一种道路黑冰智能化检测预警系统及方法与流程

本发明涉及道路交通领域，具体涉及一种道路黑冰智能化检测预警系统及方法。

背景技术：

黑冰，英文名为blackice，它指的是一种很薄的、覆盖在道路上难以发现的冰层。由于其厚度很薄，道路本身的柏油颜色会从其中透射出来，造成本身冰面的被视度很低，与道路融为一体，极难被发现。这种黑色的薄冰，由于其本身温度并不是特别低，所以在冰的表面有一层融化的水，让这种冰比温度低的厚冰滑很多。黑冰会导致车辆打滑、打转、刹车距离显著延长。

技术实现要素：

为解决上述技术问题，本发明提供一种道路黑冰智能化检测预警系统及方法。

为解决上述技术问题，本发明采用如下技术方案：

一种道路黑冰智能化检测预警系统，包括前端系统以及与前端系统信号连接的物联网平台，所述前端系统包括：

主体结构，包括设置在公路的防撞栏上的底座、竖直安装在底座上的立杆以及电气箱，电气箱的底部与外部环境相通；

供电系统，包括安装在立杆顶端的太阳能板，以及设置在电气箱内且与太阳能板电连接的蓄电池；

传感器系统，包括安装在电气箱内部的多路冗余式温度传感器、湿度传感器、凝露凝冰传感器；

智能枪机识别系统，其包括具有边缘计算能力的ai摄像机，以及rs-485通讯线；

所述传感器系统以及智能枪机系识别系统与蓄电池电连接。

一种道路黑冰智能化检测预警系统的检测预警方法，包括以下步骤：

步骤a：传感器系统周期性地通过事先构建的决策树模型对道路上黑冰出现情况进行检测并做出判断；

步骤b：通过具有纹理特征的道路黑冰图像训练卷积神经网络，在传感器系统工作时间段内，ai摄像机被激活并采集道路图像，并将道路图像输入到卷积神经网络中判断道路是否出现黑冰；

步骤c：如果传感器系统和智能枪机识别系统均判断道路上出现黑冰，则通过预警单元发出预警；如果传感器系统、智能枪机识别系统中只有一个判断道路出现黑冰，则通过监控终端进行提示；

其中，步骤a包括：

步骤a1：采集多组历史的道路特征数据以及对应的黑冰出现情况组成多个特征数据，计算每个特征数据的熵；

步骤a2：选择具有最大熵的特征数据作为当前的分裂特征，并通过计算每个特征数据的信息增益率构建决策树模型；

步骤a3：将实时的道路特征数据输入到决策树模型，对黑冰的出现情况进行判断。

具体地，道路特征数据包括道路地区的大气温度、地面湿度以及空气湿度。

具体地，步骤a1中，将特征数据的四分之三作为训练数据集，将特征数据的四分之一作为测试数据集，并计算训练数据集中每个特征数据的熵

pi表示出现道路上出现黑冰的概率值。

具体地，步骤a1中，引入c4.5决策树算法模型，选择具有最大熵的特征数据作为当前的分裂特征，计算每个特征数据的信息增益率，信息增益率最高的特征数据作为决策树模型的根节点，信息增益率高于平均水平的特征数据作为决策树模型的上层节点，信息增益率小于平均水平的特征数据作为决策树模型的叶子节点。

具体地，将道路特征数据输入到决策树模型前，对决策树模型进行剪枝操作和评估；对决策树模型进行剪枝操作时，计算gini系数

pk表示出现道路上出现黑冰的概率值；计算损失

cα(t)＝c(t) α|tleaf|；

其中，c(t)＝∑[gini(p)*nl]，nl为叶子节点中的样本数，|tleaf|为叶子节点数，α为正则化项；

对决策树模型进行评估时，将测试数据集导入决策树模型，验证决策树模型对黑冰产生情况的预测精度。

具体地，步骤b中，预先采集有黑冰的道路图像，依次进行灰度化处理、二值化处理、纹理提取，将得到所述具有纹理特征的道路黑冰图像导入卷积神经网络中进行训练；ai摄像机将采集得到的道路图像输入到卷积神经网络中，判断道路上是否出现黑冰。

具体地，对道路图像进行灰度化处理时，采用加权平均算法，任意一个像素(i，j)的灰度值gray(i，j)＝0.299r(i，j) 0.578g(i，j) 0.114b(i，j)；其中r(i，j)为该像素的红色通道值，g(i，j)为该像素的绿色通道值，b(i，j)为该像素的蓝色通道值。

具体地，对道路图像进行二值化处理时，采用自适应阈值分割方法。

具体地，对道路图像进行纹理提取时，提取道路图像的灰度共生矩阵，灰度等级为0～1，包括以下步骤：

选取道路图像上的任意一点t(x，y)以及其偏离点t′(x a，y b)，构成一幅点对(t，t′)，对应的灰度值为(i，j)，其中(a，n)的取值分别为(0，1)、(1，0)、(1，1)、(-1，1)，共得到四个灰度共生矩阵g1、g2、g3、g4；

