CN110108655B - 一种道路路面状况检测方法及检测系统 - Google Patents

Abstract

本发明公开了一种道路路面状况检测方法及检测系统，采用白天使用阳光作为光源、晚上使用光照强度恒定的波长范围为580‑1100nm的灯源作为光源，采集两块本底580‑1100波段的反射光谱数据，利用不同物质的反射比不同和不同光照情况下不同物质的光谱曲线变化情况不同，使用比值法判断路面状况。本发明采集580‑1100波段的光谱曲线，对比强吸收和强反射方式的单点光谱采集方式，准确定更高、稳定性更好。

Description

一种道路路面状况检测方法及检测系统

技术领域

本发明涉及路面状况监控技术领域，尤其涉及一种道路路面状况检测方法及检测系统。

背景技术

路面传感器在公路气象系统中起着重要的作用，对特定路面、桥梁、问题路段、机场、高速公路等，全天候、方便、快速、准确的提供路面状况信息。对路面状况的监控，及时地采取正确的措施，可以大大提高公路交通的安全性。当路面结冰、积水或者存在积雪时，更容易引发交通事故。

由于道路上的条件相对恶劣，存在较多的不稳定因素(噪音、强光等)，冰层分布不均匀，现有裂缝检测方法存在以下缺点:

(1)光纤式结冰监测技术，测量精度高，能精确地探测出薄冰的存在。但由于电压饱和现象，该传感器只能探测到3.7mm(视当时温度而定)以下薄冰的厚度。且作为光强调制型传感器，它又存在一定的缺陷:以接收器收到的光强为判断依据，不可避免地会受到外界环境杂光的污染，以及光源功率波动、光纤传输损耗等因素的影响

(2)电学式结冰监测技术，工艺相对简单，造价低廉，且判断准确率较高，但响应时间较长，且需要安装在路面下，安装麻烦，容易导致安装引起的交通干扰。

(3)机械式结冰监测技术，磁致伸缩振筒式工作可靠、强度高、性能稳定，但是一般要把探头安置在与路面齐平的位置，但是探头本身属于比较脆弱的仪器，而道路环境相对恶劣，探头很容易被过往车辆或一些不确定因素损坏。压电平膜式具有小型、灵敏、响应快的特性，但安装麻烦，容易导致安装引起的交通干扰。

(4)主动式红外冰监测技术，精度高，响应快。但是这种光学仪器比较脆弱，容易受外界强光、杂光(如车灯)的影响；需要使用造价较高的高精度激光作为光源，设备复杂，量产困难；如果检测区出现杂物，会导致误检测，不能广泛适用各种公路。

发明内容

有鉴于此，本发明的目的是提供一种道路路面状况检测方法及检测系统，用于解决路面冰水检测难度较大，现有的检测装置容易受外界强光、杂光影响，不能广泛使用各种公路的问题。

本发明通过以下技术手段解决上述技术问题：

一种道路路面状况检测方法，包括如下步骤：

平行于路面放置第一本底，垂直于路面放置第二本底，所述第一本底表面和第二本底表面在检测光源的照射下反射光线；

采集所述第一本底和所述第二本底的反射光谱数据；

比较第一本底反射光谱数据和第二本底反射光谱数据，得到道路路面状况检测结果。

进一步，所述检测光源为太阳光或人造灯源中的一种。

进一步，所述检测结果为路面积雪、路面正常、路面结冰或路面有水中的一种。

进一步，比较第一本底反射光谱数据和第二本底反射光谱数据，得到道路路面状况检测结果，具体步骤包括：

对第一本底反射光谱数据和第二本底反射光谱数据进行预处理；

根据第二本底反射光谱数据判断所述检测光源类型；

用预处理后的第二本底反射光谱数据除以预处理后的第一本底反射光谱数据，得到比较数据，根据所述比较数据的波形判断道路路面状况，得到道路路面状况检测结果。

进一步，当所述检测光源为太阳光时：

若所述比较数据的波形位于第一设定区间内，则所述道路路面状况为路面正常；

若所述比较数据的波形位于所述第一设定区间下方，则所述道路路面状况为路面积雪；

若所述比较数据的波形位于所述第一设定区间上方，将所述第一光谱数据输入BP神经网络分类模型中进行识别，以判断道路路面状况为路面结冰或路面有水中的一种。

进一步，训练BP神经网络，以得到所述BP神经网络分类模型的方法包括：

大量采集15000-70000/counts光照下，分别带有1mm-10mm水量的、1mm-10mm厚度的冰层的第一本底的反射光谱样本数据，和同等光照强度下第二本底的反射光谱样本数据；

