本技术涉及智能驾驶辅助，具体而言，涉及一种用于汽车的天气检测方法及装置。
背景技术：
1、在基于汽车的多种技术当中，目前基于汽车的天气获取方法为通过车辆的定位信息来获取对应位置的天气信息。然而，在实践中发现，目前的该种方法无法实时、准确地检测车辆所处环境的天气状况，从而使得汽车驾驶的安全性大大降低。
技术实现思路
1、本技术实施例的目的在于提供一种用于汽车的天气检测方法及装置，能够依赖汽车前挡风玻璃图像数据实现天气检测，从而提高天气检测的实时性和准确性，进而为驾驶员提供准确可靠的天气监测和应对方案，有利于提高汽车驾驶的安全性和便利性。
2、本技术第一方面提供了一种用于汽车的天气检测方法，包括：
3、获取图像样本集；其中，所述图像样本集包括训练集、验证集和测试集；
4、以efficientnetv2网络为基准模型构建图片分类模型；
5、通过所述训练集、所述验证集和预先配置的优化算法对所述图片分类模型进行训练，得到训练好的目标分类模型；
6、当根据所述测试集判断出所述目标分类模型通过性能测试时，将所述目标分类模型确定为异常天气检测模型；
7、将所述异常天气检测模型以端到端的方式部署到目标车辆的嵌入式系统中；
8、获取所述目标车辆前挡风玻璃的实时图像数据；
9、通过所述异常天气检测模型对所述实时图像数据进行天气识别，得到识别结果；
10、基于所述识别结果控制所述目标车辆执行相应的操作。
11、在上述实现过程中，该方法可以优先获取图像样本集，并以efficientnetv2网络为基准模型构建图片分类模型；可见，该方法对efficientnetv2网络进行了改进，替换了mbconv结构的se模块为更适合分类问题的eca模块。然后，该方法通过所述训练集、所述验证集和预先配置的优化算法对所述图片分类模型进行训练，得到训练好的目标分类模型，并在根据所述测试集判断出所述目标分类模型通过性能测试时，将所述目标分类模型确定为异常天气检测模型；可见，该方法可以通过训练、验证、测试等多重步骤来保障异常天气检测模型的有效生成，从而使得异常天气检测模型能够直接投入使用。最后，将所述异常天气检测模型以端到端的方式部署到目标车辆的嵌入式系统中；获取所述目标车辆前挡风玻璃的实时图像数据；通过所述异常天气检测模型对所述实时图像数据进行天气识别，得到识别结果；基于所述识别结果控制所述目标车辆执行相应的操作。可见，该方法能够基于训练好的异常天气检测模型对前挡风玻璃的实时图像数据进行检测分析，从而得到天气识别结果，进而触发车辆自动执行相应的操作。
12、进一步地，所述获取图像样本集，包括：
13、收集多种天气条件下的汽车前挡风玻璃图像数据；其中，所述汽车前挡风玻璃图像数据至少包括晴天图像数据、雨天图像数据、雪天图像数据和雾天图像数据；
14、对所述汽车前挡风玻璃图像数据进行数据增强处理，得到图像样本集；
15、按照预设数据比例将所述图像样本集划分为训练集、验证集和测试集。
16、进一步地，所述对所述汽车前挡风玻璃图像数据进行数据增强处理，得到图像样本集，包括：
17、对所述汽车前挡风玻璃图像数据进行数据翻转处理，得到翻转图像数据；
18、对所述汽车前挡风玻璃图像数据进行剪裁处理，得到剪裁图像数据；
19、对所述汽车前挡风玻璃图像数据进行对比度调整处理，得到调整图像数据；
20、采用mix方法对所述汽车前挡风玻璃图像数据进行处理，得到mix图像数据；
21、采用cutmix算法对所述汽车前挡风玻璃图像数据进行图像增强处理，得到增强图像数据；
22、采用高斯噪声技术对所述汽车前挡风玻璃图像数据进行处理，得到噪声处理图像；
23、汇总所述翻转图像数据、所述剪裁图像数据、所述调整图像数据、所述mix图像数据、所述增强图像数据以及所述噪声处理图像，得到扩充样本集；
24、对所述扩充样本集进行不合格图片剔除处理，得到图像样本集。
25、进一步地，在通过所述训练集、所述验证集和预先配置的优化算法对所述图片分类模型进行训练，得到训练好的目标分类模型之后，所述方法还包括：
26、将所述测试集输入至所述目标分类模型中，得到分类测试结果；
27、根据预设的评估指标、所述测试集和所述分类测试结果，对所述目标分类模型的模型性能进行评估，得到评估结果；其中，所述评估指标至少包括准确率、精确率和召回率；
