CN112733728A - 一种能见度边缘计算方法、装置、电子设备及存储介质 - Google Patents
一种能见度边缘计算方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112733728A CN112733728A CN202110038180.2A CN202110038180A CN112733728A CN 112733728 A CN112733728 A CN 112733728A CN 202110038180 A CN202110038180 A CN 202110038180A CN 112733728 A CN112733728 A CN 112733728A
- Authority
- CN
- China
- Prior art keywords
- data
- visibility
- target
- network model
- predicted
- 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.)
- Withdrawn
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 108
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 56
- 230000004913 activation Effects 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 13
- 230000001537 neural effect Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 5
- 238000000034 method Methods 0.000 abstract description 15
- 230000008569 process Effects 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 230000003287 optical effect Effects 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000005259 measurement Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 13
- 238000001514 detection method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术领域,提供一种能见度边缘计算方法、装置、电子设备及存储介质,方法包括:采集训练数据集,所述训练数据集包括天气的视频训练数据;将所述训练数据集中的所述天气的视频训练数据输入到预设的LSTM网络模型中进行训练,得到目标LSTM网络模型;获取待预测天气视频数据,基于时间序列,通过所述目标LSTM网络模型对所述待预测天气视频数据进行能见度数据边缘预测,得到目标能见度数据。基于时间序列进行预测可以加强能见度在连续且实时的时间上呈现出的关联性,且将大气光学分析与图像处理及人工智能技术结合,提高了对能见度测量的精度,实现了一定时间序列上的能见度预测;同时,此过程无需激光测距设备,能够降低设备成本。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种能见度边缘计算方法、装置、电子设备及存储介质。
背景技术
能见度是气象、公路行车、飞机飞行中常见指标,单位通常是米。影响能见度的因素主要是雾和霾。众所周知,能见度对高速公路行车安全非常重要,当能见度很低时,为了行车安全,高速公路管理者通常的做法是封路。而在航空领域,习惯用跑道能见度反映机场附近雾和霾的大小,其定义为在跑道的一端沿跑道方向能辨认出跑道或接近跑道的目标物(夜间为跑道边灯)的最大距离。激光能见度仪是常用的检测能见度的仪器。目前,我国高速路网已逐步形成,若大量使用激光能见度仪对全国高速路网进行全覆盖将耗资巨大,同时激光能见度仪还存在对团雾检测精度不高、探测的范围很小、维护成本高等不足。
近年来,基于视频的路况(跑道)能见度检测方法受到人们的关注,它某种程度上克服了激光能见度仪的不足。视频能见度检测方法是将大气光学分析与图像处理及人工智能技术结合,通过对视频图像的分析处理,建立视频图像与真实场景之间的关系,再根据图像特征的变化,间接计算出能见度数值。最相近的技术方案是利用传统的图像处理技术进行能见度估计。总的来说,传统图像算法框架第一步对原始图像(从摄像头拍取的视频截图或者抽帧图像)进行灰度化和滤波处理;第二步进行图像兴趣域检测,去除天空,利用图像处理算子进行边缘检测、增强线条和景深提取和道路边缘拟合;第三步进行能见度估计,其中摄像机角度标定和成像建模是关键,利用摄像机的角度进行标定,根据角度和相关景深再利用公式计算出能见度。但现有的基于视频图像的能见度检测方法,由于是间接计算,很难准确地估算能见度。且只选取少量视频、截取图像中的某些固有特征进行估计,并没有充分利用视频的连续信息,因此,存在估计的精度不高的问题。
发明内容
