基于改进VGG16的雾天图像识别及应用

张国兴; 马芳; 罗晋; 邓吉波; 徐八林

doi:10.12404/j.issn.1671-1815.2502431

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (3) :934-942 DOI: 10.12404/j.issn.1671-1815.2502431

论文：天文学、地球科学

基于改进VGG16的雾天图像识别及应用

作者信息 +

Fog Image Recognition and Application Based on Improved VGG16

Author information +

文章历史 +

摘要

准确识别雾天图像能见度等级,对雾天灾害的预警防范具有重要意义。针对当前雾天灾害预警模型训练参数量大、识别准确率低的问题,提出了一种基于改进VGG16的雾天图像识别模型。该模型以VGG16为基础模型进行改进,融合改进的卷积块注意力模块(enhanced convolutional block attention module,ECBAM)和多损失函数提升模型精度,将模型3层全连接层替换为2层全连接并添加组归一化层(group normalization,GN)加快模型收敛。该模型在降低参数量的同时,提升了训练速度和识别准确性。实验表明:改进模型的参数量减少了52.22%,识别准确率达到88.96%,相比原始VGG16模型准确率提升了5.34%;相较于AlexNet、VGG16、ResNet-50和GoogLeNet模型具有更高的识别精度;改进模型对无雾、轻雾、大雾和浓雾的识别准确率分别为92.96%、89.00%、83.04% 和81.76%;对强浓雾图像的识别准确率为73.75%。该模型能够满足日常业务的需要,但在强浓雾识别方面仍有优化的空间;利用非训练时段的雾天视频对模型进行应用检验表明:该模型能够对雾灾进行准确识别,其识别结果与能见度检测仪器观测到的结果相吻合。本文所提方法能够应用于实际气象业务之中,具有较高的业务应用价值。

Abstract

Accurately identifying the visibility levels of foggy images is of great significance for the early warning and prevention of fog disasters. Aiming at the problems of large training parameters and low recognition accuracy in current fog disaster warning models, a foggy image recognition model based on the improved VGG16 was proposed. This model took VGG16 as the basic architecture and incorporates the enhanced convolutional block attention module (ECBAM) and multi-loss functions to enhance model precision. Additionally, it replaced the three-layer fully connected layer with a two-layer structure and adds group normalization (GN) layers to accelerate model convergence. The optimized model reduced the number of parameters while improving training speed and recognition accuracy. Experimental results show these as follows. The improved model reduces the number of parameters by 52.22%, achieves a recognition accuracy of 88.96%, which is a 5.34% improvement over the original VGG16 model, and demonstrates higher recognition accuracy than comparative models such as AlexNet, VGG16, ResNet-50, and GoogLeNet. The recognition accuracies of the improved model for fog-free, light fog, dense fog, and thick fog images are 92.96%, 89.00%, 83.04%, and 81.76%, respectively, and the accuracy for extremely dense fog images is 73.75%. While the model meets daily operational needs, there is still room for optimization in recognizing extremely dense fog; Application tests using foggy videos from non-training periods show that the model can accurately identify fog disasters, with results consistent with those observed by visibility detection instruments. The proposed method can be applied to practical meteorological operations and holds high business application value.

Graphical abstract

关键词

注意力机制 / 卷积神经网络 / 雾天图像识别

Key words

attention mechanism / convolutional neural network / fog image recognition

引用本文

引用格式 ▾

张国兴, 马芳, 罗晋, 邓吉波, 徐八林. 基于改进VGG16的雾天图像识别及应用[J]. 科学技术与工程, 2026, 26(3): 934-942 DOI:10.12404/j.issn.1671-1815.2502431

ZHANG Guo-xing, MA Fang, LUO Jin, DENG Ji-bo, XU Ba-lin. Fog Image Recognition and Application Based on Improved VGG16[J]. Science Technology and Engineering, 2026, 26(3): 934-942 DOI:10.12404/j.issn.1671-1815.2502431

