基于智能手機(jī)的雙采集系統(tǒng)法檢測路面異常的研究

葉洪英

摘 要：本文提出一種基于智能手機(jī)的雙采集系統(tǒng)法，可獲取路面異常圖像并在檢測路面異常時(shí)測量車輛加速度。同時(shí)進(jìn)行路面試驗(yàn)，獲取路面圖像及加速度數(shù)據(jù)。通過加速度在重力方向上變化的具體范圍，可準(zhǔn)確推斷路面異常的嚴(yán)重程度。

關(guān)鍵詞：路面檢測;雙采集系統(tǒng)法;智能手機(jī);加速度

0 綜述

因內(nèi)外部因素，路面可能會(huì)發(fā)生各種類型的損壞。由于路面狀況不佳可能對駕駛?cè)嗽斐蓢?yán)重風(fēng)險(xiǎn)，因此，研發(fā)能迅速準(zhǔn)確監(jiān)管路面的系統(tǒng)已刻不容緩。

1 路面檢測研究分析

路面監(jiān)管應(yīng)從及時(shí)檢測路面異常開始。用于路面損傷檢測的方法可分為：①車輛振動(dòng)類型的識(shí)別;②使用激光照射路面的測量;③圖像影像識(shí)別。

基于圖像識(shí)別的檢測方法可以合理的成本分析大范圍的路面狀況。因深度神經(jīng)網(wǎng)絡(luò)（DNNs）圖像識(shí)別技術(shù)的發(fā)展，該方法開始凸顯。使用DNN進(jìn)行路面損傷識(shí)別，在車輛以正常車速行駛時(shí)實(shí)時(shí)捕捉路面圖像，提供損傷區(qū)域大小等信息。

智能手機(jī)為測試路面異常檢測方法提供平臺(tái)，采用DNN模型來識(shí)別路面異常和加速度數(shù)據(jù)采集?；谥悄苁謾C(jī)的路面異常檢測系統(tǒng)和應(yīng)用程序的研究，可讓道路危險(xiǎn)的信息實(shí)時(shí)分享。一個(gè)以智能手機(jī)為基礎(chǔ)的探測系統(tǒng)將擴(kuò)大道路維修機(jī)構(gòu)的監(jiān)測能力，使維修工作能針對最迫切需要的區(qū)域進(jìn)行。且本研究所論證的雙采集法可普及推廣。

2 采集路面異常信息

2.1 數(shù)據(jù)采集流程

在駕駛時(shí)使用智能手機(jī)以30 Hz的頻率采集路面高清圖像。將采集的路面圖像輸入模型進(jìn)行路面異常檢測，識(shí)別并保存圖像。當(dāng)圖像被捕獲時(shí)，加速器數(shù)據(jù)將在3 s周期內(nèi)以100 Hz的頻率被收集。收集的信息立即傳到服務(wù)器并存儲(chǔ)。隨后可在網(wǎng)站上查看并顯示在地圖上，使道路管理者和機(jī)構(gòu)能獲取道路狀況最新信息，并可及時(shí)分享用戶。

2.2 路面異常檢測模型

DNN模型通過分析駕駛過程中實(shí)時(shí)捕獲的圖像來對路面異常進(jìn)行分類。FCN設(shè)計(jì)為六層，不包括輸入層，由三步卷積層和三步反卷積層組成。在每個(gè)卷積層中，一個(gè)5×5的濾波器以2×2步的間隔遍歷整個(gè)圖像進(jìn)行計(jì)算。采用校正線性單元作為激活函數(shù)，并以路面圖像作為訓(xùn)練和驗(yàn)證數(shù)據(jù)。這些圖像中包含道路異常，其余包含陰影、車輛、道路設(shè)施、道路標(biāo)記等。本研究經(jīng)過簡化后，使基于FCN的路面異常檢測和加速度測量可由智能手機(jī)同時(shí)完成。

2.3 配置采集數(shù)據(jù)

利用開發(fā)的基于Fcn的路面異常檢測與加速度數(shù)據(jù)采集系統(tǒng)，在某條道路上采集行車數(shù)據(jù)，在獲得的兩百五十張圖像中觀察到局部異常，如坑洞、檢修孔和受損路面的修復(fù)痕跡。兩百五十張圖像證實(shí)了路面?zhèn)认虍惓?，如減速帶、橋梁伸縮縫、側(cè)向接縫和裂縫。在五百張圖像中發(fā)現(xiàn)了縱向連續(xù)的節(jié)理和裂縫，表明縱向異常占捕獲異常的最大比例。剩下一千張圖像中沒有路面異常。

2.4 典型圖像和采集的加速度數(shù)據(jù)

智能手機(jī)攝像頭安裝在一輛行駛車輛的擋風(fēng)玻璃上部，用于拍攝和存儲(chǔ)路面圖像。在汽車內(nèi)部三個(gè)不同的地方（儀表盤、擋風(fēng)玻璃右側(cè)和嵌入式平板電腦）安裝了加速器，并比較了信號(hào)質(zhì)量，發(fā)現(xiàn)附著在儀表盤和擋風(fēng)玻璃上的加速器產(chǎn)生了同樣高質(zhì)量的信號(hào)。因此選擇儀表盤，在那里最容易安裝傳感器。

