CN113468963A - 一种道路扬尘识别方法及设备 - Google Patents

Abstract

本申请公开了一种道路扬尘识别方法，用以解决现有的道路扬尘识别方法识别误差较大的技术问题。方法包括：获取若干道路扬尘图片；其中，若干道路扬尘图片包含扬尘区域；将若干道路扬尘图片中的部分或者全部进行剪裁，并将剪裁后的多张图片以预设方式进行拼接，将拼接后的若干图片与若干道路扬尘图片作为训练样本；将训练样本输入至神经网络模型中进行训练；其中，训练样本中的扬尘区域的每个像素，均通过扬尘语义标签进行了标注；将来自道路监控拍摄设备的待识别道路场景图像，输入至训练后的神经网络模型中，以对待识别场景图像的扬尘区域进行识别。本申请通过上述方法实现了道路扬尘准确识别，避免了将雾天及地面灰尘误判为扬尘。

Description

一种道路扬尘识别方法及设备

技术领域

本申请涉及图像处理技术领域，尤其涉及一种道路扬尘识别方法及设备。

背景技术

目前城市的道路污染日益严重，尤其是道路扬尘对日渐频发的雾霾天气起 到了推波助澜的作用。扬尘天气不仅会恶化道路环境，同时也会损害人体健康， 引起一些呼吸道疾病。因此，治理扬尘已经刻不容缓。但是基于扬尘颗粒浓度 的在线监测设备大多都设置于大型施工现场，不便于对道路上的扬尘进行检测。

现有的通过分水岭等算法进行道路扬尘检测识别的技术，容易将道路上含 有的灰尘区域以及与扬尘区域颜色、纹理相近似的区域也识别为扬尘，导致扬 尘识别效果误差较大。

发明内容

本申请实施例提供了一种道路扬尘识别方法及设备，用以解决现有的扬尘 识别方法识别效果误差较大的技术问题。

一方面，本申请实施例提供了一种道路扬尘识别方法，方法包括：获取若 干道路扬尘图片；其中，若干道路扬尘图片包含扬尘区域；将若干道路扬尘图 片中的部分或者全部进行剪裁，并将剪裁后的多张图片以预设方式进行拼接， 将拼接后的若干图片与若干道路扬尘图片作为训练样本；将训练样本输入至神 经网络模型中进行训练；其中，训练样本中的扬尘区域的每个像素，均通过扬 尘语义标签进行了标注；将来自道路监控拍摄设备的待识别道路场景图像，输 入至训练后的神经网络模型中，以对待识别场景图像的扬尘区域进行识别。

本申请实施例中，通过将道路扬尘图片进行剪裁、拼接可以获得较多的训 练样本，真实扬尘数据和容易误判为扬尘的数据相结合，丰富训练场景数据。 将扬尘区域的每个像素都标注扬尘语义标签，可以使神经网络模型快速提取扬 尘区域的特征。训练后的神经网络模型可以对道路监控拍摄的待识别道路场景 图像进行扬尘识别，并能解决将道路上的灰尘区域误判为扬尘的区域的问题。

在本申请的一种实现方式中，在获取若干道路扬尘图片，且在将若干道路 扬尘图片中的部分或者全部进行裁剪之后，方法还包括：为若干道路扬尘图片 中的扬尘区域的每个像素，分配扬尘语义标签。

在本申请的一种实现方式中，在将若干道路扬尘图片中的部分或者全部进 行剪裁之后，方法还包括：根据预设变形规则，对裁剪后的道路扬尘图片进行 变形；将剪裁后的多张图片以预设方式进行拼接，具体为：将根据同一变形规 则进行变形的道路扬尘图片进行拼接。通过上述方法可以将训练样本数据扩充， 以使神经网络模型更好的训练。

在本申请的一种实现方式中，在将若干道路扬尘图片中的部分或者全部进 行剪裁之后，方法还包括：对裁剪后的道路扬尘图片进行旋转，得到旋转图片； 将剪裁后的多张图片以预设方式进行拼接，具体为：将旋转图片与裁剪后的图 片进行拼接。

在本申请的一种实现方式中，在将若干道路扬尘图片中的部分或者全部进 行剪裁之后，方法还包括：对裁剪后的道路扬尘图片进行缩放，得到缩放图片； 将剪裁后的多张图片以预设方式进行拼接，具体为：将根据同一缩放方式进行 缩放的缩放图片进行拼接。

