System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及道路交通,尤其涉及一种基于超声波和深度学习网络模型的路面结冰识别方法及系统。
技术介绍
1、气象与交通有密不可分的联系,恶劣天气会影响公众出行的视野、可见度等,造成高速公路的通行效率降低,增加交通事故发生的概率,为高速公路通行安全、畅通的运行带来不稳定性。现有技术中,通过气象传感器对高速路面进行检测是比较常见的方法,但是由于其检测精度高,价格昂贵难以大范围推广。而随着路网可视化的逐步实现,基于视频图像实现天气识别成为研究热点,为高速公路气象监测技术大范围推广使用提供了新的途径。
2、现有技术中,图像识别方法里,大多数是针对道路周边地理环境以及道路路面进行图像识别,或者利用温度传感器信息进行综合识别,该方法提升了高速公路的气象监测能力,但是其准确度需要进一步提升,且考虑的数据过杂,复杂度较高,实施成本增加;此外,也有基于当地气候建立年度气候模型的方法来进行结冰预测,但是该方法的建模周期长,成本极高,而且一条完整的高速涉及多个区域,气候变化很大,因此,该方法的通用性不足。
3、综上所述,现有高速路面结冰识别方案实施成本高,依赖条件多,且不具备较高通用性,给高速路面结冰识别造成了较大的成本。
技术实现思路
1、为了克服上述技术缺陷,本专利技术的目的在于提供一种实施成本较低、依赖性较低、且通用性较高的基于超声波和深度学习网络模型的路面结冰识别方法及系统。
2、本专利技术公开了一种基于超声波和深度学习网络模型的路面结冰识别方法,包括如下步骤:
3、优选的,所述通过超声波发射器将声波束发射至路面包括:所述超声波发射器发射若干与路面呈不同角度的声波束,使得所述声波束覆盖路面宽度。
4、优选的,所述识别结果包括路面为冰面和路面为常规路面。
5、优选的,所述将所述声波图像输入至训练后的深度学习网络模型,根据所述声波图像的杂乱程度判断路面识别结果包括:将若干反射至冰面的声波图像列为第一训练集,将若干反射至常规路面的声波图像列为第二训练集;将所述第一训练集和所述第二训练集输入至所述深度学习网络模型进行训练,得到所述训练后的深度学习网络模型。
6、优选的,所述超声波发射器发射与路面呈不同角度的声波束,使得所述声波束覆盖路面宽度包括:所述超声波发射器以预设时间为间隔向路面发射预设时间段的所述声波束。
7、优选的,所述将所述声波图像输入至训练后的深度学习网络模型,根据所述声波图像的杂乱程度判断路面识别结果包括:将所述超声波接收器的接收面划分为若干个接收区,每个所述接收区对应所述超声波发射器发射若干与路面呈不同角度的声波束中每束声波束对应的路面在宽度上的若干个不同路面部分;所述训练后的深度学习网络模型获取多组路面在宽度上的若干个不同路面部分对应的所述声波束的波形图,根据时序特征将每组所述路面在宽度上的若干个不同路面部分对应的所述声波束的波形图整合为一组声波图像,根据整合后的所述声波图像的杂乱程度判断路面识别结果。
8、优选的,所述将所述声波图像输入至训练后的深度学习网络模型,根据所述声波图像的杂乱程度判断路面识别结果包括:将所述超声波接收器的接收面划分为若干个接收区,每个所述接收区对应所述超声波发射器发射若干与路面呈不同角度的声波束中每束声波束对应的路面在宽度上的若干个不同路面部分;所述训练后的深度学习网络模型单独获取每个所述接收区所接收的若干所述声波束的波形图,将若干所述声波束的波形图整合为一组声波图像,根据所述声波图像的杂乱程度判断所述路面在宽度上的若干个不同路面部分的路面识别结果。
9、本专利技术还公开了一种基于超声波和深度学习网络模型的路面结冰识别系统,用于实施上述的路面结冰识别方法,包括超声波发射器、超声波接收器、以及识别模块;所述超声波发射器和所述超声波接收器分别设于所述路面的两侧且相对设置,所述识别模块与所述超声波接收器连接;通过所述超声波发射器将声波束发射至路面;通过所述超声波接收器接收所述超声波发射器发射的所述声波束,并将所述超声波接收器接收的所述声波束转化为声波图像;所述识别模块包括特征提取模块和分类模块,所述特征提取模块通过将所述声波图像输入至训练后的深度学习网络模型,所述分类模块根据所述声波图像的杂乱程度判断路面识别结果。