本发明实施例提供一种能见度边缘计算方法,能够提高预测能见度的准确度。
第一方面,本发明实施例提供一种能见度边缘计算方法,包括以下步骤:
采集训练数据集,所述训练数据集包括天气的视频训练数据;
将所述训练数据集中的所述天气的视频训练数据输入到预设的LSTM网络模型中进行训练,得到目标LSTM网络模型;
获取待预测天气视频数据,基于时间序列,通过所述目标LSTM网络模型对所述待预测天气视频数据进行能见度数据边缘预测,得到目标能见度数据。
可选的,所述采集训练数据集的步骤包括:
通过图像采集设备采集天气的视频训练数据,并对所述视频训练数据进行图像抽帧;
采集与时间顺序对应的视频数据的初始能见度数据,并根据所述初始能见度数据对抽帧后对应的图像进行数据清洗及标注,得到所述训练数据集。
可选的,所述得到目标LSTM网络模型的步骤之后,方法还包括步骤:
将所述目标LSTM网络模型部署在图像采集设备的板端。
可选的,所述获取待预测天气视频数据,基于时间序列,通过所述目标LSTM网络模型对所述待预测天气视频数据进行能见度数据边缘预测,得到目标能见度数据的步骤包括:
通过所述图像采集设备采集预设时间段的待预测天气视频数据;
基于所述时间序列,通过部署在所述图像采集设备的板端的所述目标LSTM网络模型对所述待预测天气视频数据进行边缘能见度数据预测,得到所述目标能见度数据。
可选的,所述目标LSTM网络模型包括输入门、遗忘门以及输出门,
所述基于所述时间序列,通过部署在所述图像采集设备的板端的所述目标LSTM网络模型对所述待预测天气视频数据进行边缘能见度数据预测的步骤包括:
基于所述时间序列,获取上一预设时间段的输出数据以及当前的待预测天气视频数据作为所述遗忘门的第一输入数据,根据第一激活函数对所述遗忘门的第一输入数据进行计算,选择对上一预设时间段的神经网络单元状态更新时遗忘状态;
将上述上一预设时间段的输出数据以及所述当前的待预测天气视频数据作为所述输入门的第二输入数据,通过所述第一激活函数以及第二激活函数对输入门的第二输入数据进行计算,选择对所述上一预设时间段的神经网络单元状态更新时新记忆的状态;
根据所述需要遗忘的状态与所述新记忆的状态对上一预设时间段的神经网络单元状态进行更新得到当前神经单元状态;
通过所述第一激活函数对所述输出门的所述当前神经单元状态进行过滤,并通过所述第二激活函数进行数据处理,得到目标输出信息;
根据所述上一预设时间段的输出数据、所述当前的待预测天气视频数据以及所述目标输出信息进行运算,输出与所述当前预设时间段对应的所述目标能见度数据。
第二方面,本发明实施例提供一种能见度边缘计算装置,包括:
采集模块,用于采集训练数据集,所述训练数据集包括天气的视频训练数据;
训练模块,用于将所述训练数据集中所述天气的视频训练数据输入到预设的LSTM网络模型中进行训练,得到目标LSTM网络模型;
预测模块,用于获取待预测天气视频数据,基于时间序列,通过所述目标LSTM网络模型进行能见度数据边缘预测,得到目标能见度数据。
可选的,所述采集模块包括:
第一采集子模块,用于通过图像采集设备采集天气的视频训练数据,并对所述视频训练数据进行图像抽帧;
标记子模块,用于采集与时间顺序对应的视频数据的初始能见度数据,并根据所述初始能见度数据对抽帧后对应的图像进行数据清洗及标注,得到所述训练数据集。
可选的,所述装置还包括:
部署模块,用于将所述目标LSTM网络模型部署在图像采集设备的板端集。
第三方面,本发明实施例还提供一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述实施例提供的能见度边缘计算方法中的步骤。
第四方面,一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现所述实施例提供的能见度边缘计算方法中的步骤。
本发明实施例中,通过采集训练数据集,所述训练数据集包括天气的视频训练数据;将所述训练数据集中的所述天气的视频训练数据输入到预设的LSTM网络模型中进行训练,得到目标LSTM网络模型;获取待预测天气视频数据,基于时间序列,通过所述目标LSTM网络模型对所述待预测天气视频数据进行能见度数据边缘预测,得到目标能见度数据。通过采集训练数据集以对LSTM网络模型进行训练后,将得到的目标LSTM网络模型基于时间序列对待预测天气视频数据进行能见度数据的测量,并根据能见度数据进行边缘计算,基于时间序列进行计算可以加强能见度在连续且实时时间段上的关联性,且将大气光学分析与图像处理及人工智能技术结合,提高了对能见度测量的精度,实现了一定时间序列上的能见度预测;且此过程无需激光测距设备,大大降低了成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种能见度边缘计算方法的流程图;
图1a是本发明实施例提供的另一种能见度边缘计算方法的流程图;
图2是本发明实施例提供的另一种能见度边缘计算方法的流程图;
图3是本发明实施例提供的目标LSTM网络模型的结构示意图;
图4是本发明实施例提供的一种能见度边缘计算装置的结构示意图;
图5是本发明实施例提供的另一种能见度边缘计算装置的结构示意图;
图6是本发明实施例提供的另一种能见度边缘计算装置的结构示意图;
图7是本发明实施例提供的另一种能见度边缘计算装置的结构示意图;
图8是本发明实施例提供的另一种能见度边缘计算装置的结构示意图;
