一种基于运动相机的路面平整度检测方法

技术领域

本发明涉及路面检测、深度学习算法的技术领域，尤其涉及一种基于运动相机的路面平整度检测方法。

背景技术

路面平整度是道路用户熟悉和关心的重要公路指标，国际平整度指数(IRI)作为道路平整度测量的标准尺度已被广泛采用，路面平整度检测方法主要有两大分类，第一类为直接式检测，即测出路面纵断面剖面曲线，然后对测出的纵断剖面曲线进行数学分析得出平整度指标；第二类为响应式检测，即测出车辆对路面纵断面变化的力学响应，然后对测出的力学响应进行数学分析得出平整度指标；现有的检测方法，主要使用激光位移传感器，优点是准确、可靠，但是使用成本较高，并且需要对车辆进行改装。

现有的检测算法在使用中会要求固定的检测车速、需要计算在不同的检测车速下使用算法参数，使用固定的检测车速，则实际检测时，存在不便；计算不同检测车速下算法的参数，一方面算法的设计比较麻烦，难以穷尽所有的检测车速，另一方面算法的应用也比较繁琐，需要根据不同检测车速切换不同的算法参数。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种基于运动相机的路面平整度检测方法，能够解决现有检测算法不具有自适应性、检测设备使用不便、成本较高的问题。

为解决上述技术问题，本发明提供如下技术方案：包括，安装运动相机至汽车顶部且位于车辆后轴中心上方；调整所述运动相机角度，使其正前方与所述汽车车头方向一致，设置所述运动相机工作模式为视频录制模式；在待检道路的起点处开始视频录制并以不高于80km/H时速行驶；在所述待检道路的终点处停止视频录制并得到视频数据；基于国际平整度指数构建深度学习模型，输入所述视频数据进行计算处理，输出得到所述待检道路的路面平整度。

作为本发明所述的基于运动相机的路面平整度检测方法的一种优选方案，其中：从所述视频数据中提取加速度数据、GPS/北斗数据，包括，所述加速度数据的垂直加速度即为汽车纵向振动，所述GPS/北斗数据中的速度即为行驶速度。

作为本发明所述的基于运动相机的路面平整度检测方法的一种优选方案，其中：还包括，将所述汽车纵向振动和所述行驶速度按一定距离进行划分；若每100米距离需计算一次所述路面平整度，则根据所述GPS/北斗数据中的经纬度计算行驶距离，每行驶100米记录时间点；根据记录的所述时间点划分数据，得到每100米范围内的所述汽车纵向振动和所述行驶速度。

作为本发明所述的基于运动相机的路面平整度检测方法的一种优选方案，其中：从所述视频数据中提取传感器数据，所述运动相机在拍摄视频时，会同步地记录传感器数据，包括，188HZ以上的加速度数据和18HZ以上的GPS/北斗数据；在视频拍摄结束生成视频文件时，将所述传感器数据打包成元数据流存储在所述视频文件中；按照所述视频文件的格式，打开所述视频文件，读取其中的元数据流，即得到所述传感器数据。

作为本发明所述的基于运动相机的路面平整度检测方法的一种优选方案，其中：所述深度学习模型为神经网络结构，包括，卷积层和全连接层；所述卷积层用于提取特征，所述全连接层用于计算并输出国际平整度指数。

作为本发明所述的基于运动相机的路面平整度检测方法的一种优选方案，其中：所述卷积层包括，4个一维卷积层，用于提取特征，1个随机丢弃层，用于防止过拟合，1个池化层，用于防止过拟合，1个压平层，用于将多维数据转换为一维数据；所述全连接层包括3层，第1层包括128个神经元，第2层包括64个神经元，第3层只有1个神经元，第3层输出结果即为所述深度学习模型输出的国际平整度指数。

作为本发明所述的基于运动相机的路面平整度检测方法的一种优选方案，其中：所述深度学习模型需进行训练以提高算法精度，包括，深度神经网络经过前向传播后，得到的预测值与先前给出真实值之间存在差距，利用损失函数进行计算；基于反向传播求解梯度，通过梯度下降，微调参数，寻找所述损失函数中的极小值。

