李曉勇，劉寬宗，周祥華，李紅玉，譚貴蓉，熊胤帆

（1瀘州市氣象局 四川 瀘州 646599）

（2成都潤(rùn)聯(lián)科技開(kāi)發(fā)有限公司 四川 成都 610000）

1 引言

現(xiàn)代道路交通中，城市交通會(huì)因?yàn)閻毫犹鞖鈼l件而產(chǎn)生諸多影響，例如大雪、大霧天氣或其他極端氣候條件會(huì)導(dǎo)致駕駛?cè)藛T視物能力變差、道路濕滑和交通堵塞。如果情況嚴(yán)重，還有引發(fā)交通事故的風(fēng)險(xiǎn)，通過(guò)與交通監(jiān)控系統(tǒng)相配合，實(shí)時(shí)監(jiān)測(cè)當(dāng)?shù)靥鞖?，可最大程度上降低因惡劣氣候?qū)φ＝煌ㄏ到y(tǒng)運(yùn)轉(zhuǎn)的影響，減少惡劣氣候下出行流量，提高交通安全性，由此可以表明，實(shí)時(shí)天氣預(yù)測(cè)對(duì)社會(huì)各方面有著重要意義[1-2]。而傳統(tǒng)氣象檢測(cè)方式大多通過(guò)氣象衛(wèi)星和地面觀測(cè)站建立氣象模型實(shí)現(xiàn)天氣預(yù)測(cè)，雖然在大范圍的天氣趨勢(shì)監(jiān)測(cè)方面準(zhǔn)確率較高，但對(duì)小區(qū)域的實(shí)時(shí)天氣預(yù)報(bào)的準(zhǔn)確率也不是很理想，而通過(guò)在城市內(nèi)大規(guī)模進(jìn)行視覺(jué)圖像采集，并應(yīng)用輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)識(shí)別技術(shù)進(jìn)行精準(zhǔn)識(shí)別，可有效提升天氣監(jiān)測(cè)的準(zhǔn)確度，相對(duì)于傳統(tǒng)方法而言，可合理縮減實(shí)驗(yàn)步驟，節(jié)省技術(shù)時(shí)間[3-4]。

2 對(duì)象與方法

圖像移動(dòng)、大小和DenseNet對(duì)DenseNet分類識(shí)別沒(méi)有影響。seNet在自然圖像識(shí)別任務(wù)中表現(xiàn)出色，尤其是在復(fù)雜環(huán)境中特異性較高。實(shí)現(xiàn)過(guò)程如下。

DenseNet CVPR會(huì)議于2017年召開(kāi)，是一種新型的輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)模型，該網(wǎng)絡(luò)結(jié)構(gòu)為密集連接型。在網(wǎng)絡(luò)中，任意兩層之間都可以形成直接連接，每一層網(wǎng)絡(luò)的輸入都可以像以前一樣使用所有的輸出層，并通過(guò)學(xué)習(xí)圖的特征來(lái)設(shè)定該層，將會(huì)同時(shí)作為后續(xù)所有層的輸入。

設(shè)第L層的變換函數(shù)作為H-L，輸出為Y-L，可采用如下公式進(jìn)行DenseNet每一層的變換：Y-L=H-L（[Y-0，Y-1……Y-[L-1]）。

DenseNet與其他網(wǎng)絡(luò)的主要差異在于：（1）網(wǎng)絡(luò)中的h層可以直接與前一層連接，實(shí)現(xiàn)重復(fù)利用的特點(diǎn)。（2）網(wǎng)絡(luò)的每一層設(shè)計(jì)都非常狹窄，每一層只需要學(xué)習(xí)少量的特征圖，以減少冗余。

