信■与电BS
China Computer&Communication
2020年第23期
江亮王保升洪磊徐琪
（南京工程学院，江苏南京211167）
摘要：根据机场提供的视频数据和能见度数据，本文建立了基于视频数据的能见度估计CNN深度学习模型.本文构建的是一个类似于VGG16的卷积神经网络，将输出层的softmax层替代成MSE层，使其具备了能见度预测能力；将采集出的数据导入数据文件中保存，通过CNN神经网络的自学习特性，将数据集分为测试集和训练集两类.通过相关算法得到测试集与预测值的对比图，并对模型进行了精度分析，得到测试误差MSE=O.002524，验证模型具有较高的精度. 关键词：深度学习；CNN神经网络；能见度；自学习；预测
中图分类号：V321.223文献标识码：A文章编号：1003-9767（2020）23-043-04
Airport Visibility Prediction Based on CNN Deep Learning Model
JIANG Liang,WANG Baosheng,HONG Lei,XU Qi
(Nanjing Institute of Technology,Nanjing Jiangsu211167,China)
Abstract:According to the video data and visibility data provided by the airport,CNN estimated that the establishment of deep learning model based on the visibility of the video data.This article builds a convolutional neural network similar to VGG16,replacing the softmax layer of the output layer with the MSE layer,so that it has the ability to predict visibility.Import the collected data into a data file and save it.Through the self-learning feature of the CNN neural network,the data set is divided into two types:test set and training set.Through the related algorithm,the comparison chart of the test set and the predicted value is obtained,and the accuracy of the model is analyzed,and the test error MSE=0.002 524 is obtained,which verifies that the model has high accuracy.
Keywords:deep learning;CNN neural network;visibility;self-learning;prediction
0引言
能见度是气象、公路行车、飞机飞行中的常见指标，单位通常是m。影响能见度的因素主要是雾和霾。
在航空领域，习惯用跑道能见度反映机场附近雾和霾的大小，其定义为在跑道的一端沿跑道方向能辨认出跑道或接近跑道的目标物（夜间为跑道边灯）的最大距离一役一般情况下，当机场能见度只有400m左右时，会禁止航班起降。当机场能见度只有600~800m时航班虽然可以正常起降，但出于安全考虑机场会采取临时控制航班流量的措施，拉大航班起飞间隔，容易造成航班延误。因此，能见度预测是高速公路管理部门和航空公司十分关注的问题。
1卷积神经网络
1.1CNN模型阐述
CNN的结构通过一层层的组装层来搭建，基本包括输入层、卷积层、池化层以及分类层，每一层中又设置了激活函数“BN”，用来处理复杂的非线性问题。其中，从输入层到全连接层的过程是用来对目标进行特征提取，分类层将提取的特征进行归一化并得出最终的识别结果。卷积神经网络的每一层又分为数量不等的特征图，这些特征图的数量称为通道数，如图］所示。 图1卷积神经网络示倉图
1.2卷积层
卷积层的功能就是通过卷积运算将目标的特征提取出
尾气处理
基金项目：国家自然科学基金项目“基于视觉特征检测的空间曲线焊接机器人协调控制策略研究”（项目编号：61703200）o 作者简介：江亮（1996—），男，江苏南京人，硕士研究生。研究方向：机器视觉。
算號语言
信£1与电厕
China Computer & Communication
2020年第23期
来，可以把它看成图像处理中的滤波器。卷积层包含多个权 值不同但大小相同的窗口，这些窗口就是卷积核。卷积核不 同提取的特征也不同（比如轮廓、深浅等）。权值可以自动 更新，这也是深度学习的主要工作。
卷积运算的过程如图2所示。卷积核从输入图像的左上 角开始以从左到右、从上到下的顺序进行滑动，滑动的间隔
称为步幅，卷积核每滑动到一个位置，就将每个权值与图像 中对应的元素相乘，然后将相乘的积相加，结果放在输出图
像的对应位置。把每个位置都进行一次乘积累加运算，最后
就可以得到输出特征图，这个过程就是图像的卷积运算。
每滑动到一个区域，将该区域的参数相加再除以参数个数，
就得到了该区域的平均值，再将该平均值放到输出特征图的
对应位置。滑动结束就得到了大小为2*的输出特征图。池
化层不仅可以减少运算的参数，还对输入数据的微小偏差具
有鲁棒性。即当输入数据产生很小的误差时，池化层依然可以得到与之前一样的特征图。
Center element of the kernel is placed over the
source pixel. The source pixel is then replaced
with a weighted sum of itself and nearby pixels.
