留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于可见-近红外光谱的路面状况识别的研究

熊显名 张乾坤 秦祖军

熊显名, 张乾坤, 秦祖军. 基于可见-近红外光谱的路面状况识别的研究[J]. 红外技术, 2021, 43(2): 131-137.
引用本文: 熊显名, 张乾坤, 秦祖军. 基于可见-近红外光谱的路面状况识别的研究[J]. 红外技术, 2021, 43(2): 131-137.
XIONG Xianming, ZHANG Qiankun, QIN Zujun. Research on Highway State Detection Based on Visible-Near-Infrared Spectrum[J]. Infrared Technology , 2021, 43(2): 131-137.
Citation: XIONG Xianming, ZHANG Qiankun, QIN Zujun. Research on Highway State Detection Based on Visible-Near-Infrared Spectrum[J]. Infrared Technology , 2021, 43(2): 131-137.

基于可见-近红外光谱的路面状况识别的研究

基金项目: 

国家自然科学基金 61665001

详细信息
    作者简介:

    熊显名(1964-),男,学士,研究员,硕士生导师,研究方向为光电信息处理、光纤传感器。E-mail:5311128@qq.com

  • 中图分类号: TN219

Research on Highway State Detection Based on Visible-Near-Infrared Spectrum

  • 摘要: 光谱技术在公路状态识别(是否结冰、积水或积雪)方面有着积极的应用前景,但太阳光作为光源识别公路状态的研究较少。分别采用阳光和卤钨灯作为白天和夜间的实验光源,通过微型光谱仪数据分别得到冰、水、雪和公路本底的可见-近红外波段的光谱曲线。白天时,结冰和积水状态在不同光照情况下会出现“异物类谱”现象,根据阳光光照特性,本文提出将“环境变量”作为特征值的解决方法,并基于光谱曲线及归一化后的“环境变量”特征值,将光谱数据组合成新的数据波形,基于Dropout与Adam优化器的神经网络模型对数据进行训练和识别,最终识别率为99.375%。夜间,由于各类样本光谱区域差异明显,采用“组合-阈值”法识别。实验证明通过两种光源结合的识别方法,能够有效识别路面状态。
  • 图  1  BP神经网络结构示意图

    Figure  1.  Structure of BP neural network

    图  2  结冰和积水A/D输出值的“异物类谱”图

    Figure  2.  The A/D output values of ice and water have similar spectral curves

    图  3  背景物质光谱曲线图

    Figure  3.  Background material spectrum curves

    图  4  数据采集结构示意图

    Figure  4.  Data acquisition schematic

    图  5  单个微型光谱仪数据采集结构示意图

    Figure  5.  Data acquisition schematic of a single micro-spectrometer

    图  6  白天时,公路本底表面各状态整合计算光谱图

    Figure  6.  Spectra of various states of road background surface during the daytime

    图  7  夜间公路本底表面各状态整合计算光谱图

    Figure  7.  Absorbance spectra of road background surface at night

    图  8  白天和夜晚时公路本底表面干燥状态整合计算光谱图

    Figure  8.  Dry absorbance spectra of road background surface during day and night

    图  9  结冰和积水“异物类谱”图

    Figure  9.  Ice and water may have similar absorbance signatures

    图  10  结冰和积水的环境特征值图

    Figure  10.  Background material spectrum curves

    图  11  组合数值比较图

    Figure  11.  Combined numerical comparison

    图  12  损失值变化曲线

    Figure  12.  Loss value variation curve

    图  13  准确率变化曲线

    Figure  13.  Accuracy variation curves

    表  1  样本分析统计表

    Table  1.   Sample analysis statistics

    Ice Snow Water Dry
    Average value 7.043 -5.456 8.565 -0.109
    Standard deviation 0.159 0.311 0.140 0.08
    Maximum deviation 0.243 0.417 0.447 0.105
    下载: 导出CSV
  • [1] 欧彦, 浦翔, 周旭驰, 等. 路面结冰检测技术研究进展[J]. 公路, 2013(4): 191-195.

    OU Yan, PU Xiang, ZHOU Xunchi, et al. Review on icing detection techniques of pavement[J]. High Way, 2013(4): 191-195.
    [2] 童魁. 路面冰水检测系统技术研究[D]. 南京: 东南大学, 2011.

