61 / 2023-03-13 16:24:36

基于多种机器学习算法的高速公路大雾天气识别研究

高速公路,图像识别,大雾,机器学习

采集了2021年3—11月期间6次大雾天气过程中、重庆市内高速公路摄像头拍摄的28组道路图像个例，共计有雾样本50000余张，另采集了8000余张无雾天气过程样本作为对比；统计所有图像样本的饱和度均值、方差及灰度共生矩阵（能量、熵、对比度、相关性等）多维特征向量，构建了图像特征样本集；基于图像时空信息匹配邻近气象站能见度要素实况，根据能见度范围分为无雾（VIS>1000 m）、雾（500 m<VIS≤1000 m）、大雾（200 m<VIS≤500 m）、浓雾（50 m<VIS≤200 m）、强浓雾（VIS≤50 m）共5种天气类型，利用K最近邻、支持向量机、BP神经网络和随机森林方法进行训练分类，检验了各类天气识别准确率，结果表明：

1）K最近邻方法对5类天气的识别准确率均超过95%；

2）支持向量机方法对能见度高于200 m和低于50 m的天气均具有较强识别能力，准确率在90%以上，但对能见度50—200 m的浓雾天气识别准确率仅有60%，这是由于SVM是一种二元分类器，对不同类型分界线附近范围的样本，其识别能力会明显下降；

3）本文的神经网络为3层后向反馈结构，并采用梯度下降的训练方法，其对无雾天气及能见度50—200 m的浓雾天气识别准确率超过95%，但其他类型几乎无法识别；

4）随机森林方法中分别设置决策树k=1000,5000,50000，当k从1000增至5000时，识别准确率反而下降，继续增至50000时，识别准确率无明显提高，且由于复杂度增加、运算速度大幅降低。对比发现，k=1000的随机森林分类效果最佳，对5类天气的识别准确率均超过95%，其中无雾天气及能见度200—500 m的大雾天气识别准确率接近100%。

综上所述，K最近邻和随机森林方法对高速公路大雾天气的识别效果最优。本文基于样本训练过程构建了大雾天气识别模型，开发了用于实时分析高速公路大雾天气的界面平台，包含图像读取显示、算法准确性检验、有雾天气识别分类（全图识别、区域识别）等功能。结果表明其能够有效判断高速公路低能见度天气过程，对有雾图像进行分类并估算能见度范围，对重庆地区高速公路气象智慧监测预警能力提升及防灾减灾服务具有重要意义。