对四个灰度共生矩阵分别计算道路图像纹理特征的对比度、能量和熵。

与现有技术相比，本发明的有益技术效果是：

本发明通过传感器系统以及智能枪机识别系统对道路上黑冰的出现情况进行检测，传感器系统以及智能枪机识别系统功耗较大，故会以一定的时间间隔进行工作，时间间隔可以人为设定；在传感器系统以及智能枪机识别系统运行期间，分别同时对道路上黑冰出现情况进行检测并作出判断，并通过两个系统的检测结果综合判断道路上黑冰出现情况，提高了黑冰检测的精确度。

附图说明

图1为本发明检测预警系统的组成图；

图2为本发明检测预警方法的流程图；

图3为本发明自适应阈值分割方法api接口的代码；

图4为本发明自适应阈值分割方法api接口的参数说明。

具体实施方式

下面结合附图对本发明的一种优选实施方式作详细的说明。

主体结构用于搭载供电系统、智能枪机识别系统、传感器系统；底座安装在公路的防撞栏上；电气箱安装在底座上，离地面0.4-0.5米；立杆和电气箱固定在一起；蓄电池安装在电气箱内。太阳能板安装在立杆顶端，太阳能给智能枪机识别系统、传感器系统供电。

ai摄像机安装在立杆上，ai摄像机带有边缘计算能力，可内置黑冰、普通冰面、雪面、水面和正常路面图像识别算法，有4g通信能力，可以定时抓拍分析、远程遥控抓拍、远程实时观看视频。

rs485通讯线连接ai摄像机，并用于信号传输。

传感器系统安装在电气箱的内部，带有多路冗余式温度传感器、湿度传感器、凝露凝冰传感器，冗余式传感器是指在正常工作传感器之外为了提高系统可靠性另外安装的传感器。

电器箱底部设计成微型气象站模式，通风通气，可以达到和路面相同的气象条件，并能够防尘防水。

物联网平台位于远端，包括监控服务器、监控终端和预警单元，用于接收路面检测的数据结果，给工作人员提供道路路面的情况。

检测预警系统通过4g信号回传实时视频以及分析结果到物联网平台。

一种道路黑冰智能化检测预警系统的检测预警方法，包括以下步骤：

步骤a：传感器系统周期性地通过事先构建的决策树模型对道路上黑冰出现情况进行检测并做出判断；

步骤b：通过具有纹理特征的道路黑冰图像训练卷积神经网络，在传感器系统工作时间段内，ai摄像机被激活并采集道路图像，并将道路图像输入到卷积神经网络中判断道路是否出现黑冰；

步骤c：通过传感器系统和能枪机识别系统的检测结果综合判断道路上黑冰出现情况。

具体地，步骤c分为c1和c2两种情况。

其中情况c1是：如果传感器系统和智能枪机识别系统均判断道路上出现黑冰，则通过预警单元发出预警。

情况c2是：为了防止传感器系统或智能枪机识别系统产生误报，如果传感器系统、智能枪机识别系统中只有一个判断道路出现黑冰，则只是通过监控终端进行提示，还需要工作人员进行核实是否为误报的情况。

情况c2分为c21和c22两种情况。

其中情况c21是：如果传感器系统判断道路出现黑冰，则工作人员会调取ai摄像机的监控画面持续观察一段时间，以判断是否出现黑冰。

情况c22是：如果智能枪机识别系统判断道路出现黑冰，则工作人员对传感器系统进行复位操作，传感器系统重新工作，持续观察多路冗余式温度传感器、湿度传感器、凝露凝冰传感器的数值变化，以判断是否出现黑冰。

其中，步骤a包括：

步骤a1：采集多组历史的道路特征数据以及对应的黑冰出现情况组成多个特征数据，计算每个特征数据的熵。

具体地，道路特征数据包括道路地区的大气温度、地面湿度以及空气湿度。

本实施例中，将特征数据的四分之三作为训练数据集，将特征数据的四分之一作为测试数据集。

通过训练数据集构建样本全集h＝{(m1,n1),(m2,n2),…(mi,ni)},其中mi表示道路特征数据的测量值，ni表示道路出现黑冰的实际情况，即有无黑冰，i表示训练数据的标号。

计算训练数据集中每个特征数据的熵

pi表示出现道路上出现黑冰的概率值。

步骤a2：选择具有最大熵的特征数据作为当前的分裂特征，并通过计算每个特征数据的信息增益率构建决策树模型。

具体地，步骤a2中，引入c4.5决策树算法模型，选择具有最大熵的特征数据作为当前的分裂特征，计算每个特征数据的信息增益率，信息增益率最高的特征数据作为决策树模型的根节点，信息增益率高于平均水平的特征数据作为决策树模型的上层节点，信息增益率小于平均水平的特征数据作为决策树模型的叶子节点，从而构建决策树模型，设计输出值。

