CN110849807A - 一种基于深度学习的适用于道路能见度的监测方法与系统 - Google Patents
一种基于深度学习的适用于道路能见度的监测方法与系统 Download PDFInfo
- Publication number
- CN110849807A CN110849807A CN201911156001.4A CN201911156001A CN110849807A CN 110849807 A CN110849807 A CN 110849807A CN 201911156001 A CN201911156001 A CN 201911156001A CN 110849807 A CN110849807 A CN 110849807A
- Authority
- CN
- China
- Prior art keywords
- visibility
- data
- road
- image
- camera
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 3
- 238000000137 annealing Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Abstract
目前，对道路能见度的监测的各类方法很难实现全道路监测，因此本发明提出一种基于深度学习的适用于道路能见度的监测方法与系统，方法步骤包括：数据收集，利用深度学习方法构建能见度模型，构建道路所有摄影头数据的能见度监测系统，将能见度模型推广至系统中所有摄像头图像数据的能见度判定，能见度显示、分级预警并通过显示屏预警提示，该系统包括道路摄像头，能见度模型，数据处理中心和预警信息展示器。本发明发挥深度学习算法的优势，利用现有的道路摄影头的视频图像、能见度等数据，低成本地实现了对道路全程能见度的监控。
Description
技术领域
本发明涉及交通安全领域，具体的说是一种基于深度学习的适用于道路能见度的监测方法与系统领域。
背景技术
随着我们机动车辆数量的迅速增加和车辆行驶速度的提升，对交通运输的安全保障提出了更高的要求，各种自然灾害对交通安全的影响越来越受到重视，其中气象灾害严重影响了交通运输安全问题，尤其是高速公路；据统计在交通事故的影响因素中，由天气条件因素引起的道路条件因素的引起的交通事故的比例约占45％，能见度是反应天气情况的重要指标，当出现降雨、雪、霾、沙尘暴等天气过程时，能见度都会降低，能见度降低会对交通安全带来重大隐患，对能见度的实时监测和预见对减少和预防交通事故，实时制定交通安全措施、保障交通安全具有重要意义。
目前对进行监测，大体可分为三类：一类目测法，一类是基于能见度仪的监测，另一类是基于图像的监测。目测法能见度的观测大都还是以人工目测为主；能见度仪分为测量大气透射率、前向散射和大气消光系数三类仪器；基于图像处理的能见度监测主要通过图像分析处理获取能见度数值。目测法能见度的规范性、客观性相对较差；能见度仪是目前最常用的能见度监测方法，但仪器价格较贵；且因道路沿线状况不同，尤其是山区地带，目前基于图像处理的能见度监测方法很难适应对整条道路的能见度监测。道路因本身的特点，如长度较长，但宽度很窄，所经过的地区情况复杂，尤其是山区的道路，要想实现道路能见度的全程监测，目测法几乎不可能；能见度仪布设必须间距较小，但价格较贵，成本太高；因摄像头成本的快速下降基于图像处理的成为最经济、快速能见度监测方法，且因道路本身摄影头很多，基于图像的能见度预测成为道路能见度预测的优先方案，但目前基于图像处理的能见度监测方法很难适应对复杂路况的整条道路的能见度监测；深度学习方法的快速发展，为基于图像的能见度预测提供了新的方法和思路。
发明内容
由于能见度仪成本高，摄像头成本低，因此目前对于道路能见度的监测多为基于图像处理的方法，但这种方式很难适应路况不同的整条道路。若地区地势复杂，尤其在山区地带，想实现道路能见度的全程监测非常困难。为解决以上问题，本发明提出以下解决方案。
一种基于深度学习的适用于道路能见度的监测方法，包括以下步骤：
S1.数据收集：在监测道路选择不同的典型路况、不同的天气状况下的摄像头捕捉图像，获取对应的天气数据、环境状况数据；
S2.利用深度学习方法构建能见度模型：
数据预处理，获取监测路段摄像头的视频数据，对视频数据进行预处理，每隔t秒提取一幅图像，所提取的摄像图像随时间形成动态的时间序列图像，其中 1≤t≤10；
