我国高速公路缺乏专业的路面状态检测设备，冬季难以针对冰雪路面进行实时监测和高效预警。对此，提出一种基于交通摄像头的高速公路积雪智能识别方法。利用摄像头采集高速公路视频图像，融合卷积神经网络和注意力机制建立图像分类模型，实现无积雪、应急车道积雪和行车道积雪三种路面状态的识别。实验结果表明，模型在白天场景测试集上识别准确率为98.3%,夜间场景测试集上识别率准确为85.9%。该方法能够充分利用现有交通视频监控设备，以较低成本实现冬季高速公路积雪状况的高密度、大范围监测。
我国高速公路缺乏专业的路面状态检测设备，冬季难以针对冰雪路面进行实时监测和高效预警。对此，提出一种基于交通摄像头的高速公路积雪智能识别方法。利用摄像头采集高速公路视频图像，融合卷积神经网络和注意力机制建立图像分类模型，实现无积雪、应急车道积雪和行车道积雪三种路面状态的识别。实验结果表明，模型在白天场景测试集上识别准确率为98.3%,夜间场景测试集上识别率准确为85.9%。该方法能够充分利用现有交通视频监控设备，以较低成本实现冬季高速公路积雪状况的高密度、大范围监测。
我国高速公路缺乏专业的路面状态检测设备，冬季难以针对冰雪路面进行实时监测和高效预警。对此，提出一种基于交通摄像头的高速公路积雪智能识别方法。利用摄像头采集高速公路视频图像，融合卷积神经网络和注意力机制建立图像分类模型，实现无积雪、应急车道积雪和行车道积雪三种路面状态的识别。实验结果表明，模型在白天场景测试集上识别准确率为98.3%,夜间场景测试集上识别率准确为85.9%。该方法能够充分利用现有交通视频监控设备，以较低成本实现冬季高速公路积雪状况的高密度、大范围监测。
冰川是最重要的淡水储存库之一,精确识别冰川和监测冰川的变化对于了解气候变化和水资源管理具有重要意义。基于Landsat 8影像,以喀喇昆仑区域为研究对象,利用单波段阈值法、雪盖指数法、非监督分类、监督分类和U-Net卷积神经网络提取冰川边界,并以交并比和混淆矩阵对冰川边界提取结果进行精度评定。结果表明,非监督分类和单波段阈值法对于表碛覆盖型冰川以及阴影中冰川存在严重的漏分现象,易将薄雪覆盖的山地错分为冰川,K-means的提取效果最差,交并比为57.69%,Kappa系数为0.57。监督分类方法对于表碛覆盖型冰川的提取效果有明显改善,但对于阴影中的冰川的提取效果不佳,提取结果的Kappa系数均为0.70以上。雪盖指数法可以有效提取阴影中的冰川,但易将大面积冰川中的非冰川区域错分为冰川,交并比为74.49%,Kappa系数为0.76。U-Net卷积神经网络能够较完整地提取冰川边界,精度要明显高于其他分类方法,重叠面积最接近地面真值面积,其交并比为88.57%,Kappa系数为0.90。U-Net卷积神经网络虽然表现较好,但是对于极小面积冰川仍存在漏分,后续研究可通过改进网络结构来提高精度...
冰川是最重要的淡水储存库之一,精确识别冰川和监测冰川的变化对于了解气候变化和水资源管理具有重要意义。基于Landsat 8影像,以喀喇昆仑区域为研究对象,利用单波段阈值法、雪盖指数法、非监督分类、监督分类和U-Net卷积神经网络提取冰川边界,并以交并比和混淆矩阵对冰川边界提取结果进行精度评定。结果表明,非监督分类和单波段阈值法对于表碛覆盖型冰川以及阴影中冰川存在严重的漏分现象,易将薄雪覆盖的山地错分为冰川,K-means的提取效果最差,交并比为57.69%,Kappa系数为0.57。监督分类方法对于表碛覆盖型冰川的提取效果有明显改善,但对于阴影中的冰川的提取效果不佳,提取结果的Kappa系数均为0.70以上。雪盖指数法可以有效提取阴影中的冰川,但易将大面积冰川中的非冰川区域错分为冰川,交并比为74.49%,Kappa系数为0.76。U-Net卷积神经网络能够较完整地提取冰川边界,精度要明显高于其他分类方法,重叠面积最接近地面真值面积,其交并比为88.57%,Kappa系数为0.90。U-Net卷积神经网络虽然表现较好,但是对于极小面积冰川仍存在漏分,后续研究可通过改进网络结构来提高精度...
