基于多感信息融合與邊緣計算的路燈節能控制策略研究

韓強

摘 要：針對傳統路燈能耗高，控制策略粗獷等問題，文中提出了一種基于多感信息融合與邊緣計算的路燈節能控制策略系統。該系統利用多傳感器進行數據融合，檢測路燈前方人群、車輛距離、噪聲等，根據多源環境因素檢測人、車，精確分析路燈需求道路場景。采用視覺統計系統優化路燈亮度控制周期，該系統將視頻數據首先進行直方圖均衡化算法處理，提升暗部細節，使得夜間道路狀況得到有效的圖像增強，之后通過卷積神經網絡對二維數據進行處理，識別并統計人車流量，最后通過終端控制系統針對人群、車流量來決定路燈亮度控制周期，對路燈控制系統起輔助作用。同時利用邊緣計算實時調節路燈亮度，提高路燈系統節能特性，有效降低用電量。

關鍵詞：信息融合;邊緣計算;直方圖均衡化;卷積神經網絡;人車檢測;傳感器

中圖分類號：TP273文獻標識碼：A文章編號：2095-1302（2020）10-00-03

0 引 言

城市路燈照明對城市的交通需求及安全具有重要作用，隨著國力的增強，城市化建設蒸蒸日上，城市路燈的鋪設量越來越大，隨之而來的是城市路燈電能消耗不斷增加。由于傳統路燈控制方式單一，精確度差，路燈電量需求高，嚴重阻礙了智慧城市[1-3]發展進程，因此急需一種智能化路燈控制系統自動分析道路狀況，積極反饋調節路燈亮度，使路燈用電量得到有效控制，補給智慧城市路燈建設短板。

文獻[4]介紹了印度利用壓電傳感器網絡原理在路面部署感知節點以檢測路面車輛及人群活動的情況，該系統解決了一般系統對目標檢測延遲性高、精確度差的問題，但壓電傳感網絡部署及后期維護成本較高，不適宜城市道路大范圍鋪設。

文獻[5]提出孟加拉國利用太陽能LED路燈照明的節能方式，其采用優化太陽板安裝角度的方式解決太陽能收集效率低下的問題，但由于太陽能充電量少，光照度較低，無法滿足對城市路燈照明的需求。

文獻[6]介紹了一種光照度聚類和支持向量機算法的路燈節能方法，避免了采集數據誤差影響，但數據采集特征量只限于環境光照度，夜間路燈節能受到較大限制。

文獻[7-8]中應用自然噪聲等環境數據控制路燈開關，設計精簡，便于管理，但采集數據極易受外界環境影響，實際應用中可能會出現較大系統控制誤差。

針對上述路燈控制系統研究中存在的不足，筆者設計了一種利用信息融合、人工智能、邊緣計算以及云服務的路燈節能控制方案，該方案利用多源傳感信息融合處理，擴大對環境因素的感知范圍，增強了車輛、人群的檢測效果，可精確調節路燈亮度。為提升路燈控制周期，使用直方圖均衡化（Histogram Equalization，HE）[9-11]與卷積神經網絡（Convolutional Neural Networks，CNN）[12-14]技術搭建視覺識別系統。HE算法優化夜間圖像特征細節，CNN算法識別特征，根據統計目標量決定控制周期。同時利用邊緣節點為智能計算的高效低延遲性提供了有效保障。

1 總體設計

基于多感信息融合與邊緣計算的路燈節能控制系統由場景感知層、網絡傳輸層、數據資源處理層、云端服務層構成，具體如圖1所示。

1.1 場景感知層

感知層用于采集路燈周圍的路況信息，并將這些現實物理信息自動轉換為虛擬數字信息，作為邊緣計算與分布式存儲的信息來源。

1.2 網絡傳輸層

傳輸層主要負責將感知層搜集的信息進行整合，通過網絡技術上傳給邊緣計算節點以及服務器端，并將計算決策信息傳入決策層。

1.3 數據資源處理層

數據資源層提供必要的硬件資源，將數據資源進行調度、計算、存儲等。該層包含大量區塊鏈節點設備，具有高效的計算能力，提供及時、準確的決策信息。

1.4 云端服務層

云服務層是一個綜合性管理平臺，具有智能化處理、存儲大量信息、提供用戶友好的Web瀏覽頁面功能，為系統管理提供更全面、更高效、更可靠的人機交互服務。

2 關鍵技術

2.1 直方圖均衡化算法

直方圖均衡化算法是一種常用的灰度變換類型方法。對于夜間路況抓拍圖像偏暗，通過直方圖均衡算法可使圖片中每個灰度級代表的灰度值分布均勻，從而達到圖片明暗均勻、細節特征清晰的目的。

2.2 卷積神經網絡

卷積神經在智能分類識別中性能優異，對于特征提取挖掘性強。卷積神經網絡一般框架結構為卷積層、池化層、全連接層、輸出層。

3 基于多感融合的人車檢測系統模型

多感融合人車檢測模型如圖2所示。由于路燈邊緣檢測節點鋪設量需求大，為降低成本，采用雷達、人體紅外、聲音傳感器采集外界環境信息。雷達傳感器檢測目標物距離，人體紅外傳感器檢測人群，聲音傳感器檢測環境音量，使用多源傳感信息便于信息源互補，降低不確定性。不同傳感器對外界環境物體進行一致性判斷，辨別道路人車有無出沒情況。當監測到人車時，對路燈控制終端系統發送路燈需求信息，并積極調節路燈亮度控制開關。

4 基于直方圖均衡化與卷積神經網絡的人車流量統計算法策略

智能邊緣視覺統計算法流程如圖3所示。整體算法流程分為兩層，第一層是基于直方圖均衡化圖像增強算法模型，第二層為基于卷積層神經網絡多分類算法模型。

在第一層中，首先將原彩色48×48像素圖像進行灰度化處理，對圖像像素點中R，G，B使用加權平均法，選取權值為0.30，0.61，0.09，分別對應R，G，B三色并進行統一計算得出合理的灰度圖像。其次進行灰度轉換，將灰度圖像在對應灰度級為（0，255）范圍作為x坐標，灰度級對應的像素數作為y坐標，作直方圖。由圖4可發現數據峰值居左，灰度級偏低，表明圖像整體偏暗，物體特征不明顯。運用直方圖均衡化算法可有效提高暗圖灰度級，通過原圖像素灰度級作密度函數，并累加得到單調遞增函數，在作灰度轉換時，相鄰灰度級相近的像素點灰度值可有效分開，灰度直方圖灰度級增高且均勻。最后遍歷圖片像素矩陣上轉換后的灰度值，相對原圖像而言，圖像對比度提高，圖像細節以及邊緣特征得到明顯挖掘。