一帧影像的对比度以及模糊度的变化量值判定识别是否发生团雾；
S3、感知团雾：应用分布式结构布设一个气象感知主站和若干气象感知子站，如附图1所示，气象感知主站和气象感知子站之间通过无线自组织Zigbee网络通信，有效感知高速公路跨河特大桥区域沿线团雾情况；
S4、团雾预测：依据高速公路跨河特大桥沿线实时感知气象数据，利用回声状态网络的训练方法得出团雾预测概率值。
如附图2所示，本实施例中的团雾感知设备包括雷视一体机、Zigbee(TI-CC2530)收发模块、气象感知主站及若干气象感知子站；气象感知主站是由主站气象传感器组成，主站气象传感器包括能见度仪、空气温度传感器、湿度传感器、风速传感器、风向传感器、路面温感器和降水传感器；气象感知子站是由子站气象传感器组成，子站气象传感器包括后散射式能见度仪和路面温度传感器；边缘计算设备包括雾端路测终端(RSU通信单元)和边缘计算终端，边缘计算终端用于收集分析高速公路跨河特大桥沿线主站和若干子站的气象数据。
本实施例步骤S1中的边缘计算终端与团雾感知设备的数据传输具体如下：
S101、边缘计算终端采用RS485通信方式向气象传感器发送启动传输的气象命令，气象传感器将获得的各类气象信息以气象报文的形式发送给边缘计算终端；其中，边缘计算终端与气象传感器之间传输报文为296字节，报文信息包括区站号、观测时间、经纬度、海拔高度、气温、相对湿度、降水量、风速、风向、路温、能见度、路面状态和大气压值；
S102、边缘计算终端采用TCP/IP传输协议向雷视一体机发送启动雷视一体机数据传输的视觉命令，雷视一体机将获得的雷视数据以视觉信息流的方式发送给边缘计算终端；其中，雷视一体机中的雷视数据包括视觉图片、车辆类型、车辆数目及车道占有率的交通量信息；
S103、边缘计算终端采用UART通信方式向Zigbee收发模块发送控制信息，Zigbee收发模块收到信息后，启动Zigbee网络，检测附近是否有其他Zigbee收发模块布设的Zigbee网络：
若有，则进行组网，并将Zigbee收发模块是否组网信息以及其它节点获取的数据信息返回给边缘计算终端；
S104、边缘计算终端在收到气象传感器、雷视一体以及TI-CC2530的反馈信息后，将本节点所有的状态信息通过雾端路测终端上报到云平台。
本实施例中的边缘计算终端与雾端路测终端通过TCP/IP协议进行通信，雾端路测终端内置物联网流量卡，借助雾端路测终端，边缘计算终端通过4G的方式访问互联网，并将收集到的各类信息通过4G网络上传至云平台；边缘计算终端供电为交流220V，雾端路测终端、雷视一体机采用直流24V电路供电，气象传感器供电为直流12V，Zigbee收发模块供电为直流5V，Zigbee收发模块的天线与功放电路相连，不需要单独供电。
如附图4所示，本实施例中的气象感知主站用于对高速公路跨河特大桥各个感知子站数据资源调度，通过Zigbee网络控制子站的数据传输；气象感知主站结合ESN算法利用各子站报送的气象、雷达及视觉信息对是否存在团雾进行判断，继而输出预警信息；具体如下：
(1)、感知气象主站上电后，边缘计算终端(MEC)进行初始化；
(2)、各个气象传感器上电后，获取气象感知主站数据，气象感知主站数据包括能见度、大气温湿度、风速风向、降水、路面温度以及路面状态数据，同时判断气象感知子站是否获取数据：
①、若气象感知子站未获取数据，则边缘计算终端上ESN算法只判断气象感知主站处是否存在团雾；其中，气象感知子站数据包括能见度和路面温度；
②、若气象感知子站获取了数据，则执行步骤(3)；
(3)、通过Zigbee网络实现数据传输，并进行数据校验：
若校验无误后，则执行步骤(4)；
(4)、边缘计算终端上ESN算法判断气象感知主站和若干气象感知子站位置处是否存在团雾：
①、若未发现存在团雾，则重新获取气象感知主站和气象感知子站数据；
②、若存在团雾，则输出预警并跳转至步骤(1)。
如附图5所示，本实施例中的气象感知子站用于驱动气象传感器正常工作获取数据，建立Zigbee网络节点，接收气象感知主站的命令，将命令中需要的数据以报文的形式通过Zigbee网络传送给气象感知主站；具体如下：
(一)、气象感知子站上电后，Arm平台控制程序启动，建立Zigbee子节点通信，获取能见度传感器和路面温度传感器数据，并进行数据预处理；
(二)、确认气象感知主站是否获取气象感知子站数据命令：
