导读:本文包含了大雾识别论文开题报告文献综述及选题提纲参考文献，主要关键词:图像识别,识别准确率,采集样,视频图像,雾天气,浓雾,能见度,高速公路管理,春运,气象服务
大雾识别论文文献综述
本报,孙啸,通讯员,张振东[1]（2020）在《大雾图像识别 归乡又添“快车道”》一文中研究指出1月10日，一年一度的春运拉开帷幕。漂泊在外的人，纷纷踏上归途。春运启动以来，江苏整体冷空气势力较弱，多雨雪天气，并出现多次大范围浓雾和局地团雾天气，严重影响了高速交通运输。1月12日清晨，在江苏省高速联网营运管理中心值班室，值班人员正紧紧地盯着(本文来源于《中国气象报》期刊2020-01-23）
孙啸[2]（2019）在《大雾图像识别技术破解安全难题》一文中研究指出本报讯 孙啸报道 时值秋季，雾天气逐渐高发，高速交通管理部门对气象服务的需求也逐步增大。江苏省气象服务中心进一步加强与高速交管部门的合作，联合开发大雾图像识别技术，满足交管部门对气象信息的需求，确保高速交通安全。众所周知，一直以来局地浓雾天气(本文来源于《中国气象报》期刊2019-12-02）
陆会[3]（2019）在《基于葵花8卫星遥感数据的大雾识别研究》一文中研究指出大雾是常见的自然天气现象,也是不可忽视的自然灾害。近年来,随着经济的快速发展,大雾影响着人们的生产生活。因此,研究者们逐渐开始重视大雾的监测和识别。而随着科学技术的快速发展,卫星遥感技术也趋于成熟,遥感数据比传统的地面数据具有更新快,检测范围广,时效性高等方面,因而很多的领域使用到遥感卫星技术。本文中所使用的为葵花8卫气象卫星数据,无论是从云图的质量,截取的频率,波道,清晰度都比上代卫星大幅改善。因此,使用葵花8卫星数据进行雾的监测与识别研究,可以提高大雾的识别性能。本文在进行研究之前首先要进行大雾数据的提取与标注,根据地面站的经纬度找出安徽省所对应的地面站的位置,然后与卫星数据进行经纬度匹配,提取该位置上的卫星数据,在根据地面站的能见度判断该位置雾的情况。本文主要通过两类算法对大雾识别进行研究,第一类算法是基于传统的机器学习方法的大雾的识别,第二类算法是基于深度学习的大雾识别。主要研究内容如下:1)基于机器学习的分类方法进行雾的识别。在平衡样本和非平衡样本的条件下,使用多种传统的机器学习分类算法进行雾的识别。所使用的算法中有支持向量机,朴素贝叶斯,决策树等。实验验证在平衡样本下,机器学习分类算法对大雾的检测有较好的效果。在非平衡样本的情况下,本文使用合成少数类过采样算法(Synthetic Minority Oversampling Technique,简称SMOTE)算法进行数据扩充也能有效的提高大雾的识别精度。2)基于深度学习的分类方法进行雾的识别。本文通过搭建卷积神经网络模型,优化网络参数,从数据中提取相关特征,通过实验表明在平衡样本的情况下,卷积神经网络对大雾识别能力较好,并且效果要高于传统机器学习的分类算法。在非平衡样本下,SMOTE算法结合卷积神经网络,也能提高大雾的识别精度,其识别性能效果也同样超过传统的机器学习分类算法。(本文来源于《安徽大学》期刊2019-05-01）
周建平,苗开超,江春,刘承晓[4]（2019）在《高速公路夜间大雾图像特征及其识别》一文中研究指出基于高速公路夜间交通监控图像,选择其附近能见度自动监测数据作为图像是否有大雾的标准,分析有雾或无雾环境对光源及其成像的影响,提取相应的特征值,利用支持向量机的方法建立了大雾识别模型。结果表明:大雾存在时空气消光系数增大,LED电子显示屏、车灯等光源在图像上呈现出亮度减弱而梯度小,散射较明显的特点;纹理特征表明有雾时图片纹理简单、纹理较浅分布均匀,像素之间相关性大,无雾时则反之;模型评估得出临界成功指数为0.74,虚警率为0.18,有较好的识别效果。(本文来源于《气象科技》期刊2019年01期）
