深度学习在危险天气自动识别中的应用研究

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-Channel Convolutional Neural Network, 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。