具体地，将道路特征数据输入到决策树模型前，对决策树模型进行剪枝操作和评估；进行剪枝操作的衡量标准为：叶子节点越多，损失c函数越大。

对决策树模型进行剪枝操作时，先计算gini系数

pk表示出现道路上出现黑冰的概率值；再计算损失

cα(t)＝c(t) α|tleaf|；

其中，c(t)＝∑[gini(p)*nl]，nl为叶子节点中的样本数，|tleaf|为叶子节点数，α为正则化项。

参数α控制了两者之间的影响程度，较大的α促使选择较简单的决策树模型，较小的α促使选择较复杂的决策树模型。

对决策树模型进行评估时，将测试数据集导入决策树模型，验证决策树模型对黑冰产生情况的预测精度。

步骤a3：将实时的道路特征数据输入到决策树模型，对黑冰的出现情况进行判断。

ai摄像机采集道路的图像，考虑到功耗的问题，传感器系统每5～10分钟进行一次数据采集，其他时间处于休眠工作模式，传感器系统运行的同时，ai摄像机被唤醒，抓拍道路图像；也可以将ai摄像机设定在某个时间段以间隔方式进行视频拍摄，比如在晚上8点之后到凌晨6点这一时间段，每间隔3分钟拍摄一段15秒的视频流，视频流通过ai摄像机处理成图像序列，构成图像组。

进行识别前，需要对采集到的单个图像或者图像组进行图像处理。

具体地，步骤b中，预先采集有黑冰的道路图像，依次进行灰度化处理、二值化处理、纹理提取，将得到所述具有纹理特征的道路黑冰图像导入卷积神经网络中进行训练；ai摄像机将采集得到的道路图像输入到卷积神经网络中，判断道路上是否出现黑冰。

具体地，对道路图像进行灰度化处理时，采用加权平均算法，任意一个像素(i，j)的灰度值gray(i，j)＝0.299r(i，j) 0.578g(i，j) 0.114b(i，j)；其中r(i，j)为该像素的红色通道值，g(i，j)为该像素的绿色通道值，b(i，j)为该像素的蓝色通道值。

具体地，对道路图像进行二值化处理时，采用自适应阈值分割方法；具体为调用opencv软件库中相应的api接口，如图3-4所示，其中：

inputarraysrc表示输入图像；

outputarraydst表示输出图像，与输入图像大小一致；

intadaptivemethod表示在一个邻域内计算阈值所采用的算法，有两个取值，分别为adaptive_thresh_mean_c和adaptive_thresh_gaussian_c；

adaptive_thresh_mean_c的计算方法是计算出邻域的平均值再减去参数doublec的值；

adaptive_thresh_gaussian_c的计算方法是计算出领域的高斯均值再减去参数doublec的值；

intthresholdtype为阈值类型，只有两个取值，分别为thresh_binary和thresh_binary_inv；

adaptivethreshold的计算单位是图像像素的邻域块，intblocksize是局部邻域大小，3、5、7等；

doublec为偏移值调整量；

最终的阈值是用均值和高斯计算阈值减去偏移值调整量，得到二值化的道路图像，有利于对于道路黑冰状况的分析，减小光照分布不均对图像处理的影响。

具体地，对道路图像进行纹理提取时，提取道路图像的灰度共生矩阵，灰度等级为0～1，包括以下步骤：

选取道路图像上的任意一点t(x，y)以及其偏离点t′(x a，y b)，构成一幅点对(t，t′)，对应的灰度值为(i，j)，其中(a，b)的取值分别为(0，1)、(1，0)、(1，1)、(-1，1)，共得到四个灰度共生矩阵g1、g2、g3、g4；

对四个灰度共生矩阵分别计算道路图像纹理特征的对比度、能量和熵。

对比度con＝∑∑(i-j)²p(x，y)；对比度大，则特征纹理明显，对比度小，则特征纹理模糊；

能量asm＝∑∑p(x，y)²；能量小，表明特征纹理细致；能量大，表明特征纹理粗大；

熵ent＝-∑∑p(i，j)log2p(i，j)，其中(i，j)表示图像中一副点对(t，t′)的灰度值；p(i，j)为点对(t，t′)出现的概率。

之后将具有纹理特征的道路黑冰图像导入卷积神经网络进行训练，本实施例中的卷积神经网络为vgg-16网络。

ai摄像机对采集到的单个图像或者图像组与具有纹理特征的道路黑冰图像比对，判断道路是否产生黑冰。

通过两个系统的检测结果综合判断道路上黑冰出现情况，提高了黑冰检测的精确度；也能够同时融合智能枪机识别系统、传感器系统反馈和历史经验，例如历年道路黑冰产生的时节、产生黑冰的时间段、易出现黑冰的路段等信息，得到综合预警结果，然后通过4g通信系统，回传相关数据到物联网平台，监控服务器响应，监控终端显示道路情况，预警单元启动相应警报流程。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立技术方案，说明书的这种叙述方式仅仅是为了清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。