文章编号:1009-6094(2023)03-0774-09深度学习在危险天气自动识别中的应用研究*夏景明1，麻学岚1，谈玲2，宣大伟1(1南京信息工程大学人工智能学院，南京210044;2南京信息工程大学计算机学院，网络空间安全学院，南京210044)摘要:基于机器视觉的危险天气自动识别技术近年来已成为研究热点，但模型识别准确率不高和模型不够轻量化是该项技术面临的主要问题。针对上述问题，提出了一种利用CycleGAN网络自动扩展危险天气数据集的方法，有效解决了数据集数据量不足、数据类型不平衡的问题。同时，还提出了一种三通道融合卷积神经网络(3-ChannelConvolutionalNeuralNetwork，3C－CNN)，该网络主干分支采用迁移学习的技术方案，并利用多分支结构提取并融合天气图像中的整体与局部特征。结果表明，利用CycleGAN网络扩充的WeatherDataset－6Plus数据集能够有效改善深度学习模型的训练性能，3C－CNN模型的6类天气现象综合识别准确率达到了98.99%，识别速度达到220帧/s。该方法在保证准确率的同时实现了模型的轻量化，有利于其在嵌入式设备中部署。关键词:安全工程;危险天气;自动驾驶;CycleGAN;迁移学习;轻量化中图分类号:X951文献标志码:ADOI:10.13637/j．issn．1009-6094.2022.2202*收稿日期:2022－10－20作者简介:夏景明，副教授，博士，从事模式识别在安全工程中的应用研究，xiajingming@nuist．edu．cn;谈玲(通信作者)，教授，博士，从事人工智能及其应用研究，001071@nuist．edu．cn。基金项目:国家重点研发计划项目(2021YFB2901900);江苏省产学研基金项目(BY2022459)0引言在自动驾驶系统中，车辆周围的危险天气环境对驾驶系统做出决策有很大影响，决策系统需要实时获取车辆周围的天气信息来辅助汽车自动驾驶，如在恶劣天气条件下设置限速、保持车距并开启必要的灯光［1－3］。因此，基于机器视觉的危险天气现象自动识别技术具有广阔的研究价值和应用前景。天气现象识别的本质是天气图像的分类问题。不同的天气条件会导致物体表面和场景的光照反射呈现不同的状态，天气现象识别需要分析的是不同气象条件下场景的变化，而不是场景本身的结构［4］。传统的尺度不变特征变换(Scale-InvariantFeatureTransform，SIFT)［5］、方向梯度直方图(HistogramofOrientedGradient，HOG)［6］等方法在提取该类特征方面存在困难。文献［7－13］提出采用机器学习方法进行危险天气现象识别的技术方案，但机器学习的方法大多需要构建复杂的特征工程，并且需要手动提取各种天...