冰湖溃决洪水是一种严重的山地自然灾害，威胁着中国高寒区的居民及铁路公路等重要基础设施，自动高效的冰湖遥感制图方法是冰湖灾害评估、监测预警的基础，然而现有自动制图方法在实际冰湖提取应用上难以达到传统人工和半自动冰湖提取方法上的精度，仍需进一步提高。文章在原生UNet模型基础上，在各桥连接部分融合极化自注意力机制，将输入影像特征分别在空间和通道层保持高分辨率，并通过非线性合成输出细腻的特征，构建了一种改进的U-Net冰湖遥感深度学习制图方法，并将其成功应用在高原铁路关键区。研究结果表明：1)与PSPNet、DeepLabV3+、原生U-Net三种经典模型相比，改进模型在冰湖预测数据集上的各项指标上都有提升，精确率、召回率、交并比和F1值分别达到了0.972 5、0.966 5、0.940 8和0.969 4，相较于原生U-Net网络，精确度、召回率、交并比和F1值分别提高了5.01%、6.05%、10.73%和5.53%;2)基于Landsat-8卫星遥感数据，应用改进模型完成了2013—2022年帕隆藏布和易贡藏布案例区冰湖信息自动高效提取，如...
冰湖溃决洪水是一种严重的山地自然灾害，威胁着中国高寒区的居民及铁路公路等重要基础设施，自动高效的冰湖遥感制图方法是冰湖灾害评估、监测预警的基础，然而现有自动制图方法在实际冰湖提取应用上难以达到传统人工和半自动冰湖提取方法上的精度，仍需进一步提高。文章在原生UNet模型基础上，在各桥连接部分融合极化自注意力机制，将输入影像特征分别在空间和通道层保持高分辨率，并通过非线性合成输出细腻的特征，构建了一种改进的U-Net冰湖遥感深度学习制图方法，并将其成功应用在高原铁路关键区。研究结果表明：1)与PSPNet、DeepLabV3+、原生U-Net三种经典模型相比，改进模型在冰湖预测数据集上的各项指标上都有提升，精确率、召回率、交并比和F1值分别达到了0.972 5、0.966 5、0.940 8和0.969 4，相较于原生U-Net网络，精确度、召回率、交并比和F1值分别提高了5.01%、6.05%、10.73%和5.53%;2)基于Landsat-8卫星遥感数据，应用改进模型完成了2013—2022年帕隆藏布和易贡藏布案例区冰湖信息自动高效提取，如...
针对高速铁路线路上积雪深度的动态判识问题，提出一种基于铁路综合视频图像识别的积雪深度判识方法 .首先，对通过综合视频监控系统获得的雪深图像进行处理，利用U-Net神经网络进行图像分割，建立轨道上的雪深数据集.然后，对雪深数据集进行标注，将雪深图像分为100 mm以下、100 mm～轨面和高于轨面3个类别.在此基础上提出基于DenseNet-201深度卷积神经网络模型的雪深图像识别方法 .最后，对模型进行验证.研究结果表明：对于光线较好的图像，采用DenseNet-201深度卷积神经网络模型的识别准确率达到93.57%.相较于VGG-16、ResNet-50等模型识别结果，虽然DenseNet-201深度卷积神经网络模型计算耗时长于ResNet-50模型，但是，识别准确率较ResNet-50、VGG-16模型分别提高了2.08%和4.24%.研究成果可为高速铁路沿线积雪深度的动态掌握提供技术支撑.
针对高速铁路线路上积雪深度的动态判识问题，提出一种基于铁路综合视频图像识别的积雪深度判识方法 .首先，对通过综合视频监控系统获得的雪深图像进行处理，利用U-Net神经网络进行图像分割，建立轨道上的雪深数据集.然后，对雪深数据集进行标注，将雪深图像分为100 mm以下、100 mm～轨面和高于轨面3个类别.在此基础上提出基于DenseNet-201深度卷积神经网络模型的雪深图像识别方法 .最后，对模型进行验证.研究结果表明：对于光线较好的图像，采用DenseNet-201深度卷积神经网络模型的识别准确率达到93.57%.相较于VGG-16、ResNet-50等模型识别结果，虽然DenseNet-201深度卷积神经网络模型计算耗时长于ResNet-50模型，但是，识别准确率较ResNet-50、VGG-16模型分别提高了2.08%和4.24%.研究成果可为高速铁路沿线积雪深度的动态掌握提供技术支撑.
在大雾天或冬季路面积雪的环境，会影响车辆驾驶的安全性，甚至发生安全事故。使用树莓派平台，提出了一种基于卷积神经网络（CNN）的图像检测算法，用于实时检测雾气和道路表面积雪。使用树莓派开发板和一个摄像头实时获取雾气和路面积雪的信息，通过Mobile Net深度学习算法检测道路情况。实验表明，其对雾气和路面积雪的检测准确率为97%以上。并且证实Mobile Net的深度学习算法的在树莓派上的工作速度优于Res Net50等算法。