一种内置碰撞声检测功能的智能路灯制造技术

本实用新型专利技术公开了一种内置碰撞声检测功能的智能路灯，在路灯中设置声音采集模块、碰撞声识别模块、存储模块以及用于路灯控制与信息传输的路灯控制器；声音采集模块用于连续采集道路中的声音信号；存储模块用于存储声音采集模块所采集的声音信号；碰撞声识别模块用于识别所采集的声音信号中是否杂含碰撞声并将识别结果发送到路灯控制器，路灯控制器以此判断道路中是否出现异常事件并将信息发送到远程监控中心。采用本实用新型专利技术的技术方案，采用深度神经网络实现碰撞声识别，从而提高碰撞声识别精度，同时采用音视频结合的监控方式进一步完善了道路安全的全方位监控，并能及时预警道路交通中的异常事件。

【技术实现步骤摘要】
一种内置碰撞声检测功能的智能路灯
本技术涉及智能交通领域，尤其涉及一种应用于道路照明的内置碰撞声检测功能的智能路灯。
技术介绍
近几年，随着云计算、大数据、人工智能、高性能计算硬件技术的成熟，尤其是机器学习领域深度学习(deeplearning，DL)理论以及自动特征学习神经网络模型的成熟，深度神经网络在人工智能领域(智能图像和声音识别)已经广泛应用，各大IT巨头均将人工智能作为下一个核心技术增长点，同时，市场也催生了一大批内置深度神经网络架构的集成芯片，比如英伟达(NVIDIA)推出首款专门为深度学习从零开始设计的芯片TeslaP100，该芯片数据处理速度是其2014年推出GPU系列的12倍；谷歌为机器学习定制的芯片TPU将硬件性能提升至相当于按照摩尔定律发展7年后的水平；在人工智能领域，国内相关企业也不甘落后，比如成都启英泰伦科技推出一款智能语音芯片CI1006，是基于ASIC架构的人工智能语音识别芯片，包含了深度神经网络处理硬件单元，能够完美支持DNN运算架构，进行高性能的数据并行计算，可极大的提高人工智能深度学习语音技术对大量数据的处理效率；CI1006采用本地的神经网络数据处理可降低产品对于网络的依赖，提升智能语音识别响应及控制速度，可广泛应用于智慧家电、机器人、智慧玩具等产品领域。因此，将深度神经网络植入到现有嵌入式智能控制系统中在技术上已经完全成熟。现有技术的路灯虽然已经形成智能控制网络，但其仅仅实现道路照明的智能化，而路灯系统作为物理空间上的一个庞大的网络，如果集成安全监控功能，将能使路灯发挥更大的作用，比如重大交通事故监控。在重大交通事故发生时，车辆运行状态发送了相应的变化，尤其是高速碰撞的时候，伴有剧烈碰撞的声音，通过识别碰撞声就可以检测交通事故。然而，道路中背景噪声嘈杂，采用现有声音检测技术无法准确检测碰撞声。故，针对目前现有技术中存在的上述缺陷，实有必要进行研究，以提供一种方案，解决现有技术中存在的缺陷。
技术实现思路
有鉴于此，确有必要提供内置碰撞声检测功能的智能路灯，从而能够快速检测重大交通事故，及时预警、救援，避免造成后发事故。为了克服现有技术的缺陷，本技术的技术方案如下：一种内置碰撞声检测功能的智能路灯，在路灯中设置声音采集模块、碰撞声识别模块、存储模块以及用于路灯控制与信息传输的路灯控制器；所述声音采集模块用于连续采集道路中的声音信号；所述存储模块用于存储所述声音采集模块所采集的声音信号；所述碰撞声识别模块用于识别所采集的声音信号中是否杂含碰撞声并将识别结果发送到路灯控制器，所述路灯控制器以此判断道路中是否出现异常事件并将信息发送到远程监控中心；所述碰撞声识别模块包括特征第一提取模块、第一归一化模块、神经网络分类模块和神经网络训练模块，其中，所述第一特征提取模块用于接收原始采集声音数据，并对原始采集声音数据进行特征提取；所述第一归一化模块用于对特征提取后的数据进行高斯归一化处理，输出归一化数据；所述神经网络分类模块用于接收归一化数据及预先训练好的深度神经网络，并通过深度神经网络对所述归一化数据进行分类识别获得分类结果信息，所述分类结果信息为原始采集声音数据是否杂含碰撞声的概率值，当该概率