一种路面覆盖物检测装置及其预警方法

本发明属于传感器，具体涉及一种路面覆盖物检测装置及其预警方法。

背景技术：

1、天气往往直接影响着路面状况，关系着人们出行安全，路面上的积水将直接导致路面湿滑，低温时路面上的积水还可能结冰，严重降低路表抗滑系数，因此实时了解道路路面状况显得尤为必要。国外发达国家对道路交通的管理普遍达到了实时、快速的反应水平，普遍采用先进的道路天气信息系统。但是，国内目前传统的预警方式存在一些缺点，大多通过天气情况来进行道路预警，准确度低，并且没有实时性。也有一些公司和汽车厂商合作，在车上安装传感器，在行驶过程获取路面和汽车数据，存在成本高，感知空间有限等问题。近年来，我国路面传感器技术发展，一些厂商也开始研发路面传感器系统，通过传感器获取数据来分析判断路面状况，构建道路天气信息系统。但是，目前路面传感器的测量数据存在交叉现象，临界点不能辨别路面状况，难以进行道路摩擦系数和安全系数的评估，来进行准确的预警。

技术实现思路

1、为了解决传统气象测量道路预警方式造价高，实时性差的问题，并解决道路预警准确率低的问题。本发明公开了一种嵌入式路面传感器，多特征点区分覆盖物及其厚度，通过多层神经网络划分路面覆盖物种类，进一步得到路面湿滑等级，从而实现道路预警。

2、本发明提供的一种路面覆盖物检测装置及其预警方法，技术方案如下：

3、一种路面覆盖物检测装置，用于采集目标路面待测位置的路面覆盖物数据并输出，包括金属材质的壳体，壳体内部封装设置彼此连接的数据传输模块和路面覆盖物传感器模块，路面覆盖物传感器模块为阵列式测量结构，路面覆盖物传感器模块为阵列式测量结构，路面覆盖物传感器模块包括路面覆盖物种类检测模块、路面覆盖物厚度检测模块、溶液盐度检测模块、温度测量模块；壳体顶板的上表面面向目标路面待测位置设置，壳体内嵌设置于目标路面内部；

4、路面覆盖物种类检测模块用于向上检测路面覆盖物的种类，路面覆盖物种类检测模块的检测端面向目标路面待测位置设置；

5、路面覆盖物厚度检测模块用于检测路面覆盖物的厚度，路面覆盖物厚度检测模块面向目标路面待测位置的端口上端材质满足预设透光率要求；

6、溶液盐度检测模块的检测端设置预设深度的凹槽，用于采集并测量路面积水的盐度成分；温度测量模块包括温度传感器，用于测量路面覆盖物检测装置内部和外部的温度，温度传感器设置于路面覆盖物检测装置内部并引出多个传感器引线，传感器引线与检测端相连；数据传输模块包括主控芯片，用于控制整个路面覆盖物检测装置的运作，接收、处理并存储与其相连各模块的数据，并输出路面覆盖物数据信号。

7、所述温度传感器包括铂电阻；基于恒流源测电阻的方法，即设定流过铂电阻的电流大小，通过测量铂电阻两端的电压，计算出此时电阻的大小，进而得到相应的温度数据，电阻值与温度之间的关系式，表达为：

8、r(t)≈r(0)*(1+3.90802*10-3*t)

9、其中r(0)＝100ω为温度传感器在0℃时的电阻值；

10、所述路面覆盖物种类传感器包括彼此相连的敏感电容和多频检测模块，用于获取多频方差，多频波峰处电压，多频波谷处电压数据；

11、多频电容为同轴圆柱形电容，在无限大均匀电介质中，设多频电容上表面环形电容器的内圆环所带电荷为正电荷，外圆环所带电荷为负电荷，并分别以之为正负极板进行分析；根据高斯定理与静电场边界条件，多频模块敏感电容的检测端为上底面环形电容器，环形电容器所产生的总的电容c为：

12、

13、其中，a为

14、

15、u表示环形电容器正负两极所产生的电势差，q表示环形电容器所带电荷总量，a表示环形电容内圆环半径，ε1表示环形电容器上方所处环境的介电常数，ε2表示环形电容器中间空腔环境的介电常数；d为覆盖物的厚度，l表示环形电容器内圆环外边缘与外圆环外边缘之间的距离，l表示环形电容器内圆环与外圆环之间空腔的宽度；

16、多频电容大小因路面覆盖物的介电常数不同而变化，进而利用不同覆盖物介电常数随温度与频率的变化特性，通过电路对多频电容施加合适的激励信号，通过反馈信号的不同，并综合其他的路面检测要素，确定路面覆盖物的种类；

17、覆盖物厚度测量传感器包括光纤发射模块和光纤接收模块；基于光的反射、折射和透射特性光在不同的介质中反射率、折射率和透射率发生改变，当光线通过水、冰、雪或空气时，其射出的光线强度随之改变；

