本發(fā)明涉及團霧智能識別，具體為一種基于ai視頻深度學習的團霧智能識別技術。
背景技術：
1、團霧是一種常見的天氣現(xiàn)象，其區(qū)域性強、能見度低、變化快、預測難度大，對于高速公路行車安全極具危害性，團霧不同于大范圍的平流霧、輻射霧，其大氣能見度值變化幅度較大、團霧區(qū)監(jiān)測到的能見度呈反復跳躍式升降，由于跨河流域獨特的氣候條件，空氣濕度較大，當處于晝夜溫差大的季節(jié)時，白天水分蒸發(fā)到空中，晚上氣溫下降后，空氣中的水蒸氣極易液化形成團霧，不同方式形成的團霧對交通運行的影響有所不同，導致在團霧的識別與預測方面難度很大，團霧的形成條件有三大要素：晴夜、微風和充足的水汽，團霧與我們平時所見大霧天氣有所不同，呈塊狀，控制范圍比較小，就像一大堆棉絮飄落在地面上，團霧外視線良好，團霧內(nèi)四顧朦朧、能見度極低，團霧還具有范圍不大、積聚時間較長、易漂移、突然性強等特點，高速公路是關乎國民經(jīng)濟命脈發(fā)展的行業(yè)，據(jù)統(tǒng)計，大霧是導致高速公路惡性交通事故頻發(fā)的主要原因。
2、然而目前的團霧智能識別技術能見度的算法大多需要依靠人工干預，識別度較低，效率不高，不能基于攝像頭視屏進行識別，只能靠人工輸入圖像進行處理，并且不便于對識別后的數(shù)據(jù)上傳，不能直觀的展示，針對上述問題，發(fā)明人提出一種基于ai視頻深度學習的團霧智能識別技術用于解決上述問題。
技術實現(xiàn)思路
1、為了解決目前的團霧智能識別技術識別度較低。效率不高的問題；本發(fā)明的目的在于提供一種基于ai視頻深度學習的團霧智能識別技術。
2、為解決上述技術問題，本發(fā)明采用如下技術方案：一種基于ai視頻深度學習的團霧智能識別技術，首先通過讀取設備讀取儲存卡配置中的文件材料，然后從讀取配置文件的視屏流中獲取圖像，接著從獲取的圖像中刪除一個月之前的圖像數(shù)據(jù)，并且將刪除后的圖像做灰度處理，轉(zhuǎn)化為灰度圖，然后分別對灰度后的圖像進行高斯模糊處理，使圖像模糊化，然后將高斯模糊處理后的圖像進行自適應閥值處理，通過自適應閥值處理對圖像的明暗差進行處理，然后計算處理后圖像的能見度，接著計算圖像能見度的結果，并對結果進行參數(shù)校正，然后將處理后的圖像數(shù)據(jù)通過儲存設備進行儲存，最后將儲存后的圖像數(shù)據(jù)發(fā)送至云服務器，通過云服務器進行儲存。
3、優(yōu)選地，獲取圖像的方法通過配置文件中的視屏直接拉取進行圖像采集，對一個視屏中的多個圖像信息進行采集，刪除一個月之前的圖像數(shù)據(jù)的方法為通過判定圖像的儲存日期對圖像的保留和刪除進行判定，定期刪除一個月之前的圖像數(shù)據(jù)，并且刪除重復信息，剔除引攝像頭斑點問題引起的圖像錯誤，同時對刪除之后的圖像數(shù)據(jù)進行灰度處理，使圖像成為灰度圖，高斯模糊是圖像處理廣泛使用的處理效果，通過對圖像的高斯模糊可以減少圖像噪聲以及降低細節(jié)層次，以保證獲取的圖像更加清晰。
4、優(yōu)選地，自適應閾值處理技術是使用變化的閾值完成對圖像的閾值處理，在進行閾值處理時，自適應閾值處理通過計算每個像素點周圍臨近區(qū)域的加權平均值獲得閾值，并使用該閾值對當前像素點進行處理，設置閾值t0，當t值小于t0時，令t＝t0，以t0＝0.1為標準，將處理后的三通道圖像合成，恢復出去霧后的清晰圖像j(x)，圖像能見度觀測模型為利用所述透射率分布圖中地物附近的數(shù)字圖像亮度均值與前向散射儀對應時刻的能見度數(shù)值進行曲線擬合所獲得的數(shù)字圖像透射率分布圖亮度均值與大氣水平能見度間的關系，圖像能見度觀測模型用如下多項式表示：v(t)＝a1t(t)4+a2t(t)3+a3t(t)2+a4t(t)+a5，其中t為觀測時刻，t(t)為圖像透射率分布圖亮度均值，v(t)為大氣能見度數(shù)值，a1-a5為多項式系數(shù)，大氣能見度為平行光通過大氣衰減到原始光通量的0.05時的距離，可推導出能見度值v，通過獲得清晰圖像過程中得到的大氣消光系數(shù)β，獲得能見度值v。
5、優(yōu)選地，在不同多張圖像中記載了不同的霧團圖像信息誤差值，通過對這些誤差值進行擬合，計算出校正參數(shù)，對計算結果進行參數(shù)校正，將獲取的校正參數(shù)應用到測量數(shù)據(jù)中，通過相減得到較高精度的測量結果，將校正參數(shù)后的圖像儲存之數(shù)據(jù)庫內(nèi)，并通過數(shù)據(jù)庫傳送至云服務器。
6、與現(xiàn)有技術相比，本發(fā)明的有益效果在于：
