發(fā)布時間：2020-12-16 15:21

　　及時且準確的天氣信息有助于自動駕駛、智能監(jiān)控、智慧交通等智能系統(tǒng)做出最優(yōu)的決策。本文將研究如何從單張圖像中獲取當前環(huán)境的天氣信息,這一研究領域被稱作天氣圖像分類。目前,通用圖像分類問題已經有較好的解決方案,但是天氣圖像分類任務仍面臨許多挑戰(zhàn)。例如,天氣圖像數(shù)據集規(guī)模較小,模型難以訓練優(yōu)化;表示不同天氣狀況的圖像中存在大量相同的目標和特征;天氣圖像的細分類問題被忽略�；谝陨蠁栴}和挑戰(zhàn),首先,本文構建了面向戶外輸電線路場景的四類天氣圖像數(shù)據集(FWID),此數(shù)據集包含霧天、雨天、雪天和晴天四類天氣,一共有5395張標記圖像。在四類天氣圖像數(shù)據集的基礎上,本文還構建了分塊天氣圖像數(shù)據集(BWID)、細分天氣圖像數(shù)據集(SWID)。其次,針對天氣圖像數(shù)據集規(guī)模小、模型難以訓練的問題,本文設計并實現(xiàn)了基于深度遷移學習的天氣圖像分類方法;此方法將遷移學習技術應用到深度卷積神經網絡模型中,能夠極大地提升模型訓練優(yōu)化速度。然后,針對表示不同天氣狀況的圖像中存在大量相同的目標和特征這一問題,本文提出并實現(xiàn)了基于分塊圖像和投票策略的天氣圖像分類方法;此方法將一張完整圖像切割成幾個小塊,再利用卷積神經網絡... 

【文章來源】： 米俊樺 電子科技大學

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【部分圖文】：

構造決策樹

第二章天氣圖像數(shù)據集10第二章天氣圖像數(shù)據集眾所周知，目前機器學習模型和深度學習模型的訓練、更新、優(yōu)化，都依賴于海量的標注數(shù)據。科研學者或企業(yè)在進行算法研究或應用開發(fā)之前，首先要構建相關領域的數(shù)據集。目前有很多開放的數(shù)據集，例如，用于解決大規(guī)模圖像識別任務的數(shù)據集ImageNet，用于驗證目標檢測算法的PASCALVOC數(shù)據集和COCO數(shù)據集，用于解決人臉檢測與識別的AFLW數(shù)據集和WIDERFACE數(shù)據集，用于解決自動駕駛任務的BaiduApolloscapes數(shù)據集，用于三維重建的Matterport數(shù)據集。算法研究與數(shù)據集是緊密聯(lián)系的，然而在天氣圖像分類領域，目前公開的數(shù)據集較少。Two-ClassWeatherDataset數(shù)據集只包含晴天和陰天兩種天氣，Image2Weather數(shù)據集的原始圖片完全來源于網絡。為了完成本課題的研究工作，本文構建了戶外輸電線路場景下的天氣圖像數(shù)據集。2.1數(shù)據獲取與標注2.1.1原始圖像獲取本課題依托于成都思晗科技股份有限公司的智能環(huán)境圖像語義分析系統(tǒng)項目，通過該項目部署在戶外輸電線路環(huán)境中攝像頭來獲取原始圖像數(shù)據，具體的流程如圖2-1所示。圖2-1數(shù)據采集與獲取

第二章天氣圖像數(shù)據集11首先，利用部署在輸電線路桿塔上的RGB相機采集不同地點、不同時間的原始圖像，并將采集的天氣圖像上傳至FTP服務器存儲。具體的，本課題所依托的智能環(huán)境圖像語義分析系統(tǒng)主要是針對絕緣子、防震錘等輸電線路部件進行缺陷檢測與識別，因此，相機部署的位置固定，拍攝角度也是固定的。系統(tǒng)采集數(shù)據的周期為7天，采集時間為14點整，為了獲取更多更有效的天氣圖像數(shù)據，本文將數(shù)據采集周期調整為4個小時，每個相機分別在8點、12點、16點采集一張圖片。然后，將采集到的圖片根據輸電線路編號、相機編號以及采集時間（包括年月日時分秒）進行命名。依據相機拍攝目標，把圖片分別存儲到FTP服務器中不同的文件夾中（包括導線、地基、電線、金具、塔體、通道、絕緣子、防震錘、附屬設施、接地裝置、周邊環(huán)境等），并且按月份不同單獨保存。最后，通過FileZilla工具從服務器下載圖像數(shù)據到本地計算機。FileZilla是一款開源免費FTP軟件，它分為客戶端軟件和服務器端軟件，圖2-2為FileZilla客戶端軟件主界面。用戶只需要輸入主機IP地址、用戶名及密碼就可以快速連接到FTP服務器，然后下載或上傳數(shù)據文件。圖2-2FileZilla客戶端軟件因為本課題的主要任務是對天氣圖像進行分類，故主要從導線、通道、絕緣子、周邊環(huán)境等文件夾中下載原始圖像。圖像拍攝的時間跨度為12個月，即從2018年2月至2019年1月。最終，一共獲取了360000多張原始圖像。2.1.2數(shù)據標注

【參考文獻】：
期刊論文
[1]戶外天氣狀況分類識別[J]. 史靜,朱虹,韓勇.  計算機系統(tǒng)應用. 2018(04)
[2]基于貝葉斯分類的霧天和雨天兩類天氣圖像自動識別[J]. 于浩,王孝通,徐冠雷.  艦船電子工程. 2016(09)
[3]基于K均值聚類算法的霧天識別方法研究[J]. 孟凡軍,李天偉,徐冠雷,韓云東.  現(xiàn)代電子技術. 2015(22)
[4]基于深度學習的車標識別方法研究[J]. 彭博,臧笛.  計算機科學. 2015(04)
[5]基于室外圖像的天氣現(xiàn)象識別方法[J]. 李騫,范茵,張璟,李寶強.  計算機應用. 2011(06)



本文編號：2920375