一種基于卷積神經(jīng)網(wǎng)絡(luò)的智慧路燈聯(lián)動控制算法

鄢小虎，李 康，陳 凱

(1.湖北大學(xué) 計算機與信息工程學(xué)院,湖北 武漢 430062；2.國網(wǎng)電力科學(xué)研究院，湖北 武漢 430074)

引言

作為智慧城市的信息節(jié)點，智慧路燈采用先進(jìn)的智能控制技術(shù)、無線通信技術(shù)和電源管理技術(shù)，實現(xiàn)路燈的自動化、信息化和智能化。智慧路燈為實現(xiàn)照明管理升級、節(jié)能減排以及融合城市公共服務(wù)系統(tǒng)提供了方向，因此智慧路燈的建設(shè)具有重要意義[1]。

目前，國內(nèi)外多家單位開發(fā)了相應(yīng)的智慧路燈產(chǎn)品[2-4]，如：歐司朗開發(fā)的智能方案是將 LED 燈具連接到1個利用光管理軟件單獨控制的網(wǎng)絡(luò)，形成1個燈具網(wǎng)。經(jīng)過計算機的計算和分析，優(yōu)化軟件設(shè)置，按照特定時間、空間和環(huán)境狀況調(diào)節(jié)燈具狀態(tài)；華為在CeBIT 2016上發(fā)布了多級智能控制照明物聯(lián)網(wǎng)解決方案，該方案的亮點是可以根據(jù)實時狀況調(diào)整照明，從而提高節(jié)能效率；廈門市智聯(lián)信通物聯(lián)網(wǎng)科技有限公司提出的智慧城市方案，實現(xiàn)了視頻、城市洼地水位、PM2.5、溫/濕度、噪音等環(huán)境指數(shù)實時掌握；上海三思電子工程有限公司以LED路燈為載體，實現(xiàn)了智慧照明、充電樁、智慧安防、無線上網(wǎng)、信息交互、智能感知和4G基站等功能。

但是，目前市場上的智慧路燈各個功能模塊之間都是孤立的，模塊之間缺少聯(lián)動，不能充分發(fā)揮各個功能模塊的作用。當(dāng)出現(xiàn)異常情況時，不能準(zhǔn)確判別，給運維人員的日常工作帶來了極大的困難。因此，迫切需要一種多功能聯(lián)動的智慧路燈控制算法。為了提高聯(lián)動的準(zhǔn)確性，我們提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的智慧路燈聯(lián)動控制算法。

1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)[5,6](Convolutional Neural Network，CNN)是一種深度學(xué)習(xí)的前饋神經(jīng)網(wǎng)絡(luò)模型，它包括卷積層(convolutional layer)和池化層(pooling layer)。卷積神經(jīng)網(wǎng)絡(luò)可以直接從原始圖像中識別物體，通過局域感受野、權(quán)值共享和次抽樣三個方法來實現(xiàn)識別位移、縮放和扭曲不變性[7]。目前，卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)成為學(xué)術(shù)界和工程界研究的熱點，廣泛應(yīng)用于圖像和視頻處理等領(lǐng)域[8]。

綜合考慮計算速度和識別準(zhǔn)確率，本文通過卷積神經(jīng)網(wǎng)絡(luò)LeNet-5模型提取拍攝圖像的特征，該模型的層數(shù)為8，結(jié)構(gòu)可以表示為：輸入層—卷積層—池化層—卷積層—池化層—全連接層—全連接層—輸出層。卷積層的形式如下：

(1)

其中l(wèi)代表模型的層數(shù)，k代表卷積核，Mj代表第l-1層的第k個特征圖，b代表輸出圖的偏置，f代表激活函數(shù)。ReLU函數(shù)能很好地傳遞梯度，經(jīng)過多層的反向傳播后，梯度仍不會大幅縮小，解決了梯度彌散的問題。本文激活函數(shù)采用ReLU函數(shù)，其數(shù)學(xué)表達(dá)式如下：

f(x)=max(0,x)

(2)

