曹爽亮，杨亚莉，陈浩，杨书伟

摘  要：一直以来，如何准确便捷地监测能见度都是减少交通事故工作关注的重点所在，而传统的使用能见度仪检测能见度存在造价高、范围小等缺陷。随着深度学习研究的不断发展，使用深度学习估算能见度也变成现实。本文建立了一种VGGnet 16卷积神经网络模型，经过Dropout（丢弃层）和数据增强优化后，使用监控图像及其对应的能见度值对其进行训练。结果表明，优化后的模型能有效提升训练精度，在小数据集上也能实现非常好的能见度估算效果。

关键词：能见度;深度学习;卷积神经网络;丢弃层;数据增强

中图分类号：TP391.4     文献标识码：A

Visibility Estimation based on Convolutional Neural Network

CAO Shuangliang， YANG Yali， CHEN Hao， YANG Shuwei

（School of Mechanical and Automotive Engineering， Shanghai University of Engineering Science， Shanghai 201620， China）

caoshuangliang2020@163.com; carolyn71@163.com; pschenhao@163.com; 18016334293@163.com

Abstract： Accurate and convenient visibility monitoring has always been the focus of reducing traffic accidents. Traditional visibility meter has the effect of high cost and small range. With the continuous development of deep learning research， deep learning is used to estimate visibility in reality. This paper proposes to establish a VGGnet 16 convolutional neural network model. After Dropout （discard layer） and data enhancement optimization， monitoring image and its corresponding visibility value are used to train it. The results show that the optimized model can effectively improve training accuracy， and it can also achieve very good visibility estimation effect on small data sets.

Keywords： visibility; deep learning; convolutional neural network; discarding layer; data enhancement

1   引言（Introduction）

能見度是气象观测的重要因素之一，它对高速公路安全行车、机场飞机起飞等都有着重要影响。恶劣天气导致能见度低会引发许多交通事故[1-2]。因此，对能见度进行实时监测十分重要。激光能见度仪是用于检测能见度的常用工具[3]，但由于其造价高、团雾检测精度低、探测范围小等问题，难以大范围推广。因此，如何高效便捷地检测能见度已经成为一个值得关注的问题[4-5]。

随着机器视觉与人工智能的不断发展，使用计算机配合监控摄像头来监测能见度成为一种十分有效的解决方案。许多学者也就这一方面展开了研究，王京丽等[6]提出了基于数字摄像观测能见度的基本原理和软件流程。在此基础上，数位学者提出了一种基于亮度对比度和暗原色先验原理的道路图像能见度检测方法[7-9]。……