图9是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,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。
本申请的说明书和权利要求书及附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
如图1所示,图1是本发明实施例提供的一种能见度边缘计算方法的流程图,该能见度边缘计算方法包括以下步骤:
101、采集训练数据集,训练数据集包括天气的视频训练数据。
在本实施例中,上述提供的一种能见度边缘计算方法可以运用在气象、公路行驶、飞机飞向等常见的场景中,通过精准的预测能见度能够为各种对能见度要求较高的场景提供安全指导。且上述能见度边缘计算方法运行于其上的电子设备可以通过有线连接方式或者无线连接方式采集训练数据集,以及用于能见度边缘计算过程中的数据传输等。上述无线连接方式可以包括但不限于3G/4G连接、WiFi(Wireless-Fidelity)连接、蓝牙连接、WiMAX(Worldwide Interoperability for Microwave Access)连接、Zigbee(低功耗局域网协议,又称紫峰协议)连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
其中,训练数据集可以是包括用于对预设的LSTM(Long Short-Term Memory)网络模型进行反复多次训练的天气观测数据,天气观测数据可以是针对天气状况所采集天气的视频训练数据。采集训练数据集可以通过图像采集设备实现,图像采集设备可以是部署在需要进行数据采集的场景中的摄像头或者配置有摄像头,可以实现图像采集、存储、识别等功能的电子设备。
具体的,采集到上述的天气的视频训练数据后,可以对天气的视频训练数据进行图像抽帧处理,根据视频的时间变化测量该场景准确的初始能见度数据。然后根据初始能见度数据将对应的视频训练数据像进行数据清洗及标注,当完成所有视频训练数据清洗及标注后进行集合,便可以得到上述的训练数据集。
102、将训练数据集中的天气的视频训练数据输入到预设的LSTM网络模型中进行训练,得到目标LSTM网络模型。
其中,当完成所有视频训练数据清洗及标注后进行集合得到训练数据集后,可以将训练数据集中的天气的视频训练数据输入到预设的LSTM网络模型中,对模型进行反复训练,提高模型的计算能力。完成对LSTM网络模型训练后得到的模型即为目标LSTM网络模型。上述的目标LSTM网络模型训练完成之后可以将其部署在摄像头板端,即将目标LSTM网络模型部署在摄像头的控制芯片当中。
上述的LSTM网络模型可以称为长短期记忆网络,是一种特殊的神经网络(Recurrent Neural Network,RNN),它和传统RNN网络唯一的不同就在与其中的神经元(感知机)的构造不同,能够学习长期的规律。LSTM网络旨在避免长期依赖性的问题,所有递归神经网络都具有神经网络重复模块链的形式。LSTM网络模型的特点就是在RNN结构的基础上添加三类阀门节点,分别是遗忘阀门(forget gate)、输入阀门(input gate)和输出阀门(output gate)。这些阀门用于判断模型网络的记忆态(神经网络单元的状态)在该层输出的结果是否达到阈值从而加入到当前该层的计算中,且每一层包括阀门节点的权重都会在每一次模型反向传播训练过程中更新。
103、获取待预测天气视频数据,基于时间序列,通过目标LSTM网络模型对待预测天气视频数据进行能见度数据边缘预测,得到目标能见度数据。
其中,上述待预测天气视频数据可以是通过摄像头采集到的天气的视频数据,例如:高速路上布置的摄像头采集到的高速公路天气视频数据。上述的时间序列可以表示根据时间的先后顺序,通过目标LSTM网络模型对待预测天气视频数据进行能见度数据边缘预测。目标LSTM网络模型为已经的训练好的模型,获取到待预测天气视频数据后可以直接将上述的待预测天气视频数据输入到目标LSTM网络模型进行能见度数据边缘预测,最终会输出上述目标能见度数据。
具体的,参考图1a所示,其中,数据集制作即训练数据集采集,深度学习训练模型搭建即搭建上述的LSTM网络模型。数据集制作好之后可以对搭建好的LSTM网络模型进行训练,得到目标LSTM网络模型,并将目标LSTM网络模型部署在摄像头板端进行待预测天气视频数据采集以及对待预测天气视频数据进行目标能见度数据预测。
在本发明实施例中,通过采集训练数据集,训练数据集包括天气的视频训练数据;将训练数据集中的天气的视频训练数据输入到预设的LSTM网络模型中进行训练,得到目标LSTM网络模型;获取待预测天气视频数据,基于时间序列,通过目标LSTM网络模型进行能见度数据边缘预测,得到目标能见度数据。通过采集训练数据集以对LSTM网络模型进行训练后,将得到的目标LSTM网络模型基于时间序列对待预测天气视频数据进行能见度数据的测量,并根据能见度数据进行边缘计算,基于时间序列进行预测可以加强能见度在连续且实时的时间上呈现出的关联性,且将大气光学分析与图像处理及人工智能技术结合,提高了对能见度测量的精度,实现了一定时间序列上的能见度预测;同时,此过程无需激光测距设备,大大降低了成本。
如图2所示,图2是本发明实施例提供的另一种能见度边缘计算方法的流程图,具体包括以下步骤:
201、采集训练数据集,训练数据集包括天气的视频训练数据。
202、将训练数据集中天气的视频训练数据输入到预设的LSTM网络模型中进行训练,得到目标LSTM网络模型。
203、通过图像采集设备采集预设时间段的待预测天气视频数据。
其中,上述的预设时间段可以是一个固定的时间段,一天当中可以连续存在多个预设时间段,相邻时间段可以是连续的,例如:一个小时为一个预设时间段,则一天对应有24个预设时间段。待预测天气视频数据可以通过摄像头采集预设时间段的待预测天气视频数据,在待预测天气视频数据中可以包括有天空、公路、指示牌、车辆等物体。
204、基于时间序列,获取上一预设时间段的输出数据以及当前的待预测天气视频数据作为遗忘门的第一输入数据,根据第一激活函数对遗忘门的第一输入数据进行计算,选择对上一预设时间段的神经网络单元状态更新时遗忘状态。
其中,参考图3所示,目标LSTM网络模型包括输入门、遗忘门以及输出门,目标LSTM网络模型通过“门”(gate)来控制丢弃或者增加信息,从而实现遗忘或记忆的功能。“门”是一种使信息选择性通过的结构,由一个gmoid函数和一个点乘操作组成。遗忘门执行的功能具体是通过sigmoid神经层来实现的,sigmoid神经层的sigmoid函数的输出值在[0,1]区间,0代表完全丢弃,1代表完全通过,通过sigmoid函数输出的值也可以称为权重。Sigmoid函数是一个在生物学中常见的S型函数,也称为S型生长曲线。在信息科学中,由于其单增以及反函数单增等性质,Sigmoid函数常被用作神经网络的阈值函数,将变量映射到[0,1]之间。在目标LSTM网络模型中还包括窥视孔,也即是每个门都可以“窥探”到神经网络单元状态。其中,遗忘门和输入门是与上一神经网络单元状态建立连接,而输出门是与当前神经网络单元状态建立连接。
在本发明实施例中,基于时间序列进行能见度预测可以加强能见度在时间上的关联性。继续参考图3所示,上述的第一激活函数即Sigmoid函数。上述的遗忘门是的第一输入数据是ht-1(上一预设时间段的输出数据)和xt(待预测天气视频数据),输出是一个数值都在[0,1]之间的向量(向量长度和神经单元的状态Ct-1一样),表示Ct-1的各部分信息通过的比重,来控制上一神经网络单元状态被遗忘的程度。0表示“不让任何信息通过”,1表示“让所有信息通过”。经过Sigmoid函数计算后,可以得到Ct-1各部分信息被遗忘的程度,也即是上述的遗忘状态。具体的,Sigmoid函数的计算公式如下式子(1)所示:
ft=σ(Wf)·[ht-1,xt]+bf (1)
其中,σ、Wf以及bf为已知的遗忘门Sigmoid函数的函数参数,ft为Sigmoid函数的输出值。
205、将上一预设时间段的输出数据以及当前的待预测天气视频数据作为输入门的第二输入数据,通过第一激活函数以及第二激活函数对输入门的第二输入数据进行计算,选择对上一预设时间段的神经网络单元状态更新时新记忆的状态。
其中,上述输入门同样通过上述Sigmoid层中的Sigmoid函数进行实现,且为控制哪些新记忆的状态需要加入,可以同时通过Sigmoid函数和一个tanh函数(双曲正切函数,值域为(-1,1))配合控制,其中,Sigmoid函数作为第一激活函数,tanh函数作为第二激活函数。
具体的,将上一预设时间段的输出数据ht-1和待预测天气视频数据xt作为输入门的第二输入数据,结合已知的输入门Sigmoid函数的函数参数σ、Wi以及bi便可以得到输入门的一个输出值it,具体参考以下式子(2)所示。
it=σ(Wi·[ht-1,xt]+bi) (2)
206、根据遗忘状态与新记忆的状态对上一预设时间段的神经网络单元状态进行更新得到当前神经单元状态。
其中,计算得到上述ft、it、之后,便能够对神经网络单元状态进行更新,即把Ct-1更新为Ct。将ft与Ct-1进行相乘,把一些不想保留的信息遗忘掉;然后将it与进行相乘,选取要添加的新记忆的信息,最后将分别相乘的部分进行求和,得到当前神经单元状态Ct,具体参考如下式子(4)所示:
207、通过第一激活函数对输出门的当前神经单元状态进行过滤,并通过第二激活函数进行数据处理,得到目标输出信息。
其中,输出门用来控制当前神经单元状态需要过滤状态。可以先将当前神经单元状态激活,可以通过一个sigmoid层的sigmoid函数为其中每一项产生一个在[0,1]内的值,控制当前神经单元状态需要过滤状态。然后将通过sigmoid函数计算之后得到的数据输入到tanh函数进行计算,输出得到上述的目标输出信息tanh(Ct),目标输出信息为一个在-1至1之间的值。
208、根据上一预设时间段的输出数据、当前的待预测天气视频数据以及目标输出信息进行运算,输出与当前预设时间段对应的目标能见度数据。
在输出门中,可以将上一预设时间段的输出数据、当前的待预测天气视频数据以及目标输出信息作为输入数据,先通过一个sigmoid函数根据上一预设时间段的输出数据和当前的待预测天气视频数据计算得到其在当前权重神经单元状态的权重Ot,具体参考以下式子(5)所示,其中,σ、Wo以及bo为已知参数。最后,可以将计算得到的权重Ot与目标输出信息tanh(Ct)进行相乘,参考式子(6),最后得到的输出结果即为目标能见度数据ht。
ot=σ(WO·[ht-1,xt]+bo) (5)
ht=ot*tanh(Ct) (6)