10
2
6
25138
03
02
挑山工教学实录12
最大值池化
□
(4X0)
(0X0)
(0x0)
(0X0)
(0x1)(0X1)(0X0) (OX1> n 专
New pixel value (destination pixel)
图2卷积运算
Convolution kernel (emboss)
©
1
00
1
22
图3最大值池化原理
12360
51
2
80
32
1
110
这张图可以清晰表征出整个卷积过程中一次相乘后相加图4池化层的鲁棒性原理
的结果：该图片选用3*
的卷积核，卷积核内共有9个数值,
所以图片右上角公式中一共有9行，而每一行都是图像像素 值与卷积核上的数值相乘，最终结果-8代替了原图像中对应
位置处的1。每一个滑动后都进行相乘再相加的工作，就可 以得到最终的输出结果。
1.4分类层
1.3池化层
池化层是用来缩小特征图的高和长，从而一定程度上减 少特征图的参数数量。卷积层虽然在一定程度上缩小了高和 长，但是参数的数量依然较多。使用这些参数继续往下一层
运算，计算量会很大，而且容易发生过拟合的情况。所以，
在进行一次卷积运算后，再对特征图进行池化运算，特征图
的参数会减少，有利于进行下一步运算。一般来说，常用的
池化层有两种，即最大值池化和平均值池化。
最大值池化是提取所选区域中的最大值，用该值代表这 一区域。如图3所示，输入图像的大小为4*,
池化窗口为
2* （灰区域）。将池化窗口按从左到右、从上到下的顺序
在输入图像上滑动，步幅为2，每滑动到一个区域，就将该 区域的最大值提取出来，并将该值放到输出特征图的相应位
置。整个过程完成后就得到一个大小为2*的输出特征图，
该特征图就是池化的结果。一般而言，池化窗口的步幅都会
和窗口大小相同，该层的窗口为2*,
步幅设定为2。
平均值池化是将所选区域的参数平均值作为输出特征图 中的元素，如图4所示。输入图像大小为4*，池化窗口大
小为2*,
步幅为2。窗口滑动的顺序与最大值池化相同，
输入数据经过卷积层和池化层等处理后，得到的数据通 过全连接层进行处理，得到若干个数值，每个
数值对应一种
类别。分类层再通过Softmax 函数将这些数值归一化就可得
到最终的预测结果。Softmax 函数描述为：
*严丈” （1）
其中，类另［总共有K 个，冯代表第丿个类别的数值，呛） 代表第丿个类别的概率，概率最大的类别就是识别的结果。
如图5所示，分类的数量设定为5个，即全连接层的输 出结果也是5个，用Softmax 函数对全连接层的输出结果进
行归一化处理，得到每种类别的概率。其中，第3种类别的
概率最大，因此识别的结果就是第3类。
得分
概率
1.5激活函数
激活函数是非线性函数，它将当前层的输入数据进行某 种非线性运算，得到的结果再作为下一层神经元的输入数据。
没有激活函数的神经网络只能进行乘积累加这种线性运算，
信■与电BS
China Computer&Communication 2020年第23期
得到的输出只是一个简单的线性函数。这种简单的线性回归模型并不是希望得到的神经网络模型。因为这种模型只能处理一些简单的线性问题，但是处理的问题通常都是复杂的非线性问题。所以，为了提高神经网络模型的学习能力，弓I入具有非线性性质的激活函数。常用的激活函数有Sigmoid函数、Tanh函数和ReLU函数，定义如下：
可见，Sigmoid函数的输出数据被归一化到（0,1），两端的导数逐渐都趋于零，这样会导致学习过程中的梯度逐渐消失，最终可能导致学习无法进行。
2能见度预测模型
2.1模型搭建