10、优选的,所述超声波接收器为接收器阵列,所述接收器阵列由若干个接收器单元沿与路面垂直的方向组合形成;每一所述接收器单元的接收面为一接收区,从而将所述超声波接收器的接收面划分为若干个接收区;将所述接收区的接收的所述声波图像输入至所述训练后的深度学习网络模型,根据所述声波图像的杂乱程度判断路面识别结果。
11、优选的,所述超声波发射器为发射器阵列,所述发射器阵列由若干个发射器单元沿垂直方向组合形成;所述若干个发射器单元向路面分别发射所述声波束。
12、采用了上述技术方案后,与现有技术相比,具有以下有益效果:
13、1、本专利技术基于超声波数据来进行路面结冰识别,不依赖其他例如现有技术的图像识别、气象检测等设备的数据,因此硬件成本极低;
14、2、相比与对气象的检测和图像识别方法,本专利技术基于高速路面进行超声波反射数据得到的深度学习网络模型,具备较强的适用性;
15、3、本专利技术的识别过程只考虑结冰和非结冰时的路面状态来进行结冰识别,准确率较高。
本文档来自技高网...【技术保护点】
1.一种基于超声波和深度学习网络模型的路面结冰识别方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的路面结冰识别方法,其特征在于,所述通过超声波发射器将声波束发射至路面包括:
3.根据权利要求1所述的路面结冰识别方法,其特征在于,所述识别结果包括路面为冰面和路面为常规路面。
4.根据权利要求1所述的路面结冰识别方法,其特征在于,所述将所述声波图像输入至训练后的深度学习网络模型,根据所述声波图像的杂乱程度判断路面识别结果包括:
5.根据权利要求2所述的路面结冰识别方法,其特征在于,所述超声波发射器发射与路面呈不同角度的声波束,使得所述声波束覆盖路面宽度包括:
6.根据权利要求1所述的路面结冰识别方法,其特征在于,所述将所述声波图像输入至训练后的深度学习网络模型,根据所述声波图像的杂乱程度判断路面识别结果包括:
7.根据权利要求1所述的路面结冰识别方法,其特征在于,所述将所述声波图像输入至训练后的深度学习网络模型,根据所述声波图像的杂乱程度判断路面识别结果包括:
8.一种基于超声波和深度学习网
9.根据权利要求8所述的路面结冰识别系统,其特征在于,所述超声波接收器为接收器阵列,所述接收器阵列由若干个接收器单元沿与路面垂直的方向组合形成;
10.根据权利要求8所述的路面结冰识别系统,其特征在于,所述超声波发射器为发射器阵列,所述发射器阵列由若干个发射器单元沿垂直方向组合形成;所述若干个发射器单元向路面分别发射所述声波束。
...【技术特征摘要】
1.一种基于超声波和深度学习网络模型的路面结冰识别方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的路面结冰识别方法,其特征在于,所述通过超声波发射器将声波束发射至路面包括:
3.根据权利要求1所述的路面结冰识别方法,其特征在于,所述识别结果包括路面为冰面和路面为常规路面。
4.根据权利要求1所述的路面结冰识别方法,其特征在于,所述将所述声波图像输入至训练后的深度学习网络模型,根据所述声波图像的杂乱程度判断路面识别结果包括:
5.根据权利要求2所述的路面结冰识别方法,其特征在于,所述超声波发射器发射与路面呈不同角度的声波束,使得所述声波束覆盖路面宽度包括:
6.根据权利要求1所述的路面结冰识别方法,其特征在于,所述将所述声波图像输入至训练后的深度学习网络模型,根据所述声波图像的杂乱程度判断路面识别结果包括:
【专利技术属性】
技术研发人员:李才博,唐仲军,顾松,
申请(专利权)人:昭通亮风台信息科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。