基于机器学习的极端天气下路面气象状态自动监测与识别.pdfVIP

摘要

极端天气下的道路气象状态对交通安全构成严重威胁，因此实时的路面气象检测对于

交通管理部门和道路使用者的决策至关重要。目前主流的道路检测方法主要通过接触式检

测和非接触式检测来实现，接触式检测方式精度高，但其寿命短、实时性较差。非接触式检

测优势在于实时性高、使用寿命长且维护成本低，能够在不接触道路表面的情况下采集大范

围道路状态信息。因此本文研究设计了一个路面气象状态监测系统：采用非接触式方法，结

合去噪算法和机器学习模型对极端天气下道路气象状态进行检测。

首先，针对现有极端天气条件下道路气象状态监测模型计算量庞大，模型复杂，无法实

现实时监测的局限性，本文提出了一种轻量级实时道路气象监测模型（LightweightReal-time

WeatherMonitoring,LRWM）。该模型基于本文设计的对齐—扩散特征金字塔结构，还设计

了方向感知边缘注意力机制、等分卷积模块和分层多尺度融合模块部署于该模型，提升模型

对不同尺度目标的感知能力及复杂环境下的适应性，同时降低计算成本。为了验证该模型的

有效性和实时性，本文分别在理论实验和硬件实现两部分对该模型性能进行了系统性验证。

结果显示，LRWM在多个数据集上效果均为最优，准确率均在85%以上，平均精度均值

（mAP）均超过91%。

其次，为了在理论实验部分验证该模型的检测效果，本文构建了一个极端天气道路状态

数据集，该数据集包括使用车载摄像头采集的极端天气条件下加拿大安大略省高速公路图

像数据，以及来自美国的冬季高速公路的开源数据集。然后对该数据集进行预处理和人工标

注，用于后续模型的对比试验，消融实验以及迁移学习实验。本文还使用了半监督学习框架，

利用训练好的教师模型对52000张未标注图像生成伪标签，并使用这些伪标签数据进一步

训练模型，以验证模型的性能、数据敏感性、鲁棒性和泛化能力，半监督学习实验证明了该

方法可以显著减少了模型对标注数据的依赖，能够有效降低人工标注的成本

此外，为了模拟真实户外检测过程中极端天气产生的干扰，本文使用图像虚拟雨点噪声

的生成算法对图像生成雨点噪声，然后使用改进的NeRD-Rain算法对图像进行去噪处理，

达到去除雨滴、水纹等噪声的目的。引入去雨算法可以显著提升路面气象状态监测系统在恶

劣环境下的识别精度与鲁棒性。

最后，本文将所提出的实时道路气象轻量监测模型成功部署至JetsonTX2NX平台，完

成了推理速度测试与可视化展示。模型在嵌入式设备上能够稳定运行，并以较高的帧率（45

万方数据

FPS）实现实时推理，验证了其在实际应用中的可行性与高效性，为智能交通与自动驾驶领

域提供了可靠的技术支持。

综上所述，本文设计了一个路面气象状态监测系统，提出了一种高效、轻量化的道路气

象监测模型，能够实时、准确的检测路面气象状态，为极端天气下道路状况检测提供了一个

全新的思路，该模型在理论实验部分和硬件实现部分均表现出色，验证了其在实际生产生活

中的应用潜力。

关键词：机器学习；计算机视觉；路面气象状况检测；半监督学习；嵌入式

Abstract

Extremeweatherconditionsposeaseverethreattotrafficsafety,makingreal-timeroadsurface

meteorologicaldetectioncrucialfordecision-makingbytrafficmanagementdepartmentsandroad

users.Currentmainstreamroaddetectionmethodsareprimarilycategorizedintocontact-basedand

non-contact-basedapproaches.Whilecontact-baseddetectionoffershighaccuracy,itsuffersfrom

shortlifespanandpoorreal