检查视频的起止时间，通过观察VIS数据里的MOR能见度信息可以看到，信息采集周期是15s采集一次，再观察机场的视频可以看到机场视频的起始时间其实和VIS数据里的起始时间是一致的，不同的是视频里是25s/帧，所以为了和VIS里的数据对应上，需要隔375帧图采集1次。人工选取一个感兴趣的区域，选取图片中间的一块大小合适的方形区域作为ROI区域，把每个图都插值缩放到统一尺寸64x64，构建训练样本把鋼的图分成两部分：一部分训练，一部分测试。
根据CNN神经网络自学习的特性，将数据集合分为训练集和测陆两类，每组城集合的样本数量均为5%本文构建的是一个类似于VGG16的卷积神经网络，将输出层的softmax层替代成MSE层，使其从一个作为分类器的卷积神经网络变成一个拥有能见度预测能力的算法。它的模型如图6所示。
：警s透明的距离
:g
：姦
陽
：跻
：加
:&4
：签送
：环
：警S
：加大致神经网络框架的结构如下：
%开始构建本题的深度CNN神经网络
layers=[…
imageInputLayer([64643]/Name
*,'输入层%输入层
•7丫6
图6VGG16矗神经网络框架
b a tchN o rmalizationLay e r(*N a me V BN1');
reluLayer('Name7RELU1*);
convolution2dLayer(3,64/Padding
*,'same1,'Stride1, l/NameVCONVr);%卷积层
b a tchN o rmalizationLayer(
*N ame7BN2,);
reluLayer('Name7RELU2,);%reluLayer激励
convolution2dLayer(3,64,'Padding1,'same1,'Stride
*,
l；Name7CONV2,);%卷积层
b a tchN o rmalizationLayer(
*N a me\'BN3');
reluLayer('Name7RELU3,);%reluLayer激励
averagePooling2dLayer(2,Stride
*,2,T^ame'/POOLr);%最大化方式的池化层采用步长2
convolution2dLayer(3,l28,Tadding1,'same
*,'Stride1, 1.,N ame7CONV3,);%卷积层
batchNormalizationLayer(
*N ame7BN4,)；
reluLayer('Name7RELU4');%reluLayer激励
convolution2dLayer(3,128/Padding1,'same
*,'Stride1, l/NameVCONV^);%卷积层
batchNormalizationLayer(,Name7BN5,);mustek
reluLayer('NameVRELU5');%reluLayer激励
averagePooling2dLayer(2,'Stride1,2,r Name7POOL2,);%最大化方式的池化层采用步长2
convolution2dLayer(3,256,Tadding1,'same
麻醉药品临床应用指导原则*,Stride1,
1.,N ame7CONV5,);%卷积层
b a tchN o rmalizationLayer(
*N a me1/BN6');
reluLayer('Name7RELU6');%reluLayer激励
convolution2dLayer(3,256,Tadding1,'same
中国特社会主义道路*,'Stride1, l/NameVCONVe
*);%卷积层
b a tchN o rmalizationLayer(
*N a me\'BN7');
reluLayerCNameVRELU?');%reluLayer激励
convolution2dLayer(3,256,P adding
'same
*,'Stride1, l/NameVCONV?