①、若获取到气象感知主站的接收命令，则气象感知子站通过Zigbee网络将数据传输至气象感知主站；
②、若未获取到气象感知主站的接收命令，则在气象感知子站本地进行数据存储；
(三)、气象感知子站数据发送后，确认传输是否完成：
①、若传输完成，则进行下一工作循环；
②、若未完成，则进行重传；无论重传是否正确传输数据，重传结束即进行下一工作循环。
如附图3所示，本实施例步骤S3中的团雾判定具体如下：
S301、图像数据预处理：对雷视一体机的摄像头拍摄的视频图像数据进行审查校验，删除重复信息，并剔除摄像头斑点问题引起的图像错误，同时将图像存储格式统一为jpg格式；
S302、时间序列成像：根据所选取的视频图像，按照5s步长提取图片，将每五张图片形成时间序列图像，并分别保存在自动的文件夹里，文件夹的命名采用桩号+时间的格式；
S303、确定背景图像：将一幅图像中明暗区域最亮的白和最暗的黑之间不同亮度层级的测量是对图像对比度的识别，即指一幅图像灰度反差的大小，具体为：将图像转化为灰度图，并计算相邻像素间的像素差，求和后得到图像的对比度，通过机器学习分类算法对不同时间段产生雾的图像进行学习，从而确定不同时刻雾判别的阈值，并与当前时刻图像对比度进行对比判别确定是否存在雾；
S304、判别是否有雾：通过计算图像清晰度反算得出图像模糊度，根据图像灰度值通过拉普拉斯掩模做卷积运算，并计算标准差，当图像的标准差低于阈值时，则该时刻被认为有雾；当图像的标准差高于阈值时，则该时刻被认为无雾；阈值是通过机器学习的方式对各种有无雾图片的模糊度值进行训练来获取的，不同时刻的阈值是不同的；
S305、判别是否为团雾：当一个雷视一体机的摄像头判读为有雾后，立即启动团雾判读对前后相邻的五个雷视一体机的摄像头进行综合判断：
①、当四个以上相邻的雷视一体机的摄像头判断有雾时，则启动雾预警；
②、当两个以上相邻的雷视一体机的摄像头检测到非雾情况时，则判断为团雾,分析预测团雾的流动方向,启动团雾预警；同时根据摄像头检测到雾的先后顺序预测分析团雾的流动方向和速度，因为摄像头是按照特定方向和距离布置的,若一个摄像头检测到有雾,位于其南方的摄像头依次检测到有雾,则可以判定团雾的流动方向是从北向南,根据摄像头之间的距离和计算出团雾的流动方向和速度。
本实施例步骤S303中的确定背景图像具体如下：
S30301、将时间序列图像的第一帧f1作为初始背景，使用K个高斯模型表征本图像各个像素点f1(x,y)的特征；同时，由图像灰度直方图的分布确定每个高斯模型的均值μj和标准差σj，每个像素点灰度值表示为K个高斯分布函数的叠加；
S30302、从第二帧图像开始fi(x,y),i>1开始，估计每个像素点是否属于背景，即判断如下公式是否成立：
|fi(x,y)-μj|2.5σj；
①、若成立，则该像素点为背景点；
②、若不成立，则作为前景点；
S30303、利用更新图像中的背景模型权重：对所有高斯模型进行排序，权重大且标准差小的高斯模型排在前面，K之后的舍去，依次迭代，对背景点的模型图像进行更新，公式如下：
Figure BDA0003613918310000141
其中，背景点Mk,i＝1,前景点Mk,i＝0，α为学习速率；
S30304、基于背景图像的时间序列图像，将背景图片划分为四个区域，建立四个个区域的对比度的时间变化曲线；
S30305、建立基于背景图像的时间序列图像的雾监测模型,并使用雾监测模型对摄像头传来的实时图像进行判断。
本实施例S30305中的基于背景图像的时间序列图像变化规律的分析具体如下：
①、当前影像的对比度X1，团雾突发时，造成背景图像中像元值的对比度X1急剧降低；
②、当前影像的模糊度X2，对当前进行模糊度识别，团雾突发时，全图有75％以上区或为模糊区域；
③、时间序列中上帧图像的对比度X3，团雾突发时，四个分区中有三个区的X1与X3降幅度超过300％；
④、时间序列中上帧图像的模糊度X4，在模糊度识別中，团雾突发时,全图有25％以下区域为模糊区域。
本实施例步骤S4中的利用回声状态网络的训练方法得出团雾预测概率值具体如下：
S401、随机初始化输入权值Win和储备池状态权值Wres，调整Wres值，选择合适的谱半径，将Wback设为0，忽略输出层对储备池的反馈。