登录浏览全文

4963

注册一个新账户忘记密码

雾的能见度等级与交通出行安全、公共设施运行及社会生产生活密切相关。准确识别雾天图像的能见度等级能够为气象部门提供实时雾情数据,帮助公众及时调整行程以降低交通风险,同时为交通管理部门动态制定限速、封路等管控措施,以及电力、航运等行业针对性开展设备维护、优化运营策略提供科学依据^[1]。这种基于图像识别的预警模式,能够有效提升多部门协同防范雾灾的效率,最大限度减少雾灾导致的经济损失与社会影响,因此,准确识别雾天图像能见度等级对雾天灾害的预警防范具有重要意义。

目前基于深度学习的雾天能见度识别研究正在迅速发展,其中卷积神经网络^[2](convolutional neural network,CNN)发挥着重要的作用。卷积神经网络能够高效地对图像特征进行特征提取,并对图像所属类别进行高效识别^[3-9]。卷积神经网络的出现为雾天能见度检测提供新的手段。苗开超等^[10]利用适应混合卷积神经网络对ResNet(deep residual network)、VGG19(visual geometry group-19)预训练模型进行迁移学习,同时构建参数自适应调整模块,实现权值自适应更新,识别准确率达到80%以上。李帷韬等^[11]构建交错组卷积层和可区分性测度指标和认知决策信息系统,基于迁移学习机制实现雾气图像多层次差异化特征空间及其分类准则的自寻优重构,对可信度低的雾气图像进行再认知,平均识别率为95.98%。沈克成等^[12]构造三分支并行结构的多模态特征融合网络,分别在可见光图像、远红外图像及其累加特征图中提取大气特征,提高能见度检测在小样本条件下的准确率和鲁棒性。黄亮等^[13]以VGG16为基础模型融合批归一化处理、全局平均池化和联合损失函数对雾天图像进行能见度识别,平均识别准确率达83.9%。刘冬韡等^[14]建模简单卷积神经网络,利用梯度、饱和度和亮度信息组成的图像进行训练建模。对1 000 m以下低能见度天气的识别准确率达95%以上。唐榕等^[15]动态建立权重回归模型,利用能见度估计值融合权重,得到能见度检测值,其在不同能见度区间的检测正确率均超过85%。汤伟等^[16]采用改进的VGG16网络作为骨干网络,孪生网络作为主体框架,对雾天的识别准确率为90.3%。喻丽春等^[17]构造多任务卷积神经网络,估算图像透射率、大气光和图像场景深度进而求解大气消光系数,获取图像能见度,相比传统方法准确率提高4%以上。Zhao等^[18]构建3个卷积池化层和3个全连接层的CNN模型,将图像划分为无雾、有雾和浓雾3个层次,该模型的识别准确率达99%以上。Li等^[19]将图像划分为多个子图像,构建卷积神经网络识别每个子图像,整合子图像的决策结果确定整个图像是否包含团聚雾,该方法准确率可以达到90%以上。Xia等^[20]构建 ResNet15网络对道路交通图像进行天气识别,雾天识别准确率为96.38%。通过上述研究可以看出,基于深度学习的雾天图像识别研究虽然取得了一定进展,但上述模型算法复杂度高、参数量大且普适性差,仍需进一步优化。

基于此,现提出一种基于深度学习的雾天图像分类识别模型。以VGG16为基础模型添加ECBAM(enhanced convolutional block attention module)模块增强模型对图像重要特征的提取,将模型3层全连接层替换为2层全连接以减少模型参数量,同时添加GN(group normalization)层加快模型收敛,损失函数替换为多损失函数以提升模型分类的准确性,最后利用气象站雾天图像数据验证改进模型的有效性。

