基于可見-近紅外光譜的路面狀況識(shí)別的研究

熊顯名，張乾坤，秦祖軍

基于可見-近紅外光譜的路面狀況識(shí)別的研究

熊顯名，張乾坤，秦祖軍

（桂林電子科技大學(xué)，光電信息處理重點(diǎn)實(shí)驗(yàn)室，廣西 桂林 541004）

光譜技術(shù)在公路狀態(tài)識(shí)別（是否結(jié)冰、積水或積雪）方面有著積極的應(yīng)用前景，但太陽(yáng)光作為光源識(shí)別公路狀態(tài)的研究較少。分別采用陽(yáng)光和鹵鎢燈作為白天和夜間的實(shí)驗(yàn)光源，通過(guò)微型光譜儀數(shù)據(jù)分別得到冰、水、雪和公路本底的可見-近紅外波段的光譜曲線。白天時(shí)，結(jié)冰和積水狀態(tài)在不同光照情況下會(huì)出現(xiàn)“異物類譜”現(xiàn)象，根據(jù)陽(yáng)光光照特性，本文提出將“環(huán)境變量”作為特征值的解決方法，并基于光譜曲線及歸一化后的“環(huán)境變量”特征值，將光譜數(shù)據(jù)組合成新的數(shù)據(jù)波形，基于Dropout與Adam優(yōu)化器的神經(jīng)網(wǎng)絡(luò)模型對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練和識(shí)別，最終識(shí)別率為99.375%。夜間，由于各類樣本光譜區(qū)域差異明顯，采用“組合-閾值”法識(shí)別。實(shí)驗(yàn)證明通過(guò)兩種光源結(jié)合的識(shí)別方法，能夠有效識(shí)別路面狀態(tài)。

公路狀態(tài)識(shí)別；可見-近紅外光譜；神經(jīng)網(wǎng)絡(luò)；環(huán)境變量；組合-閾值法

0 引言

公路狀況識(shí)別和預(yù)警是保證道路安全行駛的重要環(huán)節(jié)之一。公路路面結(jié)冰、積雪或積水時(shí)抗滑能力明顯降低，易發(fā)生車輛剎車失控甚至翻車的危險(xiǎn)。據(jù)統(tǒng)計(jì)，在所有的交通安全事故中，路面結(jié)冰時(shí)發(fā)生交通事故的概率是干燥路面的10倍[1]。因此安裝公路狀況識(shí)別裝置尤為重要。

當(dāng)前公路路面狀況檢測(cè)方式主要有接觸式和非接觸式兩種。接觸式抗干擾性強(qiáng)，但需要切割路面，將設(shè)備埋入公路表面并與路面持平，導(dǎo)致安裝和維護(hù)時(shí)需要封閉道路，影響正常交通和公路的使用壽命，例如東南大學(xué)利用電容板之間介質(zhì)的變化引起電容變化的方法識(shí)別路面狀況[2]。非接觸式主要是通過(guò)紅外光譜技術(shù)，紅外光譜識(shí)別路面狀況需要特定激光器作為輔助光源[3]，白天時(shí)易受外界陽(yáng)光影響。除此之外，瑞典中部大學(xué)的Jonsson P.團(tuán)隊(duì)利用水吸收光譜范圍內(nèi)敏感的單點(diǎn)像素紅外探測(cè)器來(lái)區(qū)分路面狀態(tài)[4-5]，瑞典呂勒奧理工大學(xué)（1310nm和1550nm）[6]和浙江大學(xué)（880nm和950nm）[7]采用了兩種特征波長(zhǎng)，但是這種采集方式為單點(diǎn)面積采集方式，無(wú)法大面積進(jìn)行數(shù)據(jù)采集，實(shí)用性較低。

