基于AOD-Net的交通道路圖像大氣能見度檢測系統

陳勇 王繹凱 王振宇

摘要：針對目前應用較為廣泛的傳統交通道路大氣能見度檢測設備價格昂貴、未能滿足覆蓋大面積路網等問題，基于AOD-Net及道路監控設備，提出一種新型能見度檢測系統。 系統采用AOD-Net對道路圖像信息進行處理，并通過算法構建模型給出相對準確的大氣能見度數據。采用PyQt創建GUI程序平臺，方便用戶使用圖像資料完成對交通道路大氣能見度的檢測。

關鍵詞：能見度檢測;深度學習;AOD-Net;PyQt;圖像識別;交通管理

中圖分類號：TP391? ? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）18-0199-02

開放科學（資源服務）標識碼（OSID）：

Traffic Road Image Atmospheric Visibility Detection System Based on AOD-NET

CHEN Yong，WANG Yi-kai，WANG Zhen-yu

（Nanchang Institute of Technology， Nanchang 330099， China）

Abstract：Aiming at the problems of high price of traditional road atmospheric visibility detection equipment， which is widely used at present， and can not cover a large area of road network， a new visibility detection system is proposed based on AOD net and road monitoring equipment. The system uses AOD net to process the road image information， and constructs the model through the algorithm to give the relatively accurate atmospheric visibility data. Pyqt is used to create GUI program platform， which is convenient for users to use image data to complete the detection of atmospheric visibility on traffic roads.

Key words： visibility detection; deep learning; AOD-Net; PyQt; image recognition; traffic control

1概述

在低能見度中行駛是造成事故的巨大隱患，近年來常有霧天交通事故的發生，許多生命因此而逝。隨著近年來國內城市化建設的開展，國內交通運輸領域也隨之迅速發展，人們在物質生活上的需求不斷提升，國內使用私家車的用戶群體不斷擴張，造成國內尤其是城市道路的交通流量明顯增加。伴隨工業發展的同時，霧霾也頻繁出現于城市之中，在城區車流量巨大的今天，倘若對于城市能見度的檢測不能做到及時而準確，就很可能在霧天發生重大交通事故，威脅人民群眾的生命安全。而目前應用較為廣泛的能見度檢測設備造價昂貴，檢測成本較高，同時在檢測大面積路網方面存在劣勢，尚且需要補充一種能夠涵蓋大面積路網的檢測系統，方能比較全面地知曉交通道路能見度情況，為各路段的交通通行提供合理建議和管理方案。目前，已經有利用圖像檢測得到拍攝時大氣能見度信息的研究，為大氣能見度檢測的方法提供了參考[1-2]。

基于目前道路上廣為分布的安全監控設備網絡，以及在一體化除霧網絡（AOD-Net）方面的研究，本項目提出一種大氣能見度檢測的新思路，實現了基于AOD-Net的交通道路圖像大氣能見度檢測系統。該系統能夠根據路網中道路監控設備拍攝的圖像，快速計算出設備所在區域大氣能見度數據，實時反映各道路能見度情況并將其反饋給用戶作為出行參考，也便于工作人員及時對交通進行調控與管理，盡可能避免由于信息延遲而導致的霧天交通事故。

2交通道路圖像大氣能見度檢測系統的設計

本項目所設計的檢測系統基于AOD-Net算法。AOD-Net是一種基于深度學習以及大氣散射模型構建出的優質去霧模型，其利用K值估計模型可得到監控設備所提供圖片的清晰去霧圖像。利用NYU2數據集和Middlebury數據集對模型進行訓練，利用訓練后得到的模型處理所給出的帶霧圖像，采用網格對初始圖像以及去霧圖像進行分割，利用算法識別、計算出圖像中能見度的級別信息，得到道路能見度分析結果。

項目中檢測系統的GUI程序平臺利用PyQt創建，操作界面簡潔。系統允許用戶通過窗口完成圖像上傳，然后利用用戶所給定的帶霧圖像，考慮拍攝角度的不同以及視線延伸的效果，對圖片進行網格化分塊處理，并通過分析和計算各網格間相似度的標準方差，給出精確度較高的大氣能見度參考信息。

3交通道路圖像大氣能見度檢測系統的功能

3.1信息獲取

隨著現代科技水平的進步，交通道路的監控設備所拍攝到的圖像清晰度也越來越高，與此同時，監控設備布設密度高、分布范圍廣，已經形成了巨大的交通監控網絡，這對于本項目大氣能見度信息的獲取十分有利，無須再購進昂貴的檢測設備，只需通過交通監控網絡便可實現實時的圖像傳輸與分析。相較于傳統的大氣檢測設備，道路監控設備覆蓋整個道路網絡，利用這種優勢進行檢測工作，在擴大檢測范圍的同時，也使得對各道路大氣能見度的檢測更具有針對性。系統檢測各個路段監控設備提供的圖像信息，通過處理后將分析數據呈現，可以對比突出不同路段大氣能見度的差異，使道路交通的管理調控內容更加具體化，依據各道路不同的大氣能見度情況采取更為有效的調整措施。另外，還可以根據不同道路能見度數據的實時變化情況，提前對部分道路進行交通管制，預防車輛在道路行駛過程中遭遇低能見度天氣的情況，減少因霧霾天氣影響而引發的交通事故。