作为本发明所述的基于运动相机的路面平整度检测方法的一种优选方案，其中：所述深度学习模型训练结束后，得到深度神经网络的权重，利用所述权重对输出的所述传感器数据进行计算，得到预测的国际平整度指数。

本发明的有益效果：本发明通过使用运动相机拍摄视频进行路面平整度检测的方法，使得检测成本得到降低，检测流程得以简化；同时，深度学习算法的运用，具备了鲁棒性好、准确度高的优点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明一个实施例所述的基于运动相机的路面平整度检测方法的流程示意图；

图2为本发明一个实施例所述的基于运动相机的路面平整度检测方法的深度学习算法处理子流程示意图；

图3为本发明一个实施例所述的基于运动相机的路面平整度检测方法的深度学习模型训练子流程示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1～图3，为本发明的第一个实施例，提供了一种基于运动相机的路面平整度检测方法，具体包括：

S1：安装运动相机至汽车顶部且位于车辆后轴中心上方。

S2：调整运动相机角度，使其正前方与汽车车头方向一致，设置运动相机工作模式为视频录制模式。

S3：在待检道路的起点处开始视频录制并以不高于80km/H时速行驶。

S4：在待检道路的终点处停止视频录制并得到视频数据。

S5：基于国际平整度指数构建深度学习模型，输入视频数据进行计算处理，输出得到待检道路的路面平整度。

进一步的，本实施例所提供的一种基于运动相机的路面平整度检测方法还具体包括以下步骤：

(1)从视频数据中提取加速度数据、GPS/北斗数据，包括，

加速度数据的垂直加速度即为汽车纵向振动，GPS/北斗数据中的速度即为行驶速度；

将汽车纵向振动和行驶速度按一定距离进行划分；

若每100米距离需计算一次路面平整度，则根据GPS/北斗数据中的经纬度计算行驶距离，每行驶100米记录时间点；

根据记录的时间点划分数据，得到每100米范围内的汽车纵向振动和行驶速度。

(2)从视频数据中提取传感器数据，运动相机在拍摄视频时，会同步地记录传感器数据，包括，188HZ以上的加速度数据和18HZ以上的GPS/北斗数据；

在视频拍摄结束生成视频文件时，将传感器数据打包成元数据流存储在视频文件中；

按照视频文件的格式，打开视频文件，读取其中的元数据流，即得到传感器数据。

(3)深度学习模型为神经网络结构，包括，卷积层和全连接层；

表1：深度学习算法模型的结构表。

卷积层用于提取特征，全连接层用于输出国际平整度指数；

卷积层包括，4个一维卷积层，用于提取特征，1个随机丢弃层，用于防止过拟合，1个池化层，用于防止过拟合，1个压平层，用于将多维数据转换为一维数据；

全连接层包括3层，第1层包括128个神经元，第2层包括64个神经元，第3层只有1个神经元，第3层输出结果即为深度学习模型输出的国际平整度指数。

(4)深度学习模型需进行训练以提高算法精度，包括，

深度神经网络经过前向传播后，得到的预测值与先前给出真实值之间存在差距，利用损失函数进行计算；

基于反向传播求解梯度，通过梯度下降，微调参数，寻找损失函数中的极小值。

(5)深度学习模型训练结束后，得到深度神经网络的权重，利用权重对输出的传感器数据进行计算，得到预测的国际平整度指数。

较佳的，根据表2的要求选择待检道路，根据如下IRI值对应的得分，以及各种路面常见IRI的范围，选定的试验道路要求覆盖IRI的范围在0～15，并且尽量均衡覆盖。

表2：IRI数值表。

需要说明的是，传统的检测方法存在以下缺陷：

(1)检测设备使用不便，激光位移传感器的使用需要对汽车进行改装才能使用；定制的传感器数据采集装置，涉及设备研制、品质控制、产量少导致成本高的问题。

(2)平整度检测算法使用不便，基于传感器数据，计算国际平整度指数，主要包括线性回归算法和传统的深度学习算法，其中，线性回归算法，是将汽车纵向加速度数据进行二次积分得到纵向位移，再将纵向位移进行回归分析得到国际平整度指数，存在初始状态未知、二次积分的误差较大问题，导致计算结果不准；传统的深度学习算法，需要使用驾驶员的油门、刹车控制量，而这两个数据的获取困难，需要对汽车进行必要的改装，不太方便。