18、光纤发射模块和光纤接收模块的检测端为光纤传感器发射端与接收端汇聚成的一个端面，与路面平齐，当路面干净，无结冰或积水时，传感器探测头端面直接与空气接触，发射光线沿着发射光纤射入空气中，接收光纤接收不到来自发射光纤的信号；

19、当路面有覆盖物时，发射光在覆盖物-空气界面发生反射，在覆盖物发生散射，经过端面进入接收光纤；

20、当路面有结冰或积水时，发射光在覆盖物-空气界面发生反射，在覆盖物中发生散射，经过端面进入接收光纤；接收光纤的另一端设置光电接收管和光电信号处理系统，用于将光强信号转化成电压信号，获取覆盖物厚度数据，包括水膜厚度、积雪厚度，结冰厚度；

21、盐度传感器的检测端获取路面积水，通过检测路面积水的液体电导率计算盐度数据；盐溶液的导电能力通过电导率衡量，且温度升高，电导率增大，溶液电导率与其温度之间的关系为：

22、kt＝kt0[1+β1(t-t0)+β2(t-t0)]

23、其中，kt0为t0温度下溶液的电导率；kt为t温度下溶液的电导率；β1、β2为溶液电导的温度系数。

24、所述路面覆盖物预警方法，包括以下步骤：

25、s1、使用路面覆盖物检测装置获取路面测量数据，构建特征值输入变量；

26、s2、以输入为特征值输入变量，卷积神经网络的输出为路面状态类别的概率分布，构建卷积神经网络；其中，输入的特征值输入变量，包括多频方差，多频波峰处电压，多频波谷处电压，温度，盐度，冰点，水膜厚度，积雪厚度，结冰厚度，使用卷积神经网络对测量数据进行处理，获得输出的路面状态类别的概率分布，包括干燥，潮湿，积水，积雪，结冰；具体包括以下内容，具体包括以下内容，

27、s201、构建卷积神经网络，卷积神经网络包括依次连接的输入层、两个隐藏层以及全连接层，每个隐藏层分别均包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层和展平层，激活函数为relu激活函数；输入变量是一维数组，通道数为1；使用卷积核与输入变量进行卷积，提取输入变量的特征，根据设定的步长进行滑动滤波，全连接层用于输出对输入变量进行分类的结果，即将输入数据分配到所输出的路面状态类别的概率分布，具体包括以下步骤，

28、

29、假设输入数据为x，第一层隐藏层有k个卷积核，每个卷积核的大小为n1，步长为s1，padding为p1，权重为w1，偏置为b1；第二层隐藏层有l个卷积核，每个卷积核的大小为n2，步长为s2，padding为p2，权重为w2，偏置为b2；池化层为最大池化，大小为m1*m2，步长为sp；

30、第一卷积层：

31、

32、

33、第一池化层：

34、

35、第二卷积层：

36、

37、

38、第二池化层：

39、

40、展平层：

41、

42、全连接层：

43、

44、

45、输出层：

46、

47、其中，x：输入变量的个数(特征值的数量)；y：输出变量的个数(标签值的数量)；k：第一层隐藏层中卷积核的数量；n1：第一层隐藏层中每个卷积核的大小；s1：第一层隐藏层中卷积核的步长；p1：第一层隐藏层中卷积核的padding；w1：第一层隐藏层中卷积核的权重；b1：第一层隐藏层中卷积核的偏置；l：第二层隐藏层中卷积核的数量；n2：第二层隐藏层中每个卷积核的大小；s2：第二层隐藏层中卷积核的步长；p2：第二层隐藏层中卷积核的padding；w2：第二层隐藏层中卷积核的权重；b2：第二层隐藏层中卷积核的偏置；m1：池化层的大小(沿着高度维度)；m2：池化层的大小(沿着宽度维度)；sp：池化层的步长；第一层隐藏层中卷积操作的加权输入；第一层隐藏层中卷积操作后的激活值；第一层池化层的输出；第二层隐藏层中卷积操作的加权输入；第二层隐藏层中卷积操作后的激活值；第二层池化层的输出；fj：展平层的输出；全连接层的权重；全连接层的偏置；全连接层的加权输入；全连接层的激活值；输出层的权重；输出层的偏置；输出；

48、s202、引入批归一化技术对各个隐藏层和全连接层的输出进行标准化处理，即对各层中神经元的数值进行归一化，使其分布满足均值为0，方差为1，用于加速网络的训练过程，提高模型的稳定性和泛化能力，具体计算过程如下：

49、计算mini-batch内样本的均值：

50、

51、其中x(i)表示mini-batch中的第i个样本；

52、例如输入mini-batch包含3个样本，每个样本有2个特征，分别是：

53、x(1)＝(1,2)，x(2)＝(3,6)，x(3)＝(5,10)

54、对每个特征分别计算mini-batch内样本的均值：

55、

56、则样本均值是:

57、μb＝(μb0,μb1)＝(3,6)

58、计算mini-batch内样本的方差：

59、

60、以上计算公式先计算一个批次内样本的均值μb和方差2σb2，然后再对输入数据做归一化，将其调整成均值为0，方差为1的分布，对于上述给定的输入数据x(1),x(2),x(3)，可以计算出每个特征对应的方差：