    TONG Kui. Research On System Technology of Road Ice And Water Detection[D]. Nanjing: Southeast University, 2011.
    [3] 张镇, 葛俊锋, 叶林, 等. 基于神经网络的主动式红外结冰探测[J]. 华中科技大学学报: 自然科学版, 2010, 38(6): 1-3. https://www.cnki.com.cn/Article/CJFDTOTAL-HZLG201006002.htm

    ZHANG Zhen, GE Junfeng, YE Lin, et al. Active infrared icing detection using neural networks[J]. Journal of Huazhong University of Science and Technology: Natural Science Edition, 2010, 38(6): 1-3. https://www.cnki.com.cn/Article/CJFDTOTAL-HZLG201006002.htm
    [4] Colace L, Santoni F, Assanto G. A near-infrared optoelectronic approach to detection of road conditions[J]. Optics and Lasers in Engineering, 2013, 51(5): 633-636. doi:  10.1016/j.optlaseng.2013.01.003
    [5] 梁曹佳, 叶林, 葛俊锋. 非接触式路面状态检测技术研究进展[J]. 传感器与微系统, 2019, 38(2): 1-4. https://www.cnki.com.cn/Article/CJFDTOTAL-CGQJ201902001.htm

    LIANG Caojia, YE Lin, GE Junfeng. Research progress of non-contact road surface condition detection technology[J]. Transducer and Microsystem Technologies, 2019, 38(2): 1-4. https://www.cnki.com.cn/Article/CJFDTOTAL-CGQJ201902001.htm
    [6] Johan Casselgren, Mikael Sjodahl, James LeBlanc. Angular spectral response from covered asphalt[J]. Applied Optics, 2007, 46(20): 4277-4288. doi:  10.1364/AO.46.004277
    [7] 王琮琪. 非接触式路面状况检测系统的研究[D]. 杭州: 浙江大学, 2014.

    WANG Zongqi. No-contact Measuring System of the Condition of Road[D]. Hangzhou: Zhejiang University, 2014.
    [8] 高斌, 赵鹏飞, 卢昱欣, 等. 基于BP神经网络的血液荧光光谱识别分类研究[J]. 光谱学与光谱分析, 2018, 38(4): 3136-3143. https://www.cnki.com.cn/Article/CJFDTOTAL-GUAN201810029.htm

    GAO Bin, ZHAO Pengfei, LU Yuxin, et al. Study on recognition and classification of blood fluorescence spectrum with BP neural network[J]. Spectroscopy and Spectral Analysis, 2018, 38(4): 3136-3143. https://www.cnki.com.cn/Article/CJFDTOTAL-GUAN201810029.htm
    [9] 刘厚林, 吴贤芳, 王勇, 等. 基于BP神经网络的离心泵关死点功率预测[J]. 农业工程学报, 2012(11): 45-49. https://www.cnki.com.cn/Article/CJFDTOTAL-NYGU201211009.htm

    LIU Houlin, WU Xianfang, WANG Yong, et al. Power prediction for centrifugal pumps at shut off condition based on BP neural network[J]. Transactions of the Chinese Society of Agricultural Engineering, 2012(11): 45-49. https://www.cnki.com.cn/Article/CJFDTOTAL-NYGU201211009.htm
    [10] 王威, 李青, 孙叶青, 等. 基于卷积神经网络的红外热成像罐车内壁裂纹识别[J]. 红外技术, 2018, 40(12): 1198-1205. http://hwjs.nvir.cn/article/id/hwjs201812014

    WANG Wei, LI Qing, SUN Yeqing, et al. Inner crack identification on car tanks using thermal imaging based on convolutional neural network[J]. Infrared Technology, 2018, 40(12): 1198-1205. http://hwjs.nvir.cn/article/id/hwjs201812014
    [11] 杨观赐, 杨静, 李少波, 等. 基于Dropout与ADAM优化器的改进CNN算法[J]. 华中科技大学学报: 自然科学版, 2018, 46(7): 122-127. https://www.cnki.com.cn/Article/CJFDTOTAL-HZLG201807023.htm

    YANG Guanci, YANG Jing, LI Shaobo, et al. Modified CNN algorithm based on dropout and ADAM optimizer[J]. Journal of Huazhong University of Science and Technology: Natural Science Edition, 2018, 46(7): 122-127. https://www.cnki.com.cn/Article/CJFDTOTAL-HZLG201807023.htm
  • 加载中
图(13) / 表(1)
计量
  • 文章访问数:  959
  • HTML全文浏览量:  171
  • PDF下载量:  83
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-07-19
  • 修回日期:  2019-10-08
  • 刊出日期:  2021-02-20

目录

    /

    返回文章
    返回