1 数据处理

1.1 数据获取

依托云南省气象台获取到了云南省禄丰、西畴、江城和红河国家基本气象站的雾天视频,视频采集时间段为2022年9月—2023年4月。利用python脚本对气象站视频进行抽帧共采集到3万张雾天图像。由于气象站摄像头长期暴露于野外,存在视频污浊、视频失焦和视频缺失等问题,因此对获取到的雾天图像进行数据清洗,剔除污浊图像、模糊的图像,最终获取到1.5万张自动站雾天监控视频图像,如图1所示。

1.2 数据集构建

从云南省气象台获取到了雾天视频站点对应时段的能见度数据,利用能见度数据对数据清洗后的雾天视频图像进行雾天等级标注,标注参考依据来源于文献[21],将雾天划分为5个等级:无雾、轻雾、大雾、浓雾和强浓雾。数据样本分布如表1所示,在总共15 000张样本图片中,无雾天气的样本图片数量最多,占据了数据集的一半以上。轻雾和大雾天气的样本图片数量分别为3 000张和2 800张,而浓雾和强浓雾天气的样本图片数量较少,分别为850张和400张。

2 实验方法

2.1 模型选择

基础模型采用计算机视觉领域的经典VGG16网络模型,将雾天图像作为模型的输入,经过一系列卷积池化处理,最后得到图像所属雾天类别的概率。VGG16模型结构如图2所示,该模型网络结构包含13个卷积层、5个池化层和3个全连接层。每个卷积层之后都使用ReLU(rectified linear unit)作为激活函数增加网络的非线性,池化层则是采用最大池化减少图像尺寸和保留图像特征。VGG16模型通过堆叠卷积层和池化层高效的提取图像特征,使其在图像分类任务中取得了较好的性能。

2.2 改进的VGG16模型

通过对数据样本进行分析研究发现,雾天图像中不同气象站之间背景差异较大导致图像差异较大,同时雾天图像划分交界处的雾天图像相似度较高。除此之外,图像样本分布也不均衡。针对上述特点,直接使用VGG16模型进行训练,分类效果难以满足实际需求。为了提升模型的识别精度,同时加快模型收敛,在VGG16模型的基础上作了一定的改进:在卷积层和池化层之间添加ECBAM,总共增加5个;在池化层之后添加GN层,总共增加5个;将全连接层3层减少为2层,最后利用多损失函数对模型进行拟合分类。改进模型结构如图3所示。

2.2.1 改进的卷积注意力模块

由于自动气象站站点地理位置差异使得雾天视频图像中背景多样,导致VGG16模型中卷积池化层会学到很多冗余的特征,如颜色、空间特征。为剔除与雾浓度无关的冗余特征^[16],在原始VGG16中的卷积层和池化层之间添加ECBAM模块。

传统的CBAM^[22]模块包含两个子模块:通道注意力模块和空间注意力模块。在CBAM模块中这两个子模块以串行的方式连接。串行连接方式造成了一个问题:空间注意力模块聚合的是经过通道注意力模块处理过的中间特征图,并不是原始特征图的信息,这在一定程度上存在信息丢失的可能。为了避免这个问题,采用通道注意力模块和空间注意力模块并行连接的ECBAM模块。ECBAM结构如图4所示。

ECBAM直接对原始的特征图F分别利用通道注意力模块和空间注意力模块进行处理,得到通道注意力权值和空间注意力权值,最后将二者加权到原始输入特征图上。具体算法公式为

(1)F'=M_C(F)⊗M_S(F)⊗F

式(1)中:M_C(F)为通道注意力模块权值;M_S(F)为空间注意力模块权值;F'为输出的加权特征图;⊗表示逐元素相乘。

2.2.2 组归一化层

组归一化处理是一种卷积神经网络的数据标准化方法^[23],其本质是将输入数据的分布变换为均值为0、方差为1的正态分布。随着卷积神经网络深度的增加,输入的原始数据经过神经网络多次非线性变换,数据分布会逐渐向非线性变换激活函数取值范围的两端偏移,进而导致误差反向传播更新模型权重时出现梯度消失,使得模型的收敛速度变慢。组归一化处理可以稳定数据分布,使模型梯度消失问题得到缓解,进而加速模型的收敛。