28、根据所述评估结果判断所述目标分类模型是否通过性能测试；
29、如果是，执行所述的将所述目标分类模型确定为异常天气检测模型。
30、进一步地，所述将所述异常天气检测模型以端到端的方式部署到目标车辆的嵌入式系统中，包括：
31、在开发环境中使用tensorrt转换工具将所述异常天气检测模型转为onnx格式的目标模型；
32、验证所述目标模型与所述异常天气检测模型是否一致；
33、如果是，对所述目标模型进行适配优化调整，得到待配置模型；
34、将所述待配置模型部署到目标车辆的嵌入式系统中。
35、进一步地，所述对所述目标模型进行适配优化调整，得到待配置模型，包括：
36、获取目标车辆上嵌入式设备的硬件配置；其中，所述嵌入式设备具体为jetsonxavier nx设备；
37、根据所述硬件配置，利用tensorrt api对所述目标模型进行适配处理，得到第一处理模型；
38、根据所述硬件配置，利用硬件加速器对所述第一处理模型进行模型结构优化处理，得到第二处理模型；
39、使用tensorrt的int8量化工具对第二处理模型进行量化，得到待配置模型。
40、进一步地，所述基于所述识别结果控制所述目标车辆执行相应的操作，包括：
41、当所述识别结果为雨天时，控制所述目标车辆启动雨刮器；
42、当所述识别结果为雾天时，控制所述目标车辆启动雾灯；
43、当所述识别结果为雪天时，控制所述目标车辆启动加热器，以防止雪的积聚。
44、本技术第二方面提供了一种用于汽车的天气检测装置，所述用于汽车的天气检测装置包括：
45、第一获取单元，用于获取图像样本集；其中，所述图像样本集包括训练集、验证集和测试集；
46、构建单元，用于以efficientnetv2网络为基准模型构建图片分类模型；
47、训练单元，用于通过所述训练集、所述验证集和预先配置的优化算法对所述图片分类模型进行训练，得到训练好的目标分类模型；
48、确定单元，用于当根据所述测试集判断出所述目标分类模型通过性能测试时，将所述目标分类模型确定为异常天气检测模型；
49、部署单元，用于将所述异常天气检测模型以端到端的方式部署到目标车辆的嵌入式系统中；
50、第二获取单元，用于获取所述目标车辆前挡风玻璃的实时图像数据；
51、天气识别单元，用于通过所述异常天气检测模型对所述实时图像数据进行天气识别，得到识别结果；
52、控制单元，用于基于所述识别结果控制所述目标车辆执行相应的操作。
53、进一步地，所述第一获取单元包括：
54、获取子单元，用于收集多种天气条件下的汽车前挡风玻璃图像数据；其中，所述汽车前挡风玻璃图像数据至少包括晴天图像数据、雨天图像数据、雪天图像数据和雾天图像数据；
55、处理子单元，用于对所述汽车前挡风玻璃图像数据进行数据增强处理，得到图像样本集；
56、划分子单元，用于按照预设数据比例将所述图像样本集划分为训练集、验证集和测试集。
57、进一步地，所述处理子单元包括：
58、翻转模块，用于对所述汽车前挡风玻璃图像数据进行数据翻转处理，得到翻转图像数据；
59、剪裁模块，用于对所述汽车前挡风玻璃图像数据进行剪裁处理，得到剪裁图像数据；
60、调整模块，用于对所述汽车前挡风玻璃图像数据进行对比度调整处理，得到调整图像数据；
61、处理模块，用于采用mix方法对所述汽车前挡风玻璃图像数据进行处理，得到mix图像数据；
62、图像增强模块，用于采用cutmix算法对所述汽车前挡风玻璃图像数据进行图像增强处理，得到增强图像数据；
63、降噪模块，用于采用高斯噪声技术对所述汽车前挡风玻璃图像数据进行处理，得到噪声处理图像；
64、汇总模块，用于汇总所述翻转图像数据、所述剪裁图像数据、所述调整图像数据、所述mix图像数据、所述增强图像数据以及所述噪声处理图像，得到扩充样本集；
65、剔除模块，用于对所述扩充样本集进行不合格图片剔除处理，得到图像样本集。
66、进一步地，所述用于汽车的天气检测装置还包括：
67、输入单元，用于将所述测试集输入至所述目标分类模型中，得到分类测试结果；