对第一本底的反射光谱样本数据和第二本底的反射光谱样本数据进行预处理；

用预处理后的第二本底的反射光谱样本数据除以预处理后的第一本底的反射光谱样本数据，得到样本比较数据，并取出第二本底的反射光谱曲线中660-680nm波段的光谱样本数据作为光源环境特征值；

将样本比较数据与光源环境特征值进行融合，得到修正样本比较数据；

将修正样本比较数据按照一定比例分为训练样本数据和测试样本数据，将训练样本数据输入BP神经网络模型，对BP神经网络模型进行训练，将测试样本数据输入训练后的BP神经网络模型进行验证，得到所述BP神经网络分类模型。

进一步，当所述检测光源为人造灯源时：

若所述比较数据的波形位于第一设定区间内，则所述道路路面状况为路面正常；

若所述比较数据的波形位于所述第一设定区间下方，则所述道路路面状况为路面积雪；

若所述比较数据的波形位于所述第一设定区间上方，且所述比较数据的波形位于第二设定区间内，则所述道路路面状况为路面结冰；若所述比较数据的波形位于第二设定区间上方，则所述道路路面状况为路面有水。

进一步，所述预处理包括十次波形相加求平均和五点三次算法平滑处理。

本发明还提供了一种道路路面状况检测系统，包括:第一光谱仪、第二光谱仪、第一本底、第二本底、检测光源、数据处理器、预警器和显示器，所述第一光谱仪和第二光谱仪均与数据处理器连接；

所述检测光源用于照射第一本底表面和第二本底表面，使第一本底表面和第二本底表面反射光线；

所述第一本底与路面平行放置，以使冰、水和雪能够自然落于第一本底上面；

所述第二本底与路面垂直放置，以避免冰、水和雪落于第二本底上；

所述第一光谱仪用于采集所述第一本底的反射光谱数据；

所述第二光谱仪用于采集所述第二本底的反射光谱数据；

所述数据处理器用于对第一本底的反射光谱数据和第二本底的反射光谱数据进行比较，以得到道路路面状况检测结果，并将所述检测结果传输到显示器和预警器；

所述预警器安装于道路上，用于根据接收到的检测结果，发出预警；

所述显示器安装在控制室中，用于显示所述检测结果。

进一步，所述检测光源为太阳光或人造灯源。

本发明的有益效果：

(1)对比光纤式结冰检测技术、电学式结冰监测技术和机械式结冰监测技术，本发明的检测方法和系统检测路面的方式属于遥测非接触式，所以避免了对路面的破坏，且安装方便。

(2)对比主动式红外冰监测技术，本发明的系统不采用造价昂贵的高精度激光发射器，设备简单，适合量产；因为没有直接采集路面，而且将设备放在路旁边，所以避免了杂物或者泥块存在于检测区造成的误检测，适用于各种路段的检测。同时，因为不直接采集路面，所以安装要求低，拆装方便，有很好的可转移性。通过阳光作为检测光源，可以有效的得知当天天晴的状况，可以提供更有效的数据。采集580-1180nm波段的光谱曲线，对比强吸收和强反射方式的单点光谱采集方式，准确定更高、稳定性更好。

