[发明专利]基于深度强化学习融合模型的团雾图像识别方法

权利要求书

1.一种基于深度强化学习融合模型的团雾图像识别方法，其特征在于：包括如下步骤：

S1：构建高速公路气象图像数据集，并对高速公路气象图像数据进行在线强化；

S2：构建基于强化学习的VGG16气象分类网络模型，获取分类特征向量F_v；

S3：构建基于强化学习的InceptionV3气象分类网络模型，获取分类特征向量F_I；

S4：构建基于强化学习的MobileNetV2气象分类网络模型，获取分类特征向量F_M；

S5：构建基于深度强化学习气象图像分类融合模型RL-FDNN，将特征向量F_v、F_I、F_M并联融合，并取各类的概率均值作为深层网络融合模型的输出层，对团雾信息进行识别分类。

2.根据权利要求1所述的一种基于深度强化学习融合模型的团雾图像识别方法，其特征在于：所述步骤S1中构建高速公路气象图像数据集，并对高速公路气象图像数据进行在线强化的具体方法如下：

S1-1：收集高速公路气象图像5060幅，将其分为三类，其中团雾2090幅，正常1500幅，其他1470幅，构建高速公路气象图像数据集，其中，正常包括晴天、阴天，其他包括雨天、雪天；

S1-2：各模型训练前，在训练集中随机抽取一个batch_size的图像数据；

S1-3：对抽取的batch_size图像数据进行在线强化，包括翻转、旋转、缩放、平移、擦除和裁剪。

3.根据权利要求2所述的一种基于深度强化学习融合模型的团雾图像识别方法，其特征在于：所述步骤S1-3中图像数据进行在线强化的具体方法如下：

①翻转：分为水平翻转和垂直翻转，强化因子优选为2或3；

②旋转：以图像的中心为坐标原点，使图像发生一定角度的转动，强化因子优选为2到4；

③缩放：放大图像时，放大部分按照原始尺寸进行裁切；缩小图像时，对边缘像素进行填充操作，填充的方法可选择零填充、常数填充、镜像填充、重复填充，强化因子任意；

④平移：使图像沿着水平面上任意方向移动，强化因子任意；

⑤随机擦除：随机在原图中选择一个矩形区域，将其像素替换为随机值，强化因子任意；

⑥随机裁剪：随机裁剪出图像的一部分，并调整为原图大小，强化因子任意；

上述方法可以分开或组合使用。

4.根据权利要求3所述的一种基于深度强化学习融合模型的团雾图像识别方法，其特征在于：所述基于强化学习的VGG16气象分类网络模型RL-VGG16的构建方法为：在训练集中随机抽取一个batch_size的图像数据，并对该batch_size图像数据进行强化学习图像增强样本；基于强化学习的VGG16气象分类网络模型，在原VGG16模型基础上，在输入层后加入数据强化层，后接5个block的卷积运算，与全局平均池化层相连得到维度为1×512的特征向量，删除末尾的三个全连接层，并增加一个丢弃率为0.4的Dropout层、一个激活函数为Relu的全连接层，之后使用一个丢弃率为0.5的Dropout层，最后输出1×3的特征向量F_v，采用softmax激活函数进行分类。