針對(duì)以上問(wèn)題，本文提出一種基于可見-近紅外結(jié)合神經(jīng)網(wǎng)絡(luò)的公路狀況識(shí)別方法。實(shí)驗(yàn)白天以太陽(yáng)光作為光源，通過(guò)兩個(gè)微型光譜儀獲取結(jié)冰、積水、積雪和干燥時(shí)的計(jì)算光譜曲線和四者所對(duì)應(yīng)的“環(huán)境特征值”，并將其作為基于Dropout與Adam優(yōu)化器的神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本。為保證夜晚也能準(zhǔn)確有效識(shí)別路面狀態(tài)，實(shí)驗(yàn)以鹵鎢燈作為夜間實(shí)驗(yàn)光源，提出“組合-閾值”的方式識(shí)別公路狀態(tài)。

1 基本原理

1.1 五點(diǎn)三次平滑算法

通常采集到的光譜數(shù)據(jù)除有用信號(hào)外，還帶有隨機(jī)噪聲，這些噪聲對(duì)光譜特征提取有一定影響，因此需對(duì)數(shù)據(jù)進(jìn)行去噪處理[8]，提高整體光譜曲線平滑度。五點(diǎn)三次平滑處理算法可以對(duì)等距節(jié)點(diǎn)上的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行平滑處理，力爭(zhēng)減弱由隨機(jī)干擾信號(hào)產(chǎn)生的噪聲或儀器本身原因產(chǎn)生的噪聲，達(dá)到提高曲線光滑度的目的。

五點(diǎn)三次平滑算法公式如下：

五點(diǎn)三次平滑算法要求數(shù)據(jù)節(jié)點(diǎn)數(shù)≥5，為保證數(shù)據(jù)處理后的光滑性和真實(shí)性，數(shù)據(jù)前兩個(gè)數(shù)據(jù)節(jié)點(diǎn)分別以公式(1)和公式(2)表示，數(shù)據(jù)最后兩個(gè)數(shù)據(jù)節(jié)點(diǎn)分別以公式(4)和公式(5)表示，其余以公式(3)表示。在確保原光譜曲線特性不發(fā)生改變的情況下，使用五點(diǎn)三次平滑算法多次迭代，以達(dá)到效果最好的光滑處理。

1.2 神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，由輸入層、輸出層和隱含層組成[9]。它主要是基于反向傳播算法對(duì)網(wǎng)絡(luò)的權(quán)值和偏差進(jìn)行多次迭代，通過(guò)調(diào)整權(quán)值大小、減小偏差，進(jìn)而實(shí)現(xiàn)輸出和期望逐漸相符。如圖1所示為BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

在BP神經(jīng)網(wǎng)絡(luò)搭建過(guò)程中，輸入層和輸出層的層數(shù)固定為單層，隱含層的層數(shù)根據(jù)樣本特性和所需要求設(shè)定。增加隱含層的層數(shù)在降低網(wǎng)絡(luò)偏差的同時(shí)，也加大了網(wǎng)絡(luò)復(fù)雜度，導(dǎo)致網(wǎng)絡(luò)計(jì)算量增多，甚至出現(xiàn)過(guò)擬合現(xiàn)象；減少隱含層的層數(shù)網(wǎng)絡(luò)將不能建立合適的判斷界，容錯(cuò)性差。隱含層的層數(shù)的選取原則是：在達(dá)到設(shè)計(jì)需求的前提下，選取層數(shù)較少的網(wǎng)絡(luò)結(jié)構(gòu)。通常情況下，單層可以解決多數(shù)問(wèn)題，所以單層隱含層優(yōu)先考慮。輸入層和輸出層的節(jié)點(diǎn)數(shù)由設(shè)計(jì)要求直接確定，單隱含層節(jié)點(diǎn)數(shù)一般基于經(jīng)驗(yàn)公式確定，如公式(6)所示：

式中：為隱含層節(jié)點(diǎn)數(shù)；、和分別為輸入層節(jié)點(diǎn)數(shù)、輸出層節(jié)點(diǎn)數(shù)和調(diào)節(jié)常數(shù)（一般選取為10以內(nèi)整數(shù)）。

隨機(jī)失活（Dropout）是對(duì)具有深度結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化的方法，在學(xué)習(xí)過(guò)程中通過(guò)將隱含層的部分權(quán)重或輸出隨機(jī)歸零，降低節(jié)點(diǎn)間的相互依賴性，從而實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的正則化，降低其結(jié)構(gòu)風(fēng)險(xiǎn)。