在本申请的一种实现方式中，根据预设的多种分类算法，确定待识别道路 场景图像的扬尘可能性指标，滤除扬尘可能性指标低的待识别道路场景图像； 其中，分类算法的分类条件包括以下任意一项或多项：待识别道路场景图像的 地面湿度状态等级为高级，待识别道路场景图像中不存在车辆。经过图像分类 之后，可以将不需要检测的图像滤除，减少了图像识别的工作量。

在本申请的一种实现方式中，神经网络模型包括编码模块、解码模块；编 码模块通过空洞卷积，提取训练样本中的扬尘特征，以确定每个像素的扬尘语 义标签；解码模块通过深度可分离卷积，以恢复特征图。通过使用深度可分离 卷积，可以在维持相同性能的情况下，大大减小计算复杂度。

在本申请的一种实现方式中，分类算法的基本单元是模块化的卷积单元， 模块化的卷积单元包括两层卷积操作；两层卷积操作中的第一层采用1×1卷 积核的压缩层；两层卷积操作的第二层采用1×1和3×3卷积核的扩张层，且 扩张层的1×1卷积核数与3×3卷积核数之和大于压缩层的1×1卷积核数。 该过程可以降低3×3的输入通道数，并能压缩模型的体积，使模型总参数量 较少。

在本申请的一种实现方式中，接收道路监控拍摄的道路图片；确定道路图 片的湿度状态等级并作标注；和/或提取道路图片中的车辆轮廓特征并作标注； 将标注后的道路图片输入至道路图像分类模型中进行训练。将地面湿润以及没 有车辆出现的图片作为分类条件，可以滤除大部分不含扬尘的图像，减轻识别 任务量。

另一方面，本申请实施例还提供了一种道路扬尘识别设备，设备包括：至 少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存 储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少 一个处理器能够：获取若干道路扬尘图片；其中，若干道路扬尘图片包含扬尘 区域；将若干道路扬尘图片中的部分或者全部进行剪裁，并将剪裁后的多张图 片以预设方式进行拼接，将拼接后的若干图片与若干道路扬尘图片作为训练样 本；将训练样本输入至神经网络模型中进行训练；其中，训练样本中的扬尘区 域的每个像素，均通过扬尘语义标签进行了标注；将来自道路监控拍摄设备的待识别道路场景图像，输入至训练后的神经网络模型中，以对待识别场景图像 的扬尘区域进行识别。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分， 本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限 定。在附图中：

图1为本申请实施例提供的一种道路扬尘识别方法流程图；

图2为本申请实施例提供的道路图像分类模型训练流程图；

图3为本申请实施例提供的道路扬尘图像识别流程图；

图4为本申请实施例提供的一种道路扬尘识别设备图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实 施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的 实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施 例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施 例，都属于本申请保护的范围。

目前城市道路污染日益严重，道路扬尘不仅会对日益频发的雾霾天气推波 助澜的作用，同时也会对人们的健康造成危害，尤其是引起多种呼吸道疾病。 但是现有的基于扬尘颗粒物浓度的监测设备大多数都安装在大型施工现场，无 法对道路上的扬尘进行检测。

随着计算机视觉技术的发展，通过图像处理技术对扬尘进行识别成为近几 年来的研究方向。基于传统图像处理技术处理的道路扬尘检测识别方法，通过 在道路上安装的监控拍摄设备实时抓拍相应的图像，使用图像检测识别出图像 中产生扬尘的具体位置，但是道路上的含有灰尘区域，与扬尘区域颜色、纹理 内容非十分近似，此时再使用传统的分水岭算法进行扬尘识别，容易将道路上 的灰尘区域、大雾天气以及道路地面上纹理颜色与扬尘相近的区域也识别为扬 尘区域，这会导致扬尘识别结果与真实的扬尘情况误差较大。

本申请实施例提供了一种道路扬尘识别方法，用以解决现有的扬尘识别方 法识别结果误差较大的技术问题。

下面通过附图对本申请实施例提出的技术方案进行详细的说明。

图1为本申请实施例提供的一种道路扬尘识别方法流程图。如图1所示， 该方法主要包括以下步骤；

步骤101、获取若干道路扬尘图片，将若干道路扬尘图片中的部分或者全 部进行剪裁，并将剪裁后的多张图片以预设方式进行拼接。

本申请实施例中，计算机设备首先将用于训练的道路扬尘图片收集起来， 然后对收集到的道路扬尘图片进行数据量扩充，以得到较多的训练样本。因为 在深度学习中，只有样本数据的规模足够大、样本数据的质量足够高，才能够 提高模型的泛化能力，即样本数据直接决定了深度学习的上限。