68、评估单元，用于根据预设的评估指标、所述测试集和所述分类测试结果，对所述目标分类模型的模型性能进行评估，得到评估结果；其中，所述评估指标至少包括准确率、精确率和召回率；
69、判断单元，用于根据所述评估结果判断所述目标分类模型是否通过性能测试；
70、所述确定单元，具体用于当判断单元判断出所述目标分类模型通过性能测试时，将所述目标分类模型确定为异常天气检测模型。
71、进一步地，所述部署单元包括：
72、转换子单元，用于在开发环境中使用tensorrt转换工具将所述异常天气检测模型转为onnx格式的目标模型；
73、验证子单元，用于验证所述目标模型与所述异常天气检测模型是否一致；
74、优化子单元，用于当所述目标模型与所述异常天气检测模型一致时，对所述目标模型进行适配优化调整，得到待配置模型；
75、部署子单元，用于将所述待配置模型部署到目标车辆的嵌入式系统中。
76、进一步地，所述优化子单元包括：
77、获取模块，用于获取目标车辆上嵌入式设备的硬件配置；其中，所述嵌入式设备具体为jetson xavier nx设备；
78、适配模块，用于根据所述硬件配置，利用tensorrt api对所述目标模型进行适配处理，得到第一处理模型；
79、优化模块，用于根据所述硬件配置，利用硬件加速器对所述第一处理模型进行模型结构优化处理，得到第二处理模型；
80、量化模块，用于使用tensorrt的int8量化工具对第二处理模型进行量化，得到待配置模型。
81、进一步地，所述控制单元，具体用于当所述识别结果为雨天时，控制所述目标车辆启动雨刮器；
82、所述控制单元，具体还用于当所述识别结果为雾天时，控制所述目标车辆启动雾灯；
83、所述控制单元，具体还用于当所述识别结果为雪天时，控制所述目标车辆启动加热器，以防止雪的积聚。
84、本技术第三方面提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本技术第一方面中任一项所述的用于汽车的天气检测方法。
85、本技术第四方面提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本技术第一方面中任一项所述的用于汽车的天气检测方法。
86、本技术的有益效果为：能够利用图像处理和深度学习技术，实现了对天气状况的准确分类，为车辆驾驶员提供了更加可靠的异常天气监测功能；还能够基于更适合分类问题的eca模块对efficientnetv2网络进行改进，从而使之能够更全面地捕获图像的特征，有利于提高模型的性能和鲁棒性，并减少模型在不同天气条件下的误判率；另外，还能够将视觉识别与实际汽车功能集成到一起，为驾驶员提供了更为智能和自动化的异常天气监测和应对方案，从而提高了汽车驾驶的安全性和便利性。
1.一种用于汽车的天气检测方法，其特征在于，包括：
2.根据权利要求1所述的用于汽车的天气检测方法，其特征在于，所述获取图像样本集，包括：
3.根据权利要求2所述的用于汽车的天气检测方法，其特征在于，所述对所述汽车前挡风玻璃图像数据进行数据增强处理，得到图像样本集，包括：
4.根据权利要求1所述的用于汽车的天气检测方法，其特征在于，在通过所述训练集、所述验证集和预先配置的优化算法对所述图片分类模型进行训练，得到训练好的目标分类模型之后，所述方法还包括：
5.根据权利要求1所述的用于汽车的天气检测方法，其特征在于，所述将所述异常天气检测模型以端到端的方式部署到目标车辆的嵌入式系统中，包括：
6.根据权利要求5所述的用于汽车的天气检测方法，其特征在于，所述对所述目标模型进行适配优化调整，得到待配置模型，包括：
7.根据权利要求1所述的用于汽车的天气检测方法，其特征在于，所述基于所述识别结果控制所述目标车辆执行相应的操作，包括：
8.一种用于汽车的天气检测装置，其特征在于，所述用于汽车的天气检测装置包括：
9.一种电子设备，其特征在于，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至7中任一项所述的用于汽车的天气检测方法。
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行权利要求1至7任一项所述的用于汽车的天气检测方法。