为了加快模型的收敛速度,提升模型的训练精度,在原始模型中引入了GN层。具体来说,在VGG16中的卷积池化层之后添加GN层,共添加5层。组归一化处理的具体计算公式为

(2)

y ∧ i

=γ

x i - μ g σ g 2 + ε

+β

式(2)中:x_i为输入样本;μ_g为组均值;

σ g 2

为组方差;ε为常数;γ为可拉伸参数;β为偏移参数;

y ∧ i

为输出的符合原始数据分布的归一化样本。

2.2.3 多损失函数

雾天图像样本中存在两个问题:①样本不均衡。浓雾和强浓雾所占比例较少,这会导致模型学习偏向于样本较多的类别,从而影响模型的分类效果;②雾天图像划分交界处的雾天图像相似度较高,相邻两个类别边界处图像样本能见度差距不大,但是分属于两种不同类别。这种类别不同但相似的图像样本在特征空间中分布较为分散,影响模型的分类效果。针对上述问题,引入了多损失函数,该损失函数包含焦点损失函数^[24]和中心损失函数^[25]。焦点损失函数的加入,能够有效关注到样本较少的类别,减轻这些样本不平衡带来的影响,提升模型对少数类的分类性能。中心损失函数可以增强同类样本特征的聚合性,增加类别间的距离,使模型能够更精确地识别和分类相似样本。多损失函数L的定义为

(3)L=-α_t

(1 - p t) γ

lgp_t+λ

1 N ∑ i = 1 N

‖f(x_i)-

c y i ‖ 2

式(3)中:p_t为模型对正确类别的预测概率;α_t为类别权重,用于缓解类别不平衡的影响;γ为聚焦参数,用于调节模型对难以分类样本的敏感性;f(x_i)为样本x_i的特征向量;c_yi为类别y_i的特征中心;N为批处理样本数量;λ为融合系数,用于权衡焦点损失和中心损失之间的比例。

2.2.4 减少全连接层

全连接层(fully connected layer,FC)在深度学习模型中承担着特征整合与分类决策的作用,其神经元与上一层所有神经元相连,可全局整合卷积层和池化层提取的局部特征,通过非线性变换激活函数形成完整的特征表示,最终输出分类概率,且能根据任务灵活调整输出维度。然而,该层存在显著缺陷:参数量庞大,易导致模型过拟合,尤其在训练数据不足时,可能学习到噪声而非真实特征^[26]。

传统的VGG16模型中使用了3个全连接层对特征图进行拟合输出,全连接层参数量所占网络参数比重过大,容易造成模型过拟合^[27]。本文中将VGG16中的3层全连接层减少为2层。具体来说将原始全连接层的1×1×4 096、1×1×4 096和1×1×1 000神经元替换为1×1×2 048和1×1×5神经元。经计算,替换前的参数量为138 357 544,替换后模型的参数量为66 103 621,参数减少了72 253 923,减少比例为52.22%。

3 实验结果与分析

3.1 实验环境

操作系统为Ubuntu16.04.1 LTS,显卡为NVIDIA GeForce GTX 4060,CPU为Intel Core i7-9700K,32 GB内存。采用PyTorch框架进行模型搭建,Python版本为3.6。

3.2 模型参数设置

由于原始数据集图像尺寸并不统一,为了便于训练,将输入模型的数据样本尺寸统一处理为224×224×3,同时将输入的数据集划分为训练集、验证集和测试集,比例为6∶2∶2,采用随机梯度下降算法(stochastic gradient descent,SGD)来优化更新模型,Batchsize设置为32,epoch设置为300,学习率设置为0.001。为了防止模型过拟合,本文模型在全连接层之中加入了Dropout^[28]技术,并将值设置为0.5。设置多损失函数中的参数λ=0.5。输入模型的图像数据时间段为2022年9月—2023年4月。