Adam是一種學(xué)習(xí)率自適應(yīng)的優(yōu)化算法，它能基于訓(xùn)練數(shù)據(jù)迭代地更新神經(jīng)網(wǎng)絡(luò)權(quán)重[10]。通過(guò)Dropout和Adam優(yōu)化器的使用可以提高網(wǎng)絡(luò)范化能力[11]。

2 實(shí)驗(yàn)與數(shù)據(jù)處理

2.1 實(shí)驗(yàn)儀器

實(shí)驗(yàn)采用基于日本濱松公司型號(hào)為C11708MA的CMOS探測(cè)器設(shè)計(jì)的微型光譜儀，該微型光譜儀的分辨率為1nm，探測(cè)范圍為640～1150nm。微型光譜儀獲取的實(shí)驗(yàn)數(shù)據(jù)為16位A/D輸出的光強(qiáng)度信號(hào)數(shù)據(jù)值，范圍為0～65535，儀器暗電流的A/D輸出平均值約為9500。

微型光譜儀采集的數(shù)據(jù)為物體（光源）的光信號(hào)強(qiáng)度轉(zhuǎn)化而成的數(shù)字信號(hào)量，表示物體（光源）當(dāng)前的光信號(hào)強(qiáng)度。當(dāng)結(jié)冰公路本底和積水公路本底處于不同陽(yáng)光光照強(qiáng)度時(shí)，兩者的光譜曲線易出現(xiàn)“異物類譜”現(xiàn)象。如圖2所示，當(dāng)結(jié)冰公路本底和積水公路本底所照射的光照強(qiáng)度不同時(shí)，微型光譜儀采集到兩者的光譜曲線可能會(huì)出現(xiàn)相似的情況。

圖2 結(jié)冰和積水A/D輸出值的“異物類譜”圖

實(shí)驗(yàn)反復(fù)驗(yàn)證，當(dāng)結(jié)冰公路本底和積水公路本底出現(xiàn)“異物類譜”現(xiàn)象時(shí)，不同光照情況下的干燥路面光譜曲線差異較大，即兩者所處的光照強(qiáng)度差異較大。所以實(shí)驗(yàn)在使用微型光譜儀采集結(jié)冰、積水公路本底的光譜數(shù)據(jù)時(shí)，在同一時(shí)刻、同一光照情況下使用另一套微型光譜儀采集另一塊干燥的公路本底的光譜數(shù)據(jù)，用于表示兩者所處的不同光照數(shù)據(jù)，將其作為環(huán)境光強(qiáng)特征值數(shù)據(jù)和背景物質(zhì)光譜數(shù)據(jù)，從而增大樣本數(shù)據(jù)的差異性，圖2中結(jié)冰和積水公路本底所對(duì)應(yīng)的背景物質(zhì)光譜曲線如圖3所示。環(huán)境光強(qiáng)特征值數(shù)據(jù)是從光譜曲線中選取的一些特殊數(shù)據(jù)點(diǎn)，用于解決“異物類譜”現(xiàn)象；背景物質(zhì)光譜數(shù)據(jù)為光譜曲線全段數(shù)據(jù)，用于更直觀地表達(dá)兩個(gè)光譜儀所采集的數(shù)據(jù)關(guān)系。

圖3 背景物質(zhì)光譜曲線圖

雖然微型光譜儀個(gè)體之間存在一定差異性（輸出值差異小于0.1%），但兩套設(shè)備采集的光譜數(shù)據(jù)并非同一物質(zhì)且數(shù)據(jù)差異較大，對(duì)整體實(shí)驗(yàn)影響較小，在本實(shí)驗(yàn)中設(shè)備的個(gè)體差異性可以忽略不計(jì)。

為解決陽(yáng)光亮度過(guò)強(qiáng)導(dǎo)致的儀器測(cè)量飽和問(wèn)題，在CMOS探頭前端放置光衰減片。采用數(shù)值孔徑相關(guān)公式確定儀器與本底距離和儀器檢測(cè)半徑，如公式(7)所示：