在本发明实施例中,通过目标LSTM网络模型基于时间序列对待预测天气视频数据进行能见度数据的测量,并根据能见度数据进行边缘计算,基于时间序列进行预测可以加强能见度在连续且实时的时间段上呈现出的变化,且将大气光学分析与图像处理及人工智能技术结合,提高了对能见度测量的精度,实现了一定时间序列上的能见度预测;同时,此过程无需激光测距设备,大大降低了成本。
如图4所示,图4是本发明实施例提供的一种能见度边缘计算装置的结构示意图,上述能见度边缘计算装置400包括:
采集模块401,用于采集训练数据集,训练数据集包括天气的视频训练数据;
训练模块402,用于将训练数据集中天气的视频训练数据输入到预设的LSTM网络模型中进行训练,得到目标LSTM网络模型;
预测模块403,用于获取待预测天气视频数据,基于时间序列,通过目标LSTM网络模型进行能见度数据边缘预测,得到目标能见度数据。
可选的,如图5所示,图5是本发明实施例提供的另一种能见度边缘计算装置的结构示意图,采集模块401包括:
第一采集子模块4011,用于通过图像采集设备采集天气的视频训练数据,并对视频数据进行图像抽帧;
标记子模块4012,用于采集与时间顺序对应的视频数据的初始能见度数据,并根据初始能见度数据对抽帧后对应的图像进行数据清洗及标注,得到训练数据集。
可选的,如图6所示,图6是本发明实施例提供的另一种能见度边缘计算装置的结构示意图,装置400还包括:
部署模块404,用于将目标LSTM网络模型部署在图像采集设备的板端集。
可选的,如图7所示,图7是本发明实施例提供的另一种能见度边缘计算装置的结构示意图,预测模块403包括:
第二采集子模块4031,用于通过图像采集设备采集预设时间段的待预测天气视频数据;
预测子模块4032,用于基于时间序列,通过部署在图像采集设备的板端的目标LSTM网络模型对待预测天气视频数据进行边缘能见度数据预测,得到目标能见度数据。
可选的,目标LSTM网络模型包括输入门、遗忘门以及输出门,如图8所示,图8是本发明实施例提供的另一种能见度边缘计算装置的结构示意图,预测子模块4032包括:
第一计算子单元40321,用于基于时间序列,获取上一预设时间段的输出数据以及当前的待预测天气视频数据作为遗忘门的第一输入数据,根据第一激活函数对遗忘门的第一输入数据进行计算,选取对上一预设时间段的神经网络单元状态进行更新时的遗忘状态;
第二计算子单元40322,用于将上述上一预设时间段的输出数据以及当前的待预测天气视频数据作为输入门的第二输入数据,通过第一激活函数以及第二激活函数对输入门的第二输入数据进行计算,选取对上一预设时间段的神经网络单元状态更新时的新记忆的状态;
更新子单元40323,用于根据遗忘状态与新记忆的状态对上一预设时间段的神经网络单元状态进行更新得到当前神经单元状态;
过滤子单元40324,用于通过第一激活函数对输出门的当前神经单元状态进行过滤,并通过第二激活函数进行数据处理,得到目标输出信息;
第三计算子单元40325,用于根据上一预设时间段的输出数据、当前的待预测天气视频数据以及目标输出信息进行运算,输出与当前预设时间段对应的目标能见度数据。
如图9所示,图9是本发明实施例提供的一种电子设备的结构示意图,该电子设备900包括:处理器901、存储器902、网络接口903及存储在存储器902上并可在处理器901上运行的计算机程序,处理器901执行计算机程序时实现实施例提供的能见度边缘计算方法中的步骤。
具体的,处理器901用于执行以下步骤:
采集训练数据集,训练数据集包括天气的视频训练数据;
将训练数据集中的天气的视频训练数据输入到预设的LSTM网络模型中进行训练,得到目标LSTM网络模型;
获取待预测天气视频数据,基于时间序列,通过目标LSTM网络模型对待预测天气视频数据进行能见度数据边缘预测,得到目标能见度数据。
可选的,处理器901执行的采集训练数据集的步骤包括:
通过图像采集设备采集天气的视频训练数据,并对视频数据进行图像抽帧;
采集与时间顺序对应的视频数据的初始能见度数据,并根据初始能见度数据对抽帧后对应的图像进行数据清洗及标注,得到训练数据集。
可选的,得到目标LSTM网络模型的步骤之后,处理器901还用于执行:
将目标LSTM网络模型部署在图像采集设备的板端。
可选的,处理器901执行的获取待预测天气视频数据,基于时间序列,通过目标LSTM网络模型对待预测天气视频数据进行能见度数据边缘预测,得到目标能见度数据的步骤包括:
通过图像采集设备采集预设时间段的待预测天气视频数据;
基于时间序列,通过部署在图像采集设备的板端的目标LSTM网络模型对待预测天气视频数据进行边缘能见度数据预测,得到目标能见度数据。
可选的,目标LSTM网络模型包括输入门、遗忘门以及输出门,处理器901执行的基于时间序列,通过部署在图像采集设备的板端的目标LSTM网络模型对待预测天气视频数据进行边缘能见度数据预测的步骤包括:
基于时间序列,获取上一预设时间段的输出数据以及当前的待预测天气视频数据作为遗忘门的第一输入数据,根据第一激活函数对遗忘门的第一输入数据进行计算,选取对上一预设时间段的神经网络单元状态进行更新时的遗忘状态;
将上述上一预设时间段的输出数据以及当前的待预测天气视频数据作为输入门的第二输入数据,通过第一激活函数以及第二激活函数对输入门的第二输入数据进行计算,选取对上一预设时间段的神经网络单元状态更新时的新记忆的状态;