具体可以通过将收集到的若干道路扬尘图片中的部分或者全部进行剪裁， 然后将剪裁后的图片进行随机拼接，以获得拼接后较多的图片。对样本图像数 据做裁剪操作主要是考虑原始图像的宽高扰动，在大多数图像分类网络中，样 本在输入网络前必须要统一大小，所以通过调整图像的尺寸可以大量的扩展数 据。将剪裁后图像通过插值算法调整到网络需要的尺寸大小。

为使数据量扩充获得的图片更加符合真实环境，本申请实施例中，还可以 对剪裁后的图片进行特定方式的拼接，例如，剪裁前为同一张图片的拼接在一 起，相邻的道路场景上的图片拼接在一起，还可以将间隔预设时间拍摄的相同 场景下的图片拼接在一起。

可以理解的是，经过特定的拼接方式拼接后的图片，场景更加相似，且符 合真实道路场景下的实际情况。

进一步地，拼接后的图片中部分图片包含扬尘区域，部分图片不包含扬尘 区域，且部分图片中还包含了容易引起误判的道路地面上的灰尘区域以及大雾 天气，增加了场景的多样性，因此，这样可以大大增强训练样本的丰富性。

需要说明的是，对图像数据进行数据增强扩充这一过程，在本申请实施例 中的具体作用是：有助于添加相关数据数据集中数据的数量，防止模型学习到 不想要的模型，避免出现过拟合现象。过拟合现象在本申请实施例中具体是： 训练出来的模型仅适用于训练数据图像场景的道路扬尘检测，不适用于其它类 型场景，无法适应复杂多变的道路场景下的扬尘区域任务。

具体地，本申请实施例中，对监控设备拍摄到的扬尘图片进行数据增强时， 经过多种形式的扩充后，融合了容易混淆为道路扬尘区域的图像以及真实道路 扬尘数据，丰富训练样本。这样就避免了出现过拟合现象，不仅能检测训练数 据图像场景下的道路扬尘，还可以适应道路环境，避免将非扬尘区域也识别为 扬尘区域。

本申请实施例中，对图片进行数据量扩充的过程，还可以是在对道路扬尘 图片进行剪裁之后，根据预设的变形规则，对剪裁后的图片进行变形，然后将 相同变形规则进行变形的图片拼接到一起。

预设变形规则可以是对剪切后的图片进行横向拉伸变形、竖向压缩变形、 横向压缩变形、竖向拉伸变形等多种变形规则中的一种或多种。然后再将相同 变形规则确定的图片拼接到一起，例如，将按照同样的比例横向拉伸的图片拼 接在一起，或者将按照同样的比例纵向拉伸的图片拼接在一起。

本申请实施例中，对图片进行数据量扩充的过程，还可以是在对道路扬尘 图片进行剪裁之后，对剪裁后的图片进行缩放操作，得到放大或缩小的图片， 然后将放大后的图片拼接到一起，将缩小后的图片拼接到一起。

需要说明的是，经过拉伸或者压缩变形后的图片，以及经过放大或缩小操 作后的图片尺寸必然大小不一，此时还需要经过一步剪裁操作，将经过变形后 的图片，或者经过缩放后的图片的尺寸调整为与原始道路扬尘图片尺寸大小一 致的变形或缩放图片，然后再将经过变形或缩放后的图片进行拼接。假如缩放 后的图像尺寸和原始图像尺寸的长宽比差异较大，会出现图像失真的现象，如 果在实验中对最终的结果有一定的影响，需要做等比例缩放，对不足的地方进 行边缘填充。

本申请实施例中，对图片进行数据量扩充的过程，还可以是在对道路扬尘 图片进行剪裁之后，对剪裁后的图片进行旋转操作，然后将旋转后的图片与道 路扬尘图片进行拼接。数据增强过程中的旋转操作主要包括水平镜像翻转，垂 直镜像翻转和原点镜像翻转，具体在使用中，需要结合数据形式选择相应翻转 操作，比如数据集是道路场景下的车辆图像数据，训练集、测试集都是正常拍 摄的图片，此时只使用水平镜像操作，如果加入垂直或者原点镜像翻转，会对 原始图像产生干扰。

本申请实施例中，上述对图像数据增强的过程，具体使用线下增强的方法， 实质是增强数据集的大小，事先执行所有的转换。线下增强的过程比较适用于 较小的数据集。且本申请实施例中采用的是有监督的数据增强，其中有监督数 据增强是基于现有的数据集，通过分析数据的完备性，采用一定的规则对现有 数据进行扩充。

