基于机器视觉的交通气象能见度与路面状态智能监测.docxVIP

PAGE2

基于机器视觉的交通气象能见度与路面状态智能监测

摘要

交通运输安全深受气象条件制约，低能见度与湿滑路面是引发交通事故的关键因素。

传统气象监测站布设稀疏、成本高昂，难以满足高密度路网对精细化感知的需求。

本课题以路侧摄像头为感知终端，设计并实现了一套基于深度学习的交通气象能见度估测与路面状态智能识别系统。

系统采用共享特征提取的并行双任务网络架构，同步输出能见度数值与路面干、湿、冰、雪四类状态。

论文遵循工程化设计流程，从需求分析出发，逐步完成总体架构设计、核心模块详细设计、系统实现及全面测试。

在需求分析阶段，明确了实时性、准确率及边缘部署等关键指标；

总体设计采用分层模块化思想，将系统划分为感知层、推理层、应用层，并定义了数据存储与接口规范；

详细设计聚焦于能见度回归分支与路面状态分类分支的算法流程，以及图像预处理、报警联动等辅助模块；

实现环节基于PyTorch框架与Jetson边缘设备，完成了模型轻量化部署与Web交互界面开发；

测试结果表明，系统能见度估计平均误差小于50米，路面状态识别准确率达92.5%，推理延迟低于200毫秒，满足路侧实时监测需求。

本设计的核心创新在于构建了面向交通气象的轻量化多任务视觉感知模型，为车路协同场景下的精细化气象服务提供了可行方案。

第一章绪论

1.1研究背景

公路交通对气象条件高度敏感，特别是低能见度与路面湿滑状态