式中：為CMOS探頭檢測(cè)半徑；為CMOS探頭半徑；為CMOS探頭到本底之間的距離；NA為CMOS探頭的數(shù)值孔徑，取值為0.22。因?yàn)镃MOS探頭半徑數(shù)值較小，可以忽略不計(jì)，所以儀器與本底距離和儀器檢測(cè)半徑需滿足如下關(guān)系：

2.2 樣本選擇

為保證能夠采集到同一光照強(qiáng)度下冰、水、雪和干燥的公路本底光譜曲線與其背景物質(zhì)光譜曲線，實(shí)驗(yàn)采用兩個(gè)光譜儀同時(shí)進(jìn)行數(shù)據(jù)采集。一號(hào)微型光譜儀用于采集一號(hào)公路本底表面積雪、積水、結(jié)冰和干燥4種狀態(tài)的光譜數(shù)據(jù)，二號(hào)微型光譜儀用于采集二號(hào)公路本底的光譜數(shù)據(jù)，二號(hào)公路本底數(shù)據(jù)作為背景物質(zhì)光譜和“環(huán)境特征值”數(shù)據(jù)。一號(hào)和二號(hào)公路本底為公路柏油路樣本，材質(zhì)相同，大小相同。

實(shí)驗(yàn)樣本采集分為白天和夜間兩部分。白天采集時(shí)，以太陽(yáng)光為光源，時(shí)間分別為陰天、多云和晴天的上午8點(diǎn)～下午5點(diǎn)之間，每3min采集一次該時(shí)刻光照下積雪、結(jié)冰、積水和干燥的一號(hào)公路本底光譜數(shù)據(jù)，同時(shí)采集同一光照下的二號(hào)公路干燥本底數(shù)據(jù)。實(shí)驗(yàn)獲得表面積雪厚度約為1mm、5mm和15mm的一號(hào)公路本底樣本各200份，共600份；表面結(jié)冰厚度約為0.5mm、2mm和5mm的一號(hào)公路本底樣本各200份，共600份；表面積水厚度約為1mm的一號(hào)公路本底樣本共200份；表面干燥的一號(hào)本底樣本共200份。白天時(shí)實(shí)驗(yàn)最終獲得一號(hào)公路本底樣本1600份，一號(hào)本底所對(duì)應(yīng)的表面干燥的二號(hào)公路本底樣本1600份，總計(jì)3200份。

夜間，以鹵鎢燈為光源，周圍無(wú)其他明顯亮光源，每3min采集一次該時(shí)刻光照下積雪、結(jié)冰、積水和干燥的一號(hào)公路本底光譜數(shù)據(jù)，同時(shí)采集同一光照下的二號(hào)公路本底數(shù)據(jù)。樣本選擇與白天時(shí)相同，夜間實(shí)驗(yàn)最終獲得一號(hào)公路本底樣本1600份，一號(hào)本底所對(duì)應(yīng)的表面干燥的二號(hào)公路本底樣本1600份，總計(jì)3200份。

數(shù)據(jù)處理時(shí)，白天和夜間的一號(hào)公路本底的不同厚度積雪或結(jié)冰統(tǒng)稱為積雪或結(jié)冰，不做厚度區(qū)分。

2.3 實(shí)驗(yàn)步驟和數(shù)據(jù)處理

實(shí)驗(yàn)步驟：實(shí)驗(yàn)分為白天和夜晚兩部分。白天時(shí)將表面分別結(jié)冰、積雪、積水和干燥的一號(hào)公路本底與表面干燥的二號(hào)公路本底平放于陽(yáng)光下。微型光譜儀探頭到公路本底的距離為20cm，探頭與本底表面夾角約為45°，積分時(shí)間為5ms，在640～1050nm測(cè)量范圍內(nèi)采集256個(gè)波長(zhǎng)數(shù)據(jù)點(diǎn)。微型光譜儀通過(guò)USB傳輸，將數(shù)據(jù)發(fā)送到PC端。圖4所示為數(shù)據(jù)采集結(jié)構(gòu)示意圖，圖5所示為單個(gè)微型光譜儀數(shù)據(jù)采集結(jié)構(gòu)示意圖。

