[發明專利]一種基于深度學習的高速公路疏水管堵塞態勢感知方法

有效

• 申請號: 202110383869.9
• 申請日: 2021-04-09
• 公開（公告）號: CN113076893B
• 公開（公告）日: 2022-08-02
• 發明（設計）人: 喬鐵柱;付杰
• 申請（專利權）人: 太原理工大學
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V20/52;G06V10/20;G06N3/04;G06N3/08
• 代理公司: 太原高欣科創專利代理事務所(普通合伙) 14109
• 代理人: 崔浩;冷錦超

1.一種基于深度學習的高速公路疏水管堵塞態勢感知方法，其特征在于：包括如下步驟：

步驟一：構建數據集：通過在多條高速公路的定點區域設置多個CCD攝像機進行疏水管表面的視頻圖像數據采集；

步驟二：將步驟一中采集的疏水管表面圖像數據發送至PC端按幀進行數據拆分，并將拆分的RGB彩色圖像進行灰度處理，再將灰度處理后的圖像進行翻轉、縮放，形成圖像集；

步驟三：利用卷積神經網絡，將步驟二形成的圖像集中的圖像進行淤泥特征提取，同時通過態勢感知的預測機制生成疏水管堵塞預測模型；

步驟四：通過疏水管堵塞預測模型對疏水管是否擁堵進行判定，并將判定結果在PC端進行顯示，當判定結果為擁堵時，將預警信息傳輸至高速公路路況管理系統，進行預警報警；

所述步驟三中利用卷積神經網絡對圖像進行淤泥特征提取的具體步驟為：

步驟3.1：將圖像集的75％-80％用于訓練卷積神經網絡，將圖像集的20％-25％用于驗證卷積神經網絡模型；

步驟3.2：將原始圖像的二維特性通過增設表示卷積核區域淤積程度的Z軸而形成三維機制，得到卷積神經網絡三維機制；

步驟3.3：在三維機制的神經網絡中采用MES損失函數用于對圖像集淤泥特征提取進行訓練，并通過將損失函數進行正則化防止過擬合；

其中，損失函數的計算公式為：LOSS＝(OUT-E_i)²，上式中E_i為期望輸出，OUT為輸出層神經元的輸出；

正則化計算公式為：上式中LOSS為損失函數，λ為比例系數，w_i為對應神經元i的權重；

步驟3.4：運用隨機梯度訓練公式對卷積神經網絡中所有神經元的權值進行更新，上式中η為本神經網絡的學習率；

步驟3.5：采用卷積核的變形體系對圖像的區域進行擴大，使卷積核看到更寬廣的區域；

步驟3.6：在用卷積神經網絡進行淤泥特征提取時，通過加深網絡層數同時加入殘差連接提高提取精度；

步驟3.7：在n*n卷積核區域中計算每一塊區域的置信度，匯總所有區域的置信度，使用最小二乘法擬合出新的曲面；

所述置信度的計算步驟為：計算步驟3.7新擬合曲面的極值，不斷地取曲面內所有極值的平均值，上述平均值即為區域淤積程度的置信度；

所述期望輸出E_i的具體計算方法如下：

將區域劃分成N*N卷積核大小的神經網絡，當所示區域為整塊淤泥時，判定堵塞，并獲得的置信度；

當所示區域非整塊淤泥時，則將1*1區域再細分至

當所示區域的淤泥區域大于40％，判定堵塞，默認細分前的區域同樣獲得的置信度；

將圖片區域的各個卷積核區域置信度疊加，當疊加的置信度大于0.4時，期望輸出E_i的值為1，當疊加的置信度小于等于0.4時，期望輸出E_i的值為0。

2.根據權利要求1所述的一種基于深度學習的高速公路疏水管堵塞態勢感知方法，其特征在于：所述步驟三中通過態勢感知的預測機制生成疏水管堵塞預測模型的預測機制為：

根據地區的土質粘滯系數、風速、溫度、降水量、車流量的不同，該預測機制產生的預測結果不同，在提取淤泥特征的同時，生成疏水管堵塞預測模型。

3.根據權利要求2所述的一種基于深度學習的高速公路疏水管堵塞態勢感知方法，其特征在于：所述疏水管堵塞預測模型采用多元齊次線性函數模型進行淤泥堵塞預測，計算公式為：y_i＝a₁x₁+a₂x₂+a₃x₃+a₄x₄+a₅x₅，上式中：x_i為影響預測結果的因素，a_i為對應影響因子的比例系數；

當y_i＞0.4時，判定為疏水管擁堵，當y_i≤0.4時，判定為疏水管正常。