专利名称 ---【 一种基于深度学习的能见度检测方法 】

基本信息
申请号
CN201710732921.0
申请日
20170824
公开(公告)号
CN107506729B
公开(公告)日
20171222
申请(专利权)人
中国科学技术大学
申请人地址
230026 安徽省合肥市包河区金寨路96号
发明人
凌强;陈春霖;李峰; 专利类型 发明专利
摘要
本发明涉及一种基于深度学习的能见度检测方法,包括图像训练部分和能见度检测部分:图像训练部分:输入已标记好能见度的图像,对所述图像进行尺度变换以获得三种不同尺度的图像,并分别输入三个深度卷积网络中,以能见度值作为目标函数进行训练,当训练误差收敛后,保存训练好的深度卷积网络;能见度检测部分:对图像进行多尺度变换,获得三种不同尺度的图像,将三种不同尺度的图像分别输入到三个训练好的深度卷积网络中并提取特征向量,将三个特征向量加权相加获得总的特征向量,根据总的特征向量利用softmax函数进行分类,最终输出能见度值。本发明针对不同天气情况,能根据拍摄的图像检测其对应的能见度,无需人工辅助手段,检测的准确率高且速度快。
主权项
1.一种基于深度学习的能见度检测方法,其特征在于:实现步骤包括图像训练部分S1和能见度检测部分S2:图像训练部分S1的步骤如下:步骤S11:将训练集中的图像按照能见度由高到低分为9个类,能见度最高的图片标签为0,能见度最低的图片标签为8;步骤S12:对图像进行尺度变换获得三种不同尺度的图像作为深度卷积网络的输入图像;步骤S13:将三种不同尺度的图像分别输入三个深度卷积网络中提取能见度图像的特征,每个深度卷积网络提取9维的特征向量,然后将三个特征向量加权相加成为9维的输出特征向量,三个特征向量的权重在深度卷积网络中训练;步骤S14:将上述特征向量输入softmax函数,以能见度值作为目标函数,对深度卷积网络进行分类训练;步骤S15:若训练误差未收敛,则继续训练深度卷积网络,直到训练误差收敛后,保存网络,作为检测能见度所用的最终网络;能见度检测部分S2的步骤如下:步骤S21:输入图像;步骤S22:对图像进行尺度变换以获得三种不同尺度的图像;步骤S23:将三种不同尺度的图像分别输入到步骤S1中三个训练好的深度卷积网络中,提取对应的能见度特征向量,并将特征向量加权相加,得到总的能见度特征向量;步骤S24:将特征向量输入softmax函数中,计算每一类能见度的概率;步骤S25:输出概率最大的能见度值。

 

IPC信息
IPC主分类号
G06K9/00

 

法律状态信息
法律状态公告日
20171222
法律状态
授权 法律状态信息
CN201710732921 20180119 实质审查的生效 实质审查的生效IPC(主分类):G06K 9/00申请日:20170824
法律状态公告日
20180119
法律状态
公开 法律状态信息
CN201710732921 20171222 公开 公开
法律状态公告日
20200403
法律状态
实质审查的生效 法律状态信息
CN201710732921 20200403 授权 授权

 

代理信息
代理机构名称
北京科迪生专利代理有限责任公司 11251
代理人姓名
安丽

 

被引专利信息
引用阶段 被引时间 专利号 申请人 公开时间

 

被引非专利信息
引用阶段 被引时间 被引文档类型 被引文档信息


| 联系我们 | 网站地图 | 版权声明 |

版权:中国科学院 主办:中国科学院科技促进发展局 承办:中国科学院成都文献情报中心 蜀ICP备05003827号-12

建议使用1024×768 分辨率 IE6.0以上版本浏览器