圖4 數(shù)據(jù)采集結(jié)構(gòu)示意圖

圖5 單個(gè)微型光譜儀數(shù)據(jù)采集結(jié)構(gòu)示意圖

為更直觀地表達(dá)一號(hào)公路本底光譜數(shù)據(jù)和二號(hào)公路本底光譜數(shù)據(jù)（背景物質(zhì)光譜數(shù)據(jù)）之間的關(guān)系，將兩組數(shù)據(jù)進(jìn)行整合計(jì)算。為保證數(shù)據(jù)最終結(jié)果在±1之間，計(jì)算方式如公式(8)所示：

式中：，，和分別表示波長(zhǎng)處對(duì)應(yīng)的樣本整合計(jì)算值，一號(hào)本底光譜信號(hào)值，二號(hào)本底光譜信號(hào)值（背景物質(zhì)光譜值），儀器暗電流信號(hào)值。其中，儀器暗電流的A/D輸出信號(hào)值平均為9500。

圖6表示1400份白天時(shí)公路本底表面結(jié)冰、積水和積雪的整合計(jì)算后的部分光譜曲線。

圖6 白天時(shí)，公路本底表面各狀態(tài)整合計(jì)算光譜圖

夜間以鹵鎢燈為光源，開啟10min后，待光源穩(wěn)定再測(cè)量，測(cè)量方式、距離、積分時(shí)間與白天相同。圖7表示1400份夜間公路本底表面結(jié)冰、積水和積雪的整合計(jì)算后的部分光譜曲線。圖8表示400份白天和夜間公路本底表面干燥時(shí)的整合計(jì)算后的200份樣本的部分光譜曲線。

圖7 夜間公路本底表面各狀態(tài)整合計(jì)算光譜圖

圖8 白天和夜晚時(shí)公路本底表面干燥狀態(tài)整合計(jì)算光譜圖

結(jié)冰公路本底和積水公路本底在不同光照情況下，整合計(jì)算后的實(shí)驗(yàn)數(shù)據(jù)與A/D輸出的實(shí)驗(yàn)數(shù)據(jù)一樣會(huì)出現(xiàn)“異物類譜”現(xiàn)象。實(shí)驗(yàn)中高光強(qiáng)情況下的結(jié)冰整合計(jì)算曲線和低光強(qiáng)情況下的積水整合計(jì)算曲線有明顯的“異物類譜”現(xiàn)象（高光強(qiáng)一般為晴天或者中午，低光強(qiáng)一般為陰天、清晨或傍晚），出現(xiàn)這種現(xiàn)象的光譜曲線比例占結(jié)冰和積水整合計(jì)算曲線總數(shù)的30%～40%。在不同陽(yáng)光強(qiáng)度狀態(tài)下，一組冰水樣本和二組冰水樣本數(shù)據(jù)都出現(xiàn)了“異物類譜”現(xiàn)象，如圖9所示。兩組樣本數(shù)據(jù)從圖6的(a)、(b)中選取。

在深度學(xué)習(xí)分類算法中，樣本特征值的差異性決定了最終分類的準(zhǔn)確率，所以為區(qū)別低光強(qiáng)和高光強(qiáng)光譜曲線的差異性，本文提出環(huán)境光強(qiáng)特征值提取法——“環(huán)境特征值”。如圖10所示，一組冰水樣本出現(xiàn)“異物類譜”時(shí)所對(duì)應(yīng)的二號(hào)公路本底的歸一化光譜曲線差異明顯，同樣二組冰水樣本出現(xiàn)“異物類譜”時(shí)所對(duì)應(yīng)的二號(hào)公路本底的歸一化光譜曲線差異明顯，所以提取二號(hào)公路本底光譜數(shù)據(jù)作為光譜數(shù)據(jù)特征值處理。為了減少算法的計(jì)算量，只選取二號(hào)公路本底的光譜曲線的五個(gè)峰值作為“環(huán)境特征值”，峰值分別位于720nm、760nm、790nm、830nm和890nm處。

