基于路面图像分类识别的路噪主动控制方法研究

万超　李华清

摘 要：传统的吸声、隔声以及减震等降噪方法应用会导致车辆的重量也随之增加，且对低频率噪声降噪的效果并不理想，噪声主动控制技术能够在长波长的低频降噪中发挥不错的作用。对此，噪声主动控制技术应用比较广泛。本文研究基于路面图像分类识别的路噪主动控制方法应用，通过多种传感器应用，对车辆前方路面进行感知，识别前方路面，识别路面信息后输入到路噪主动控制算法中，为降低噪声，促进车辆智能化水平提升提供一些思路和参考。

关键词：路面 图像分类识别 路噪 主动控制

0 前言

汽车在行驶过程中的低频噪声是随机的、变化的，具备自适应特性的噪声主动控制技术在汽车市场应用前景比较好，且车载扬声器可以充当次级声源，能够有效降低安装噪声主动控制设备的成本。噪声主动控制技术在减少车辆行驶中因为道路激励引起的车内结构振动产生的噪音方面效果突出，是目前汽车生产中的研究重点方向和内容之一。

1 图像识别技术和卷积神经网络模型

1.1 图像识别技术概述

图像识别技术是人工智能的一个杰出产物，致力于模拟人类的视觉系统，使机器能够独立分析、理解和归类传入的图像信息[1]。这项技术涵盖了图像预处理、特征萃取、分类构建以及决策制定等多个关键环节。图像预处理如同镜头的滤镜，负责过滤噪声并强化核心信息；特征萃取则像是精细的画笔，从浩瀚的图像海洋中提炼出最富标志性的特征；分类构建则基于这些特征，将图像井然有序地分门别类；最后的决策环节，则是根据分类的果决输出，做出明智的选择。如图1所示，为图像识别技术的运行流程：

1.2 卷积神经网络模型

卷积神经网络（CNN）是一种非常重要的网络模型，在深度学习领域，特别是在图像处理和识别领域显示出强大的威力。在路噪主动控制中，CNN模型的应用具有重要价值。

CNN借助独特的卷积层、卷积层和全连接层结构，可以从原始道路图像中提取深层特征。这些特征不仅准确地反映了路面纹理、破损程度等信息，而且对光照、视角变化等因素，具有一定的鲁棒性[2]。这样基于CNN的路面图像分类与识别可以准确识别各种复杂环境条件下的现有道路状况。一旦准确确定了路面状况，CNN 的输出就可以用作主动道路噪声控制系统的输入。结合具体的检测结果，系统确定当前路面上可能存在的道路噪声的类型和强度，并相应地调整音频设备或车辆悬架等参数，以产生适当的偏移声波或振动，以降低道路噪声。

简单来说，CNN在主动道路监测中扮演着“眼睛”的角色，为系统提供准确、实时的路面信息。这使得主动道路噪声控制系统能够更加精准、智能地工作，有效应对不同路况带来的噪声挑战，为驾乘人员营造更安静、更舒适的出行环境[3]。

２ 基于路面图像分类识别的路噪主动控制原理及算法

2.1 路噪主动控制原理

路面分类识别和路噪主动控制都是智能交通系统中的关键技术。它们的结合可以打造更智能、更高效的交通环境。

路面图像分类与识别技术主要利用图像处理和机器学习技术对路面图像进行预处理、提取特征并进行分类[4]。预处理包括去噪、增强等步骤，以提高图像质量；特征提取从图像中提取反映道路状态的特征，如道路破损、表面花纹等被去除；通过分类，道路图像根据图像质量进行分类特征提取。根据提取的结果，再针对不同的类别，如干燥道路、湿路等。

主动道路噪声控制技术主要是利用主动发声装置，根据路况产生与道路噪声相位相反、振幅相同的声波，降低道路噪声，达到降噪效果。该技术的优点是可以根据路况实时调整音频设备的参数，实现动态降噪。

将路面图像分类识别技术与主动路噪控制技术相结合，可以实现基于路面图像分类识别的主动道路噪声管理。就其实现原理来看，通过摄像头采集道路图像，利用图像分类识别技术对图像进行处理和分类，然后根据分类结果进行干燥、湿滑等分类。如，确定当前的路况，再根据路况调整音响设备设置，产生与路噪同幅度、同相位的声波，抑制路噪，达到降噪效果。这种基于道路图像分类和识别的主动道路噪声控制技术不仅可以提高驾驶舒适性，还可以降低车辆能耗和道路磨损，具有很好的应用前景[5]。