*);%卷积层
b a tchN o rmalizationLayer(
*N a me\
*B N8');
reluLayer('NameVRELUS1);%reluLayer激励
averagePooling2dLayer(2,'Stride
*,2,N ame
,TOOLS
*);%最大化方式的池化层采用步长2
convolution2dLayer(8,512/Stride1,1/NameVCONVS
*);%卷积层
reluLayer('Name,,,RELU9,);%reluLayer激励
fullyConnectedLayer(256,
*N ame7fulll');
dropoutLayer('NameVdrop1*);
fullyConnectedLayer(12g NameTfUlQ);
dropoutLay e r(0.2,*N a me7drop2
*);
信§1与电丽
China Computer&Communication2020年第23期
fullyConnectedLayer(l,'Name','full3');
regressionLayer('Name','regress');];
lgraph=layerGraph(layers);
figure;plot(lgraph)
title('本文CNN的结构图'
2.2测试结果及模型精度分析
通过上述算法，得到测试集与预测值的对比度图，如图
7所示。
基于框架学习预测出的结果与测试结果的对比误差如图
8所示。测试的误差MSE=0.002524，可以看岀搭建的深度
学习模型具有较高的预测精度。
Initializing image normalization.
Epoch|
1Iteration|
1
Time Elapsed|
(hh:mm:ss)|
Mini-batch|
RMSE|
Mini-ba t ch|
Loss|
Base Learning
Rate
11100:00:01I0.13|&2e-03|0.0100 8I50|00:00:29|0.09| 4.2e-03|0.0100 15|100I00:00:57|0.11 6.0e-03|0.0100 22|150|00:01:27|0.11I 6.5e-03|0.0100 29|200|00:01:56|0.10| 4.9e-03|0.0100 36|250|00:02:25|0.07| 2.8e-03|0.0100 43|300|00:02:54|0.09 4.2e-03|0.0100 50|350|00:03:23|0.08|
2.8e-03|0.0100 58|400|00:03:53|0.05| 1.5e-03|0.0100 65|450|00:04:22|0.04|&4e-04|0.0100 72|500|00:04:51|0.06 1.5e-03|0.0100 79|550|00:05:21|0.06| 1.6e-03|0.0100 86|600|00:05:50|0.03| 5.0e-04|0.0100 93|650|00:06:20|0.06 1.7e-03|0.0100 100|700|00:06:49|0.05 1.2e-03|0.0100 108|750|00:07:18|0.04&3e-04|0.0100 115|800|00:07:47|0.03| 5.4e-04|0.0100 122|850|00:08:16|0.05| 1.4e-03|0.0100 129|900|00:08:46|0.049.3e-04|0.0100 136|950|00:09:15|0.03| 3.4e-04|0.0100 143|1000|00:09:44|0.04|7.5e-04|0.0100 150|1050|00:10:13|0.05| 1.3e-03|0.0100
测试的误差MSE=0.002524|
图8VGG16神经网络框架误差对比图
3结语
本文搭建了一个基于CNN神经网络的深度学习模型，通过最后的误差性分析，得到误差参考因素MSE=0.002 524，证明所搭建的深度学习模型具有较强的自学习能力，得到的预测值与实际值误差较小。
参考文献
[1]安明伟，陈启美，郭宗良•基于路况视频的气象能见度检测方法与系统设计[J].仪器仪表学报,2010,31(5):1148-1153.
[2]陈钊正，陈启美•基于摄像机自标定的视频对比度能见度检测算法与实现[J].电子与信息学报,2010,32(12):2907-2912.
[3]李勃，董蓉，陈启美.无需人工标记的视频对比度道路能见度检测[J].计算机辅助设计与图形学学报,2009(11):1575-1582.
[4]李佳，葛嘉琦，陈启美•路况视频能见度检测算法[J].计算机工程,2009,35(16):175-177.
[5]宋洪军，陈阳舟，部园园•基于车道线检测与图像拐点的道路能见度估计[J].计算机应用,2012(12):133-139,150.
[6]N ayar S K,Narasimhan S G.Vision in bad weather[C]// Proceedings of the Seventh IEEE International Conference on Computer Vision,2002.
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议