基于智能手機的雙采集系統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的雙采集系統法，可獲取路面異常圖像并在檢測路面異常時測量車輛加速度。同時進行路面試驗，獲取路面圖像及加速度數據。通過加速度在重力方向上變化的具體范圍，可準確推斷路面異常的嚴重程度。

關鍵詞：路面檢測;雙采集系統法;智能手機;加速度

0 綜述

因內外部因素，路面可能會發生各種類型的損壞。由于路面狀況不佳可能對駕駛人造成嚴重風險，因此，研發能迅速準確監管路面的系統已刻不容緩。

1 路面檢測研究分析

路面監管應從及時檢測路面異常開始。用于路面損傷檢測的方法可分為：①車輛振動類型的識別;②使用激光照射路面的測量;③圖像影像識別。

基于圖像識別的檢測方法可以合理的成本分析大范圍的路面狀況。因深度神經網絡（DNNs）圖像識別技術的發展，該方法開始凸顯。使用DNN進行路面損傷識別，在車輛以正常車速行駛時實時捕捉路面圖像，提供損傷區域大小等信息。

智能手機為測試路面異常檢測方法提供平臺，采用DNN模型來識別路面異常和加速度數據采集。基于智能手機的路面異常檢測系統和應用程序的研究，可讓道路危險的信息實時分享。一個以智能手機為基礎的探測系統將擴大道路維修機構的監測能力，使維修工作能針對最迫切需要的區域進行。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 數據采集流程

在駕駛時使用智能手機以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行路面異常檢測，識別并保存圖像。當圖像被捕獲時，加速器數據將在3 s周期內以100 Hz的頻率被收集。收集的信息立即傳到服務器并存儲。隨后可在網站上查看并顯示在地圖上，使道路管理者和機構能獲取道路狀況最新信息，并可及時分享用戶。

2.2 路面異常檢測模型

DNN模型通過分析駕駛過程中實時捕獲的圖像來對路面異常進行分類。FCN設計為六層，不包括輸入層，由三步卷積層和三步反卷積層組成。在每個卷積層中，一個5×5的濾波器以2×2步的間隔遍歷整個圖像進行計算。采用校正線性單元作為激活函數，并以路面圖像作為訓練和驗證數據。這些圖像中包含道路異常，其余包含陰影、車輛、道路設施、道路標記等。本研究經過簡化后，使基于FCN的路面異常檢測和加速度測量可由智能手機同時完成。

2.3 配置采集數據

利用開發的基于Fcn的路面異常檢測與加速度數據采集系統，在某條道路上采集行車數據，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痕跡。兩百五十張圖像證實了路面側向異常，如減速帶、橋梁伸縮縫、側向接縫和裂縫。在五百張圖像中發現了縱向連續的節理和裂縫，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據

智能手機攝像頭安裝在一輛行駛車輛的擋風玻璃上部，用于拍攝和存儲路面圖像。在汽車內部三個不同的地方（儀表盤、擋風玻璃右側和嵌入式平板電腦）安裝了加速器，并比較了信號質量，發現附著在儀表盤和擋風玻璃上的加速器產生了同樣高質量的信號。因此選擇儀表盤，在那里最容易安裝傳感器。

3 加速度數據采集結果與分析

3.1 獲取加速度數據時間分析

在本研究中，我們在100 Hz下采集了3 s的加速度數據，但需要確定采集到的加速度數據是全部需要，還是只需要圖像中局部區域的加速度信號。加速度數據在0 s～3 s、0 s～1 s、0 s～0.5 s時間段內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。可見，隨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時間段和0 ～3 s和0 s～0.5 s時間段采集的加速度進行了顯著性t檢驗;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）的加速度來識別道路異常。本節將對智能手機加速度數據進行預處理，以獲得更好的結果。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對比。ROI無異常的結果與0 s～0.5 s范圍內的結果明顯相同。當ROI中存在道路異常時，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，很難根據是否存在路面異常來區分z軸加速度的最大變化。當z軸加速度的最大變化范圍為1 m/s2～2m/s2時，這種差異尤其難以觀察到。

4 結果分析

通常，變化隨著路面異常尺寸的增大，z軸加速度預計會增大。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系的原因，可進行研究分析。

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，z軸加速度變化基本大于2 m/s2。在形狀不規則的坑洼和修復路面情況下，加速度的變化比其他情況更廣泛。同時，對于具有固定幾何形狀的孔，其值變化集中在一個狹窄的范圍內。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生了類似的分布。

在局部異常中，坑洞和修復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后的形狀相似，但像素分布要小于修復后的形狀。橫向異常時檢測到的像素值要小于局部異常時的像素值，因為像素在橫向上可作為一條窄的連續線分布，但仍可能引起顯著的加速度變化。因此，有必要準確估計這些異常的幾何形狀，因為不同的情況下，相同面積的路面損傷可能會導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。

利用數據的四分位數根據z軸加速度最大變化范圍進行分類。得到z向最大加速度數據的第一個四分位數（Q1=1.9 m/s2）和第三個四分位數（Q3=4.2 m/s2）的值，并將其簡化為接近整數值。當z軸加速度的最大變化量小于2 m/s2時，與正常情況下加速度數據相似。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，在行駛時經常可發現導致加速度劇烈變化并可能需要維修的異常現象。此外，通過高度差較大的坑狀或修補后路面不平整時，可能會出現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重程度。因此，當使用FCN模型從路面圖像中估算其面積和深度難以定量識別路面異常的嚴重程度時，可通過將獲取的加速度轉換為相對于重力軸的加速度來實現。并在通過車輪時將其劃分為范圍。如果未來能夠建立一個能夠更準確識別圖像的FCN模型，并積累更多的各種工況下的駕駛數據，將圖像和加速度數據結合起來，可以提供更詳細的路面異常識別。

5 總結

本文利用模型識別采集圖像中的路面異常，同時處理采集的加速度。手機安置在車玻璃上進行路面檢測。將路面異常檢測法與基于加速器數據采集相結合，加速度變化分類到一定范圍，識別路面異常度。本研究具有普及路面異常自動檢測的前景。

參考文獻：

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