圖9 結(jié)冰和積水“異物類譜”圖

圖10 結(jié)冰和積水的環(huán)境特征值圖

為保證整合計(jì)算曲線和“環(huán)境特征值”數(shù)值相似性，對(duì)“環(huán)境特征值”做歸一化處理：

式中：、、max、min、分別表示為處“環(huán)境特征值”歸一化值，“環(huán)境特征值”光譜信號(hào)值，“環(huán)境特征值”最大信號(hào)值（值為65535）和最小信號(hào)值（值為9500）。

數(shù)據(jù)處理方法：對(duì)采集到10條原始光譜曲線疊加求平均，將平均后的光譜使用五點(diǎn)三次平滑處理算法迭代3次，并計(jì)算獲取樣本整合計(jì)算曲線，最終將樣本整合計(jì)算后的數(shù)據(jù)和其對(duì)應(yīng)的“環(huán)境特征值”作為神經(jīng)網(wǎng)絡(luò)的輸入樣本節(jié)點(diǎn)。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 組合-閾值法

由圖7和圖8可知，夜晚情況下，以鹵鎢燈為光源時(shí)，一號(hào)公路本底表面結(jié)冰、積雪、積水和干燥時(shí)的整合計(jì)算曲線差異區(qū)間明顯，所以采用區(qū)間閾值法進(jìn)行區(qū)分。因?yàn)楣庾V曲線數(shù)據(jù)點(diǎn)較多，以各波長(zhǎng)段進(jìn)行閾值區(qū)分較為繁瑣，計(jì)算量較大，所以提出一種新的“組合-閾值法”：將波長(zhǎng)從700～900nm數(shù)據(jù)點(diǎn)以10nm為步進(jìn)單位提取，并采用比例放大方式突出曲線的波峰信息。將輸出的“組合數(shù)值”通過(guò)閾值法判斷即可。

則每一個(gè)樣本的“組合值”為：

式中：＝700,710,…,940,950，為比例放大倍數(shù)，取2或3即可。圖11為一號(hào)公路本底部分樣本間的“組合數(shù)值”比較圖。

圖11 組合數(shù)值比較圖

通過(guò)計(jì)算分析，公路本底表面結(jié)冰、積雪、積水和干燥的整合計(jì)算平均值，標(biāo)準(zhǔn)差和偏離平均值的最大絕對(duì)值（下文稱為最大偏差）如表1所示。

平均值、標(biāo)準(zhǔn)差和最大偏差分別表明各樣本區(qū)間差異明顯、離散程度較低、各樣本區(qū)間不會(huì)出現(xiàn)重疊。

3.2 建立Dropout與Adam優(yōu)化器的神經(jīng)網(wǎng)絡(luò)模型

對(duì)于白天以陽(yáng)光為光源時(shí)，采用基于Dropout與Adam優(yōu)化器的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)一號(hào)公路本底表面分別是否結(jié)冰、積雪、積水和干燥4種情況進(jìn)行判斷。將全波長(zhǎng)內(nèi)的256個(gè)數(shù)據(jù)點(diǎn)和5個(gè)“環(huán)境特征值”作為輸入節(jié)點(diǎn)，共261個(gè)節(jié)點(diǎn)；輸出層分別以1000、0100、0010和0001表示結(jié)冰、積雪、積水和干燥狀況，共4個(gè)節(jié)點(diǎn)；隱藏層根據(jù)經(jīng)驗(yàn)公式(6)確定為19個(gè)節(jié)點(diǎn)。

樣本選擇中，一號(hào)公路本底樣本共計(jì)1600份，二號(hào)公路本底樣本共計(jì)1600份。一號(hào)和二號(hào)本底共3200份數(shù)據(jù)通過(guò)公式(8)計(jì)算后最終獲得1600份樣本數(shù)據(jù)，分別為各厚度結(jié)冰整合計(jì)算樣本共600個(gè)、各厚度積雪整合計(jì)算樣本共600份、積水整合計(jì)算樣本共200份，干燥整合計(jì)算樣本共200份。模型搭建過(guò)程中，1600份樣本數(shù)據(jù)的70%作為訓(xùn)練集，30%作為測(cè)試集。