3.3 消融实验

为验证本文中对VGG16模型所作改进的有效性,设计消融实验进行对比,结果如图5所示,可以看出随着迭代次数的增加,改进的VGG16(the improved VGG16,Imd-VGG16)模型在100次迭代之前准确率迅速上升,之后缓慢上升并逐渐趋于稳定,整个训练期间模型的识别准确率始终高于其他5个模型。如表2所示,原始的VGG16模型在雾天数据集上的准确率为83.62%,VGG16+ECBAM、VGG16+多损失函数、VGG16+GN和VGG16+2层全连接分别提高了3.05%、1.2%、1.17%和0.89%。而本文提出的Imd-VGG16模型准确率提升了5.34%,提升最多。训练损失变化曲线如图6所示,可以看出在训练期间Imd-VGG16模型在100次迭代之前相较于其他5个模型损失值下降最快,收敛速度也最快,并且较早地达到了拟合状态;整个训练期间模型的损失值下降速度和大小始终优于其他模型,这说明本文中对模型收敛速度方面所做的改进是有效的。

3.4 对比实验

将改进后的Imd-VGG16模型与计算机视觉领域成熟的4种算法模型VGG16^[29]、AlexNet^[30]、ResNet-50^[31]和GoogLeNet^[32]进行对比,画出准确率曲线与损失曲线并进行分析。如图7所示,随着迭代次数的增加,5个模型的准确率迅速提升,在约50次迭代之前,表现最好的两个模型为Imd-VGG16和ResNet-50,但在迭代50次之后,本文模型识别准确率超过ResNet-50,并逐渐趋于稳定。最终结果为:AlexNet模型识别效果最差,VGG16、ResNet-50和GoogLeNet次之,而本文提出的Imd-VGG16模型相较于其他4种单一网络准确率最优。如图8所示,随着迭代次数的增加,5个模型的损失值迅速下降,在约20次迭代之前,ResNet-50的损失值下降速度略高于Imd-VGG16,但在迭代20次之后Imd-VGG16的损失值下降速度和大小均优于其他4个对比模型。整体来看,本文所提Imd-VGG16模型在训练期间损失值的下降速度和大小优于对比模型,相较于4种单一网络最表现更好。

3.5 混淆矩阵

混淆矩阵是深度学习中评估分类模型的核心工具之一,它能以直观的表格形式展现模型预测结果与真实标签的匹配情况,清晰区分正确分类与错误分类的具体分布,帮助快速定位模型在不同类别上的识别能力强弱。通过分析矩阵中的错误类型,能精准诊断模型缺陷,为调整超参数、优化特征工程或改进算法提供明确方向^[33]。本文中利用混淆矩阵评估Imd-VGG16模型对各等级雾天图像的识别效果。如图9所示,可以看出Imd-VGG16模型对无雾图像的识别准确率最高,达到92.96%;轻雾、大雾和浓雾的识别准确率分别为89.00%、83.04% 和81.76%;而强浓雾图像的识别准确率最低,为73.75%;平均识别准确率为88.96%。从混淆矩阵结果分析可知,模型在无雾和轻雾图像上的识别效果最佳,而在强浓雾图像上的表现相对较差。这可能是由于无雾和轻雾图像的视觉特征较为清晰,模型能够有效提取和区分这些特征;而随着雾的浓度增加,图像对比度降低,细节丢失,尤其是强浓雾条件下,目标物体几乎被完全遮挡,导致模型难以准确分类。未来可以通过引入更强大的特征提取网络或多模态数据,进一步提升模型对极端雾天图像的识别能力。

