一种基于声学辅助的隧道交通安全警示方法、系统与流程

本发明涉及智能交通技术领域，尤其涉及一种基于声学辅助的隧道交通安全警示方法、系统。

背景技术：

公路隧道建设与一个国家或地区的经济发展和地理环境关系密切。因其具有缩短翻山越岭里程、节省车辆运输时间、减少对自然环境的不可逆破坏等社会与经济方面的双重优势，所以在我国中西部多山的地理环境中得到广泛应用。公路隧道的空间近乎封闭且通道狭窄，很大程度上对交通安全形成了潜在的威胁。根据相关数据，公路隧道交通事故发生概率远远高于洞外路段，某些地区或省份公路隧道内的交通事故率达到洞外交通事故率的3倍以上。

隧道监控系统的应用，减少了交通堵塞，提高了交通运输网络通行能力和安全水平。但由于传统的隧道设计观念和现代化技术的应用程度不完全，隧道监控系统还存在着一些不足，如智能化程度低、恶劣环境下监控摄像头寿命短以及监控成本高等问题。随着科技的发展，依靠于“智能化综合集控管理平台”的智能视频分析技术克服了视频信号adida转化损伤及多设备靠背传输损失等问题，逐步取代了传统监控。但仍存在以下缺陷：(1)隧道昏暗环境下的标清视频清晰度差；(2)依赖人工判断事故增加了不确定性；(3)事故发生后不能及时取得救援，现场疏导和清理延时严重；(4)事故发生后，不能及时通知后方车辆导致交通拥堵瘫痪；(5)事故火灾和“黑洞效应”易导致二次事故；(6)视频监控维护、运营费用高。

鉴于此，有必要在隧道交通中提出一种能弥补视频监控缺陷，行之有效、方便简洁其节能环保的隧道监控预警系统。

中国实用新型专利201720412366.9公开了一种高速公路隧道安全监控系统，该系统是在隧道中设置多个声音采集模块、声音识别模块、隧道口显示屏以及信息处理与监控中心。具有识别声音、采集声音、隧道口显示屏警报以及向监控中心传输信号的功能。但是上述专利存在以下局限性：(1)24小时全天候监控，设备寿命短，且浪费电力资源；(2)只能识别事故，但不能区分事故类型。

技术实现要素：

本发明提供了一种基于声学辅助的隧道交通安全警示方法、系统，以解决现有的隧道安全监控系统无法识别事故类型的问题。

第一方面，提供了一种基于声学辅助的隧道交通安全警示方法，包括：

获取隧道内声音信号；

提取隧道内声音信号的特征值；

将提取的特征值输入预先训练好的事故类型识别模型，得到事故类型；其中，所述事故类型识别模型基于采集的历史隧道内声音信号数据对深度神经网络进行训练得到；

根据得到的事故类型发出警示信息。

进一步地，所述事故类型识别模型基于采集的历史隧道内声音信号数据对深度神经网络进行训练得到，包括：

获取历史隧道内声音信号数据并进行标注；

利用automodelsearch(自动模型搜索)机制对历史隧道内声音信号数据进行特征提取，构建样本数据集，其中每个样本包括一个历史隧道内声音信号的特征值及其对应的标注；

利用paddlepaddle(飞桨)深度学习框架将样本数据集分割为训练集、验证集和测试集；基于训练集对深度神经网络模型进行模型训练，利用验证集对模型进行纠正和强化，并利用测试集对模型进行评估，得到事故类型识别模型。

进一步地，所述基于训练集对深度神经网络进行模型训练的过程中采用分布式训练提高训练效率，且训练过程中运用earlystoopping(早停法)机制对模型进行筛选；运用earlystoopping机制能够有效地降低过拟合风险，提高模型筛选效率，减少训练成本；

所述利用验证集对模型进行纠正和强化包括将验证集的样本数据导入深度神经网络模型中，每训练一个batch(章节)对深度神经网络模型进行一次验证，以纠正或强化模型训练参数；可引导模型学习方向，提高收敛速度；

所述利用测试集对模型进行评估包括采用模型效果评估机制，利用混淆矩阵的各个指标和f1-score(f1分数，分类问题的一个衡量指标)，解决错误分类并对错误分类的数据构建补充训练集。

进一步地，所述获取隧道内声音信号之前包括：

通过设置于隧道内的声音采集设备采集声音信号；

将声音信号放大，并进行滤波处理；

将滤波处理后的声音信号转换为数字量信号，得到隧道内声音信号。

进一步地，所述获取隧道内声音信号之前还包括：

获取是否有车辆进入隧道，若有，则执行所述获取隧道内声音信号；否则，不执行。

第二方面，提供了一种基于声学辅助的隧道交通安全警示系统，包括电源模块及依次连接的声音信号采集装置、声音过滤器、ad转换模块、信号识别与分类模块、结果输出模块；所述声音信号采集装置、声音过滤器、ad转换模块、信号识别与分类模块、结果输出模块均与所述电源模块连接；