陶鹏,苗开超,周建平,刘承晓,姚叶青[5]（2018）在《基于人工智能的大雾识别模型构建与应用》一文中研究指出利用高速公路摄像头,采集道路视频图像进行大雾能见度等级分析,提出一种基于图像识别和深度学习技术的大雾能见度等级识别方法。通过对高速公路摄像头视频图像的实时采集,融合图像识别、机器学习、深度学习等多项人工智能技术,建立大雾识别模型,智能识别出高速大雾能见度等级。通过采集15万张高速公路视频图像进行模型验证实验,大雾能见度等级总体识别率在78%以上。随着采集样本数量的增加,识别率将越来越高,完全能够满足道路摄像头大雾等级智能检测要求,为高速道路封停和安全出行提供有效支撑。(本文来源于《数字中国 能源互联——2018电力行业信息化年会论文集》期刊2018-09-15）
岳政名,杨金波,任燕,章晗[6]（2014）在《黄渤海区域卫星云图低云大雾识别方法初探》一文中研究指出低云大雾的识别是研制黄渤海海区卫星资料应用系统设计中最为艰巨和复杂的工作,本文经对目前已有的多源卫星产品资料进行反演研究,把融合关系及物理意义加以明确,对匹配算法进行可靠的理论论证,对多颗卫星资料的特点进行充分的分析,研究出较为有效的处理方法。(本文来源于《科技视界》期刊2014年19期）
周红妹,葛伟强,柏桦,刘冬韡,杨引明[7]（2011）在《气象卫星大雾遥感自动识别技术研究》一文中研究指出鉴于大雾对城市和沿海地区国民经济和人们生命财产带来的巨大灾害,迫切需要研制快速、有效、准确的雾遥感监测和识别方法。在对雾的辐射特性与卫星光谱特征试验分析基础上,找出不同时相可见光遥感图像下垫面反射率与云雾反射率之间的相对关系,并通过对图像反射率的相对变化率进行计算分析,自动生成准雾区动态判别阈值,并在准雾区范围初步确定基础上,采用基于图像游程编码的快速连通区域标记技术,结合纹理分形分析、形态分形分析、平滑度分析、模板特征分析等实用方法,对气象卫星遥感图像进行雾自动识别和云雾分离研究,取得了良好的应用效果。(本文来源于《热带气象学报》期刊2011年02期）
贺皓,罗慧[8]（2010）在《基于支持向量机模式识别的大雾预报方法》一文中研究指出天气预报中最常用的方法就是模式识别。以统计理论为核心的智能机器学习语言,也称模式识别,就是依据有限的历史数据(训练样本)来寻求蕴含着的分类关系(统计关系),建立分类模型,进而用求得的分类模型对未来数据(预报数据)进行预报。如降水预报中的"定性"预报,有雨和无雨,影响能见度预报的"有雾"和"无雾",都是属于分类问题。基于支持向量理论的支持向量机(Support Vector Machine简称SVM)方法是一种新颖的小样本机器学习方法,该方法建模不必知道因变量和自变量之间的关系,通过对样本的学习即可获得因变量和自变量之间非常复杂的映射关系,它具有从海量的信息中,自动识别并提取关键信息的特点,适合处理本质上的非线性问题。公路交通气象服务是公共气象服务务轨道的重要内容,选择了渭南、西安和宝鸡,西-延线的宜君和南北方向大动脉的安康作为大雾预测对象。大雾的产生是在一定的环流背景下形成的,近地面层的气象要素是直接参与的结果。选取了9个预报因子,分别是气温、最低气温、降水量、风向、风速、相对湿度、能见度、总云量和低云量,资料年代1971-2000年10-12月。把资料分成叁部分,分别是训练样本、实验样本和检验样本。将5个站1971年～2000年10-12月共30年的数据资料分为叁部分:第一部分,训练样本,也即建模样本2000个,约为1971～1992年64个月资料;第二部分,实验样本,用于测试用训练样本建立的SVM模型的预报能力,约为6年20个月600个样本;第叁部分,检验样本,为了将最终确立的SVM预报模型对其做预报,以检验SVM模型的预报效果(推广能力)190个,约为2年6个多月。通过用支持向量机方法对训练样本进行建模,以径向基函数作为核函数建立推理实验模型,分别获得了最优模型,用最优模型对检验样本进行分类的正确率都在90%以上,预报成功率和TS评分西安、渭南、安康和宜君较高,最大达到96.55%,这可以在业务值班中试用。(本文来源于《第27届中国气象学会年会灾害天气研究与预报分会场论文集》期刊2010-10-21）