本申请实施例中，对图像进行数据增强的过程，还可以采用移位、高斯噪 声、色彩抖动等方法，可以具体根据道路场景下拍摄的扬尘区域图像进行选择 数据增强方式的选择，本申请实施例中对其余诸如移位、高斯噪声、色彩抖动 等方法不再做过多且具体的描述。

需要说明的是，本申请实施例中也可以采用原始的道路扬尘图片进行神经 网络模型的训练。但试验表明，通过对道路扬尘图片样本数据量进行扩充，得 到了较多的训练样本，且这些训练样本中结合了容易混淆为道路扬尘区域的图 像与真实的扬尘图像，能够使神经网络模型的场景训练更充分，并能使后续的 道路扬尘识别结果更加接近真实结果。

步骤102、将训练样本输入至神经网络模型中进行训练。

本申请实施例中，经过对道路扬尘图片进行数据量扩充后，获得了较多的 包含扬尘区域与容易误判为扬尘区域的图像。

将数据量扩充后的训练样本输入到神经网络模型中进行训练，且在输入之 前，对训练样本中含有的扬尘区域的每个像素都分配了扬尘语义标签，以便于 神经网络模型可以快速识别并提取图像中的扬尘区域特征。

本申请实施例中，在收集到道路扬尘图片后，先将道路扬尘区域的每个像 素都分配扬尘语义标签，然后再进行数据量的扩充。由此可以减少计算机设备 处理图像的任务量，缩短处理时间。

本申请实施例中，神经网络模型的网络架构分为编码模块和解码模块。编 码模块中使用了空洞卷积，提取训练样本中的扬尘特征。需要说明的是，以往 的网络架构模型都是仅采用深度分离卷积，导致出现较为复杂的运算，且不利 于神经网络模型性能的维持。而本申请实施例中，网络架构将空洞卷积和深度 分离卷积结合，得到了空洞分离卷积，即空洞卷积应用在深度分离卷积上。这 样可以保证神经网络模型即能维持相同的性能，还可以缩减计算复杂度。

进一步地，神经网络模型的解码模块结合了高级语义信息和低级语义信息， 优化图像特征提取结果，并恢复特征图。其中，高级语义信息表征的是图像中 扬尘区域的具体轮廓，而低级语义信息表征的是扬尘具体的颜色、纹理等。

更进一步地，本申请实施例中将训练样本按照8:1:1的比例划分为训练集、 验证集、测试集，进行神经网络模型的训练。学习率为0.01，批处理大小为16， 在Tesla K80显卡上训练14小时后，在验证集上的损失函数下降到月0.32，准 确率达到99.63％。在此程度上，经过训练后的神经网络模型可以满足扬尘识 别的需要。

步骤103、将待识别道路场景图像输入分类模型中分类。

本申请实施例中，计算机设备接收来自道路监控拍摄的待识别道路场景图 像。然后经过预设的多种分类算法，将扬尘可能性指标较低的待识别道路场景 图像滤除。本申请实施例中，具体是通过道路图像分类模型确定道路场景图像 扬尘可能性指标。在此之前首先要对道路图像分类模型进行训练，训练过程具 体如图2所示，执行以下步骤：

步骤1031、接收道路监控拍摄的若干道路图片。

步骤1032、确定道路图片中湿度状态等级。

步骤1033、提取道路图片中的车辆轮廓特征。

步骤1034、将湿度状态等级以及车辆轮廓特征做标注，并将标注后的图片 输入到道路图像分类模型中进行训练。

需要说明的是，本申请实施例中，分类算法的分类条件之所以确定为：待 识别道路场景图像的道路地面湿度状态等级为高级，以及待识别道路场景图像 中不存在车辆。这是因为道路扬尘产生的原因是由于地面干燥，尘土颗粒由于 动力作用引起了漂浮，而湿润的地面由于重力作用则不会使尘土颗粒产生漂浮 现象。此外，当道路上有车辆经过时，则会使尘土颗粒获得动力而飘浮。因此， 图像分类模型将地面湿润以及道路上无车辆的图片滤除掉，无需进行下一步的 检测。这样可以减少识别的工作量，减轻处理器的压力。

