摘要：為了充分利用自動駕駛汽車路測圖像數(shù)據，增加行駛過程中對天氣情況識別的準確性，提出了一種基于改進ResNet50 網絡的自動駕駛場景天氣識別算法。該算法將SE 模塊與ResNet50 網絡相結合，通過在ResNet50 網絡4 組模塊內加入SE 模塊，以便更好地擬合通道間復雜的魯棒性?；谧詣玉{駛汽車路測圖像數(shù)據對所提算法進行Python 編程實現(xiàn)，結果表明：SE 模塊的加入能夠增加算法的魯棒性和準確性，提高了自動駕駛的天氣識別精度。

關鍵詞：自動駕駛；路測圖像；ResNet50 網絡；SE 模塊；天氣識別算法

0 前言

隨著自動駕駛技術的蓬勃發(fā)展，自動駕駛技術呈現(xiàn)出蓬勃向上的新格局，基于圖像處理算法的目標識別技術也日趨成熟。然而，由于在惡劣天氣條件下，自動駕駛汽車的天氣識別算法表現(xiàn)不佳，無法控制汽車及時采取相應的措施，因此極易引發(fā)安全問題，導致交通事故發(fā)生，影響了自動駕駛技術的發(fā)展。

1 自動駕駛天氣識別算法現(xiàn)狀

目前在自動駕駛場景中，自動駕駛汽車在天氣識別方面，使用比較廣泛的天氣識別算法是基于深度學習領域的卷積神經網絡（CNN）。ELHOSEINY 等［1］利用新的天氣特征數(shù)據集，使用CNN 研究了圖像中的天氣分類，實現(xiàn)了82.2% 的歸一化分類準確率。LU 等［2］利用新的天氣特征來標記圖像為晴天或陰天的協(xié)作學習方法，并融合了數(shù)據驅動的CNN 特征和精心選擇的天氣特征，豐富了訓練數(shù)據，模型準確率提高了7%～8%。ZHU 等［3］通過預訓練和微調2 個階段建立了極端天氣識別模型，以獲得與極端天氣事件相關的特征，該模型通過在預訓練階段使用GoogLeNet 模型訓練ILSVRC-2012 數(shù)據集，獲得ILSVRC 模型，再通過Weather Dataset 進一步微調，可以識別94.5%的天氣情況。ZHU 等［4］訓練GoogLeNet 模型時使用一種新的對偶微調策略，并且對初始模型進行微調，使模型精度提高了0.72%，且大幅優(yōu)化了模型體量。余穎舜等［5］提出了一種融合了元學習Reptile 算法與知識蒸餾技術的訓練方法來訓練YOLOv4 算法，在保證YOLOv4 算法速度的同時提升算法精度。李冰村等［6］提出了一種客觀的冰雹樣本標記方法，并采用支持向量機、決策樹及樸素貝葉斯3 種機器學習方法，分別對冰雹頻繁發(fā)生的貴州省威寧地區(qū)冰雹天氣過程進行了建模分析。羅輝等［7］針對神經網絡模型負樣本種類多、數(shù)量少、具體形態(tài)比較隨機的情況，提出模型迭代升級策略，提升了模型的可靠性和穩(wěn)定性。

雖然上述學者提出的天氣識別算法可以較準確地識別出天氣狀況，但是這些算法都要求在高性能服務器中對大量數(shù)據集進行訓練，計算較復雜且耗時較長，尤其是將其應用到自動駕駛場景時，仍然存在識別效果差、效率低等問題，且在算法實現(xiàn)時缺少自動駕駛汽車的真實路測數(shù)據。針對以上問題，本文基于自動駕駛汽車的真實路測數(shù)據，對ResNet50 網絡進行改進，提出了改進ResNet50 網絡的自動駕駛場景天氣識別算法，通過真實路測數(shù)據對改進后的算法進行訓練，以提高天氣識別精度。