同時(shí)，DenseNet還有如下優(yōu)勢(shì)：（1）節(jié)省參數(shù)：在ImageNet數(shù)據(jù)集的實(shí)驗(yàn)中獲得了相同的識(shí)別率，DenseNet參數(shù)個(gè)數(shù)是ResNet的一半。模型越小，帶寬越小，可以大大減少開(kāi)銷。（2）節(jié)省計(jì)算：與其他神經(jīng)網(wǎng)絡(luò)模型相比，DenseNet的計(jì)算量大大減少，只有約一半的其他神經(jīng)網(wǎng)絡(luò)模型。

3 結(jié)果

本研究未獲得大型氣象數(shù)據(jù)集，利用互聯(lián)網(wǎng)獲得的小尺度圖像，對(duì)同一地點(diǎn)、不同時(shí)段拍攝的不同氣象圖像進(jìn)行采集，可分為4種類型：晴天、陰天、雨、雪，所有圖像分辨率設(shè)置為224×224。由于數(shù)據(jù)集數(shù)量較少，本研究將訓(xùn)練集中在60%的圖像上，以所有圖像作為驗(yàn)證集，通過(guò)多次迭代得到訓(xùn)練模型。

為保障實(shí)驗(yàn)準(zhǔn)確性，本研究使用TensorFlow后端的Keras deep learning pants作為開(kāi)源代碼，在Anaconda voucher下使用Python 3.6進(jìn)行編程。實(shí)驗(yàn)采用了709層Densenet模型。這個(gè)結(jié)構(gòu)，使用全局池層來(lái)代替整個(gè)連接層，設(shè)計(jì)學(xué)習(xí)率為0.001。采用輕衰減防止過(guò)擬合，設(shè)定衰減為0.0001。

在代碼中調(diào)用繪圖模塊時(shí)，訓(xùn)練結(jié)果的準(zhǔn)確率和丟失率由圖表示，見(jiàn)圖1、圖2。本實(shí)驗(yàn)大約有20次訓(xùn)練迭代，在第10次迭代后，準(zhǔn)確率逐漸穩(wěn)定并呈現(xiàn)緩慢增長(zhǎng)趨勢(shì)。

圖1 訓(xùn)練和驗(yàn)證準(zhǔn)確率

圖2 訓(xùn)練和驗(yàn)證損失值

通過(guò)測(cè)試，可以獲得數(shù)據(jù)集中每個(gè)圖像的天氣識(shí)別結(jié)果。該方法的識(shí)別率在陰天和晴天高于雪天和雨天。通過(guò)圖像分析發(fā)現(xiàn)，雨雪天錯(cuò)誤率高的原因是圖像數(shù)量少，降雨過(guò)程產(chǎn)生的水霧對(duì)圖像質(zhì)量也有一定影響。

4 討論

通過(guò)對(duì)氣候和環(huán)境的實(shí)時(shí)監(jiān)測(cè)，結(jié)合交通路段的信息，可以有效減少惡劣氣候下的出行量和對(duì)道路交通的負(fù)面影響，提高惡劣氣候下的出行效率[5-6]。因此實(shí)時(shí)預(yù)測(cè)天氣狀況，對(duì)城市交通、航空管制、公路調(diào)度等多方面具有重要影響意義[7]。