吴一青[9]（2009）在《基于遥感影像的大雾识别方法研究》一文中研究指出大雾识别、云雾分离一直是气象预报领域中的经典难题。近年来,随着社会经济的快速发展,大雾给人类造成的危害日益严重,已成为一种不可忽视的自然灾害,因此,如何做好雾灾防治工作,对大雾天气进行监测与预警,已经成为各国学者的研究热点和焦点。另一方面,随着科学技术的发展,卫星遥感技术日新月异,因而,对遥感影像进行云雾分离、雾区提取的研究受到了人们越来越多的关注,各种分类技术相继应用于大雾识别领域,从而为大雾识别研究提供了依据和动力。本文在前人研究的基础上,总结了区域生长法、模糊C-均值聚类法和BP神经网络法的基本原理,并利用MATLAB软件强大的函数集和工具箱,编程实现了对MTSAT-1R卫星影像中云雾的分离处理,并对影像中的雾区进行识别、提取,研究成果为大雾遥感监测提供了依据。首先,本文采用基于改进的区域灰度差的生长准则来构造区域生长算法,从而实现对遥感影像上雾区的提取,达到大雾识别的目的。从分割结果来看,这种基于改进的区域灰度差的区域生长算法简单易懂,易于编程实现,并且分割速度快,分割精度较高。其次,本文基于模糊C-均值聚类法,利用MATLAB中的fcm函数,来提取遥感影像上的雾区,为大雾识别研究提供依据。从图像分割效果来看,基于模糊C-均值聚类的算法无需训练样本,简单,易于实现,有较好的分割精度,但是分割速度较慢。再次,本文使用改进的BP算法来构造BP神经网络,利用MATLAB中train函数来训练网络,并用sim函数来进行网络仿真,从而达到提取遥感影像中雾区的目的。从图像分割的最终结果来看,BP神经网络方法可以较好地分离影像中的雾区与其他地物,分割效果较为理想,但是分割速度较慢。最后,本文统一采用MTSAT-1R的同一幅卫星影像,分别使用叁种分类技术来分割遥感影像,提取影像中的雾区,从而比较叁种方法的优劣。从分类结果可以看出,区域生长算法精度最高,速度最快,模糊C-均值聚类法次之,BP神经网络方法精度和速度都较前两种方法差。研究成果对于从遥感影像中直接识别大雾具有重要的理论意义和实践价值。(本文来源于《华东师范大学》期刊2009-05-01）
贺皓,罗慧[10]（2009）在《基于支持向量机模式识别的大雾预报方法》一文中研究指出选取1971~2000年11~12月大雾发生前近地面层的气象要素(气温、降水、能见度、风向风速、相对湿度、云量等9个预报因子),将支持向量机(SVM)方法应用于大雾预报。采用支持向量机方法,应用径向基函数,建立了陕西公路站点大雾24 h预报模型,并进行了大雾预报的模拟、训练,其寻优标准TS评分达到了理想的效果。(本文来源于《气象科技》期刊2009年02期）
大雾识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本报讯 孙啸报道 时值秋季，雾天气逐渐高发，高速交通管理部门对气象服务的需求也逐步增大。江苏省气象服务中心进一步加强与高速交管部门的合作，联合开发大雾图像识别技术，满足交管部门对气象信息的需求，确保高速交通安全。众所周知，一直以来局地浓雾天气
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
大雾识别论文参考文献
[1].本报,孙啸,通讯员,张振东.大雾图像识别归乡又添“快车道”[N].中国气象报.2020
[2].孙啸.大雾图像识别技术破解安全难题[N].中国气象报.2019
[3].陆会.基于葵花8卫星遥感数据的大雾识别研究[D].安徽大学.2019
[4].周建平,苗开超,江春,刘承晓.高速公路夜间大雾图像特征及其识别[J].气象科技.2019
[5].陶鹏,苗开超,周建平,刘承晓,姚叶青.基于人工智能的大雾识别模型构建与应用[C].数字中国能源互联——2018电力行业信息化年会论文集.2018
[6].岳政名,杨金波,任燕,章晗.黄渤海区域卫星云图低云大雾识别方法初探[J].科技视界.2014
[7].周红妹,葛伟强,柏桦,刘冬韡,杨引明.气象卫星大雾遥感自动识别技术研究[J].热带气象学报.2011
[8].贺皓,罗慧.基于支持向量机模式识别的大雾预报方法[C].第27届中国气象学会年会灾害天气研究与预报分会场论文集.2010
[9].吴一青.基于遥感影像的大雾识别方法研究[D].华东师范大学.2009
[10].贺皓,罗慧.基于支持向量机模式识别的大雾预报方法[J].气象科技.2009