3.2 霧霾識別

本大氣能見度檢測系統的關鍵組成部分，是基于深度學習而實現的大氣能見度識別系統：將交通道路監控設備所拍攝到的圖像信息輸入到檢測系統中，系統會利用訓練后的AOD-Net算法，將所拍攝到的原始圖像轉換為清晰的去霧圖像，該去霧圖像能夠保留并突出圖像中的細節信息，使圖像的識別特征更加明顯，有利于后續對圖像進行對比、分析與計算[3]。考慮到不同監控設備的拍攝角度不盡相同，會導致同一圖像中不同區域的霧霾濃度計算結果有所差異，因此采用對原始圖像和去霧圖像進行網格式劃分的方法，根據圖像特征對比、檢測并計算各個網格的霧霾數據，對網格進行霧霾識別，得到各網格數據，為后續的檢測工作做準備。

3.3 能見度檢測

從霧霾識別功能中可以得出各網格的霧霾數據，通過匯總計算網格間相似度的標準方差，減小不同拍攝角度等因素對圖像能見度檢測所產生的影響，得到更為準確的霧霾數據，進而判斷出圖像中的霧霾等級，輸出目標道路區域的大氣能見度信息。該能見度檢測系統利用道路監控網絡所提供的圖像材料，可以全天候任意時刻對圖像數據進行分析與識別;基于深度學習理論的構建，使得系統的識別檢測功能隨著使用時長的增加而更加準確可靠，并可通過人工進行校正，在保證能見度識別效率的同時也能提高能見度識別的準確率。

4交通道路圖像大氣能見度檢測系統的展示

該交通道路圖像大氣能見度檢測系統可通過基于深度學習的城市交通道路圖像處理平臺進入，用戶可以通過注冊、登錄進入平臺首頁，在左側模塊中選擇道路能見度模塊，即可使用交通道路圖像大氣能見度檢測系統。選取給定的交通道路圖像從左側上傳窗口處上傳，檢測系統會對圖像進行去霧、劃分、對比、計算等步驟，完成后將會在窗口右側區域顯示處理后的去霧圖像以及能見度等級信息。

利用系統所輸出的能見度等級信息，工作人員可以實時調整道路交通狀況，或者提前對部分道路進行交通管制，及時避免車輛駛入低能見度區域。使用者也可根據實際情況對檢測系統進行校對，利用大數據使系統的識別與判斷更加準確。

5結束語

低能見度對于車輛的行駛十分不利，能見度檢測的工作仍將是長期的需要。伴隨當今科技的發展進步，能見度檢測工作如果能與更加快速準確的識別方法相結合，做到隨時傳遞能見度信息，及時通知相關部門采取交通管制等措施，就能為霧天道路交通行駛提供更穩固的安全保障。運用現今發展成熟的交通監控網絡進行大氣能見度檢測，展現出多種科技共同協作所產生的用途多樣化、廣泛化，一方面大幅降低了人工和設備成本，另一方面通過大數據確保了系統識別的準確性和實時性，提高工作效率。檢測系統基于深度學習理論開發，系統對于能見度特征識別的準確度會隨著檢測數據的增多而提高。當出現系統漏洞、識別不準等情況時，可以進行人工校核以及算法優化，與傳統的人工研發、維修檢測設備相比，能夠更加快速高效地解決問題，為未來交通道路能見度檢測提供更加精確可靠的信息數據。

參考文獻：

[1] 張瓊雄，龐志梅，宋迪靈，等.基于視頻監控的能見度測量[J].廣東氣象，2019，41（5）：62-65.

[2] 姚鎮海，周建平，邱新法.基于高速公路視頻圖像的能見度計算[J].南京信息工程大學學報（自然科學版），2019，11（1）：85-90.

[3] 陳瓊紅，冀杰，種一帆，等.基于AOD-Net和SSD的霧天車輛和行人檢測[J/OL].重慶理工大學學報（自然科學）：1-9[2021-01-24].http：//kns.cnki.net/kcms/detail/50.1205.T.20200 610.1010.004.html.

[4] 唐紹恩，李騫，胡磊，等.一種基于遷移學習的能見度檢測方法[J].計算機工程，2019，45（9）：242-247.

[5] 宋洪軍，郜園園，陳陽舟.基于攝像機動態標定的交通能見度估計[J].計算機學報，2015，38（6）：1172-1187.

[6] 劉建磊，劉曉亮.基于拐點線的大霧能見度檢測算法[J].計算機應用，2015，35（2）：528-530，534.

【通聯編輯：梁書】