基于人工智能算法的雪深监测系统技术方案

本发明专利技术提供了一种基于人工智能算法的雪深监测系统。包括：雪深传感器采集监测场景中的雪深数据值；控制器接收雪深传感器传输过来的雪深数据值，判断雪深数据值是否大于设定的降雪阈值，如果是，则控制器给摄像机发送采集信号，将摄像机返回的现场外景图像转发给处理器；摄像机接收到控制器发送过来的采集信号后，采集监测场景的现场外景图像，将采集的现场外景图像传输给控制器；处理器运用人工智能雪深监测模型对现场外景图像进行运算，得到监测场景的雪深值，根据雪深值判断监测场景是否下雪。本发明专利技术采用深度学习人工智能算法对是否下雪进行判断，降低干扰因素对雪深监测的影响，可以有效地进行雪深的监测，有效地监控分吹雪灾害。吹雪灾害。吹雪灾害。

【技术实现步骤摘要】
基于人工智能算法的雪深监测系统


[0001]本专利技术涉及计算机应用
，尤其涉及一种基于人工智能算法的雪深监测系统。

技术介绍

[0002]在降雪之后或在降雪的过程中，当风速较大时，气流携带雪粒一起运动，从而形成空气与雪粒的二相流，称为风雪流，风对雪的搬运和沉积的过程，称为风吹雪。风吹雪灾害会对公路等交通基础设施的造成很严重的影响，如其发生时通常伴有强风，气流携带雪粒子在空中运动，降低路面能见度或掩埋路面，严重影响行车安全。后期积雪融化会渗透至路基中，诱发翻浆，冻胀等现象，降低道路的使用寿命，给当地交通运输行业带来极大的不便。
[0003]有效地对风吹雪现象进行监控显得尤为关键，在风吹雪的监测中，雪深作为一个重要的监测参数，需要准确的进行测量。目前，现有技术的监测雪深的方法中，通常采用基于超声波测距或者激光测距的传感器进行检测，这些方法通常只能监测单点的降雪深度，监测的过程中，会受到多种因素的干扰，导致监测结果不准确。比如，沙尘的影响、杂物的影响等，都会被误判为降雪并计算雪深。