值超过预先设定的阈值时，则判定道路中出现异常事件；所述神经网络训练模块用于接收训练数据并根据训练数据进行神经网络的训练，得到充分学习带噪样本和干净样本之间的非线性映射关系的深度神经网络，并输出所述深度神经网络至所述神经网络分类模块；所述神经网络训练模块包括第二特征提取模块、第二归一化模块、无监督学习预训练模块和监督学习优化模块，其中，所述无监督学习预训练模块用于发现输入数据中深层的抽象特征，采用受限制玻尔兹曼机(RBM)模型进行预训练并通过无监督学习的方式逐层渐进学习神经网络参数；所述监督学习优化模块采用反向传播(back-propagation，BP)算法，利用标注数据对神经网络参数进行有监督的精细调整。优选地，所述第一特征提取模块/第二特征提取模块进一步包括分帧模块、DFT变换模块和对数功率谱处理模块，其中，所述分帧模块用于对输入数据进行分帧处理；所述DFT变换模块用于对分帧处理后的数据进行离散傅里叶变换得到频域信息；所述对数功率谱处理模块用于对频域信息进行对数功率谱处理。优选地，所述碰撞声识别模块还包括平均能量检测模块和帧能量比较模块,其中，所述平均能量检测模块用于计算当前帧对数功率谱的平均能量值并发送给所述帧能量比较模块；所述帧能量比较模块用于计算相邻帧平均能量值的差值并判断该差值是否超出预设的阈值，如果超过则开启所述神经网络分类模块。优选地，所述帧能量比较模块接收当前车流量信息，并计算当前帧平均能量值是否超出预设的相应车流量信息所对应的能量值范围，如果超过则开启所述神经网络分类模块。优选地，所述声音采集模块进一步包括由多个麦克风组成的麦克风阵列、音频处理模块和控制模块，其中，所述麦克风阵列中多个麦克风呈一定几何形状且每个麦克风具有唯一标识ID；所述音频处理模块用于同步获取并标识每个麦克风采集的声音信号并对所述声音信号进行处理后输出音频信息；所述控制模块与所述音频处理模块相连接，用于控制所述音频处理模块的工作并将所述音频处理模块处理后的音频信息存储在所述存储模块中。优选地，还包括碰撞声定位模块，所述碰撞声定位模块与所述路灯控制器相连接，用于获取碰撞声的具体位置并将位置信息发送给所述路灯控制器；当所述碰撞声识别模块判定出现异常事件时，所述碰撞声定位模块获取该异常事件的时间信息并从所述存储模块中获取相应麦克风阵列在该时间信息内的音频信息，并根据每个麦克风固定的位置关系以及每个麦克风在该时间信息中对应音频信息的参数信息确定碰撞声所处的具体位置。优选地，所述参数信息为每个麦克风在该时间信息中对应音频信息的峰值强度以及每个麦克风在峰值强度对应的时间差。优选地，所述路灯控制器还与可旋转摄像装置相连接，所述可旋转摄像装置设置在路灯杆上并根据所述路灯控制器的控制指令进行旋转；当所述碰撞声识别模块判定道路中出现异常事件时，所述路灯控制器控制所述可旋转摄像装置旋转至所述碰撞声定位模块所确定的具体位置。优选地，所述麦克风阵列中的多个麦克风以一定几何形状设置在灯具表面。优选地，所述碰撞声识别模块采用内置深度神经网络的人工智能芯片实现。与现有技术相比较，本技术将碰撞声识别技术集成在路灯中并应用于道路监控领域，采用深度神经网络实现碰撞声识别，从而提高碰撞声识别精度，采用音视频结合的监控方式进一步完善了道路安全的全方位监控，并能及时预警道路交通中的异常事件。附图说明图1为本技术内置碰撞声检测功能的智能路灯的原理框图。图2为本技术内置碰撞声检测功能的智能路灯中碰撞声识别模块的原理框图。图3为受限制玻尔兹曼机(RBM)结构示意图。图4为本技术中RBM的预训练示意图。图5为训练得到的深度神经网络的结构框图。图6为本技术中特征提取模块的原理框图。图7为本技术中碰撞声识别模块另一种实施方式的原理框图。图8为本技术中声音采集模块的原理框图。图9为麦克风阵列排布的示意图。图10为本技术又一种优选实施方式的原理框图。图11为本技术采用的智能语音神经网络处理芯片CI1本文档来自技高网...