2.2 FXLMS算法

2.2.1 FXLMS算法原理

FXLMS算法是一种自适应滤波算法，通过调整滤波器的权重来最小化误差信号的均方值，从而实现主动噪声控制。该算法源自Widrow提出的LMS算法，FXLMS算法最早由Morgan D. R于1980年创建。与标准LMS算法相比，FXLMS算法引入了二阶路径模型来补偿从控制扬声器到误差传感器的电声路径延迟和滤波效应。

在FXLMS算法中，令n时刻的参考信号为x（n）、期望信号d（n）、滤波器输出y（n）、误差信号e（n）和滤波器权重系数。w（n）。该算法的目标是通过调整权重系数w（n）来最小化误差信号e（n）。

误差信号e（n）可以表示为期望信号d（n）与经过次级路径后滤波器输出的响应之间的差值，即：e（n）=d（n）-s（n）。其中，s（n）是滤波器输出y（n）经过次级路径后的响应[6]。

FXLMS算法的权重系数更新公式：

w（n+1）=w（n） +2μe（n）x'（n）

其中，μ为步长因子，控制算法的收敛速度和稳定性；x'（n）是参考信号经过二阶路径模型滤波后的信号。

2.2.2 基于路面识别的变步长FXLMS算法

在基于道路图像分类和识别的主动道路噪声控制方法中，本文提出了一种变步策略来优化FXLMS算法的性能。具体实现中，当路面识别模块检测到当前路面类型时，根据预定的步长调整策略来调整FXLMS算法的步长系数μ。例如，可以使用较小的步长因子来保证算法在噪声水平较低的光滑路面上的稳定性；在噪声水平较高的粗糙或弯曲路面上，使用较大的步长因子来加快算法的收敛速度。

通过动态调整步长因子μ，利用FXLMS算法对不同路面类型取得良好的降噪效果。此外，还可以利用一些先进的优化算法对FXLMS算法进行改进和优化，以提高系统的实时性和鲁棒性。如，应用遗忘因子来减少旧数据对算法的影响，采用归一化处理方法来防止输入信号的幅度变化影响算法的性能。

3 基于路面识别的路噪主动控制建模

3.1 路面类型定义

根据实际情况，定义了三种典型的路面类型：“光滑路面”“粗糙路面”和“锯齿路面”，这些路面类型代表了不同的路面条件和噪声特征。其中光滑路面指没有明显损伤或纹理的光滑路面，如新铺的沥青路面。这种类型的路面产生的噪音相对较小；粗糙路面是存在大面积破损、坑洼、质地不均匀的路面，如旧水泥路面或破损的沥青路面。这种类型的路面会产生较高的噪音水平；锯齿路面是偶尔有粗糙纹理的路面，如一些防滑路面。这种类型的路面会产生特定频率的噪音。

3.2 道路识别模块

路面检测模块是整个系统的重要组成部分，负责根据摄像头采集的路面图像判断当前的道路类型。为了实现这一目标，我们使用卷积神经网络（CNN）进行图像分类[7]。

在道路识别模块，关键是图像分类识别技术应用，通过这一技术使用，构建一个由多个卷积层、卷积层和全卷积层组成的 CNN 模型。通过训练，模型学习不同路面类型的属性，并使用这些属性进行分类。在训练过程中，使用了大量带标注的道路图像数据来保证模型的准确性和泛化能力。再将训练好的CNN模型集成到仿真模型中作为路面检测模块的主要部分。仿真模型运行时，路面识别模块实时处理摄像头采集的路面图像，提取当前路面类型。

3.3 道路主动控制系统FXLMS算法及模型

FXLMS算法能够调整滤波器权重以最小化误差信号的均方根（即期望信号与实际输出信号之间的差异），从而提供有源噪声控制。研究中需要创建一个基于 FXLMS 算法的主动道路噪声控制系统模型。该模型包含参考传感器、误差传感器和控制器。参考传感器用于收集道路警告信号（如车辆悬架系统的振动信号），误差传感器用于收集车辆的噪声信号（如人耳中的嗡嗡声信号）。控制器基于参考信号和误差信号来调整音频装置。输出以产生噪声消除波[8]。

为了实现针对不同路面类型的自适应降噪，在控制器中增加变步长机制。具体实现中，当路面检测模块检测到不同的路面类型时，控制器根据预定步长调整策略调整FXLMS算法的步长参数。这样系统就可以结合具体的路况变化动态调整降噪效果。

