[发明专利]一种基于摄像探头的能见度识别预警方法

说明书

本发明公开了一种基于摄像探头的能见度识别预警方法，包括以下步骤：1，利用摄像探头拍摄多组其周围场景图片，分为训练样本和测试样本；2，对训练样本和测试样本进行预处理；3，构建caffenet卷积神经网络模型；4，利用预处理后的训练样本对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；5，将测试样本随机裁剪出多块，输入至训练好的卷积神经网络模型进行测试，并采用“多数投票”法得到最终能见度分类结果，当能见度低于设定阈值时进行预警。本发明采用caffenet卷积神经网络模型对图片的能见度进行分类识别，分类准确率高。

技术领域

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。

发明内容

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l_c层的第j个输出图，f为激活函数，M_j为输入特征映射的集合，*为卷积操作，为卷积层第l_c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(l_cin)，max(l_cin)为第l_c层输入图的最大个数，1≤i≤max(l_cout)，max(l_cout)为第l_c层输出图的最大个数，为卷积层第l_c层的第j个输出图的附加偏差，l_c＝1,…,5。