7、1、通過對配置文件中的視屏流圖像的獲取，對視屏流內(nèi)多處不同的圖像進行獲取，然后對圖像進進行參數(shù)校正，通過對多張圖像的信息相擬合，可以對多張圖像的信息相結合，進而能夠使多張圖像的信息結合在一起，計算出綜合參數(shù)，進而能夠避免圖像信息發(fā)送誤差，進而可以解決團霧能見度識別算法的問題，提高識別準確度和效率；
8、2、通過對配置文件中的視屏流圖像的獲取，對視屏流內(nèi)多處不同的圖像進行獲取，然后對獲取后的圖像進行灰度處理以及高斯模糊，對輸入圖像進行預處理，調(diào)整圖像亮度、對比度、色彩平衡等操作，在保留圖像信息的同時提升模型的識別準確度，進而提高識別準確度和處理效率，使其更加智能化和高效化；
9、3、結合智能控制技術和傳感器技術，可以實現(xiàn)自動采集攝像頭視頻流的功能，利用成熟的物聯(lián)網(wǎng)技術可以將數(shù)據(jù)上傳至云端進行處理和分析，結合智能控制技術和傳感器技術，可以實現(xiàn)自動采集攝像頭視頻流的功能，利用成熟的物聯(lián)網(wǎng)技術可以將數(shù)據(jù)上傳至云端進行處理和分析，進而便于對數(shù)據(jù)的上傳，從而便于對數(shù)據(jù)直觀的展示。
1.一種基于ai視頻深度學習的團霧智能識別技術，其特征在于：首先通過讀取設備讀取儲存卡配置中的文件材料，然后從讀取配置文件的視屏流中獲取圖像，接著從獲取的圖像中刪除一個月之前的圖像數(shù)據(jù)，并且將刪除后的圖像做灰度處理，轉(zhuǎn)化為灰度圖，然后分別對灰度后的圖像進行高斯模糊處理，使圖像模糊化，然后將高斯模糊處理后的圖像進行自適應閥值處理，通過自適應閥值處理對圖像的明暗差進行處理，然后計算處理后圖像的能見度，接著計算圖像能見度的結果，并對結果進行參數(shù)校正，然后將處理后的圖像數(shù)據(jù)通過儲存設備進行儲存，最后將儲存后的圖像數(shù)據(jù)發(fā)送至云服務器，通過云服務器進行儲存。
2.如權利要求1所述的一種基于ai視頻深度學習的團霧智能識別技術，其特征在于，獲取圖像的方法通過配置文件中的視屏直接拉取進行圖像采集，對一個視屏中的多個圖像信息進行采集。
3.如權利要求1所述的一種基于ai視頻深度學習的團霧智能識別技術，其特征在于，刪除一個月之前的圖像數(shù)據(jù)的方法為通過判定圖像的儲存日期對圖像的保留和刪除進行判定，定期刪除一個月之前的圖像數(shù)據(jù)，并且刪除重復信息，剔除引攝像頭斑點問題引起的圖像錯誤，同時對刪除之后的圖像數(shù)據(jù)進行灰度處理，使圖像成為灰度圖。
4.如權利要求1所述的一種基于ai視頻深度學習的團霧智能識別技術，其特征在于，高斯模糊是圖像處理廣泛使用的處理效果，通過對圖像的高斯模糊可以減少圖像噪聲以及降低細節(jié)層次，以保證獲取的圖像更加清晰。
5.如權利要求1所述的一種基于ai視頻深度學習的團霧智能識別技術，其特征在于，自適應閾值處理技術是使用變化的閾值完成對圖像的閾值處理，在進行閾值處理時，自適應閾值處理通過計算每個像素點周圍臨近區(qū)域的加權平均值獲得閾值，并使用該閾值對當前像素點進行處理。
6.如權利要求5所述的一種基于ai視頻深度學習的團霧智能識別技術，其特征在于，設置閾值t0，當t值小于t0時，令t＝t0，以t0＝0.1為標準，將處理后的三通道圖像合成，恢復出去霧后的清晰圖像j(x)。
7.如權利要求6所述的一種基于ai視頻深度學習的團霧智能識別技術，其特征在于，圖像能見度觀測模型為利用所述透射率分布圖中地物附近的數(shù)字圖像亮度均值與前向散射儀對應時刻的能見度數(shù)值進行曲線擬合所獲得的數(shù)字圖像透射率分布圖亮度均值與大氣水平能見度間的關系，圖像能見度觀測模型用如下多項式表示：v(t)＝a1t(t)4+a2t(t)3+a3t(t)2+a4t(t)+a5。
8.如權利要求1所述的一種基于ai視頻深度學習的團霧智能識別技術，其特征在于，其中t為觀測時刻，t(t)為圖像透射率分布圖亮度均值，v(t)為大氣能見度數(shù)值，a1-a5為多項式系數(shù)，大氣能見度為平行光通過大氣衰減到原始光通量的0.05時的距離，可推導出能見度值v，通過獲得清晰圖像過程中得到的大氣消光系數(shù)β，獲得能見度值v。
9.如權利要求8所述的一種基于ai視頻深度學習的團霧智能識別技術，其特征在于，在不同多張圖像中記載了不同的霧團圖像信息誤差值，通過對這些誤差值進行擬合，計算出校正參數(shù)，對計算結果進行參數(shù)校正。
10.如權利要求1所述的一種基于ai視頻深度學習的團霧智能識別技術，其特征在于，將獲取的校正參數(shù)應用到測量數(shù)據(jù)中，通過相減得到較高精度的測量結果，將校正參數(shù)后的圖像儲存之數(shù)據(jù)庫內(nèi)，并通過數(shù)據(jù)庫傳送至云服務器。