计算图像的对比度、边缘特征、POLC指标；
将以上数据一一对应，进行深度学习；
利用训练数据对构建能见度模型训练网络，优化网络，构建能见度模型；
S3.构建道路所有摄影头数据的能见度监测系统：
将道路所有的摄影头利用GIS技术，建立数据库，构建道路能见度的监测系统，实现道路沿线所有摄影头图像的处理、地图显示；
S4.将能见度模型推广至系统中所有摄像头图像数据的能见度判定；
S5.能见度显示、分级预警，并通过显示屏预警提示。
其中，步骤S2所述对比度的计算步骤为：
其中Cx,xi(f)为行向对应像素点的对比度值，f(x)为对应像素点的灰度值，为像素相邻位置的右边像素值，G为图像最大灰度值，min{f(x),f(xi)}为相邻像素最小值；
同理可求出列向对比度；
所述边缘特征的计算步骤为：
通过考察图像的每个像素点，在某个领域内的灰度变化进行梯度值计算，利用边缘临近一阶或者二阶方向导数变化规律，使用边缘检测算子计算出局部梯度值，采用3x3sobel算子(一阶)，其计算出来的局部梯度值可作为梯度幅值
其中F(Gmean)为图像的全局平均梯度，M,N为图像分辨率大小，Gs(i,j)为对应像素的梯度值，能见度高时边缘响应很强烈，反之很弱；
所述POLC指标的计算步骤为：
先将图像划分成m×n的区域，然后计算每一个区域的对比度和图像LAB颜色空间的L通道值作为明度，最后每个区域取均值作商得到POLC
其中Ω(x)是划分区域的大小，m×n是窗口总数，m≤M,n≤N，C(y)是对比度，L(y)是明度。
所述深度学习包括步骤：
选择深度残差网络ResNet模型，选择ResNet50作为网络设计；
网络架构调整与确定：除了摄影头图像数据外，通过天气数据、环境状况数据，以及计算的对比度、边缘特征、POLC指标去辅助网络拟合能见度数据，因此移除最后linear，再重新加入三层linear，在第一层linear时会将辅助信息与网络前面4层layer提取的图像信息融合，再经过一层linear拟合，最后一层linear的神经元依为1代表能见度；
进行网络训练：
S01)、将训练集按8:2比例划分为训练集合验证集，将划分好的训练集再划分，进行4折交叉验证；
S02)、将图像进行数据增广，再将其转换位4-D Tensor，做归一化处理。然后再计算所需的辅助特征。对于辅助的天气数据、环境状况数据做编码转换和归一化；
S03)、将能见度数据归一化后作为标签数据；
S04)、设置相关超参数，包括最大迭代次数、学习率、L2正则系数、学习率衰减系数，使用学习率热启动+余弦退火学习率策略；
S05)、使用Adam作为优化器，为防止网络过拟合加入L2正则作为惩罚项；
S06)、使用MSE Loss作为损失函数监督网络学习；
S07)、迭代训练，每训练完一个epoch会用验证集和测试集进行精度计算，保存训练过程中最好的那一次。
一种基于深度学习的适用于道路能见度的监测的系统，包括：
道路摄像头，用于数据收集；
能见度模型；
数据处理中心，分别与道路摄像头和能见度模型无线传输连接，用于构建道路所有摄影头数据的能见度监测系统和将能见度模型推广至系统中所有摄像头图像数据的能见度判定；
预警信息展示器，与数据处理中心无线传输连接，用于能见度显示、分级预警，并通过显示屏预警提示。
本发明的有益效果：
本发明针对道路长度长、宽度窄的特点，以及目前能见度监测方法的不足，能提供不同路段、道路全程的能见度监测和预警；
本发现充分利用了现有的气象数据、环境数据等免费数据，不但可以为每个摄影头所在的路段的能见度计算提供数据源，而且能为不同路段的精准的交通安全信息和交通安全预警措施；
本发明仅利用监测路段的样本数据，发挥深度学习算法的优势，利用现有的道路摄影头的视频图像、能见度等数据，实现对道路全程能见度的监控，系统成本低，改变了目前道路能见度监测中需要增加大量仪器设备、造价昂贵的现状，经济效益显著。
附图说明
图1为本发明所述系统结构示意图；
图2为本发明所述方法流程图；
图3为利用深度学习方法能见度模型流程图；
图4为ResNet网络中的残差单元示意图；
图5为ResNet50网络架构示意图；
图6为网络架构调整与确定的流程图。
具体实施方式
一种如图1所示的基于深度学习的适用于道路能见度的监测系统，包括：
道路摄像头，用于数据收集；
能见度模型；
数据处理中心，分别与道路摄像头和能见度模型无线传输连接，用于构建道路所有摄影头数据的能见度监测系统和将能见度模型推广至系统中所有摄像头图像数据的能见度判定；