所述声音信号采集装置用于采集隧道内的声音信号并传输至所述声音过滤器；

所述声音过滤器用于接收的声音信号进行噪声过滤并传输至所述ad转换模块；

所述ad转换模块用于将噪声过滤后的声音信号转换为数字量信号，得到隧道内声音信号并传输至所述信号识别与分类模块；

所述信号识别与分类模块用于接收隧道内声音信号并执行如上所述的基于声学辅助的隧道交通安全警示方法，得到事故类型，若确认发生事故则将事故类型传输至所述结果输出模块；

所述结果输出模块用于将事故类型进行可视化输出。

进一步地，还包括设置于隧道出入口的红外传感器；

所述红外传感器与所述电源模块连接，当所述红外传感器检测到有车进入隧道时，所述电源模块向该警示系统供电；当所述红外传感器检测到隧道内无车时，所述电源模块断开供电。

进一步地，所述声音信号采集装置包括咪头拾音器和与其连接的信号放大芯片；所述咪头拾音器用于采集隧道内的声音信号并传输至信号放大芯片；所述信号放大芯片用于对所述咪头拾音器声音信号进行放大处理。

进一步地，所述声音过滤器为带通滤波器，通带为300hz～3.4khz，用于去除杂波信号。

进一步地，所述结果输出模块包括设置于隧道内的音响、设置于隧道出入口的显示屏、智能报警装置；

所述音响用于广播事故信息；

所述显示屏用于显示警示信息；

所述智能报警装置用于在发生事故时自动报警，并将事故信息传输至相关部门。

第三方面，提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器加载时执行如上所述的基于声学辅助的隧道交通安全警示方法。

有益效果

本发明提出了一种基于声学辅助的隧道交通安全警示方法、系统，具有如下优点：

1、本发明可根据采集的隧道内声音信号识别出事故类型，便于准确掌握隧道内的情况；

2、本发明可及时识别事故类型并进行警示，以提醒来往车辆注意，保证交通安全；

3、实时识别是否有车进入隧道，有车开启，无车关闭，有助于节约资源；

4、通过对声音信号进行滤波处理，过滤杂音，可提高识别精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种基于声学辅助的隧道交通安全警示方法流程图；

图2是本发明实施例提供的一种基于声学辅助的隧道交通安全警示系统结构示意图；

图3是图2提供的实施例中声音信号采集装置中采集放大电路部分图；

图4是图2提供的实施例中声音过滤器电路图；

图5是本发明实施例提供的一种基于声学辅助的隧道交通安全警示系统工作流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。

如图1所示，本发明实施例的一个方面，提供了一种基于声学辅助的隧道交通安全警示方法，包括：

s01：获取隧道内声音信号；

s02：提取隧道内声音信号的特征值；

s03：将提取的特征值输入预先训练好的事故类型识别模型，得到事故类型；其中，所述事故类型识别模型基于采集的历史隧道内声音信号数据对深度神经网络进行训练得到；

s04：根据得到的事故类型发出警示信息。

本实施例中，所述事故类型识别模型基于采集的历史隧道内声音信号数据对深度神经网络进行训练得到，包括：

获取历史隧道内声音信号数据并进行标注；获取历史隧道内声音信号数据具体包括：通过录音设备历史隧道内声音信号数据，最大限度地减少系统的干扰，保证数据的有效性；而后数据进行筛选，剔除杂音较大的部分；

利用automodelsearch(自动模型搜索)机制对历史隧道内声音信号数据进行特征提取，构建样本数据集，其中每个样本包括一个历史隧道内声音信号的特征值及其对应的标注；

利用paddlepaddle(飞桨)深度学习框架将样本数据集分割为训练集、验证集和测试集；基于训练集对深度神经网络模型进行模型训练，利用验证集对模型进行纠正和强化，并利用测试集对模型进行评估，得到事故类型识别模型。

其中，所述基于训练集对深度神经网络进行模型训练的过程中采用分布式训练提高训练效率，且训练过程中运用earlystoopping(早停法)机制对模型进行筛选；运用earlystoopping机制能够有效地降低过拟合风险，提高模型筛选效率，减少训练成本；

所述利用验证集对模型进行纠正和强化包括将验证集的样本数据导入深度神经网络模型中，每训练一个batch(章节)对深度神经网络模型进行一次验证，以纠正或强化模型训练参数；可引导模型学习方向，提高收敛速度；

所述利用测试集对模型进行评估包括采用模型效果评估机制，利用混淆矩阵的各个指标和f1-score(f1分数，分类问题的一个衡量指标)，解决错误分类并对错误分类的数据构建补充训练集。