附图说明

图1是本发明一种道路路面状况检测方法的流程图；

图2是本发明一种道路路面状况检测系统的结构示意图；

图3是本发明实施例提供的太阳光源和人造灯源照射情况下的第二本底的反射光谱波形图；

图4是本发明实施例提供的阳光光照下的第二本底、冰、水、雪的反射光谱曲线；

图5是本发明实施例提供的38000/counts光强度下冰、水波形C的数据波形；

图6是本发明实施例提供的50000/counts光强度下冰、水波形C的数据波形；

图7是本发明实施例提供的38420/counts光强度下水的比较数据C的数据波形和594000/counts光强度下冰的比较数据C的数据波形；

图8是本发明实施例提供的38420/counts光强和59400/counts光强情况下第二本底的反射光谱曲线；

图9是本发明实施例提供的50000/counts光强度下冰、水的修正样本比较数据C'的数据波形；

图10是本发明实施例提供的夜晚光照强度恒定时，第二本底、冰、水、雪的反射光谱曲线；

图11是本发明实施例提供的在夜晚光照强度恒定时，冰、水、雪波形C的数据波形。

具体实施方式

以下将结合附图和具体实施例对本发明进行详细说明：

如图1所示，本实施利提供的一种道路路面状况检测方法，包括如下步骤：

S1:平行于路面放置第一本底，垂直于路面放置第二本底，第一本底表面和第二本底表面在检测光源的照射下反射光线；

S2:采集第一本底的反射光谱数据A和第二本底的反射光谱数据B；

S3:比较第一本底反射光谱数据A和第二本底反射光谱数据B，得到道路路面状况检测结果。

具体的，本实施利中检测光源为太阳光或人造灯源中的一种，所使用光谱仪响应范围是580nm-1100nm，因此人造灯源的灯光波长范围也为580-1100nm，人造灯源可以是卤钨灯或者白炽灯,第一本底和第二本底材质、尺寸完全相同，且与路面材质相似，光源以相同亮度照射到第一本底和第二本底上。

检测结果为路面积雪、路面正常、路面结冰或路面有水中的一种。

反射的能量与入射的能量之比称为该物体的反射比，不同的物质的反射光谱曲线有较大的区别。反射比越大，反射的光量越多，吸收的光量越少，且公路路面、冰、水、雪四者之间的反射比光谱曲线差异明显，如图4所示，相同光亮度情况下反射比关系如下：雪>本底>冰>水。即对同一物质而言，光照强度越强，反射的亮度越强，光谱仪检测的亮度越高，即强光照的水反射亮度>低光照的水反射亮度。通过算法处理光谱仪检测路面的可见光区波段和近红外波段光谱曲线，就可以得知路面是否有水、雪或者冰。在本实施例中，比较反射光谱数据A和反射光谱数据B，得到道路路面状况检测结果的方法包括：

S31:对反射光谱数据A和反射光谱数据B进行预处理，即对反射光谱数据A和反射光谱数据B进行十次波形相加求平均和五点三次算法平滑处理；

S32:根据反射光谱数据B的波形判断检测光源类型；

S33:用预处理后的反射光谱数据B除以预处理后的反射光谱数据A，得到比较数据C，即C＝B/A,为方便观察，本实施例中将比较数据C放大1000倍，根据放大后的比较数据C的波形判断道路路面状况，得到道路路面状况检测结果。

如图3所示，断点线为白天38000/counts光强度下第二本底的波形，实线为夜晚卤钨灯光照下的第二本底的波形。由于太阳光和卤钨灯或者白炽灯的光谱曲线差距特别大，所以可以通过判断反射光谱数据B的波形判断当前是白天还是夜晚，即确定检测光源的类型。判断方式为：关闭人造灯源，识别反射光谱数据B的波形，当波谷和波峰个数同时大于2个时，则认为是白天。

具体的，当检测光源为太阳光时，阳光照射在第一本底和第二本底上，通过第一光谱仪和第二光谱仪分别采集第一本底和第二本底上580nm—1100nm波段的光谱数据，并取可见光660-680波段光谱数据作为光源环境特征值，然后计算得到比较数据C，并对比较数据C的波形放大1000倍后进行采样，采样点为256个：

(1)有230个及以上的采样点位于第一设定区间内，则判定道路路面状况为路面正常；在本实施例中，将比较数据C放大1000倍，第一设定区间R1的范围为950≤R1≤1050。因为在第一本底上无冰、水和雪覆盖的情况下，第一本底和第二本底的反射光谱波形数据相似，甚至一样。

(2)有230个及以上的采样点均位于第一设定区间下方，则判定为道路路面状况为路面积雪；即如果有230个及以上的采样点的值都小于数值950，则认为路面有雪；且比较数据C的波形数值越小，雪的厚度越深。原因：如图4所示，雪的反射比远远大于本底的反射比，且雪的厚度越高，第一光谱测得数据值越高，所以有表面覆盖有雪的第一本底的反射光谱数据远大于第二本底的反射光谱数据。