根据遗忘状态与新记忆的状态对上一预设时间段的神经网络单元状态进行更新得到当前神经单元状态;
通过第一激活函数对输出门的当前神经单元状态进行过滤,并通过第二激活函数进行数据处理,得到目标输出信息;
根据上一预设时间段的输出数据、当前的待预测天气视频数据以及目标输出信息进行运算,输出与当前预设时间段对应的目标能见度数据。
本发明实施例提供的电子设备900能够实现能见度边缘计算方法实施例中的各个实施方式,以及相应有益效果,为避免重复,这里不再赘述。
需要指出的是,图中仅示出了具有组件的901-903,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的电子设备900是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
上述的电子设备900包括但不限于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。电子设备可以与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
存储器902至少包括一种类型的可读存储介质,可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器902可以是电子设备900的内部存储单元,例如该电子设备900的硬盘或内存。在另一些实施例中,存储器902也可以是电子设备900的外部存储设备,例如该电子设备900上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器902还可以既包括电子设备900的内部存储单元也包括其外部存储设备。本实施例中,存储器902通常用于存储安装于电子设备900的操作系统和各类应用软件,例如:能见度边缘计算方法的程序代码等。此外,存储器902还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器901在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器901通常用于控制电子设备900的总体操作。本实施例中,处理器901用于运行存储器902中存储的程序代码或者处理数据,例如运行能见度边缘计算方法的程序代码。
网络接口903可包括无线网络接口或有线网络接口,该网络接口903通常用于在电子设备与其他电子设备之间建立通信连接。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器901执行时实现实施例提供的能见度边缘计算方法中的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本领域普通技术人员可以理解实现实施例能见度边缘计算方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如各方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存取存储器(Random AccessMemory,简称RAM)等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种能见度边缘计算方法,其特征在于,包括以下步骤:
采集训练数据集,所述训练数据集包括天气的视频训练数据;
将所述训练数据集中的所述天气的视频训练数据输入到预设的LSTM网络模型中进行训练,得到目标LSTM网络模型;
获取待预测天气视频数据,基于时间序列,通过所述目标LSTM网络模型对所述待预测天气视频数据进行能见度数据边缘预测,得到目标能见度数据。
2.如权利要求1所述的能见度边缘计算方法,其特征在于,所述采集训练数据集的步骤包括:
通过图像采集设备采集所述天气的视频训练数据,并对所述天气的视频训练数据进行图像抽帧;
采集与时间顺序对应的视频数据的初始能见度数据,并根据所述初始能见度数据对抽帧后对应的图像进行数据清洗及标注,得到所述训练数据集。
3.如权利要求2所述的能见度边缘计算方法,其特征在于,所述得到目标LSTM网络模型的步骤之后,还包括步骤:
将所述目标LSTM网络模型部署在所述图像采集设备的板端。
4.如权利要求3所述的能见度边缘计算方法,其特征在于,所述获取待预测天气视频数据,基于时间序列,通过所述目标LSTM网络模型对所述待预测天气视频数据进行能见度数据边缘预测,得到目标能见度数据的步骤包括:
通过所述图像采集设备采集预设时间段的待预测天气视频数据;
基于所述时间序列,通过部署在所述图像采集设备的板端的所述目标LSTM网络模型对所述待预测天气视频数据进行边缘能见度数据预测,得到所述目标能见度数据。
5.如权利要求4所述的能见度边缘计算方法,其特征在于,所述目标LSTM网络模型包括输入门、遗忘门以及输出门,
所述基于所述时间序列,通过部署在所述图像采集设备的板端的所述目标LSTM网络模型对所述待预测天气视频数据进行边缘能见度数据预测的步骤包括:
基于所述时间序列,获取上一预设时间段的输出数据以及当前的待预测天气视频数据作为所述遗忘门的第一输入数据,根据第一激活函数对所述遗忘门的第一输入数据进行计算,选取对上一预设时间段的神经网络单元状态进行更新时的遗忘状态;