本申请实施例中，分类算法模型的基本单元是模块化的卷积单元，它包含 了两层卷积操作：第一层卷积采用1×1卷积核的压缩层，第二层卷积采用1 ×1和3×3和3×3卷积核的扩张层。为了使分类算法模型的体积减小，模型 总参数量较少，本申请的一个实施例中，将扩张层的1×1卷积核数与3×3卷 积核数之和设置为大于压缩层的1×1卷积核数，由此可以降低3×3输入通道 数，这样既能压缩图像分类模型的尺寸，又能保证模型的精度，在保证图像分 类功能正常完成的前提下，又可以极大地加快分类速度，节约时间成本。

需要说明的是，压缩层由于使用1×1卷积核，极大地压缩了参数数量， 并且进行了降维操作，但是对应的代价是输出特征图的通道数也大大减少。之 后的扩张层使用不同尺寸的卷积模板来提取特征，同时将两个输出连接到一起， 又将维度升高。因此在分类模型中，即便通道数减少了，但最终的分类结果却 不会受影响。

本申请实施例中，通过选取较多的地面湿度状态等级较高和较低的道路图 片，进行拼接操作。将图片中地面干燥和湿润特征提取出来，做好标注然后再 输入到图像分类模型中进行训练。本申请实施例中，对图像分类模型进行训练 的过程，必然会留有一定数量的图片作为验证集，当完成图像分类模型网络训 练后，对其分类结果进行准确率的验证，只有当图像分类的准确率达到相应的 预设阈值时，采完成对湿度状态等级这一分类算法条件的网络模型训练。对有 无道路车辆这一条件的训练过程，与前述道路湿度状态等级训练过程类似，本 申请实施例中不再对其作过多的描述。

步骤104、将分类后的待识别道路场景图像输入至训练后的神经网络模型 中进行识别。

本申请实施例中，计算机设备实时接收来自道路监控拍摄设备拍摄的待检 测道路场景图像，对待识别的道路场景图像进行扬尘识别，具体如图3所示， 执行以下步骤：

步骤1041、将待识别道路场景图像输入到图像分类模型接口，执行分类操 作

步骤1042、输出步骤1041的结果，若不符合滤除条件，则执行1044步骤； 若符合滤除条件，则执行步骤1043。

步骤1043、返回无需扬尘检测。

步骤1044、将待识别的道路场景图像输入到神经网络模型中进行识别。

步骤1045、若识别出扬尘则告警，并标明扬尘等级及所在道路名称；若未 识别出扬尘，则返回无扬尘。

本申请实施例中，接收到道路监控设备拍摄的待识别道路场景图像后，将 待识别的图像先输入到图像分类模型中进行筛选滤除，将不符合检测条件的图 像滤除掉，被滤除掉的图像无需进行下一步的识别步骤。这样可以节省识别检 测的时间，提高检测识别的效率。

本申请实施例提出的一种道路扬尘识别方法，在将训练样本输入神经网络 模型训练之前，先对训练样本进行预处理，将图像进行数据量的扩充，并将含 有扬尘区域的图像与容易误判为扬尘区域的图像都作为训练样本，用于训练神 经网络模型，解决了以往的传统算法仅能依靠颜色、纹理进行检测而造成的检 测误差较大的问题。同时，在对待识别的道路图片进行检测之前，还增加了图 像分类，将不满足扬尘产生条件的图像滤除掉，仅保留能够引起扬尘的图片， 提高了识别效率。

以上为本申请实施例提供的一种道路扬尘识别方法，基于同样的发明构思， 本申请还提供了一种道路扬尘识别设备，如图4所示，该设备包括：至少一个 处理器401；以及，与至少一个处理器401通信连接的存储器402；其中，存 储器402存储有可被至少一个处理器401执行的指令，指令被至少一个处理器 401执行，以使至少一个处理器401能够：获取若干道路扬尘图片；其中，若 干道路扬尘图片包含扬尘区域；将若干道路扬尘图片中的部分或者全部进行剪 裁，并将剪裁后的多张图片以预设方式进行拼接，将拼接后的若干图片与若干 道路扬尘图片作为训练样本；将训练样本输入至神经网络模型中进行训练；其 中，训练样本中的扬尘区域的每个像素，均通过扬尘语义标签进行了标注；将 来自道路监控拍摄设备的待识别道路场景图像，输入至训练后的神经网络模型 中，以对待识别场景图像的扬尘区域进行识别。

本领域技术人员可以理解的是，本申请实施例提供的处理器401可以执行 上述步骤101-104中的任意一个或多个。

本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似 的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。 尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述的比较 简单，相关之处参见方法实施例的部分说明即可。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非 排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包 括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、 方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括 一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设 备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技 术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所 作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种道路扬尘识别方法，其特征在于，所述方法包括：