S402、构造有L个输入节点、M个储备池内部神经元和N个输出节点的网络结构，储备池状态更新和网络输出的表达式如下：
u(n)＝f(Wresu(n-1)+Winx(n)+Wbacky(n-1))；公式(1)
y(n)＝fout(Woutu(n))；公式(2)
其中，x(n)∈CL×1表示网络在n时刻的输入序列；u(n)∈CM×1表示储备池内部神经元n时刻状态；Wres∈CM×M表示储备池连接权值矩阵；Win∈CM×l表示网络输入节点到储备池神经元节点的连接权值矩阵；Wout∈CM×N表示储备池神经元节点到输出节点的连接权值矩阵；Wback∈CN×M表示输出层节点到储备池神经元节点的反馈连接权值矩阵；y(n)∈CN×1表示当网络输入为x(n)时的目标输出；f(g)、fout(g)分别表示所储备池神经元的激活函数和输出层的读出函数；f(g)通常使用非线性函数；fout(g)对网络的输出节点作非线性读出；
S403、收集储备池状态和目标输出矩阵：在n(n＝1,2,…,L)时刻，将输入数据x(n)馈入ESN的储备池，储备池状态根据公式(1)更新，得到新的状态矩阵u(n)；并将新的状态矩阵收集起来；设从t0时刻开始收集储备池状态矩阵u(n)和目标输出矩阵，当n＝L时，则得到维数为M×(L-t0+1)的储备池矩阵U＝[u(t0),u(t0+1),...,u(M)]T和维数为N×(L-t0+1)的目标输出矩阵T＝[yt(t0),yt(t0+1),...,yt(N)]；x(n)表示L维的输入向量，U表示M×(L-t0+1)维的储备池状态更新矩阵，T表示N×(L-t0+1)维的目标输出矩阵；
S404、训练输出权值Wout：根据n时刻输入的训练样本(x(n),yt(n))和储备池状态u(n)来训练网络的输出权值Wout；设储备池状态u(n)与网络的输出y(n)呈线性关系，即输出层的读出函数fout(g)＝1，为了使网络的实际输出y(n)逼近数据样本的期望输出yt(n)，即：
yt(n)≈y(n)＝Wout(n)u(n)； (3)
网络的期望输出权值Wout能够使***的均方误差达到最小，即：
Wout＝argmin||WoutU-T||2； (4)
采用线性回归的方法求解公式(3)和公式(4)即可得到网络的输出权值Wout，
Figure BDA0003613918310000161
其中，
Figure BDA0003613918310000162
为矩阵的伪逆运算；
S405、直接伪逆计算具有很高的数值稳定性，但是对于维数过高的储备池矩阵U需要更大的存储开销，从而限制了储备池的规模N或训练样本的数量，可以通过求解范数方程组避免限制储备池的规模N或训练样本的数量，公式如下：
WoutUUT＝TUT； (6)
U和T是上文所述的储备池状态更新矩阵和目标输出矩阵，右上角T表示矩阵的转置；
得到方程得解为：
Wout＝TUT(UUT)-1； (7)
右上角-1表示矩阵的逆；
通过公式(7)可知，TUT∈Cm×N和UUT∈CN×N不依懒于训练样本的长度(L-t0+1)，并且在训练数据通过储层时递增计算；所以，方程(3-7)的解在空间或时间复杂度上与(L-t0+1)无关。与直接求伪逆相比，这种方法的数值稳定性较低，还可以利用伪逆
Figure BDA0003613918310000173
来代替实逆(UUT)-1，同样也可以获得更小的计算复杂度。
通过实地采集高速公路跨河大桥主站与子站的气象数据为例进行相关分析，感知主站数据如表1，感知子站数据如表2。
表1气象感知主站数据
Figure BDA0003613918310000171
表2气象感知子站数据
Figure BDA0003613918310000172
对比表3和表4的数据可以发现，在主站和子站1间隔为500米的情况下，两个站的气象数据不相同。例如，主站的路基温度在14摄氏度左右，子站1的路基温度在13摄氏度左右；主站的风速不为0，子站1的风速基本为0。
利用ESN算法以及该***获取的气象数据等，预测团雾出现的概率与是否出现团雾的真实气象条件比较，如下表3所示：
表3团雾预测与真实气象条件比较
Figure BDA0003613918310000181
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种基于ESN的高速公路跨河特大桥团雾识别与预警方法，其特征在于，该方法具体如下：