将上述上一预设时间段的输出数据以及所述当前的待预测天气视频数据作为所述输入门的第二输入数据,通过所述第一激活函数以及第二激活函数对所述输入门的第二输入数据进行计算,选取对所述上一预设时间段的神经网络单元状态更新时的新记忆的状态;
根据所述遗忘状态与所述新记忆的状态对上一预设时间段的神经网络单元状态进行更新得到当前神经单元状态;
通过所述第一激活函数对所述输出门的所述当前神经单元状态进行过滤,并通过所述第二激活函数进行数据处理,得到目标输出信息;
根据所述上一预设时间段的输出数据、所述当前的待预测天气视频数据以及所述目标输出信息进行运算,输出与所述当前预设时间段对应的所述目标能见度数据。
6.一种能见度边缘计算装置,其特征在于,装置包括:
采集模块,用于采集训练数据集,所述训练数据集包括天气的视频训练数据;
训练模块,用于将所述训练数据集中的所述天气的视频训练数据输入到预设的LSTM网络模型中进行训练,得到目标LSTM网络模型;
预测模块,用于获取待预测天气视频数据,基于时间序列,通过所述目标LSTM网络模型对所述待预测天气视频数据进行能见度数据边缘预测,得到目标能见度数据。
7.如权利要求6所述的能见度边缘计算装置,其特征在于,所述采集模块包括:
第一采集子模块,用于通过图像采集设备采集所述天气的视频训练数据,并对所述天气的视频训练数据进行图像抽帧;
标记子模块,用于采集与时间顺序对应的视频数据的初始能见度数据,并根据所述初始能见度数据对抽帧后对应的图像进行数据清洗及标注,得到所述训练数据集。
8.如权利要求6所述的能见度边缘计算装置,其特征在于,所述装置还包括:
部署模块,用于将所述目标LSTM网络模型部署在图像采集设备的板端集。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的能见度边缘计算方法中的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的能见度边缘计算方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110038180.2A CN112733728A (zh) | 2021-01-12 | 2021-01-12 | 一种能见度边缘计算方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110038180.2A CN112733728A (zh) | 2021-01-12 | 2021-01-12 | 一种能见度边缘计算方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112733728A true CN112733728A (zh) | 2021-04-30 |
Family
ID=75590560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110038180.2A Withdrawn CN112733728A (zh) | 2021-01-12 | 2021-01-12 | 一种能见度边缘计算方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112733728A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116306787A (zh) * | 2023-05-22 | 2023-06-23 | 江西省气象灾害应急预警中心(江西省突发事件预警信息发布中心) | 能见度预警模型构建方法、系统、计算机及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889398A (zh) * | 2019-12-19 | 2020-03-17 | 南通大学 | 一种基于相似度网络的多模态图像能见度检测方法 |
CN111882869A (zh) * | 2020-07-13 | 2020-11-03 | 大连理工大学 | 一种考虑不良天气的深度学习交通流预测方法 |
CN111932519A (zh) * | 2020-08-12 | 2020-11-13 | 上海眼控科技股份有限公司 | 天气预测方法、装置、计算机设备和存储介质 |
-
2021
- 2021-01-12 CN CN202110038180.2A patent/CN112733728A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889398A (zh) * | 2019-12-19 | 2020-03-17 | 南通大学 | 一种基于相似度网络的多模态图像能见度检测方法 |
CN111882869A (zh) * | 2020-07-13 | 2020-11-03 | 大连理工大学 | 一种考虑不良天气的深度学习交通流预测方法 |
CN111932519A (zh) * | 2020-08-12 | 2020-11-13 | 上海眼控科技股份有限公司 | 天气预测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