从上图可以清晰地看到，该仿真模型中的路面识别模块是以前方路面的实时视频作为输入数据。具体来说，系统会提前一个时间量T捕获前方的路面图像。这些图像随后被送入在第三章中精心训练的路面识别模型中，进行路面类型的准确分类。经过一段处理时间t后，路面识别模块将分类结果传送至主动降噪系统的步长因子更新模块。在步长因子更新模块中，系统采用了一种高效的路面类型与查表方法相结合的策略来更新步长因子。具体来说，在Simulink仿真模型中建立了一个n维查找表（n-D Lookup Table）模块，该模块将不同的路面类型与相应的步长输出值进行了精确匹配。这样，当路面类型发生变化时，系统能够迅速找到与之匹配的步长因子，并在经过T-t的时间延迟后，将其输出给主动降噪控制系统。主动降噪控制器在接收到步长因子更新模块提供的参数后，会立即更新其内部的步长因子。随后，控制器以系统的参考信号和误差信号作为输入，进行自适应的降噪处理。通过这种方式，系统能够实时地根据路面类型的变化调整降噪策略，从而达到最佳的降噪效果。

3.4 仿真实验

如下表1所示，为60 km/h 三种路面下根据路面调整步长与固定步长3优化前后仿真降噪量情况统计：

观察数据显示，当车辆以60km/h的速度在粗糙路面上行驶时，在50～300Hz的频率范围内，若控制器采用固定的步长因子60，则后排乘客左右耳的平均降噪量为4.41dB（A）。然而，当控制器根据路面分类结果调整步长因子至预标定的30时，平均降噪量提升至5.62dB（A），相比固定步长提高了1.21dB（A）。在同样的速度和频率范围内，车辆行驶在锯齿路面上时，若根据路面情况调整步长因子至3，后排乘客的平均降噪量可达3.75dB（A）。而若采用固定步长因子60，则控制器会发散，无法有效降噪。这表明，根据路面调整步长因子能够获得更好的降噪效果。当车辆以相同的速度和频率范围在光滑路面上行驶时，无论是采用根据路面调整的步长因子还是固定步长因子60，都能达到较优的降噪效果。

对比优化前后的仿真降噪频谱图和降噪量表发现，仅采用某一特定路面下的最优步长因子并不能保证在所有路面上都能获得最佳的降噪效果。而引入路面识别模块后，系统能够根据路面类型自动调整步长因子，从而确保在各种路面条件下都能实现较优的降噪效果。

４ 总结

基于路面图像分类识别的路噪主动控制技术应用对于提升控制效果、实现降噪有很好的效果。如果仅采用适用于某一特定路面的较优步长因子，那么在其他路面类型上可能无法达到理想的降噪效果，甚至可能导致系统发散。文中引入路面识别模块来准确识别路面类型。通过该模块，控制系统能够获取实时的路面信息，并根据预设的标定表来动态调整步长因子。这样一来，路噪主动控制系统就能够在各种路面条件下都取得良好的降噪效果，从而确保驾驶过程中的舒适性。这种方法不仅提高了降噪效果，还增强了系统的适应性和稳定性。

基金项目：江西省教育厅科学技术研究项目，基于复杂工况环境感知路面的车辆路噪主动控制研究（项目编号：GJJ2202416）

参考文献：

[1]曾庆懿， 刘忠伟， 罗德洋， 李宏庚， 王海军. 基于模态轮胎的车内路噪模型搭建与性能计算[J]. 汽车与新动力， 2023， 6 （06）： 52-54.

[2]尹春山. 基于传递路径分析方法的道路噪声控制研究[A] 2023年海南机械科技学术论坛论文集[C]. 海南省机械工程学会、海南省机械工业质量管理协会， 海南省机械工程学会， 2023： 4.

[3]贾梓镔. 基于混合控制策略的车内路噪主动控制研究[D]. 杭州：浙江大学， 2023.

[4]赵雪利， 宋伟杰， 徐嘉浩. 基于多连杆后桥系统的整车NVH品质提升研究[J]. 上海汽车， 2023（08）： 17-23.

[5]贺岩松， 刘亚琪， 夏子恒， 张志飞， 周桃. 车内路噪主动控制系统参考传感器布放方法[J]. 振动、测试与诊断， 2023， 43 （04）： 669-676+826.

[6]夏子恒， 贺岩松， 张志飞， 徐中明， 周桃. 基于多目标参考信号优选的车辆路噪主动控制[J]. 中国公路学报， 2023， 36 （02）： 229-239.

[7]徐格格， 吕晓， 史晨路， 朱玉刚， 郑森. 路面识别技术在路噪主动控制降噪性能优化中的应用[J]. 重庆理工大学学报（自然科学）， 2022， 36 （01）： 74-81.

[8]郑森， 史晨路， 吕晓， 高坤， 张贤. 多重相干分析法结合OTPA技术在汽车路噪主动控制中的应用[J]. 重庆理工大学学报（自然科学）， 2021， 35 （11）： 49-57.