本实施例中，所述获取隧道内声音信号之前包括：

通过设置于隧道内的声音采集设备采集声音信号；

将声音信号放大，并进行滤波处理；

将滤波处理后的声音信号转换为数字量信号，得到隧道内声音信号。

优选地，所述获取隧道内声音信号之前还包括：

获取是否有车辆进入隧道，若有，则执行所述获取隧道内声音信号；否则，不执行。

步骤s02中提取隧道内声音信号的特征值的方法与事故类型识别模型训练过程中特征提取方法相同，在此不再赘述。

另外，事故类型识别模型训练基于paddlepaddle(飞桨)深度学习框架实现，即采用人工智能分布式模型训练来得到事故类型识别模型。由于采用人工智能训练事故类型识别模型，后续可实时获取采集的数据及预测结果数据来不断自主进行学习和完善模型，实时提高识别精度。

如图2所示，本发明实施例的一个方面，提供了一种基于声学辅助的隧道交通安全警示系统，包括电源模块6及依次连接的声音信号采集装置1、声音过滤器2、ad转换模块3、信号识别与分类模块4、结果输出模块5；所述声音信号采集装置1、声音过滤器2、ad转换模块3、信号识别与分类模块4、结果输出模块5均与所述电源模块6连接；

所述声音信号采集装置1用于采集隧道内的声音信号并传输至所述声音过滤器2；

所述声音过滤器2用于接收的声音信号进行噪声过滤并传输至所述ad转换模块3；

所述ad转换模块3用于将噪声过滤后的声音信号转换为数字量信号，得到隧道内声音信号并传输至所述信号识别与分类模块4；

所述信号识别与分类模块4用于接收隧道内声音信号并执行如上所述的基于声学辅助的隧道交通安全警示方法，得到事故类型，若确认发生事故则将事故类型传输至所述结果输出模块5；

所述结果输出模块5用于将事故类型进行可视化输出。

优选地，还包括设置于隧道出入口的红外传感器7；

所述红外传感器7与所述电源模块6连接，当所述红外传感器7检测到有车进入隧道时，所述电源模块6向该警示系统供电；当所述红外传感器7检测到隧道内无车时，所述电源模块6断开供电。能够延长系统总体使用寿命，延长使用年限；避免了空白时期的浪费，有助于节约电力资源。

本实施例中，所述声音信号采集装置1包括咪头拾音器和与其连接的信号放大芯片；所述咪头拾音器用于采集隧道内的声音信号并传输至信号放大芯片；所述信号放大芯片用于对所述咪头拾音器声音信号进行放大处理。具体实施时，信号放大芯片可选用ne5532信号放大芯片，其为高性能低噪声双运算放大器(双运放)集成电路，该声音信号采集装置采集放大电路部分图如图3所示。其具有更好的抗噪声性能，优良的输出驱动能力及相当高的小信号带宽，电源电压范围大等特点。为了保证声音信号采集装置能采集到隧道内所有的声音信号，每间隔20-80米设置一个声音信号采集装置，优选50米。

本实施例中，所述声音过滤器2为带通滤波器，通带为300hz～3.4khz，用于去除杂波信号，其电路图如图4所示。ad转换模块3采用高精度ads1256芯片，具有8通道输入(同时采集8路信号输入)、测量范围广(基本范围为0-5v输入电压，可在输入端可焊接分压电阻，将电压调整至0-5v内)、采集频率和精度高(采集卡的采集速率为30k/s，精度可达到0.00001)、抗干扰能力强、体积小，方便安装应用、跳帽设计，方便多重状态组合的特点。

本实施例中，所述结果输出模块5包括设置于隧道内的音响、设置于隧道出入口的显示屏、智能报警装置；

所述音响用于广播事故信息；为了保证隧道内广播效果，每间隔20-80米设置一个音响，优选50米；

所述显示屏用于显示警示信息；为保证预警效果，显示屏安装于隧道入口前50-200米处；

所述智能报警装置用于在发生事故时自动报警，并将事故信息传输至相关部门，事故信息包括事故类别、发生时间及地点。可选的，事故信息还包括事故发生地位于隧道内的位置，每个声音信号采集装置具有唯一的标签，因为每个声音信号采集装置的位置已知，故事故发生在隧道内的位置可通过声音信号采集装置确定。

该隧道交通安全警示系统的工作原理如下：预先训练好事故类型识别模型存储于信号识别与分类模块4(可选用单片机)中；咪头拾音器采集声音信号，先对声音信号进行放大，再通过滤波去除杂音，保留下有用的音频信号，最后将音频信号经过ad转换模块3由模拟量转换为数字量传输到信号识别与分类模块；信号识别与分类模块4首先提取声音信号的特征值，然后将特征值输入到预先训练好的事故类型识别模型中，得到事故类型；事故类型包括无事故、车辆间碰撞、车辆间剐蹭、车辆撞墙等；当识别确认发生事故则将事故类型传输至结果输出模块，以进行预警。具体工作流程可参见图5。

本发明实施例的另一个方面，提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器加载时执行如上所述的基于声学辅助的隧道交通安全警示方法。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。