技术实现思路

[0004]本专利技术的实施例提供了一种基于人工智能算法的雪深监测系统，以克服现有技术的问题。
[0005]为了实现上述目的，本专利技术采取了如下技术方案。
[0006]一种基于人工智能算法的雪深监测系统，包括：控制器、雪深传感器、摄像机和处理器，所述控制器分别与雪深传感器、摄像机和处理器电路连接；
[0007]所述雪深传感器，用于按照设定的时间间隔采集监测场景中的雪深数据值，将采集的雪深数据值传输给控制器；
[0008]所述控制器，用于接收雪深传感器传输过来的雪深数据值，判断雪深数据值是否大于设定的降雪阈值，如果是，则控制器给摄像机发送采集信号，将摄像机返回的现场外景图像转发给处理器；否则，控制器不给摄像机发送采集信号；
[0009]所述摄像机，用于接收到控制器发送过来的采集信号后，采集监测场景的现场外景图像，将采集的现场外景图像传输给控制器；
[0010]所述处理器，用于接收到控制器传输过来的现场外景图像后，运用人工智能雪深监测模型对现场外景图像进行运算，得到监测场景的雪深值，根据雪深值判断监测场景是否下雪。
[0011]优选地，所述处理器，具体用于如果根据雪深值判断监测场景是降雪，则记录当前的雪深值；如果判断监测场景不是降雪，则不用进行记录，更新雪深的初始值。
[0012]优选地，所述处理器，具体用于采用深度学习VGG16网络进行人工智能雪深监测模型的训练，训练过程包括以下的处理步骤：
[0013](1)收集若干张监测场景中的现场外景图像，对现场外景图像进行判断和标注，将现场外景图像划分为雪景图片和无雪景图片；
[0014](2)将雪景图片进行边缘裁剪、水平翻转预处理操作；
[0015](3)对深度学习VGG16网络的结构进行设计，按照需要区分的雪景图片和非雪景图片类别，微调全连接层输出，定义交叉熵损失函数和Adam优化器等；
[0016](4)将所采集的现场外景图像，随机进行分配，按照训练集：测试集为8：2的比例划分图片，使用训练集调整合适的迭代次数对深度学习VGG16网络进行训练，使用测试集图片初步查看分类结果；
[0017](5)调整学习率，根据得到的有无降雪的图片分类的准确性，重新训练并测试人工智能雪深监测模型；
[0018](6)绘制有无降雪的图片分类的训练过程中的准确率、损失函数、ROC曲线和PR曲线指标，对人工智能雪深监测模型的性能进行进一步评估。
[0019]由上述本专利技术的实施例提供的技术方案可以看出，本专利技术实施例利用摄像机进行现场场景的实时拍摄，结合雪深传感器的测量值，采用深度学习人工智能算法进行是否下雪的判断，从而降低干扰因素对雪深监测的影响，从而可以更加准确的进行雪深的监测。
[0020]本专利技术附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0021]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0022]图1是本专利技术实施例提供的一种基于人工智能算法的雪深监测系统的结构图。
[0023]图2是本专利技术实施例提供的一种基于人工智能算法的雪深监测系统的工作原理示意图。
[0024]图3为本专利技术实施例的雪深监测系统中的处理器的人工智能雪深监测模型的训练过程示意图。
[0025]图4是本专利技术实施例提供的一种现场采集的降雪的照片。
[0026]图5是本专利技术实施例提供的一种现场采集的无降雪的照片。
具体实施方式
[0027]下面详细描述本专利技术的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。
[0028]本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本专利技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元
件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
[0029]本
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本专利技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0030]为便于对本专利技术实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本专利技术实施例的限定。
[0031]图1是本专利技术实施例提供的一种基于人工智能算法的雪深监测系统的结构图如图1所示，工作原理示意图如图2所示，该雪深监测系统包括：控制器(1)、雪深传感器(2)、摄像机(3)和处理器(4)。控制器(1)分别与雪深传感器(2)、摄像机(3)和处理器(4)电路连接。
[0032]控制器(1)发出雪深采集指令，雪深传感器(2)将雪深数值传递给控制器(1)，控制器(1)发出图像采集指令，摄像机(3)将图象数据传输至控制器(1)，控制器(1)综合几项数据，统一传递给处理器(4)。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能算法的雪深监测系统，其特征在于，包括：控制器、雪深传感器、摄像机和处理器，所述控制器分别与雪深传感器、摄像机和处理器电路连接；所述雪深传感器，用于按照设定的时间间隔采集监测场景中的雪深数据值，将采集的雪深数据值传输给控制器；所述控制器，用于接收雪深传感器传输过来的雪深数据值，判断雪深数据值是否大于设定的降雪阈值，如果是，则控制器给摄像机发送采集信号，将摄像机返回的现场外景图像转发给处理器；否则，控制器不给摄像机发送采集信号；所述摄像机，用于接收到控制器发送过来的采集信号后，采集监测场景的现场外景图像，将采集的现场外景图像传输给控制器；所述处理器，用于接收到控制器传输过来的现场外景图像后，运用人工智能雪深监测模型对现场外景图像进行运算，得到监测场景的雪深值，根据雪深值判断监测场景是否下雪。2.根据权利要求1所述的基于人工智能算法的雪深监测系统，其特征在于，所述处理器，具体用于如果根据雪深值判断监测场景是降雪，则记录当前的雪深值；如果判断监测场景不是降雪，则不用进行记录，更新雪...

【专利技术属性】
技术研发人员：马南飞，达文斌，隆星，崔风华，戴明，张红超，孙亮，魏佳北，范啸，叶尔木拉提，魏静，杨斌，叶青，
申请(专利权)人：中铁建苏州设计研究院有限公司北京交通大学，
类型：发明
国别省市：