布设设备：在高速公路跨河特大桥上安装团雾感知设备和边缘计算设备，团雾感知设备用于感知并传输高速公路跨河特大桥各个点位的能见度及图像数据；边缘计算设备用于分析处理多源异构气象数据并预测团雾发生的概率；
团雾判定：通过多个相邻的团雾感知设备采集的视频图像进行判别，利用图像识别技术剔除运动目标，保留背景图片；并利用高斯模型表征图像中各像素点的特征，分析当前影像与上一帧影像的对比度以及模糊度的变化量值判定识别是否发生团雾；
感知团雾：应用分布式结构布设一个气象感知主站和若干气象感知子站，气象感知主站和气象感知子站之间通过无线自组织Zigbee网络通信，有效感知高速公路跨河特大桥区域沿线团雾情况；
团雾预测：依据高速公路跨河特大桥沿线实时感知气象数据，利用回声状态网络的训练方法得出团雾预测概率值。
2.根据权利要求1所述的基于ESN的高速公路跨河特大桥团雾识别与预警方法，其特征在于，所述团雾感知设备包括雷视一体机、Zigbee收发模块、气象感知主站及若干气象感知子站；气象感知主站是由主站气象传感器组成，主站气象传感器包括能见度仪、空气温度传感器、湿度传感器、风速传感器、风向传感器、路面温感器和降水传感器；气象感知子站是由子站气象传感器组成，子站气象传感器包括后散射式能见度仪和路面温度传感器；
边缘计算设备包括雾端路测终端和边缘计算终端，边缘计算终端用于收集分析高速公路跨河特大桥沿线主站和若干子站的气象数据。
3.根据权利要求2所述的基于ESN的高速公路跨河特大桥团雾识别与预警方法，其特征在于，边缘计算终端与团雾感知设备的数据传输具体如下：
边缘计算终端采用RS485通信方式向气象传感器发送启动传输的气象命令，气象传感器将获得的各类气象信息以气象报文的形式发送给边缘计算终端；其中，边缘计算终端与气象传感器之间传输报文为296字节，报文信息包括区站号、观测时间、经纬度、海拔高度、气温、相对湿度、降水量、风速、风向、路温、能见度、路面状态和大气压值；
边缘计算终端采用TCP/IP传输协议向雷视一体机发送启动雷视一体机数据传输的视觉命令，雷视一体机将获得的雷视数据以视觉信息流的方式发送给边缘计算终端；其中，雷视一体机中的雷视数据包括视觉图片、车辆类型、车辆数目及车道占有率的交通量信息；
边缘计算终端采用UART通信方式向Zigbee收发模块发送控制信息，Zigbee收发模块收到信息后，启动Zigbee网络，检测附近是否有其他Zigbee收发模块布设的Zigbee网络：
若有，则进行组网，并将Zigbee收发模块是否组网信息以及其它节点获取的数据信息返回给边缘计算终端；
边缘计算终端在收到气象传感器、雷视一体以及Zigbee收发模块的反馈信息后，将本节点所有的状态信息通过雾端路测终端上报到云平台。
4.根据权利要求3所述的基于ESN的高速公路跨河特大桥团雾识别与预警方法，其特征在于，所述边缘计算终端与雾端路测终端通过TCP/IP协议进行通信，雾端路测终端内置物联网流量卡，借助雾端路测终端，边缘计算终端通过4G的方式访问互联网，并将收集到的各类信息通过4G网络上传至云平台；
边缘计算终端供电为交流220V，雾端路测终端、雷视一体机采用直流24V电路供电，气象传感器供电为直流12V，Zigbee收发模块供电为直流5V，Zigbee收发模块的天线与功放电路相连。
5.根据权利要求1或2所述的基于ESN的高速公路跨河特大桥团雾识别与预警方法，其特征在于，所述气象感知主站用于对高速公路跨河特大桥各个感知子站数据资源调度，通过Zigbee网络控制子站的数据传输；气象感知主站结合ESN算法利用各子站报送的气象、雷达及视觉信息对是否存在团雾进行判断，继而输出预警信息；具体如下：
感知气象主站上电后，边缘计算终端进行初始化；
各个气象传感器上电后，获取气象感知主站数据，气象感知主站数据包括能见度、大气温湿度、风速风向、降水、路面温度以及路面状态数据，同时判断气象感知子站是否获取数据：
若气象感知子站未获取数据，则边缘计算终端上ESN算法只判断气象感知主站处是否存在团雾；其中，气象感知子站数据包括能见度和路面温度；
若气象感知子站获取了数据，则通过Zigbee网络实现数据传输，并进行数据校验：
若校验无误后，边缘计算终端上ESN算法判断气象感知主站和若干气象感知子站位置处是否存在团雾：
若未发现存在团雾，则重新获取气象感知主站和气象感知子站数据；