预警信息展示器，与数据处理中心无线传输连接，用于能见度显示、分级预警，并通过显示屏预警提示。
如图2所示，该系统的实现方法包括以下步骤：
S1.数据收集：在监测道路选择不同的典型路况、不同的天气状况下的摄像头捕捉图像，获取对应的天气数据、环境状况数据；
S2.利用深度学习方法构建能见度模型，流程示意图如图3：
数据预处理，获取监测路段摄像头的视频数据，对视频数据进行预处理，每隔t秒提取一幅图像，所提取的摄像图像随时间形成动态的时间序列图像，其中 1≤t≤10；
计算图像的对比度：
其中Cx,xi(f)为行向对应像素点的对比度值，f(x)为对应像素点的灰度值，为像素相邻位置的右边像素值，G为图像最大灰度值，min{f(x),f(xi)}为相邻像素最小值；
同理可求出列向对比度；
计算边缘特征：
通过考察图像的每个像素点，在某个领域内的灰度变化进行梯度值计算，利用边缘临近一阶或者二阶方向导数变化规律，使用边缘检测算子计算出局部梯度值，采用3x3sobel算子(一阶)，其计算出来的局部梯度值可作为梯度幅值
其中F(Gmean)为图像的全局平均梯度，M,N为图像分辨率大小，Gs(i,j)为对应像素的梯度值，能见度高时边缘响应很强烈，反之很弱；
计算POLC(韦伯对比度与明度的比值)指标：
先将M×N的图像划分成m×n的区域，然后计算每一个区域的对比度和图像LAB颜色空间的L通道值作为明度，最后每个区域取均值作商得到POLC
其中Ω(x)是划分区域的大小，m×n是窗口总数，m≤M,n≤N，C(y)是对比度，L(y)是明度。
将以上数据一一对应，并对数据按8：2比例划分为训练集和验证集，进行深度学习：
选择深度残差网络ResNet模型，ResNet模型中含有多个如图4所示的残差单元，选择ResNet50作为网络设计，其网络架构示意图如图5所示；
网络架构调整与确定，流程如图6所示：除了摄影头图像数据外，通过天气数据、环境状况数据，以及计算的对比度、边缘特征、POLC指标去辅助网络拟合能见度数据，因此移除最后linear，再重新加入三层linear，在第一层linear 时会将辅助信息与网络前面4层layer提取的图像信息融合，再经过一层linear 拟合，最后一层linear的神经元依为1代表能见度；
进行网络训练：
S01)、将训练集按8:2比例划分为训练集合验证集，将划分好的训练集再划分，进行4折交叉验证；
S02)、将图像进行数据增广，再将其转换位4-D Tensor，做归一化处理。然后再计算所需的辅助特征。对于辅助的天气数据、环境状况数据做编码转换和归一化；
S03)、将能见度数据归一化后作为标签数据；
S04)、设置相关超参数，包括最大迭代次数、学习率、L2正则系数、学习率衰减系数，使用学习率热启动+余弦退火学习率策略，其中学习率热启动指网络刚开始训练时，设置一定epoch的热启动阶段，让学习率从0开始线性增长到我们设置的初始学习率。在过了热启动阶段的epoch再沿用选择的学习率策略；
S05)、使用Adam作为优化器，为防止网络过拟合加入L2正则作为惩罚项；
S06)、使用MSE Loss作为损失函数监督网络学习；
S07)、迭代训练，每训练完一个epoch会用验证集和测试集进行精度计算，保存训练过程中最好的那一次；
利用训练数据对构建能见度模型训练网络，优化网络，构建能见度模型；
S3.构建道路所有摄影头数据的能见度监测系统：
将道路所有的摄影头利用GIS技术，建立数据库，构建道路能见度的监测系统，实现道路沿线所有摄影头图像的处理、地图显示；
S4.将能见度模型推广至系统中所有摄像头图像数据的能见度判定；
S5.能见度显示、分级预警，并通过显示屏预警提示。
Claims (4)
1.一种基于深度学习的适用于道路能见度的监测方法，其特征在于，包括以下步骤：
S1.数据收集：在监测道路选择不同的典型路况、不同的天气状况下的摄像头捕捉图像，获取对应的天气数据、环境状况数据；
S2.利用深度学习方法构建能见度模型：
数据预处理，获取监测路段摄像头的视频数据，对视频数据进行预处理，每隔t秒提取一幅图像，所提取的摄像图像随时间形成动态的时间序列图像，其中1≤t≤10；
计算图像的对比度、边缘特征、POLC指标；
将以上数据一一对应，进行深度学习；
利用训练数据对构建能见度模型训练网络，优化网络，构建能见度模型；
S3.构建道路所有摄影头数据的能见度监测系统：
将道路所有的摄影头利用GIS技术，建立数据库，构建道路能见度的监测系统，实现道路沿线所有摄影头图像的处理、地图显示；
