基于路測圖像與改進ResNet50 網絡的自動駕駛場景天氣識別算法

摘要：為了充分利用自動駕駛汽車路測圖像數據，增加行駛過程中對天氣情況識別的準確性，提出了一種基于改進ResNet50 網絡的自動駕駛場景天氣識別算法。該算法將SE 模塊與ResNet50 網絡相結合，通過在ResNet50 網絡4 組模塊內加入SE 模塊，以便更好地擬合通道間復雜的魯棒性。基于自動駕駛汽車路測圖像數據對所提算法進行Python 編程實現，結果表明：SE 模塊的加入能夠增加算法的魯棒性和準確性，提高了自動駕駛的天氣識別精度。

關鍵詞：自動駕駛；路測圖像；ResNet50 網絡；SE 模塊；天氣識別算法

0 前言

隨著自動駕駛技術的蓬勃發展，自動駕駛技術呈現出蓬勃向上的新格局，基于圖像處理算法的目標識別技術也日趨成熟。然而，由于在惡劣天氣條件下，自動駕駛汽車的天氣識別算法表現不佳，無法控制汽車及時采取相應的措施，因此極易引發安全問題，導致交通事故發生，影響了自動駕駛技術的發展。

1 自動駕駛天氣識別算法現狀

目前在自動駕駛場景中，自動駕駛汽車在天氣識別方面，使用比較廣泛的天氣識別算法是基于深度學習領域的卷積神經網絡（CNN）。ELHOSEINY 等［1］利用新的天氣特征數據集，使用CNN 研究了圖像中的天氣分類，實現了82.2% 的歸一化分類準確率。LU 等［2］利用新的天氣特征來標記圖像為晴天或陰天的協作學習方法，并融合了數據驅動的CNN 特征和精心選擇的天氣特征，豐富了訓練數據，模型準確率提高了7%～8%。ZHU 等［3］通過預訓練和微調2 個階段建立了極端天氣識別模型，以獲得與極端天氣事件相關的特征，該模型通過在預訓練階段使用GoogLeNet 模型訓練ILSVRC-2012 數據集，獲得ILSVRC 模型，再通過Weather Dataset 進一步微調，可以識別94.5%的天氣情況。ZHU 等［4］訓練GoogLeNet 模型時使用一種新的對偶微調策略，并且對初始模型進行微調，使模型精度提高了0.72%，且大幅優化了模型體量。余穎舜等［5］提出了一種融合了元學習Reptile 算法與知識蒸餾技術的訓練方法來訓練YOLOv4 算法，在保證YOLOv4 算法速度的同時提升算法精度。李冰村等［6］提出了一種客觀的冰雹樣本標記方法，并采用支持向量機、決策樹及樸素貝葉斯3 種機器學習方法，分別對冰雹頻繁發生的貴州省威寧地區冰雹天氣過程進行了建模分析。羅輝等［7］針對神經網絡模型負樣本種類多、數量少、具體形態比較隨機的情況，提出模型迭代升級策略，提升了模型的可靠性和穩定性。

雖然上述學者提出的天氣識別算法可以較準確地識別出天氣狀況，但是這些算法都要求在高性能服務器中對大量數據集進行訓練，計算較復雜且耗時較長，尤其是將其應用到自動駕駛場景時，仍然存在識別效果差、效率低等問題，且在算法實現時缺少自動駕駛汽車的真實路測數據。針對以上問題，本文基于自動駕駛汽車的真實路測數據，對ResNet50 網絡進行改進，提出了改進ResNet50 網絡的自動駕駛場景天氣識別算法，通過真實路測數據對改進后的算法進行訓練，以提高天氣識別精度。