若存在团雾，则输出预警并进行下一个工作循环。
6.根据权利要求1或2所述的基于ESN的高速公路跨河特大桥团雾识别与预警方法，其特征在于，所述气象感知子站用于驱动气象传感器正常工作获取数据，建立Zigbee网络节点，接收气象感知主站的命令，将命令中需要的数据以报文的形式通过Zigbee网络传送给气象感知主站；具体如下：
气象感知子站上电后，Arm平台控制程序启动，建立Zigbee子节点通信，获取能见度传感器和路面温度传感器数据，并进行数据预处理；
确认气象感知主站是否获取气象感知子站数据命令：
若获取到气象感知主站的接收命令，则气象感知子站通过Zigbee网络将数据传输至气象感知主站；
若未获取到气象感知主站的接收命令，则在气象感知子站本地进行数据存储；
气象感知子站数据发送后，确认传输是否完成：
若传输完成，则进行下一工作循环；
若未完成，则进行重传；其中，无论重传是否正确传输数据，重传结束即进行下一工作循环。
7.根据权利要求1所述的基于ESN的高速公路跨河特大桥团雾识别与预警方法，其特征在于，团雾判定具体如下：
图像数据预处理：对雷视一体机的摄像头拍摄的视频图像数据进行审查校验，删除重复信息，并剔除摄像头斑点问题引起的图像错误，同时将图像存储格式统一为jpg格式；
时间序列成像：根据所选取的视频图像，按照5s步长提取图片，将每五张图片形成时间序列图像，并分别保存在自动的文件夹里，文件夹的命名采用桩号+时间的格式；
确定背景图像：将一幅图像中明暗区域最亮的白和最暗的黑之间不同亮度层级的测量是对图像对比度的识别，即指一幅图像灰度反差的大小，具体为：将图像转化为灰度图，并计算相邻像素间的像素差，求和后得到图像的对比度，通过机器学习分类算法对不同时间段产生雾的图像进行学习，从而确定不同时刻雾判别的阈值，并与当前时刻图像对比度进行对比判别确定是否存在雾；
判别是否有雾：通过计算图像清晰度反算得出图像模糊度，根据图像灰度值通过拉普拉斯掩模做卷积运算，并计算标准差，当图像的标准差低于阈值时，则该时刻被认为有雾；当图像的标准差高于阈值时，则该时刻被认为无雾；阈值是通过机器学习的方式对各种有无雾图片的模糊度值进行训练来获取的，不同时刻的阈值是不同的；
判别是否为团雾：当一个雷视一体机的摄像头判读为有雾后，立即启动团雾判读对前后相邻的五个雷视一体机的摄像头进行综合判断：
当四个以上相邻的雷视一体机的摄像头判断有雾时，则启动雾预警；
当两个以上相邻的雷视一体机的摄像头检测到非雾情况时，则判断为团雾,分析预测团雾的流动方向,启动团雾预警；同时根据摄像头检测到雾的先后顺序预测分析团雾的流动方向和速度，若一个摄像头检测到有雾,位于其南方的摄像头依次检测到有雾,则可以判定团雾的流动方向是从北向南,根据摄像头之间的距离和计算出团雾的流动方向和速度。
8.根据权利要求7所述的基于ESN的高速公路跨河特大桥团雾识别与预警方法，其特征在于，确定背景图像具体如下：
将时间序列图像的第一帧f1作为初始背景，使用K个高斯模型表征本图像各个像素点f1(x,y)的特征；同时，由图像灰度直方图的分布确定每个高斯模型的均值μj和标准差σj，每个像素点灰度值表示为K个高斯分布函数的叠加；
从第二帧图像开始fi(x,y),i>1开始，估计每个像素点是否属于背景，即判断如下公式是否成立：
|fi(x,y)-μj|2.5σj；
若成立，则该像素点为背景点；
若不成立，则作为前景点；
利用更新图像中的背景模型权重：对所有高斯模型进行排序，权重大且标准差小的高斯模型排在前面，K之后的舍去，依次迭代，对背景点的模型图像进行更新，公式如下：
Figure FDA0003613918300000051
其中，背景点Mk,i＝1,前景点Mk,i＝0，α为学习速率，
基于背景图像的时间序列图像，将背景图片划分为四个区域，建立四个个区域的对比度的时间变化曲线；
建立基于背景图像的时间序列图像的雾监测模型,并使用雾监测模型对摄像头传来的实时图像进行判断。
9.根据权利要求8所述的基于ESN的高速公路跨河特大桥团雾识别与预警方法，其特征在于，基于背景图像的时间序列图像变化规律的分析具体如下：
①、当前影像的对比度X1，团雾突发时，造成背景图像中像元值的对比度X1急剧降低；
②、当前影像的模糊度X2，对当前进行模糊度识别，团雾突发时，全图有75％以上区或为模糊区域；