S4.将能见度模型推广至系统中所有摄像头图像数据的能见度判定；
S5.能见度显示、分级预警，并通过显示屏预警提示。
2.如权利要求1所述的方法，其特征在于，步骤S2所述对比度的计算步骤为：
其中Cx,xi(f)为行向对应像素点的对比度值，f(x)为对应像素点的灰度值，为像素相邻位置的右边像素值，G为图像最大灰度值，min{f(x),f(xi)}为相邻像素最小值；
同理可求出列向对比度；
所述边缘特征的计算步骤为：
通过考察图像的每个像素点，在某个领域内的灰度变化进行梯度值计算，利用边缘临近一阶或者二阶方向导数变化规律，使用边缘检测算子计算出局部梯度值，采用3x3 sobel算子(一阶)，其计算出来的局部梯度值可作为梯度幅值
其中F(Gmean)为图像的全局平均梯度，M,N为图像分辨率大小，Gs(i,j)为对应像素的梯度值，能见度高时边缘响应很强烈，反之很弱；
所述POLC指标的计算步骤为：
先将图像划分成m×n的区域，然后计算每一个区域的对比度和图像LAB颜色空间的L通道值作为明度，最后每个区域取均值作商得到POLC
其中Ω(x)是划分区域的大小，m×n是窗口总数，m≤M,n≤N，C(y)是对比度，L(y)是明度。
3.如权利要求1所述的方法，其特征在于，其中所述深度学习包括步骤：
选择深度残差网络ResNet模型，选择ResNet50作为网络设计；
网络架构调整与确定：除了摄影头图像数据外，通过天气数据、环境状况数据，以及计算的对比度、边缘特征、POLC指标去辅助网络拟合能见度数据，因此移除最后linear，再重新加入三层linear，在第一层linear时会将辅助信息与网络前面4层layer提取的图像信息融合，再经过一层linear拟合，最后一层linear的神经元依为1代表能见度；
进行网络训练：
S01)、将训练集按8:2比例划分为训练集合验证集，将划分好的训练集再划分，进行4折交叉验证；
S02)、将图像进行数据增广，再将其转换位4-D Tensor，做归一化处理。然后再计算所需的辅助特征。对于辅助的天气数据、环境状况数据做编码转换和归一化；
S03)、将能见度数据归一化后作为标签数据；
S04)、设置相关超参数，包括最大迭代次数、学习率、L2正则系数、学习率衰减系数，使用学习率热启动+余弦退火学习率策略；
S05)、使用Adam作为优化器，为防止网络过拟合加入L2正则作为惩罚项；
S06)、使用MSE Loss作为损失函数监督网络学习；
S07)、迭代训练，每训练完一个epoch会用验证集和测试集进行精度计算，保存训练过程中最好的那一次。
4.一种基于深度学习的适用于道路能见度的监测的系统，其特征在于，包括：
道路摄像头，用于数据收集；
能见度模型；
数据处理中心，分别与道路摄像头和能见度模型无线传输连接，用于构建道路所有摄影头数据的能见度监测系统和将能见度模型推广至系统中所有摄像头图像数据的能见度判定；
预警信息展示器，与数据处理中心无线传输连接，用于能见度显示、分级预警，并通过显示屏预警提示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911156001.4A CN110849807B (zh) | 2019-11-22 | 2019-11-22 | 一种基于深度学习的适用于道路能见度的监测方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911156001.4A CN110849807B (zh) | 2019-11-22 | 2019-11-22 | 一种基于深度学习的适用于道路能见度的监测方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110849807A true CN110849807A (zh) | 2020-02-28 |
| CN110849807B CN110849807B (zh) | 2023-11-24 |
Family
ID=69603733
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911156001.4A Active CN110849807B (zh) | 2019-11-22 | 2019-11-22 | 一种基于深度学习的适用于道路能见度的监测方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110849807B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111160538A (zh) * | 2020-04-02 | 2020-05-15 | 北京精诊医疗科技有限公司 | 一种损失函数中margin参数值的更新方法和系统 |