3 加速度數(shù)據(jù)采集結(jié)果與分析

3.1 獲取加速度數(shù)據(jù)時(shí)間分析

在本研究中，我們在100 Hz下采集了3 s的加速度數(shù)據(jù)，但需要確定采集到的加速度數(shù)據(jù)是全部需要，還是只需要圖像中局部區(qū)域的加速度信號(hào)。加速度數(shù)據(jù)在0 s～3 s、0 s～1 s、0 s～0.5 s時(shí)間段內(nèi)的最大變化量平均值分別為2.436 m/s2、1.834 m/s2、1.582 m/s2，中值分別為2.152 m/s2、1.548 m/s2、1.354 m/s2?？梢姡S著加速度采集范圍的減小，最大加速度變化趨勢減小。對0 s～3 s和0 s～1 s時(shí)間段和0 ～3 s和0 s～0.5 s時(shí)間段采集的加速度進(jìn)行了顯著性t檢驗(yàn);確定t值分別為19和24，說明平均值差異顯著，超過臨界值1.96。

3.2 加速度變化分析

本研究主要采用車輛在重力方向（z方向）的加速度來識(shí)別道路異常。本節(jié)將對智能手機(jī)加速度數(shù)據(jù)進(jìn)行預(yù)處理，以獲得更好的結(jié)果。z軸加速度變化最大， FCN模型檢測采集圖像后ROI中有道路異常的加速度信號(hào)對比。ROI無異常的結(jié)果與0 s～0.5 s范圍內(nèi)的結(jié)果明顯相同。當(dāng)ROI中存在道路異常時(shí)，z軸加速度平均變化量約為2.5 m/s2， z軸加速度平均變化量為1.92 m/s2。由于觀察到相似的范圍，很難根據(jù)是否存在路面異常來區(qū)分z軸加速度的最大變化。當(dāng)z軸加速度的最大變化范圍為1 m/s2～2m/s2時(shí)，這種差異尤其難以觀察到。

4 結(jié)果分析

通常，變化隨著路面異常尺寸的增大，z軸加速度預(yù)計(jì)會(huì)增大。為了找出檢測到的路面異常像素大小與z軸加速度最大變化量之間不合理關(guān)系的原因，可進(jìn)行研究分析。

在路面上沒有障礙物的情況下，z軸加速度的最大變化量基本小于2 m/s2。而在路面檢測異常時(shí)，z軸加速度變化基本大于2 m/s2。在形狀不規(guī)則的坑洼和修復(fù)路面情況下，加速度的變化比其他情況更廣泛。同時(shí)，對于具有固定幾何形狀的孔，其值變化集中在一個(gè)狹窄的范圍內(nèi)。減速帶的z軸加速度變化最小，這是由于在通過前的減速，但其余三種橫向異常的值產(chǎn)生了類似的分布。

在局部異常中，坑洞和修復(fù)后路面像素分布最寬，人孔像素分布最窄。橫向異常z軸加速度的最大變化與修復(fù)后的形狀相似，但像素分布要小于修復(fù)后的形狀。橫向異常時(shí)檢測到的像素值要小于局部異常時(shí)的像素值，因?yàn)橄袼卦跈M向上可作為一條窄的連續(xù)線分布，但仍可能引起顯著的加速度變化。因此，有必要準(zhǔn)確估計(jì)這些異常的幾何形狀，因?yàn)椴煌那闆r下，相同面積的路面損傷可能會(huì)導(dǎo)致不同的加速度變化，不同的損傷深度。本研究中使用的FCN模型可以提供描述路面異常存在及其位置信息。

利用數(shù)據(jù)的四分位數(shù)根據(jù)z軸加速度最大變化范圍進(jìn)行分類。得到z向最大加速度數(shù)據(jù)的第一個(gè)四分位數(shù)（Q1=1.9 m/s2）和第三個(gè)四分位數(shù)（Q3=4.2 m/s2）的值，并將其簡化為接近整數(shù)值。當(dāng)z軸加速度的最大變化量小于2 m/s2時(shí)，與正常情況下加速度數(shù)據(jù)相似。在這種情況下，加速度的微小變化似乎是由位于車輪路徑邊緣的道路異常引起的。z軸加速度變化最大值為2 m/s2～ 4 m/s2的路面圖像，可檢測到可能影響車輪路徑的異常，包括坑狀和局部異常。在這種情況下，還包括路面不平坦的圖像，z軸加速度變化最大值為4 m/s2及以上的圖像，在行駛時(shí)經(jīng)常可發(fā)現(xiàn)導(dǎo)致加速度劇烈變化并可能需要維修的異?，F(xiàn)象。此外，通過高度差較大的坑狀或修補(bǔ)后路面不平整時(shí)，可能會(huì)出現(xiàn)4 m/s2或更大的加速度變化。

通過對比圖像與z軸加速度變化最大值，可以判斷路面異常的嚴(yán)重程度。因此，當(dāng)使用FCN模型從路面圖像中估算其面積和深度難以定量識(shí)別路面異常的嚴(yán)重程度時(shí)，可通過將獲取的加速度轉(zhuǎn)換為相對于重力軸的加速度來實(shí)現(xiàn)。并在通過車輪時(shí)將其劃分為范圍。如果未來能夠建立一個(gè)能夠更準(zhǔn)確識(shí)別圖像的FCN模型，并積累更多的各種工況下的駕駛數(shù)據(jù)，將圖像和加速度數(shù)據(jù)結(jié)合起來，可以提供更詳細(xì)的路面異常識(shí)別。

5 總結(jié)

本文利用模型識(shí)別采集圖像中的路面異常，同時(shí)處理采集的加速度。手機(jī)安置在車玻璃上進(jìn)行路面檢測。將路面異常檢測法與基于加速器數(shù)據(jù)采集相結(jié)合，加速度變化分類到一定范圍，識(shí)別路面異常度。本研究具有普及路面異常自動(dòng)檢測的前景。

參考文獻(xiàn)：

[1]蘇曉堅(jiān)，唐銳，劉鑫.一種影像辨識(shí)檢知路面濕滑的安全行車控制方法及其系統(tǒng)，CN107472253A[P].