3.6 模型应用

利用基于python语言的Qt框架设计软件《雾天视频预警系统》。使用该软件将训练好的Imd-VGG16模型导入,利用非训练时段的(成灾)雾天视频对模型进行应用检验,检验结果如图10~图12所示。2023年6月8日06∶46,江城气象站能见度为574 m,等级为大雾,模型识别为大雾。2023年6月4日01∶29,江城气象站能见度为261 m,等级为浓雾,模型识别为浓雾。2023年6月19日02∶17,江城气象站能见度为98 m,等级为强浓雾,模型识别为强浓雾。由检验个例可知,本文所提Imd-VGG16模型能够对雾灾进行准确识别,其识别结果与能见度检测仪器观测到的结果相吻合。这表明本文所提方法能够应用于实际气象业务之中,具有较高的业务应用价值。

4 结论

(1)针对当前雾天图像分类识别模型训练参数量大、准确率低的问题,以VGG16为基础模型融合ECBAM模块、GN层和多损失函数,并将模型3层全连接层替换为2层全连接,得到Imd-VGG16模型。该模型的参数量减少了52.22%,模型识别准确率达到了88.96%,优于AlexNet、VGG16、ResNet-50和GoogLeNet模型。消融实验中Imd-VGG16模型相比原始VGG16模型准确率提升了5.34%,提升最多,相比于其他模型表现最好。

(2)通过对Imd-VGG16模型的混淆矩阵进行分析表明,Imd-VGG16模型对无雾、轻雾、大雾和浓雾的识别准确率分别为92.96%、89.00%、83.04%和81.76%;对强浓雾图像的识别准确率为73.75%。该模型能够满足日常业务的需要,但在强浓雾识别方面仍有优化的空间。

(3)利用非训练时段的雾天视频对模型进行应用检验,检验结果表明:该模型能够对雾灾进行准确识别,其识别结果与能见度检测仪器观测到的结果相吻合。本文所提方法能够应用于实际气象业务之中,具有较高的业务应用价值。

(4)本文所提方法应用场景不仅局限于气象监测领域,还可延伸至智能交通、电力巡检、农业防灾等多个行业。在未来的工作中,将重点探索模型在跨地域、跨季节雾情数据中的泛化能力,结合气象要素构建多源融合的雾天能见度预测模型,并推动其与无人机巡查、卫星遥感等技术的深度融合,全面提升对雾天灾害的立体感知与精准防控能力。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	喻峥嵘, 杨春. 雾霾天气对交通运输的影响及应对措施[J]. 科技视界, 2016(7): 245, 257.

[2]	Yu Zhengrong, Yang Chun. Impacts of fog and haze weather on transportation and counter measures[J]. Science & Technology Vision, 2016(7): 245, 257.

[3]	LeCun Y, Bottou L, Bengio Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11): 2278-2324.

[4]	张珂, 侯捷. 基于改进的卷积神经网络图像识别方法[J]. 科学技术与工程, 2020, 20(1): 252-257.

[5]	Zhang Ke, Hou Jie. Research on image recognition method based on improved convolution neural network[J]. Science Technology and Engineering, 2020, 20(1): 252-257.

[6]	肖小梅, 杨红云, 易文龙, 等. 改进的Alexnet模型在水稻害虫图像识别中的应用[J]. 科学技术与工程, 2021, 21(22): 9447-9454.

[7]	Xiao Xiaomei, Yang Hongyun, Yi Wenlong, et al. Application of improved alexnet in image recognition of rice pests[J]. Science Technology and Engineering, 2021, 21(22): 9447-9454.

[8]	滕胜杰, 朱琳, 李运泽, 等. 基于卷积神经网络的钢渣砂图像识别及图像变化规律[J]. 科学技术与工程, 2024, 24(1): 300-307.

[9]	Teng Shengjie, Zhu Lin, Li Yunze, et al. Steel slag sand image recognition and image change rule based on convolutional neural network[J]. Science Technology and Engineering, 2024, 24(1): 300-307.

[10]	任书杰, 胡勇, 何文祥, 等. 基于深度学习的砂岩组分显微图像识别[J]. 科学技术与工程, 2024, 24(9): 3727-3736.