| CN111967332A (zh) * | 2020-07-20 | 2020-11-20 | 禾多科技（北京）有限公司 | 用于自动驾驶的能见度信息生成方法和装置 |
| CN112017243A (zh) * | 2020-08-26 | 2020-12-01 | 大连信维科技有限公司 | 一种介质能见度识别方法 |
| CN112016558A (zh) * | 2020-08-26 | 2020-12-01 | 大连信维科技有限公司 | 一种基于图像质量的介质能见度识别方法 |
| CN112329622A (zh) * | 2020-11-05 | 2021-02-05 | 山东交通学院 | 夜间能见度检测与能见度等级划分预警方法 |
| CN113128581A (zh) * | 2021-04-13 | 2021-07-16 | 天津市滨海新区气象局(天津市滨海新区气象预警中心) | 基于机器学习的能见度检测方法、装置、系统和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105512623A (zh) * | 2015-12-02 | 2016-04-20 | 吉林大学 | 基于多传感器雾天行车视觉增强与能见度预警系统及方法 |
| CN106097744A (zh) * | 2016-08-15 | 2016-11-09 | 山东交通学院 | 一种基于gis系统的高速公路团雾实时监测系统及方法 |
| CN107274383A (zh) * | 2017-05-17 | 2017-10-20 | 南京邮电大学 | 一种基于深度学习的雾霾能见度检测方法 |
| CN107705330A (zh) * | 2017-09-30 | 2018-02-16 | 安徽省公共气象服务中心 | 基于道路摄像头的能见度智能估测方法 |
-
2019
- 2019-11-22 CN CN201911156001.4A patent/CN110849807B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105512623A (zh) * | 2015-12-02 | 2016-04-20 | 吉林大学 | 基于多传感器雾天行车视觉增强与能见度预警系统及方法 |
| CN106097744A (zh) * | 2016-08-15 | 2016-11-09 | 山东交通学院 | 一种基于gis系统的高速公路团雾实时监测系统及方法 |
| CN107274383A (zh) * | 2017-05-17 | 2017-10-20 | 南京邮电大学 | 一种基于深度学习的雾霾能见度检测方法 |
| CN107705330A (zh) * | 2017-09-30 | 2018-02-16 | 安徽省公共气象服务中心 | 基于道路摄像头的能见度智能估测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘南辉 等: "一种支持向量机和数字图像相结合的能见度检测算法", 《福州大学学报( 自然科学版)》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111160538A (zh) * | 2020-04-02 | 2020-05-15 | 北京精诊医疗科技有限公司 | 一种损失函数中margin参数值的更新方法和系统 |
| CN111160538B (zh) * | 2020-04-02 | 2020-09-01 | 北京精诊医疗科技有限公司 | 一种损失函数中margin参数值的更新方法和系统 |
| CN111967332A (zh) * | 2020-07-20 | 2020-11-20 | 禾多科技（北京）有限公司 | 用于自动驾驶的能见度信息生成方法和装置 |
| CN111967332B (zh) * | 2020-07-20 | 2021-08-31 | 禾多科技（北京）有限公司 | 用于自动驾驶的能见度信息生成方法和装置 |