61、

62、

63、则样本方差是：

64、

65、计算标准化之后的输出：

66、

67、其中∈是一个微小值(例如1e-7)，用于防止分母为0，对于上述给定的输入数据x(1),x(2),x(3)，计算出标准化之后的输出：

68、

69、

70、

71、s203、使用s2所构建的神经网络模型进行训练和预测，构建网络与训练过程如下：

72、第一个隐藏层：

73、z[1]＝w[1]*a[0]+b[1]

74、μ[1]＝mean(z[1])

75、σ[1]＝std(z[1])

76、

77、

78、

79、第二个隐藏层：

80、

81、μ[2]＝mean(z[2])

82、σ[2]＝std(z[2])

83、

84、

85、

86、输出层：

87、

88、a[3]＝softmax(z(3))

89、其中，a[0]：输入层的激活值，表示输入的特征向量；在本例中，a[0]是一个包含9个特征值的向量；z[1]：第一个隐藏层的线性加权和，即卷积操作的结果；w[1]：第一个隐藏层的卷积核权重；b[1]：第一个隐藏层的偏置项；μ[1]：z[1]的均值；σ[1]：z[1]的标准差；经过批归一化处理后的z[1]；a[1]：第一个隐藏层的激活值，通过对应用relu激活函数得到；第一个隐藏层的最大池化层的输出；z[2]：第二个隐藏层的线性加权和，即卷积操作的结果；w[2]：第二个隐藏层的卷积核权重；b[2]：第二个隐藏层的偏置项；μ[2]：z[2]的均值；σ[2]：z[2]的标准差；经过批归一化处理后的z[2]；a[2]：第二个隐藏层的激活值，通过对应用relu激活函数得到；第二个隐藏层的最大池化层的输出；z[3]：输出层的线性加权和，即卷积操作的结果；w[3]：输出层的卷积核权重；b[3]：输出层的偏置项；a[3]：输出层的激活值，通过对z(3)应用softmax函数得到，表示多分类任务中每个路面状态类别的概率分布。

90、s3、将路面状态类别作为主要影响因素，路面摩擦系数作为次要影响因素，构建路面湿滑等级分类器并进行分析和训练，预测路面预警等级；

91、其中，路面摩擦系数的影响因素包括路面覆盖物、汽车行驶的速度，路面的种类，轮胎的花纹；

92、根据不同测试速度下路面摩擦系数测试值的修正数值，获得标准速度50km/h下的等效sfc值，路面摩擦系数和汽车行驶速度的关系如下式：

93、sfc标＝sfc测-0.22(v标-v测)

94、式中，sfc标为标准速度下的等效值；sfc测为现场实际测试速度下的测试值；v标为标准速度，以50km/h计；v测为现场实际速度。

95、汽车轮胎种类对轮胎摩擦性能的影响因素包括轮胎面花纹形状、轮胎面密度系数和轮胎深度；其中，轮胎面花纹形状包括纵沟花纹、横沟花纹和块状花纹；

96、所述路面预警等级包括5个等级，根据不同的安全等级，为驾驶员提供交通气象预警以及相应的安全行驶速度和汽车轮胎种类，其中，1级表示行驶环境良好和正常，路面干燥无杂物；2级表示行驶环境稍差，路面潮湿或有少量积水；3级表示行驶环境较差，路面积水较多，出现浮雪或结霜；4级表示行驶环境很差，路面积雪；5级表示行驶环境极差，路面结冰。与已有技术相比，本发明的有益效果体现在：

97、1.本发明装置由主控芯片和多种气象传感器组成，能够实时监测道路表面的状况，包括湿度、温度、结冰情况、积水等，有助于提前预警和采取相应的措施。传感器提供的数据可以客观地评估道路表面的状况，消除主观因素的影响。提供准确的数字化信息，提高道路的安全性。在检测到结冰或积水时，可以及时发出警报或采取措施，减少交通事故的风险。路面覆盖物传感器收集的数据可以用于长期的数据分析和趋势研究，了解道路表面状况的变化趋势，以及各种因素对路面状况的影响，从而更好地规划和管理道路网络。

98、2.本发明使用卷积神经网络进行数据训练分类，卷积神经网络能够自动学习数据的层级特征表示。通过卷积层和池化层的堆叠，卷积神经网络可以从原始数据中提取低级特征和高级特征，并逐渐形成更抽象和语义丰富的特征表示。相比于bp神经网络，卷积神经网络具有局部感知性、参数效率、计算效率、处理大规模数据的能力、层级特征学习和表示能力以及鲁棒性等优点。有效提高路面覆盖物传感器的识别准确率。

99、3.本发明使用金属密封，通过嵌入式的方式安装到路面里，与路面形成紧密的接触。这种安装方式使得传感器具有较好的稳定性和耐久性，能够长期稳定地工作而不受外界环境干扰。具有长期稳定性、实时监测能力、高精度数据、防止破坏和损失、可嵌入新建和改造工程以及数据一体化的优点。