基于智能手机的双采集系统法检测路面异常的研究

叶洪英

摘 要：本文提出一种基于智能手机的双采集系统法，可获取路面异常图像并在检测路面异常时测量车辆加速度。同时进行路面试验，获取路面图像及加速度数据。通过加速度在重力方向上变化的具体范围，可准确推断路面异常的严重程度。

关键词：路面检测;双采集系统法;智能手机;加速度

0 综述

因内外部因素，路面可能会发生各种类型的损坏。由于路面状况不佳可能对驾驶人造成严重风险，因此，研发能迅速准确监管路面的系统已刻不容缓。

1 路面检测研究分析

路面监管应从及时检测路面异常开始。用于路面损伤检测的方法可分为：①车辆振动类型的识别;②使用激光照射路面的测量;③图像影像识别。

基于图像识别的检测方法可以合理的成本分析大范围的路面状况。因深度神经网络（DNNs）图像识别技术的发展，该方法开始凸显。使用DNN进行路面损伤识别，在车辆以正常车速行驶时实时捕捉路面图像，提供损伤区域大小等信息。

智能手机为测试路面异常检测方法提供平台，采用DNN模型来识别路面异常和加速度数据采集。基于智能手机的路面异常检测系统和应用程序的研究，可让道路危险的信息实时分享。一个以智能手机为基础的探测系统将扩大道路维修机构的监测能力，使维修工作能针对最迫切需要的区域进行。且本研究所论证的双采集法可普及推广。

2 采集路面异常信息

2.1 数据采集流程

在驾驶时使用智能手机以30 Hz的频率采集路面高清图像。将采集的路面图像输入模型进行路面异常检测，识别并保存图像。当图像被捕获时，加速器数据将在3 s周期内以100 Hz的频率被收集。收集的信息立即传到服务器并存储。随后可在网站上查看并显示在地图上，使道路管理者和机构能获取道路状况最新信息，并可及时分享用户。

2.2 路面异常检测模型

DNN模型通过分析驾驶过程中实时捕获的图像来对路面异常进行分类。FCN设计为六层，不包括输入层，由三步卷积层和三步反卷积层组成。在每个卷积层中，一个5×5的滤波器以2×2步的间隔遍历整个图像进行计算。采用校正线性单元作为激活函数，并以路面图像作为训练和验证数据。这些图像中包含道路异常，其余包含阴影、车辆、道路设施、道路标记等。本研究经过简化后，使基于FCN的路面异常检测和加速度测量可由智能手机同时完成。

2.3 配置采集数据

利用开发的基于Fcn的路面异常检测与加速度数据采集系统，在某条道路上采集行车数据，在获得的两百五十张图像中观察到局部异常，如坑洞、检修孔和受损路面的修复痕迹。两百五十张图像证实了路面侧向异常，如减速带、桥梁伸缩缝、侧向接缝和裂缝。在五百张图像中发现了纵向连续的节理和裂缝，表明纵向异常占捕获异常的最大比例。剩下一千张图像中没有路面异常。

2.4 典型图像和采集的加速度数据

智能手机摄像头安装在一辆行驶车辆的挡风玻璃上部，用于拍摄和存储路面图像。在汽车内部三个不同的地方（仪表盘、挡风玻璃右侧和嵌入式平板电脑）安装了加速器，并比较了信号质量，发现附着在仪表盘和挡风玻璃上的加速器产生了同样高质量的信号。因此选择仪表盘，在那里最容易安装传感器。

3 加速度数据采集结果与分析

3.1 获取加速度数据时间分析

在本研究中，我们在100 Hz下采集了3 s的加速度数据，但需要确定采集到的加速度数据是全部需要，还是只需要图像中局部区域的加速度信号。加速度数据在0 s～3 s、0 s～1 s、0 s～0.5 s时间段内的最大变化量平均值分别为2.436 m/s2、1.834 m/s2、1.582 m/s2，中值分别为2.152 m/s2、1.548 m/s2、1.354 m/s2。可见，随着加速度采集范围的减小，最大加速度变化趋势减小。对0 s～3 s和0 s～1 s时间段和0 ～3 s和0 s～0.5 s时间段采集的加速度进行了显著性t检验;确定t值分别为19和24，说明平均值差异显著，超过临界值1.96。