實(shí)驗(yàn)?zāi)Ｐ凸驳?500次，輸入層激活函數(shù)為ReLU，隱藏層激活函數(shù)為sigmoid，損失函數(shù)采用交叉熵代價(jià)函數(shù)，優(yōu)化器為Adam，Dropout 神經(jīng)元隨機(jī)失活概率設(shè)置為25%。

3.3 模型驗(yàn)證

訓(xùn)練過(guò)程中模型損失值隨迭代次數(shù)變化曲線如圖12所示，訓(xùn)練集和測(cè)試集的預(yù)測(cè)準(zhǔn)確率隨迭代次數(shù)變化曲線如圖13所示。

實(shí)驗(yàn)結(jié)果表明，實(shí)驗(yàn)測(cè)試集準(zhǔn)確率為99.375%。在訓(xùn)練集和測(cè)試集迭代前500次時(shí)，模型損失值迅速下降，相對(duì)應(yīng)的訓(xùn)練集和測(cè)試集準(zhǔn)確度迅速上升，最終損失值和準(zhǔn)確度隨著迭代次數(shù)的增加而保持平穩(wěn)，所以可以得知Dropout和Adam表現(xiàn)良好。

表1 樣本分析統(tǒng)計(jì)表

圖12 損失值變化曲線

圖13 準(zhǔn)確率變化曲線

4 結(jié)論

以太陽(yáng)光為光源時(shí)，提出了樣本整合計(jì)算曲線和“環(huán)境特征值”組合使用方法，該方法緊扣冰、水和雪的光譜特性與陽(yáng)光光強(qiáng)特性，具有提取方便和分析簡(jiǎn)單等優(yōu)點(diǎn)，結(jié)合基于Dropout與Adam優(yōu)化器的神經(jīng)網(wǎng)絡(luò)分類器可以準(zhǔn)確、快速地識(shí)別路面狀況，實(shí)驗(yàn)結(jié)果表明識(shí)別準(zhǔn)確率為99.375%。以鹵鎢燈為光源時(shí)，提出簡(jiǎn)單且高效的“組合-閾值”的方式。實(shí)驗(yàn)證明了本文兩種光源結(jié)合的方法在公路狀況檢測(cè)領(lǐng)域中的可行性，但并未對(duì)冰和雪的厚度做出預(yù)估計(jì)，這將是未來(lái)進(jìn)一步深入工作的重點(diǎn)。

[1] 歐彥, 浦翔, 周旭馳, 等. 路面結(jié)冰檢測(cè)技術(shù)研究進(jìn)展[J]. 公路, 2013(4): 191-195.

OU Yan, PU Xiang, ZHOU Xunchi, et al. Review on icing detection techniques of pavement[J]., 2013(4): 191-195.

[2] 童魁. 路面冰水檢測(cè)系統(tǒng)技術(shù)研究[D]. 南京: 東南大學(xué), 2011.

TONG Kui. Research On System Technology of Road Ice And Water Detection[D]. Nanjing: Southeast University, 2011.

[3] 張鎮(zhèn), 葛俊鋒, 葉林, 等. 基于神經(jīng)網(wǎng)絡(luò)的主動(dòng)式紅外結(jié)冰探測(cè)[J]. 華中科技大學(xué)學(xué)報(bào): 自然科學(xué)版, 2010, 38(6): 1-3.

ZHANG Zhen, GE Junfeng, YE Lin, et al. Active infrared icing detection using neural networks[J].: Natural Science Edition, 2010, 38(6): 1-3.

[4] Colace L, Santoni F, Assanto G. A near-infrared optoelectronic approach to detection of road conditions[J]., 2013, 51(5): 633-636.

[5] 梁曹佳, 葉林, 葛俊鋒. 非接觸式路面狀態(tài)檢測(cè)技術(shù)研究進(jìn)展[J]. 傳感器與微系統(tǒng), 2019, 38(2): 1-4.