[11]	Ren Shujie, Hu Yong, He Wenxiang, et al. Microscopic image recognition of sandstone components based on deep learning[J]. Science Technology and Engineering, 2024, 24(9): 3727-3736.

[12]	李玥辰, 赵晓, 王若男, 等. 基于改进卷积神经网络的中药饮片图像识别[J]. 科学技术与工程, 2024, 24(9): 3596-3604.

[13]	Li Yuechen, Zhao Xiao, Wang Ruonan, et al. Image recognition of Chinese herbal slices based on improved convolution neural network[J]. Science Technology and Engineering, 2024, 24(9): 3596-3604.

[14]	梁晓龙, 李金刚, 徐平平, 等. 基于卷积神经网络和Transformer的供热管网泄漏故障诊断[J]. 科学技术与工程, 2025, 25(13): 5589-5601.

[15]	Liang Xiaolong, Li Jingang, Xu Pingping, et al. Leakage fault diagnosis of heating network based on CNN-Transformer[J]. Science Technology and Engineering, 2025, 25(13): 5589-5601.

[16]	张振利, 陈源, 付豪, 等. 基于改进EfficientNetV2网络的垃圾图像分类算法[J]. 科学技术与工程, 2025, 25(10): 4229-4238.

[17]	Zhang Zhenli, Chen Yuan, Fu Hao, et al. A garbage imageclassification algorithm based on the improved EfficientNetV2 network[J]. Science Technology and Engineering, 2025, 25(10): 4229-4238.

[18]	苗开超, 周建平, 陶鹏, 等. 自适应混合卷积神经网络的雾图能见度识别[J]. 计算机工程与应用, 2020, 56(10): 205-212.

[19]	Miao Kaichao, Zhou Jianping, Tao Peng, et al. Visibility recognition of fog figure based on self-adaptive hybrid convolutional neural network[J]. Computer Engineering and Applications, 2020, 56(10): 205-212.

[20]	李帷韬, 韩慧慧, 焦点, 等. 基于深度迁移学习的大雾等级智能认知方法研究[J]. 电子测量与仪器学报, 2020, 34(2): 88-96.

[21]	Li Weitao, Han Huihui, Jiao Dian, et al. Research on intelligent cognition method of fog level based on deep transfer learning[J]. Journal of Electronic Measurement and Instrumentation, 2020, 34(2): 88-96.

[22]	沈克成, 施佺, 王晗. 可见光-远红外图像的多模态能见度深度学习模型[J]. 计算机辅助设计与图形学学报, 2021, 33(6): 939-946.

[23]	Shen Kecheng, Shi Quan, Wang Han. Multimodal visibility deep learning model based on visible-infrared image pair[J]. Journal of Computer-Aided Design & Computer Graphics, 2021, 33(6): 939-946.

[24]	黄亮, 张振东, 肖鹏飞, 等. 基于深度学习的公路能见度分类及应用[J]. 大气科学学报, 2022, 45(2): 203-211.

[25]	Huang Liang, Zhang Zhendong, Xiao Pengfei, et al. Classification and application of highway visibility based on deep learning[J]. Transactions of Atmospheric Sciences, 2022, 45(2): 203-211.

[26]	刘冬韡, 穆海振, 贺千山, 等. 一种基于实景图像的低能见度识别算法[J]. 应用气象学报, 2022, 33(4): 501-512.

[27]	Liu Dongwei, Mu Haizhen, He Qianshan, et al. A low visibility recognition algorithm based on surveillance video[J]. Journal of Applied Meteorological Science, 2022, 33(4): 501-512.

[28]	唐榕, 李骞, 唐绍恩. 基于多目标的能见度检测方法[J]. 计算机工程, 2023, 49(2): 314-320.

[29]	Tang Rong, Li Qian, Tang Shao’en. Visibility detection method based on multi-object[J]. Computer Engineering, 2023, 49(2): 314-320.