| CN112017243A (zh) * | 2020-08-26 | 2020-12-01 | 大连信维科技有限公司 | 一种介质能见度识别方法 |
| CN112016558A (zh) * | 2020-08-26 | 2020-12-01 | 大连信维科技有限公司 | 一种基于图像质量的介质能见度识别方法 |
| CN112329622A (zh) * | 2020-11-05 | 2021-02-05 | 山东交通学院 | 夜间能见度检测与能见度等级划分预警方法 |
| CN113128581A (zh) * | 2021-04-13 | 2021-07-16 | 天津市滨海新区气象局(天津市滨海新区气象预警中心) | 基于机器学习的能见度检测方法、装置、系统和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110849807B (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110849807B (zh) | 一种基于深度学习的适用于道路能见度的监测方法与系统 | |
| CN109948471B (zh) | 基于改进InceptionV4网络的交通雾霾能见度检测方法 | |
| CN101957309A (zh) | 一种能见度的全天候视频测量方法 | |
| CN104809707A (zh) | 一种单幅雾天图像能见度估计方法 | |
| CN107506729B (zh) | 一种基于深度学习的能见度检测方法 | |
| CN102509102A (zh) | 基于图像学习的能见度测量方法 | |
| CN111415533B (zh) | 弯道安全预警监控方法、装置以及系统 | |
| CN105261018A (zh) | 基于光学模型和暗原色先验理论的能见度检测方法 | |
| CN108760740A (zh) | 一种基于机器视觉的路面抗滑性能快速检测方法 | |
| CN108875794A (zh) | 一种基于迁移学习的图像能见度检测方法 | |
| CN112800913A (zh) | 一种基于多源特征融合的路面损伤数据时空分析方法 | |
| CN110826412B (zh) | 高速公路能见度检测系统和方法 | |
| CN111079734B (zh) | 铁路货车三角孔异物检测方法 | |
| CN109214331B (zh) | 一种基于图像频谱的交通雾霾能见度检测方法 | |
| CN112329533A (zh) | 一种基于图像分割的局部路面附着系数估计方法 | |
| Li et al. | A novel evaluation method for pavement distress based on impact of ride comfort | |
| CN110503634B (zh) | 基于图像自动识别的能见度测量方法 | |
| Vaibhav et al. | Real-time fog visibility range estimation for autonomous driving applications | |
| CN107705330B (zh) | 基于道路摄像头的能见度智能估测方法 | |
| CN116110210B (zh) | 复杂环境下数据驱动的滑坡灾害辅助决策方法 | |
| CN115100577A (zh) | 基于神经网络的能见度识别方法及系统、电子设备、存储介质 | |
| Husain et al. | VRHAZE: The simulation of synthetic haze based on visibility range for dehazing method in single image | |
| CN115691049A (zh) | 一种基于深度学习的对流初生预警方法 | |
| CN113762020B (zh) | 一种基于矩阵结构深度神经网络的公路路面裂缝检测系统 | |
| Zhao et al. | Visibility video detection with dark channel prior on highway |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |