[发明专利]一种基于深度学习的高速公路疏水管堵塞态势感知方法

权利要求书

1.一种基于深度学习的高速公路疏水管堵塞态势感知方法，其特征在于：包括如下步骤：

步骤一：构建数据集：通过在多条高速公路的定点区域设置多个CCD摄像机进行疏水管表面的视频图像数据采集；

步骤二：将步骤一中采集的疏水管表面图像数据发送至PC端按帧进行数据拆分，并将拆分的RGB彩色图像进行灰度处理，再将灰度处理后的图像进行翻转、缩放，形成图像集；

步骤三：利用卷积神经网络，将步骤二形成的图像集中的图像进行淤泥特征提取，同时通过态势感知的预测机制生成疏水管堵塞预测模型；

步骤四：通过疏水管堵塞预测模型对疏水管是否拥堵进行判定，并将判定结果在PC端进行显示，当判定结果为拥堵时，将预警信息传输至高速公路路况管理系统，进行预警报警；

所述步骤三中利用卷积神经网络对图像进行淤泥特征提取的具体步骤为：

步骤3.1：将图像集的75％-80％用于训练卷积神经网络，将图像集的20％-25％用于验证卷积神经网络模型；

步骤3.2：将原始图像的二维特性通过增设表示卷积核区域淤积程度的Z轴而形成三维机制，得到卷积神经网络三维机制；

步骤3.3：在三维机制的神经网络中采用MES损失函数用于对图像集淤泥特征提取进行训练，并通过将损失函数进行正则化防止过拟合；

其中，损失函数的计算公式为：LOSS＝(OUT-E_i)²，上式中E_i为期望输出，OUT为输出层神经元的输出；

正则化计算公式为：上式中LOSS为损失函数，λ为比例系数，w_i为对应神经元i的权重；

步骤3.4：运用随机梯度训练公式对卷积神经网络中所有神经元的权值进行更新，上式中η为本神经网络的学习率；

步骤3.5：采用卷积核的变形体系对图像的区域进行扩大，使卷积核看到更宽广的区域；

步骤3.6：在用卷积神经网络进行淤泥特征提取时，通过加深网络层数同时加入残差连接提高提取精度；

步骤3.7：在n*n卷积核区域中计算每一块区域的置信度，汇总所有区域的置信度，使用最小二乘法拟合出新的曲面；

所述置信度的计算步骤为：计算步骤3.7新拟合曲面的极值，不断地取曲面内所有极值的平均值，上述平均值即为区域淤积程度的置信度；

所述期望输出E_i的具体计算方法如下：

将区域划分成N*N卷积核大小的神经网络，当所示区域为整块淤泥时，判定堵塞，并获得的置信度；

当所示区域非整块淤泥时，则将1*1区域再细分至

当所示区域的淤泥区域大于40％，判定堵塞，默认细分前的区域同样获得的置信度；

将图片区域的各个卷积核区域置信度叠加，当叠加的置信度大于0.4时，期望输出E_i的值为1，当叠加的置信度小于等于0.4时，期望输出E_i的值为0。

2.根据权利要求1所述的一种基于深度学习的高速公路疏水管堵塞态势感知方法，其特征在于：所述步骤三中通过态势感知的预测机制生成疏水管堵塞预测模型的预测机制为：

根据地区的土质粘滞系数、风速、温度、降水量、车流量的不同，该预测机制产生的预测结果不同，在提取淤泥特征的同时，生成疏水管堵塞预测模型。

3.根据权利要求2所述的一种基于深度学习的高速公路疏水管堵塞态势感知方法，其特征在于：所述疏水管堵塞预测模型采用多元齐次线性函数模型进行淤泥堵塞预测，计算公式为：y_i＝a₁x₁+a₂x₂+a₃x₃+a₄x₄+a₅x₅，上式中：x_i为影响预测结果的因素，a_i为对应影响因子的比例系数；

当y_i＞0.4时，判定为疏水管拥堵，当y_i≤0.4时，判定为疏水管正常。