SHENGYAN LI等: "Meteorological Visibility Evaluation on Webcam Weather Image Using Deep Learning Features", 《INTERNATIONAL JOURNAL OF COMPUTER THEORY AND ENGINEERING》, pages 3 * |
邓拓: "基于LSTM神经网络的机场能见度预测", 《中国优秀硕士学位论文全文数据库基础科学辑》, pages 3 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116306787A (zh) * | 2023-05-22 | 2023-06-23 | 江西省气象灾害应急预警中心(江西省突发事件预警信息发布中心) | 能见度预警模型构建方法、系统、计算机及可读存储介质 |
CN116306787B (zh) * | 2023-05-22 | 2023-08-22 | 江西省气象灾害应急预警中心(江西省突发事件预警信息发布中心) | 能见度预警模型构建方法、系统、计算机及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11714937B2 (en) | Estimating physical parameters of a physical system based on a spatial-temporal emulator | |
US11966670B2 (en) | Method and system for predicting wildfire hazard and spread at multiple time scales | |
EP3926582B1 (en) | Model generating apparatus, method, and program, and prediction apparatus | |
EP3206411B1 (en) | Arrangement and method for predicting road friction within a road network | |
US11189171B2 (en) | Traffic prediction with reparameterized pushforward policy for autonomous vehicles | |
CN114693615A (zh) | 一种基于域适应的深度学习混凝土桥梁裂缝实时检测方法 | |
CN106599827A (zh) | 一种基于深度卷积神经网络的小目标快速检测方法 | |
CN111656362A (zh) | 基于声音反馈的认知的和偶然的深度可塑性 | |
WO2021178909A1 (en) | Learning point cloud augmentation policies | |
US11720727B2 (en) | Method and system for increasing the resolution of physical gridded data | |
CN107689052A (zh) | 基于多模型融合和结构化深度特征的视觉目标跟踪方法 | |
Crespo-Ramos et al. | Detection of locally relevant variables using SOM–NG algorithm | |
CN107977683A (zh) | 基于卷积特征提取和机器学习的联合sar目标识别方法 | |
Sheppard et al. | Real-time scene understanding for UAV imagery based on deep convolutional neural networks | |
CN112180471B (zh) | 天气预报方法、装置、设备及存储介质 | |
KR20220004491A (ko) | 인공지능 기반 수목 데이터 관리 시스템 및 수목 데이터 관리 방법 | |
US11670182B2 (en) | Systems and methods for intelligently displaying aircraft traffic information | |
CN112862171A (zh) | 一种基于时空神经网络的航班到达时间预测方法 | |
CN114802303A (zh) | 障碍物轨迹预测方法、装置、电子设备及存储介质 | |
CN113895460B (zh) | 行人轨迹预测方法、装置及存储介质 | |
CN117218375B (zh) | 基于先验知识与数据驱动的环境能见度预测方法及设备 | |
CN112733728A (zh) | 一种能见度边缘计算方法、装置、电子设备及存储介质 | |
CN116861262B (zh) | 一种感知模型训练方法、装置及电子设备和存储介质 | |
CN116823884A (zh) | 多目标跟踪方法、系统、计算机设备及存储介质 | |
CN110738208A (zh) | 一种高效的尺度规范化目标检测训练方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210430 |