池化層采用最大值操作，通過保留最顯著特征，提升模型的畸變?nèi)萑棠芰Α?/p>

2 基于CNN的物體檢測

本文的智慧路燈是集智慧照明、無線網(wǎng)絡(luò)、視頻監(jiān)控、信息發(fā)布、智能充電、微環(huán)境監(jiān)測、一鍵報警等功能的軟硬件綜合平臺。后臺系統(tǒng)能單獨管理和控制各個功能模塊，例如智慧照明模塊能根據(jù)不同光照和不同時間自動調(diào)節(jié)LED燈的亮度，視頻監(jiān)控能實現(xiàn)攝像頭水平方向360°連續(xù)旋轉(zhuǎn)，信息發(fā)布能實現(xiàn)微環(huán)境監(jiān)測數(shù)據(jù)自動上傳和預(yù)警。

采用卷積神經(jīng)網(wǎng)絡(luò)對視頻監(jiān)測中的物體進(jìn)行檢測，詳細(xì)的流程見圖1。

圖1 基于CNN的物體檢測流程圖Fig.1 Flow chart of object detection based on CNN

在智慧路燈附近，采用卷積神經(jīng)網(wǎng)絡(luò)對一鍵報警人和充電車輛進(jìn)行檢測，詳細(xì)的步驟如下：

步驟1：生成候選區(qū)域。通過旋轉(zhuǎn)云臺，攝像頭在以報警人和充電車輛為圓心，r(r=1.5 m)為半徑的圓圈內(nèi)拍攝圖像，產(chǎn)生大量的候選區(qū)域。

步驟2：區(qū)域大小歸一化。把所有侯選框縮放成固定大小，本文采用100×100(單位為像素)的固定區(qū)域。

步驟3：特征提取。綜合考慮計算速度和識別準(zhǔn)確率，通過卷積神經(jīng)網(wǎng)絡(luò)LeNet-5模型的卷積層和池化層提取拍攝圖像的特征。

步驟4：分類與檢測。在特征提取的基礎(chǔ)上，采用softmax分類器來識別物體。softmax分類器有三個類別，分別是有報警人狀態(tài)、有充電車輛狀態(tài)及沒有人車的狀態(tài)。

3 基于CNN的智慧路燈聯(lián)動控制算法

本文實現(xiàn)視頻監(jiān)控、智能充電和一鍵報警多功能的聯(lián)動。攝像頭在智慧路燈附近拍攝圖像，將圖像縮放成固定大小100×100(單位為像素)，輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行檢測。當(dāng)出現(xiàn)有人報警時，攝像頭通過云臺實時檢測并跟蹤報警人。若有人誤報警，運維人員通過后臺系統(tǒng)查看現(xiàn)場報警的視頻情況，及時排除異常情況，避免無效的救援。

當(dāng)出現(xiàn)車輛充電時，攝像頭通過云臺實時檢測并跟蹤車輛。若充電過程出現(xiàn)異常，運維人員在后臺能實時查看，并提供相關(guān)的幫助。對于視頻中的充電車輛圖像，采用卷積神經(jīng)網(wǎng)絡(luò)還可以進(jìn)行車牌、車輛類型、車身顏色和車標(biāo)等信息識別，實現(xiàn)違法行為的自動化取證，提高取證效率，維護(hù)交通秩序和治安管理。

將視頻監(jiān)控、智能充電和一鍵報警聯(lián)動的算法安裝在后臺服務(wù)器上，實現(xiàn)多功能的實時聯(lián)動控制，聯(lián)動的策略見圖2。

圖2 基于CNN的智慧路燈聯(lián)動控制流程圖Fig.2 Flow chart of intelligent street lamp linkage control based on CNN

在攝像的圖像范圍內(nèi)檢測到報警人時，視頻監(jiān)控與一鍵報警功能聯(lián)動；在攝像的圖像范圍內(nèi)檢測到充電車輛時，視頻監(jiān)控與智能充電功能聯(lián)動。當(dāng)同時檢測到報警人和車輛充電時，攝像頭優(yōu)先與一鍵報警功能進(jìn)行聯(lián)動，當(dāng)檢測到報警人離開后，再與智能充電的功能進(jìn)行聯(lián)動，詳細(xì)的聯(lián)動步驟如下：

步驟1：監(jiān)控智慧路燈周圍。在智慧路燈周圍，攝像頭將焦點對準(zhǔn)固定位置進(jìn)行監(jiān)控，本文在東南西北方向共設(shè)置固定的八個點，攝像頭每天在這八個點上輪回進(jìn)行監(jiān)控，這些點包括報警位置和充電車位。