LIANG Caojia, YE Lin, GE Junfeng. Research progress of non-contact road surface condition detection technology[J]., 2019, 38(2):1-4.

[6] Johan Casselgren, Mikael Sjodahl, James LeBlanc. Angular spectral response from covered asphalt[J]., 2007, 46(20): 4277-4288.

[7] 王琮琪. 非接觸式路面狀況檢測(cè)系統(tǒng)的研究[D]. 杭州: 浙江大學(xué), 2014．

WANG Zongqi. No-contact Measuring System of the Condition of Road[D]. Hangzhou: Zhejiang University, 2014.

[8] 高斌, 趙鵬飛, 盧昱欣, 等. 基于BP神經(jīng)網(wǎng)絡(luò)的血液熒光光譜識(shí)別分類研究[J]. 光譜學(xué)與光譜分析, 2018, 38(4): 3136-3143.

GAO Bin, ZHAO Pengfei, LU Yuxin, et al. Study on recognition and classification of blood fluorescence spectrum with BP neural network [J]., 2018, 38(4): 3136-3143.

[9] 劉厚林, 吳賢芳, 王勇, 等. 基于BP神經(jīng)網(wǎng)絡(luò)的離心泵關(guān)死點(diǎn)功率預(yù)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012(11): 45-49.

LIU Houlin, WU Xianfang, WANG Yong, et al. Power prediction for centrifugal pumps at shut off condition based on BP neural network[J]., 2012(11): 45-49.

[10] 王威, 李青, 孫葉青, 等. 基于卷積神經(jīng)網(wǎng)絡(luò)的紅外熱成像罐車內(nèi)壁裂紋識(shí)別[J]. 紅外技術(shù), 2018, 40(12): 1198-1205.

WANG Wei, LI Qing, SUN Yeqing, et al. Inner crack identification on car tanks using thermal imaging based on convolutional neural network[J]., 2018, 40(12): 1198-1205.

[11] 楊觀賜, 楊靜, 李少波, 等. 基于Dropout與ADAM優(yōu)化器的改進(jìn)CNN算法[J]. 華中科技大學(xué)學(xué)報(bào): 自然科學(xué)版, 2018, 46(7): 122-127.

YANG Guanci, YANG Jing, LI Shaobo, et al. Modified CNN algorithm based on dropout and ADAM optimizer[J].: Natural Science Edition, 2018, 46(7): 122-127.

Research on Highway State Detection Based on Visible-Near-Infrared Spectrum

XIONG Xianming，ZHANG Qiankun，QIN Zujun

(Key Laboratory of Photoelectric Information Processing, Guilin University of Electronic Science and Technology, Guilin 541004, China)

Spectral technology is a promising prospect for highway state detection(whether frozen, water accumulated, or snow accumulated). However, there is little research on using sunlight as a light source to identify highway states. Sunlight and halogen tungsten lamps were used as experimental light sources in the day and night. Spectral curves of the visible-near-infrared bands of ice, water, snow, and highway backgrounds were obtained using a micro-spectrometer. During the day, the state of icing and stagnant water resulted in a phenomenon known as "Different substances with similar spectra" under different illumination conditions. Then, based on the characteristics of sunlight illumination, the solution of "environmental variables" as eigen values was proposed. The curve of the spectrum and the normalized "environmental variables" were combined into a new data waveform, and a neural network model based on Dropout and an Adam optimizer was established for training and recognition. The final recognition rate was 99.375%. At night, due to the evident differences in the spectra of various samples, the spectral curves of each sample were identified using the "combination-threshold" method. Experiments proved that the method of combining two light sources can effectively identify the road surface state.

highway state detection，visible-near infrared spectrum，neural network，the environment variables，combination-threshold

TN219

A

1001-8891(2021)02-0131-07

2019-07-19；

2019-10-08.

熊顯名（1964-），男，學(xué)士，研究員，碩士生導(dǎo)師，研究方向?yàn)楣怆娦畔⑻幚?、光纖傳感器。E-mail：5311128@qq.com。

國(guó)家自然科學(xué)基金（61665001）。