發(fā)布時間：2021-08-21 00:36

　　近年來,隨著國內(nèi)經(jīng)濟(jì)的發(fā)展,大量污染物的排放,導(dǎo)致霧霾天氣頻發(fā),霧霾治理引起社會各界關(guān)注。霧霾天氣的發(fā)生,不僅危害人們的身心健康,同時由霧霾導(dǎo)致能見度降低給人們的出行帶來極大的不便。能見度對于道路交通安全有著重要的影響,尤其是嚴(yán)重的霧霾天氣會嚴(yán)重威脅道路交通安全。所以,能見度的準(zhǔn)確檢測可以最大程度上的輔助駕駛減少安全隱患,但現(xiàn)有的設(shè)備檢測法存在性價比和普遍適用性等缺點(diǎn),當(dāng)前的利用圖像處理進(jìn)行能見度檢測的方法的準(zhǔn)確度、穩(wěn)定性還有待提高,因此需要一種準(zhǔn)確且穩(wěn)定的霧霾能見度檢測方法。由于霧霾能見度檢測具有重要的實(shí)用價值,所以已經(jīng)引起了大量的圖像處理和計算機(jī)視覺領(lǐng)域的學(xué)者的關(guān)注,隨著深度學(xué)習(xí)的興起,為了克服傳統(tǒng)檢測方法的各種缺點(diǎn),本文提出了一種基于深度學(xué)習(xí)的霧霾能見度檢測方法,主要的研究內(nèi)容如下:1.本文針對傳統(tǒng)方法檢測速度慢、準(zhǔn)確率低等不足之處,采用了卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行能見度檢測方法,利用卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)霧霾圖片特征,同時根據(jù)圖片使用大量的人力通過計算均值的方法計算真值,利用真值通過減小損失函數(shù)函數(shù)值的方法不斷有監(jiān)督自學(xué)習(xí)來優(yōu)化訓(xùn)練模型得到最好的訓(xùn)練模型。在tensorflow深度學(xué)習(xí)平臺上分... 

【文章來源】：南京郵電大學(xué)江蘇省

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【部分圖文】：

大氣散射模型

研究生學(xué)位論文 第三章 基于深度殘差網(wǎng)分類與位置的回歸，實(shí)現(xiàn)利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行檢ast RCNN[58]、SPPNet[59]等。近年來，卷積神經(jīng)網(wǎng)絡(luò)整網(wǎng)絡(luò)結(jié)構(gòu)方向發(fā)展，圖 3.2 展示了卷積神經(jīng)網(wǎng)絡(luò)檢測網(wǎng)絡(luò)模型，它們都是一種層次化的模型結(jié)構(gòu)，堆疊而成，經(jīng)過不同操作層的作用后原始的數(shù)據(jù)空歸任務(wù)。

圖 3.3 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖上圖是一個用于圖像分類的 CNN 模型�？梢钥吹阶钭筮叺哪芤姸葓D像為輸入層，計算機(jī)將其理解為若干個矩陣，接著是卷積層和池化層的組合，根據(jù)模型的需要，這個組合在隱藏層可多次出現(xiàn)，上圖出現(xiàn)了兩次。當(dāng)然在構(gòu)建模型時，我們可根據(jù)實(shí)際情況的需要靈活使用卷積層加卷積層，或者是卷積層加卷積層加池化層的組合，以適用不同類型的數(shù)據(jù)庫，但是最常見的卷積神經(jīng)網(wǎng)絡(luò)都是多個卷積層和池化層的堆疊。在多個卷積層和池化層之后是若干個全連接層，當(dāng)對結(jié)果進(jìn)行分類識別，最后連接 Softmax 分類器，將網(wǎng)絡(luò)識別結(jié)果輸出，本文是需要得到能見度值而不是進(jìn)行能見度檢測，所以本文在輸入時將能見度值作為圖片標(biāo)簽即特征輸入進(jìn)行訓(xùn)練。（1）數(shù)據(jù)輸入層數(shù)據(jù)在輸入卷積神經(jīng)網(wǎng)絡(luò)之前往往要進(jìn)行一系列的預(yù)處理操作，這些操作過程在輸入層實(shí)現(xiàn)。數(shù)據(jù)預(yù)處理在構(gòu)建網(wǎng)絡(luò)模型時時十分重要，在很大程度上能夠影響訓(xùn)練結(jié)果。對于不同的數(shù)據(jù)集，預(yù)處理方法存在一定的差異，常用的數(shù)據(jù)與處理方法有去均值和歸一化。


本文編號：3354524