3.2 加速度变化分析

本研究主要采用车辆在重力方向（z方向）的加速度来识别道路异常。本节将对智能手机加速度数据进行预处理，以获得更好的结果。z轴加速度变化最大， FCN模型检测采集图像后ROI中有道路异常的加速度信号对比。ROI无异常的结果与0 s～0.5 s范围内的结果明显相同。当ROI中存在道路异常时，z轴加速度平均变化量约为2.5 m/s2， z轴加速度平均变化量为1.92 m/s2。由于观察到相似的范围，很难根据是否存在路面异常来区分z轴加速度的最大变化。当z轴加速度的最大变化范围为1 m/s2～2m/s2时，这种差异尤其难以观察到。

4 结果分析

通常，变化随着路面异常尺寸的增大，z轴加速度预计会增大。为了找出检测到的路面异常像素大小与z轴加速度最大变化量之间不合理关系的原因，可进行研究分析。

在路面上没有障碍物的情况下，z轴加速度的最大变化量基本小于2 m/s2。而在路面检测异常时，z轴加速度变化基本大于2 m/s2。在形状不规则的坑洼和修复路面情况下，加速度的变化比其他情况更广泛。同时，对于具有固定几何形状的孔，其值变化集中在一个狭窄的范围内。减速带的z轴加速度变化最小，这是由于在通过前的减速，但其余三种横向异常的值产生了类似的分布。

在局部异常中，坑洞和修复后路面像素分布最宽，人孔像素分布最窄。横向异常z轴加速度的最大变化与修复后的形状相似，但像素分布要小于修复后的形状。横向异常时检测到的像素值要小于局部异常时的像素值，因为像素在横向上可作为一条窄的连续线分布，但仍可能引起显著的加速度变化。因此，有必要准确估计这些异常的几何形状，因为不同的情况下，相同面积的路面损伤可能会导致不同的加速度变化，不同的损伤深度。本研究中使用的FCN模型可以提供描述路面异常存在及其位置信息。

利用数据的四分位数根据z轴加速度最大变化范围进行分类。得到z向最大加速度数据的第一个四分位数（Q1=1.9 m/s2）和第三个四分位数（Q3=4.2 m/s2）的值，并将其简化为接近整数值。当z轴加速度的最大变化量小于2 m/s2时，与正常情况下加速度数据相似。在这种情况下，加速度的微小变化似乎是由位于车轮路径边缘的道路异常引起的。z轴加速度变化最大值为2 m/s2～ 4 m/s2的路面图像，可检测到可能影响车轮路径的异常，包括坑状和局部异常。在这种情况下，还包括路面不平坦的图像，z轴加速度变化最大值为4 m/s2及以上的图像，在行驶时经常可发现导致加速度剧烈变化并可能需要维修的异常现象。此外，通过高度差较大的坑状或修补后路面不平整时，可能会出现4 m/s2或更大的加速度变化。

通過对比图像与z轴加速度变化最大值，可以判断路面异常的严重程度。因此，当使用FCN模型从路面图像中估算其面积和深度难以定量识别路面异常的严重程度时，可通过将获取的加速度转换为相对于重力轴的加速度来实现。并在通过车轮时将其划分为范围。如果未来能够建立一个能够更准确识别图像的FCN模型，并积累更多的各种工况下的驾驶数据，将图像和加速度数据结合起来，可以提供更详细的路面异常识别。

5 总结

本文利用模型识别采集图像中的路面异常，同时处理采集的加速度。手机安置在车玻璃上进行路面检测。将路面异常检测法与基于加速器数据采集相结合，加速度变化分类到一定范围，识别路面异常度。本研究具有普及路面异常自动检测的前景。

参考文献：

[1]苏晓坚，唐锐，刘鑫.一种影像辨识检知路面湿滑的安全行车控制方法及其系统，CN107472253A[P].