(3)检测车速不能自适应，现有的检测算法要求固定的检测车速，或者需要计算在不同的检测车速下使用算法参数，使用固定的检测车速，则实际检测时，存在不便；计算不同检测车速下算法的参数，一方面算法的设计比较麻烦，难以穷尽所有的检测车速，另一方面算法的应用也比较繁琐，需要根据不同检测车速切换不同的算法参数。

优选的，本实施例为了更便于非本技术领域人员对本发明方案的理解，做以如下说明：

本发明方法将运动相机搭载在汽车，在道路上行驶，根据运动相机录制的视频，便可完成路面平整度的检测。

汽车行驶中，与汽车纵向振动有关的因素，主要包括车身减震，行驶速度，以及路面平整度，对于特定的汽车，车身减震可以认为基本不变，因此车身纵向振动主要与行驶速度和路面平整度有关，即车身纵向振动、行驶速度和路面平整度三个数据，得到其中两个数据便可以计算得到最后一个数据，为了得到路面平整度，因此只需要车身纵向振动、行驶速度两个数据。

运动相机在录制视频数据的时候，同步地记录了惯性传感器数据(包括三轴加速度、三轴陀螺仪数据)、GPS/北斗数据，并以元数据的形式保存在视频数据中，惯性传感器数据的记录频率不低于188HZ，GPS/北斗数据记录频率不低于18HZ，由于运动相机安装时，相机正前方与汽车的车头方向保持一致，因此三轴加速度数据中的垂直加速度即为汽车纵向振动，又由于运动相机固定于车身，因此GPS/北斗数据中的速度即为行驶速度。

综上，车身振动、行驶速度可以从运动相机视频数据中提取，经过计算便得到路面平整度，对于计算的算法，本实施例中使用卷积神经网络，搭建了改进的深度学习算法，其输入为汽车纵向振动和行驶速度，输出为路面平整度，在已经路面平整度的试验道上，针对特定车型，采集样本数据，进行深度学习算法的模型训练，训练完成的深度学习算法，可以用于特定车型，进行路面平整度的检测。

优选的是，本实施例从提供的技术方案中简化提炼得到如下有益效果，具体包括：

(1)简化检测设备，本实施例不使用激光位移传感器，也不需要定制专用的传感器数据采集设备，而是常见的运动相机，通过从运动相机拍摄的视频中提取传感器数据，完成平整度检测。

(2)简化平整度检测算法，本发明使用改进的深度学习算法，在深度学习算法模型的网络结构设计时，输入数据全部来自于运动相机中提取的传感器数据，不需要从汽车中获取驾驶员的油门、刹车控制量，也就不需要对汽车进行任何的改装。

(3)自适应检测车速，本发明方法通过在深度学习算法模型的网络结构设计时，在输入数据中包含了行驶速度数据，因此可以自适应检测车速，在检测时车速可以随意控制，并且在算法计算时，模型参数只有1份，无须针对不同的检测车速设计不同的模型参数。

实施例2

为了对本发明方法中采用的技术效果加以验证说明，本实施例选择以传统的激光位移传感器直接测量方法与本发明方法进行对比测试，以科学论证的手段对比试验结果，验证本发明方法所具有的真实效果。

传统的激光位移传感器直接测量方法，通过分析测量得到的路面纵断面剖面，得到路面平整度，具有准确、可靠等优点，但是设备笨重，使用复杂。

为验证本发明方法相对于传统方法具备良好便携性的基础上，检测误差控制在较小范围内，本实施例中将采用传统激光位移传感器直接测量方法和本方法，分别对试验道路的路面平整度进行检测对比。

测试环境：在待检道路上，利用传统的激光位移传感器直接测量方法进行路面平整度检测，获得真实的路面平整度数据，使用本发明方法进行路面平整度检测，并获得检测结果数据，本方法检测3组数据，使用平均值计算路面平整度检测误差。

结果如下表3所示，其中，方法1为激光位移传感器直接测量方法。

表3：某试验道路的路面平整度检测结果对比表。

参照表3，桩号是一种位置的表示方法，通常用于公路，K表示公里数，+号以后表示该公里以下的米数，由表3能够直观的看出，本发明方法相对于传统方法具有更为显著的有益效果。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。