③、时间序列中上帧图像的对比度X3，团雾突发时，四个分区中有三个区的X3与X1降幅度超过300％；
④、时间序列中上帧图像的模糊度X4，在模糊度识別中，团雾突发时,全图有25％以下区域为模糊区域。
10.根据权利要求1所述的基于ESN的高速公路跨河特大桥团雾识别与预警方法，其特征在于，利用回声状态网络的训练方法得出团雾预测概率值具体如下：
网络初始化：随机初始化输入权值Win和储备池状态权值Wres，调整Wres值，选择合适的谱半径，将Wback设为0，忽略输出层对储备池的反馈。对ESN的训练过程主要体现在输出权值Wout的动态调整。即，储备的规模确定以及其它权值经过随机初始化以后，采用线性回归或者机器学习的方法对输出权值进行训练。
构造有L个输入节点、M个储备池内部神经元和N个输出节点的网络结构，储备池状态更新和网络输出的表达式如下：
u(n)＝f(Wresu(n-1)+Winx(n)+Wbacky(n-1))；公式(1)
y(n)＝fout(Woutu(n))；公式(2)
其中，x(n)∈CL×1表示网络在n时刻的输入序列；u(n)∈CM×1表示储备池内部神经元n时刻状态；Wres∈CM×M表示储备池连接权值矩阵；Win∈CM×l表示网络输入节点到储备池神经元节点的连接权值矩阵；Wout∈CM×N表示储备池神经元节点到输出节点的连接权值矩阵；Wback∈CN×M表示输出层节点到储备池神经元节点的反馈连接权值矩阵；y(n)∈CN×1表示当网络输入为x(n)时的目标输出；f(g)、fout(g)分别表示所储备池神经元的激活函数和输出层的读出函数；f(g)通常使用非线性函数；fout(g)对网络的输出节点作非线性读出；
收集储备池状态和目标输出矩阵：在n(n＝1,2,…,L)时刻，将输入数据x(n)馈入ESN的储备池，储备池状态根据公式(1)更新，得到新的状态矩阵u(n)；并将新的状态矩阵收集起来；设从t0时刻开始收集储备池状态矩阵u(n)和目标输出矩阵，当n＝L时，则得到维数为M×(L-t0+1)的储备池矩阵U＝[u(t0),u(t0+1),...,u(M)]T和维数为N×(L-t0+1)的目标输出矩阵T＝[yt(t0),yt(t0+1),...,yt(N)]；x(n)表示L维的输入向量，U表示M×(L-t0+1)维的储备池状态更新矩阵，T表示N×(L-t0+1)维的目标输出矩阵；
训练输出权值Wout：根据n时刻输入的训练样本(x(n),yt(n))和储备池状态u(n)来训练网络的输出权值Wout；设储备池状态u(n)与网络的输出y(n)呈线性关系，即输出层的读出函数fout(g)＝1，为了使网络的实际输出y(n)逼近数据样本的期望输出yt(n)，即：
yt(n)≈y(n)＝Wout(n)u(n)；(3)
网络的期望输出权值Wout能够使***的均方误差达到最小，即：
Wout＝argmin||WoutU-T||2；(4)
采用线性回归的方法求解公式(3)和公式(4)即可得到网络的输出权值Wout，
Figure FDA0003613918300000071
其中，
Figure FDA0003613918300000072
为矩阵的伪逆运算；
通过求解范数方程组避免限制储备池的规模N或训练样本的数量，公式如下：
WoutUUT＝TUT；(6)
其中，U和T表示储备池状态更新矩阵和目标输出矩阵，右上角T表示矩阵的转置；
得到方程得解为：
Wout＝TUT(UUT)-1；(7)
其中，右上角-1表示矩阵的逆；
通过公式(7)可知，TUT∈Cm×N和UUT∈CN×N不依懒于训练样本的长度(L-t0+1)，并且在训练数据通过储层时递增计算。
CN202210438430.6A 2022-04-25 2022-04-25 基于esn的高速公路跨河特大桥团雾识别与预警方法 Pending CN114782903A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210438430.6A CN114782903A (zh) 2022-04-25 2022-04-25 基于esn的高速公路跨河特大桥团雾识别与预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210438430.6A CN114782903A (zh) 2022-04-25 2022-04-25 基于esn的高速公路跨河特大桥团雾识别与预警方法

