原文传递
基于特征重标定CovBLS的公路雾天图像分类方法研究
| 论文题名： | 基于特征重标定CovBLS的公路雾天图像分类方法研究 |
| 关键词： | 智慧公路;雾天检测;图像分类;宽度学习 |
| 摘要： | 随着公路建设的发展，山区公路里程数逐年增加，受地理环境、气候条件等因素的影响，山区公路容易产生极端天气，从而给交通运营和管理带来巨大威胁。雾天引起的交通事故由于其人员伤亡大、处理时间长、后续影响严重等特点，成为影响交通安全的主要极端天气之一。随着新一代信息技术和智慧公路建设的发展，特别是机器学习浪潮的兴起，基于机器学习的公路雾天检测和分类成为研究的热点。 本文在对公路雾天图像识别与分类研究现状分析的基础上，讨论了雾的成因、分类和分级标准，将公路雾天图像划分为无雾、薄雾、浓雾和重雾四个等级。为了保证雾天图像识别分类的实时性，利用宽度学习系统(BroadLearningSystem,BLS)模型运算速度快的优势，提出了基于BLS的公路雾天图像识别分类算法；为了提取图像精细特征并提高BLS模型的分类准确率，利用卷积池化调整BLS网络结构，构建了基于卷积宽度学习系统(ConvolutionalBroadLearningSystem,CovBLS)的图像分类模型；为了进一步提高分类准确率同时最小化网络复杂度，通过部署压缩和激励网络(Squeeze-and-ExcitationNetworks,SENet)优化CovBLS网络结构，提出了基于特征重标定CovBLS(SENet-BasedCovBLS,Se-CovBLS)的图像分类算法，通过自学习卷积各通道权重提高模型分类能力，由于SENet为轻量级模块，网络复杂度增加甚微。 以公路雾天图像数据集FORSI为实验数据，利用对比实验确定了BLS模型相对最佳映射窗口、特征节点和增强节点数，在此基础上分别对BLS和提出的CovBLS模型进行测试，结果表明CovBLS与BLS模型相比薄雾的查全率和查准率分别提高了17.22%和6.23%，浓雾的查全率和查准率分别提高了5%和11.65%，分类准确率达到93.06%；同时与经典的KNN和Bayes图像分类算法相比平均准确率提高了9.56%，与CNN相比在接近的准确率下，运算时间减少了75.34%。通过实验设计了SENet模块的最佳降维比、Squeeze操作模式和Excitation激活方式，在此基础上对Se-CovBLS模型进行测试，结果表明无雾图像的分类准确率达到100%，相比于CovBLS模型，薄雾的查全率和查准率分别提高了1.11%和1.73%，浓雾的查全率和查准率分别提高了2.22%和1.82%，而运算时间和模型参数仅增加了23.71%和7.88%。 |
| 作者： | 韩静 |
| 专业： | 交通运输工程 |
| 导师： | 罗向龙 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