傳統(tǒng)氣象檢測(cè)中，該預(yù)報(bào)主要通過(guò)地面觀測(cè)站結(jié)合氣象衛(wèi)星建立的大氣模型進(jìn)行，該方法雖然能夠?qū)崿F(xiàn)大規(guī)模的天氣趨勢(shì)預(yù)報(bào)，但對(duì)小范圍的實(shí)時(shí)天氣預(yù)報(bào)缺乏準(zhǔn)確性，通常需要在固定范圍內(nèi)布置大量傳感器，在一定程度上提高了預(yù)測(cè)精度，但部署和維護(hù)傳感器的成本高，實(shí)現(xiàn)難度大[8-9]。視覺(jué)圖像采集具有成本低、效率高的優(yōu)點(diǎn)。如果能將城市中大量的交通攝像頭和網(wǎng)絡(luò)攝像頭有機(jī)地結(jié)合起來(lái)，通過(guò)機(jī)器學(xué)習(xí)對(duì)攝像頭實(shí)時(shí)采集到的戶外圖像進(jìn)行處理，那么識(shí)別的范圍將會(huì)更廣[10-11]。有研究表示，圖中他的空間直方圖的特征可以幫助判斷驅(qū)動(dòng)系統(tǒng)是拍攝晴天還是雨天[12]，也有研究對(duì)氣象現(xiàn)象圖像的差異性影響相關(guān)分析，通過(guò)提取圖像的功率對(duì)比度、坡度、噪聲特征等訓(xùn)練，構(gòu)建決策樹(shù)，并在葉節(jié)點(diǎn)構(gòu)建SVM分類器，實(shí)現(xiàn)戶外圖像識(shí)別氣象現(xiàn)象[13-14]。這些方法只能通過(guò)拍攝照片來(lái)識(shí)別具體場(chǎng)景，而且需要更精細(xì)、更復(fù)雜的訓(xùn)練過(guò)程，無(wú)法滿足現(xiàn)有氣象信息的實(shí)時(shí)性要求[15]。

隨著輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)的不斷發(fā)展，它在圖像分類中具有明顯的操作優(yōu)勢(shì)，本研究在基于圖片的天氣分類中充分應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)，通過(guò)對(duì)同一地點(diǎn)和不同時(shí)刻的4種天氣圖片進(jìn)行訓(xùn)練取得了良好的效果，該方法節(jié)省了人工從圖像中提取各種氣象特征的步驟，大大減少了識(shí)別時(shí)間。具體操作如下：為保證測(cè)試的準(zhǔn)確性，本研究使用TensorFlow后端的Keras deep learning pants作為開(kāi)源代碼，Anaconda voucher編程中采用Python 3.6。實(shí)驗(yàn)中使用了總共709層Densenet模型，使用global pooling層代替了該結(jié)構(gòu)中的full connection層。設(shè)計(jì)學(xué)習(xí)率為0.001，采用權(quán)重衰減防止過(guò)擬合，設(shè)定衰減為0.0001，代碼中調(diào)用繪圖模塊。測(cè)試結(jié)果表明，訓(xùn)練結(jié)果的準(zhǔn)確率和丟失率可以用圖來(lái)表示。本實(shí)驗(yàn)大約有20次訓(xùn)練迭代，在第10次迭代后，準(zhǔn)確率逐漸穩(wěn)定并呈現(xiàn)緩慢增長(zhǎng)趨勢(shì)。

由此可見(jiàn)，在氣象現(xiàn)象識(shí)別中，應(yīng)用輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)技術(shù)可取得滿意的預(yù)期效果，可為后續(xù)的相關(guān)研究提供一定理論依據(jù)，但是由于本研究中的研究樣本較少，而只有在大量樣本中應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)才能充分驗(yàn)證其識(shí)別率的準(zhǔn)確度，在后續(xù)的工作中，可以從以下兩個(gè)方面提出相應(yīng)的改進(jìn)：（1）擴(kuò)大數(shù)據(jù)集的規(guī)模，將相關(guān)攝像機(jī)設(shè)置在固定的位置范圍內(nèi)，定時(shí)拍照，手工標(biāo)注每張照片的氣象現(xiàn)象；（2）利用多種神經(jīng)網(wǎng)絡(luò)識(shí)別天氣，可以融合多種結(jié)果，獲得更準(zhǔn)確的結(jié)果。

5 結(jié)論

綜上所述，實(shí)驗(yàn)結(jié)果表明，該技術(shù)在識(shí)別圖像天氣中達(dá)到了滿意的預(yù)期效果，相較于傳統(tǒng)方法而言，縮減了實(shí)驗(yàn)步驟，縮短了技術(shù)時(shí)間。