Publications (1)

Publication Number Publication Date
CN114782903A true CN114782903A (zh) 2022-07-22

Family

ID=82432171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210438430.6A Pending CN114782903A (zh) 2022-04-25 2022-04-25 基于esn的高速公路跨河特大桥团雾识别与预警方法

Country Status (1)

Country Link
CN (1) CN114782903A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116153095A (zh) * 2023-04-20 2023-05-23 江西师范大学 一种基于边缘计算的高速公路团雾预警方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116153095A (zh) * 2023-04-20 2023-05-23 江西师范大学 一种基于边缘计算的高速公路团雾预警方法

Similar Documents

Publication Publication Date Title
CN111694010B (zh) 一种基于视觉与激光雷达融合的路侧车辆识别方法
CN109377726B (zh) 一种基于车联网的高速公路团雾精确警示、诱导***及方法
CN112422783A (zh) 一种基于停机坪集群的无人机智能巡查***
CN111458721B (zh) 一种暴露垃圾的识别定位方法、装置及***
CN110009037B (zh) 一种基于物理信息耦合的工程风速短时预测方法及***
CN108508372B (zh) 一种基于环境视觉融合的无人驾驶电量计算和预警方法与***
CN110910440B (zh) 一种基于电力影像数据的输电线路长度确定方法和***
CN110837800A (zh) 一种面向港口恶劣天气的目标检测和识别的方法
CN107316457B (zh) 判断道路交通状况是否符合汽车自动驾驶的方法
CN116448773B (zh) 一种图像-振动特征融合的路面病害检测方法及***
CN108572648A (zh) 一种无人驾驶车辆电源多源融合预测方法及***
CN112437501A (zh) 一种基于交通语义和博弈论的多传感器超视距自组网方法
CN111339826A (zh) 一种滑坡无人机线性传感器网络框架检测***
CN115515077B (zh) 一种基于uav的wsn数据采集轨迹动态生成方法及***
CN114782903A (zh) 基于esn的高速公路跨河特大桥团雾识别与预警方法
WO2022107619A1 (ja) データ解析装置および方法、並びに、プログラム
WO2022107620A1 (ja) データ解析装置および方法、並びに、プログラム
CN208335208U (zh) 包含气象参数的图像融合采集***
EP4081835B1 (en) Methods, apparatuses, systems and computer program products for estimating road surface temperature
CN113111876A (zh) 一种用于交通违章取证的方法及***
CN115984768A (zh) 一种基于固定型单目摄像头的多目标行人实时检测定位方法
CN115440034B (zh) 一种基于摄像头的车路协同实现方法及实现***
CN113721255B (zh) 基于激光雷达与视觉融合的列车站台停车点精准检测方法
CN113790761B (zh) 驾驶端定位方法、装置、计算机设备和存储介质
CN117877290A (zh) 基于更新间隔窗口的交通控制方法及***

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