步驟2：判斷是否有人報警。若有，則轉(zhuǎn)步驟3；否則，轉(zhuǎn)步驟1，攝像頭按固定的模式繼續(xù)監(jiān)控智慧路燈周圍的情況。

步驟3：監(jiān)控報警人。當(dāng)有行人報警時，報警信號傳到后臺，采用卷積神經(jīng)網(wǎng)絡(luò)對行人按報警器的狀態(tài)進(jìn)行檢測。攝像頭在以報警位置為圓心，r為半徑(r=1.5 m)的圓圈內(nèi)檢測。若檢測到報警人，則攝像頭自動調(diào)整角度，監(jiān)控報警人。當(dāng)報警人離開檢測區(qū)域后，轉(zhuǎn)步驟1。

步驟4：判斷是否有車輛充電。若有，則轉(zhuǎn)步驟5；否則，轉(zhuǎn)步驟1，攝像頭按固定的模式繼續(xù)監(jiān)控智慧路燈周圍的情況。

步驟5：監(jiān)控充電車輛。當(dāng)有車輛充電時，充電信號傳到后臺，采用卷積神經(jīng)網(wǎng)絡(luò)對車輛充電的狀態(tài)進(jìn)行檢測。攝像頭在以充電車位為圓心，r為半徑(r=1.5 m)的圓圈內(nèi)檢測。若檢測到充電車輛，則攝像頭自動調(diào)整角度，對準(zhǔn)充電車輛，監(jiān)控充電車輛。當(dāng)充電車輛離開檢測區(qū)域后，轉(zhuǎn)步驟1。

4 實驗結(jié)果及分析

為了驗證本文方法的有效性和可行性，通過現(xiàn)場模擬一鍵報警和充電樁功能，產(chǎn)生訓(xùn)練樣本。為了更好地比較和驗證算法性能，產(chǎn)生3 000張訓(xùn)練圖像和1 000張測試圖像。在訓(xùn)練圖像中，出現(xiàn)報警人的圖像1 000張，出現(xiàn)充電車輛的圖像1 000張，兩者都不存在的圖像1 000張。采用服務(wù)器對算法進(jìn)行訓(xùn)練和測試，服務(wù)器的配置如下：CPU：Intel(R) Xeon(R) E7-4830 2.13 GHz，共有4個處理器；內(nèi)存：64 G；軟件環(huán)境：Matlab 2017a。

采用卷積神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)對收集的圖像進(jìn)行訓(xùn)練和測試，兩種方法的結(jié)果比較見表1。在LeNet-5卷積神經(jīng)網(wǎng)絡(luò)中，學(xué)習(xí)速率設(shè)置為0.1，批次大小設(shè)置為20。BP網(wǎng)絡(luò)有一個隱含層，該層的神經(jīng)元為100個，允許誤差為0.01。

表1 兩種方法的比較結(jié)果

由表1可知，本文采用的方法運行時間短，準(zhǔn)確率高，更加適合智慧路燈多功能的聯(lián)動控制。當(dāng)有500個訓(xùn)練樣本時，卷積神經(jīng)網(wǎng)絡(luò)的識別準(zhǔn)確率為86.2%；當(dāng)有1 000個訓(xùn)練樣本時，卷積神經(jīng)網(wǎng)絡(luò)的識別準(zhǔn)確率為90.6%。由此可知，隨著樣本量的增加，算法的準(zhǔn)確性也在增大。為了增大樣本的容量，提高算法的魯棒性，對試運行階段的樣本進(jìn)行人工確認(rèn)后，重新作為訓(xùn)練樣本。當(dāng)算法的識別準(zhǔn)確率大于90%時，能滿足智慧路燈現(xiàn)場聯(lián)動的效果，因此本文將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用的條件設(shè)置為樣本量大于1 000。

5 總結(jié)

我們提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的智慧路燈聯(lián)動控制算法，實現(xiàn)了視頻監(jiān)控、智能充電和一鍵報警聯(lián)動多功能的聯(lián)動。采用卷積神經(jīng)網(wǎng)絡(luò)對報警人和充電車輛進(jìn)行檢測，提高了聯(lián)動的準(zhǔn)確率。通過智慧路燈各個功能之間的聯(lián)動發(fā)揮了各個功能模塊的作用，極大地方便了運維人員的日常工作。