【技术保护点】
一种内置碰撞声检测功能的智能路灯，其特征在于，在路灯中设置声音采集模块、碰撞声识别模块、存储模块以及用于路灯控制与信息传输的路灯控制器；所述声音采集模块用于连续采集道路中的声音信号；所述存储模块用于存储所述声音采集模块所采集的声音信号；所述碰撞声识别模块用于识别所采集的声音信号中是否杂含碰撞声并将识别结果发送到路灯控制器，所述路灯控制器以此判断道路中是否出现异常事件并将信息发送到远程监控中心；所述碰撞声识别模块包括特征第一提取模块、第一归一化模块、神经网络分类模块和神经网络训练模块，其中，所述第一特征提取模块用于接收原始采集声音数据，并对原始采集声音数据进行特征提取；所述第一归一化模块用于对特征提取后的数据进行高斯归一化处理，输出归一化数据；所述神经网络分类模块用于接收归一化数据及预先训练好的深度神经网络，并通过深度神经网络对所述归一化数据进行分类识别获得分类结果信息，所述分类结果信息为原始采集声音数据是否杂含碰撞声的概率值，当该概率值超过预先设定的阈值时，则判定道路中出现异常事件；所述神经网络训练模块用于接收训练数据并根据训练数据进行神经网络的训练，得到充分学习带噪样本和干净样本之间的非线性映射关系的深度神经网络，并输出所述深度神经网络至所述神经网络分类模块；所述神经网络训练模块包括第二特征提取模块、第二归一化模块、无监督学习预训练模块和监督学习优化模块，其中，所述无监督学习预训练模块用于发现输入数据中深层的抽象特征，采用受限制玻尔兹曼机(RBM)模型进行预训练并通过无监督学习的方式逐层渐进学习神经网络参数；所述监督学习优化模块采用反向传播(back‑propagation，BP)算法，利用标注数据对神经网络参数进行有监督的精细调整。...

【技术特征摘要】
1.一种内置碰撞声检测功能的智能路灯，其特征在于，在路灯中设置声音采集模块、碰撞声识别模块、存储模块以及用于路灯控制与信息传输的路灯控制器；所述声音采集模块用于连续采集道路中的声音信号；所述存储模块用于存储所述声音采集模块所采集的声音信号；所述碰撞声识别模块用于识别所采集的声音信号中是否杂含碰撞声并将识别结果发送到路灯控制器，所述路灯控制器以此判断道路中是否出现异常事件并将信息发送到远程监控中心；所述碰撞声识别模块包括特征第一提取模块、第一归一化模块、神经网络分类模块和神经网络训练模块，其中，所述第一特征提取模块用于接收原始采集声音数据，并对原始采集声音数据进行特征提取；所述第一归一化模块用于对特征提取后的数据进行高斯归一化处理，输出归一化数据；所述神经网络分类模块用于接收归一化数据及预先训练好的深度神经网络，并通过深度神经网络对所述归一化数据进行分类识别获得分类结果信息，所述分类结果信息为原始采集声音数据是否杂含碰撞声的概率值，当该概率值超过预先设定的阈值时，则判定道路中出现异常事件；所述神经网络训练模块用于接收训练数据并根据训练数据进行神经网络的训练，得到充分学习带噪样本和干净样本之间的非线性映射关系的深度神经网络，并输出所述深度神经网络至所述神经网络分类模块；所述神经网络训练模块包括第二特征提取模块、第二归一化模块、无监督学习预训练模块和监督学习优化模块，其中，所述无监督学习预训练模块用于发现输入数据中深层的抽象特征，采用受限制玻尔兹曼机(RBM)模型进行预训练并通过无监督学习的方式逐层渐进学习神经网络参数；所述监督学习优化模块采用反向传播(back-propagation，BP)算法，利用标注数据对神经网络参数进行有监督的精细调整。2.根据权利要求1所述的内置碰撞声检测功能的智能路灯，其特征在于，所述第一特征提取模块/第二特征提取模块进一步包括分帧模块、DFT变换模块和对数功率谱处理模块，其中，所述分帧模块用于对输入数据进行分帧处理；所述DFT变换模块用于对分帧处理后的数据进行离散傅里叶变换得到频域信息；所述对数功率谱处理模块用于对频域信息进行对数功率谱处理。3.根据权利要求1或2所述的内置碰撞声检测功能的智能路灯，其特征在于，所述碰撞声识别模块还包括平均能量检测模块和帧能量比较模块,其中，所述平均能量检测模块用于计算当前帧对数功率...

【专利技术属性】
技术研发人员：秦晋，秦会斌，
申请(专利权)人：杭州派尼澳电子科技有限公司，
类型：新型
国别省市：浙江,33