[30]	汤伟, 方嘉楠, 张龙, 等. 基于孪生网络的高速公路雾天能见度识别方法[J]. 交通信息与安全, 2023, 41(4): 122-131, 142.

[31]	Tang Wei, Fang Jianan, Zhang Long, et al. A method for measuring visibility under foggy weather for expressways based on siamese network[J]. Journal of Transport Information and Safety, 2023, 41(4): 122-131, 142.

[32]	喻丽春, 刘金清. 基于多任务深度卷积网络的雾天能见度测量[J]. 西南大学学报(自然科学版), 2024, 46(4): 143-152.

[33]	Yu Lichun, Liu Jinqing. Fog visibility measurement based on multi-task deep convolutional neural networks[J]. Journal of Southwest University Natural Science Edition, 2024, 46(4): 143-152.

[34]	Zhao X, Jiang J, Feng K, et al. The method of classifying fog level of outdoor video images based on convolutional neural networks[J]. Journal of the Indian Society of Remote Sensing, 2021, 49(9): 2261-2271.

[35]	Li L, Yang B, Chen S. Detection of agglomerate fog based on a shallow convolutional neural network[J]. Multimedia Tools and Applications, 2022, 81(2): 2841-2857.

[36]	Xia J, Xuan D, Tan L, et al. ResNet15: weather recognition on traffic road with deep convolutional neural network[J]. Advances in Meteorology, 2020(1): 6972826.

[37]	中华人民共和国国家质量监督检验检疫总局, 中国国家标准化管理委员会.雾的预报等级: GB/T 27964—2011[S]. 北京: 中国标准出版社, 2012.

[38]	General Administration of Quality Supervision, Inspection and Quarantine of the People’s Republic of China, Standardization Administration of the People’s Republic of China.Forecast grades of fog: GB/T 27964—2011[S]. Beijing: China Standards Press, 2012.

[39]	Woo S, Park J, Lee J Y, et al. CBAM: convolutional block attention module[C]// Proceedings of the European Conference on Computer Vision (ECCV). Munich: Springer, 2018: 3-19.

[40]	Wu Y, He K. Group normalization[C]// Proceedings of the European Conference on Computer Vision (ECCV). Munich: Springer, 2018: 3-19.

[41]	Ross T Y, Dollár G. Focal loss for dense object detection[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2017: 2980-2988.

[42]	Qi C, Su F.Contrastive-center loss for deep neural networks[C]//2017 IEEE International Conference on Image Processing (ICIP). New York: IEEE, 2017: 2851-2855.

[43]	He K, Zhang X, Ren S, et al. Deep residual learning for image recognition[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2016: 770-778.

[44]	Goodfellow I, Bengio Y, Courville A. Deep learning[M]. Cambridge: MIT press, 2016.

[45]	Hinton G E, Srivastava N, Krizhevsky A, et al. Improving neural networks by preventing co-adaptation of feature detectors[J]. arXiv Preprint, arXiv: 1207. 0580, 2012.

[46]	Simonyan K. Very deep convolutional networks for large-scale image recognition[J]. arXiv prePrint, arXiv: 1409. 1556, 2014.

[47]	Krizhevsky A, Sutskever I, Hinton G E. Imagenet classification with deep convolutional neural networks[J]. Advances in Neural Information Processing Systems, 2012, 25: 1097-1105.

[48]	He K, Zhang X, Ren S, et al. Deep residual learning for image recognition[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2016: 770-778.

[49]	Szegedy C, Liu W, Jia Y, et al. Going deeper with convolutions[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2015: 1-9.

[50]	Dietterich T G. Ensemble methods in machine learning[C]// International Workshop on Multiple Classifier Systems. Berlin:Springer, 2000: 1-15.

基金资助

中国气象局大气探测重点开放实验室开放课题(2023KLAS12M)

PDF (10612KB)

访问

被引

详细

导航

Received	Published	Revised
2025-04-08	2028-07-28	2025-11-06
Online Date
2026-09-20

摘要