获取若干道路扬尘图片；其中，所述若干道路扬尘图片包含扬尘区域；

将所述若干道路扬尘图片中的部分或者全部进行剪裁，并将剪裁后的多张图片以预设方式进行拼接，将拼接后的若干图片与所述若干道路扬尘图片作为训练样本；

将所述训练样本输入至神经网络模型中进行训练；其中，所述训练样本中的扬尘区域的每个像素，均通过扬尘语义标签进行了标注；

将来自道路监控拍摄设备的待识别道路场景图像，输入至训练后的神经网络模型中，以对所述待识别场景图像的扬尘区域进行识别。

2.根据权利要求1所述的一种道路扬尘识别方法，其特征在于，在所述获取若干道路扬尘图片，且在将所述若干道路扬尘图片中的部分或者全部进行裁剪之后，所述方法还包括：

为所述若干道路扬尘图片中的扬尘区域的每个像素，分配扬尘语义标签。

3.根据权利要求1所述的一种道路扬尘识别方法，其特征在于，在所述将所述若干道路扬尘图片中的部分或者全部进行剪裁之后，所述方法还包括：根据预设变形规则，对裁剪后的所述道路扬尘图片进行变形；

所述将剪裁后的多张图片以预设方式进行拼接，具体为：将根据同一变形规则进行变形的所述道路扬尘图片进行拼接。

4.根据权利要求1所述的一种道路扬尘识别方法，其特征在于，在所述将所述若干道路扬尘图片中的部分或者全部进行剪裁之后，所述方法还包括：对裁剪后的所述道路扬尘图片进行旋转，得到旋转图片；

所述将剪裁后的多张图片以预设方式进行拼接，具体为：将所述旋转图片与裁剪后的图片进行拼接。

5.根据权利要求1所述的一种道路扬尘识别方法，其特征在于，在所述将所述若干道路扬尘图片中的部分或者全部进行剪裁之后，所述方法还包括：对裁剪后的所述道路扬尘图片进行缩放，得到缩放图片；

所述将剪裁后的多张图片以预设方式进行拼接，具体为：将根据同一缩放方式进行缩放的所述缩放图片进行拼接。

6.根据权利要求1所述的一种道路扬尘识别方法，其特征在于，所述方法还包括:

根据预设的多种分类算法，确定所述待识别道路场景图像的扬尘可能性指标，滤除扬尘可能性指标低的待识别道路场景图像；其中，所述分类算法的分类条件包括以下任意一项或多项：所述待识别道路场景图像的地面湿度状态等级为高级，所述待识别道路场景图像中不存在车辆。

7.根据权利要求1所述的一种道路扬尘识别方法，其特征在于，所述神经网络模型包括编码模块、解码模块；

所述编码模块通过空洞卷积，提取所述训练样本中的扬尘特征，以确定所述每个像素的扬尘语义标签；

所述解码模块通过深度可分离卷积，以恢复特征图。

8.根据权利要求6所述的一种道路扬尘识别方法，其特征在于，所述分类算法的基本单元是模块化的卷积单元，所述模块化的卷积单元包括两层卷积操作；

所述两层卷积操作中的第一层采用1×1卷积核的压缩层；所述两层卷积操作的第二层采用1×1和3×3卷积核的扩张层，且所述扩张层的1×1卷积核数与3×3卷积核数之和大于所述压缩层的1×1卷积核数。

9.根据权利要求6所述的一种道路扬尘识别方法，其特征在于，所述方法还包括：

接收道路监控拍摄的道路图片；

确定所述道路图片的湿度状态等级并作标注；和/或提取所述道路图片中的车辆轮廓特征并作标注；

将标注后的所述道路图片输入至道路图像分类模型中进行训练。

10.一种道路扬尘识别设备，其特征在于，所述设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取若干道路扬尘图片；其中，所述若干道路扬尘图片包含扬尘区域；

将所述若干道路扬尘图片中的部分或者全部进行剪裁，并将剪裁后的多张图片以预设方式进行拼接，将拼接后的若干图片与所述若干道路扬尘图片作为训练样本；

将所述训练样本输入至神经网络模型中进行训练；其中，所述训练样本中的扬尘区域的每个像素，均通过扬尘语义标签进行了标注；

将来自道路监控拍摄设备的待识别道路场景图像，输入至训练后的神经网络模型中，以对所述待识别场景图像的扬尘区域进行识别。

Images