(3)有230个及以上的采样点均位于第一设定区间上方，将第一光谱数据输入BP神经网络分类模型中进行识别，以判断道路路面状况为路面结冰或路面有水中的一种。

在光照38420/counts情况下，冰与水的光谱曲线容易区分；在光照59400/counts情况下冰与水的光谱曲线也容易区分。但是存在光照38420/counts情况下的水的光谱曲线与光照59400/counts情况下的冰的光谱曲线相似度较高的情况，这种强光强冰的光谱曲线和弱光强的水光谱曲线相似比例占整个数据的40％左右，如图7所示，为本发明实施例提供的38420/counts光强度下水波形C的数据波形和594000/counts光强度下冰波形C的数据波形，在这种情况下结冰和积水通过BP神经网络判断容易出现误判，所以需要寻找一种特征值提高冰水光谱波形的差异性。为提高准确性，引入光源环境特征值提高冰水光谱波形的差异性。

如图8所示为38420/counts光强和59400/counts光强情况下第二本底的反射光谱曲线，光强1为59400/counts光强，光强2为38420/counts光强。光强1下所对应的冰的光谱比值曲线和光强2所对应的水的光谱比值曲线虽然极为相似，但是38420/counts光强和59400/counts光强情况下第二本底的反射光谱曲线差异明显。为了减少算法的计算量，第二本底的反射光谱曲线的部分值即可满足光源环境特征值的选取要求。对比反射光谱数据，可以得知在660-680波段下，光谱数据差距最大，实验效果最好，所以取660-680nm波段的光谱样本数据作为光源环境特征值。

本实施例中，训练BP神经网络，以得到BP神经网络分类模型的方法包括如下步骤：

大量采集15000-70000/counts光照下，分别带有1mm-10mm水量的、1mm-10mm厚度的冰层的第一本底的反射光谱样本数据，和同等光照强度下第二本底的反射光谱样本数据；

对第一本底的反射光谱样本数据和第二本底的反射光谱样本数据进行预处理；

用预处理后的第二本底的反射光谱样本数据除以预处理后的第一本底的反射光谱样本数据，得到样本比较数据，并取出第二本底的反射光谱曲线中660-680nm波段的光谱样本数据作为光源环境特征值；

将样本比较数据与光源环境特征值进行融合，得到修正样本比较数据C'，如图9所示是50000/counts光强度下的C'数据波形；

将修正样本比较数据C'按照一定比例分为训练样本数据和测试样本数据，将训练样本数据输入BP神经网络模型，对BP神经网络模型进行训练，将测试样本数据输入训练后的BP神经网络模型进行验证，得到BP神经网络分类模型。

进一步，当检测光源为人造灯源时：

若比较数据的波形位于第一设定区间内，则道路路面状况为路面正常；

若比较数据的波形位于第一设定区间下方，则道路路面状况为路面积雪；

若比较数据的波形位于第一设定区间上方，且比较数据的波形位于第二设定区间内，则道路路面状况为路面结冰；若比较数据的波形位于第二设定区间上方，则道路路面状况为路面有水。

在本实施例中，夜晚的测量方式与白天相同，但是由于使用的光源光强恒定，所以只需要考虑不同物质的反射比不同，不用考虑不同光照情况下不同物质的光谱曲线变化情况不同。如图10-图11所示，在夜晚时，光源强度恒定，冰与水的光谱曲线分界明显，经过比值判断即可得到两者之间的差距。具体的判断方法如下：在本实施例中，计算得到比较数据C，并对比较数据C的波形放大1000倍后进行采样，采样点为256个；

(1)当有230个及以上的采样点位于第一设定区间内时，第一设定区间R1的范围为950≤R1≤1050，则判定道路路面状况为路面正常。因为在第一本底上无冰、水和雪覆盖的情况下，第一本底和第二本底的反射光谱波形数据相似，甚至一样。

(2)当有230个及以上的采样点位于第一设定区间下方时，即位于小于950的区间时，则认为路面有雪；且比较数据C的波形数值越小，雪的厚度越深。因为雪的反射比远远大于本底的反射比，且雪的厚度越高，第一光谱测得数据值越高，所以有表面覆盖有雪的第一本底的反射光谱数据远大于第二本底的反射光谱数据。

(3)当有230个及以上的采样点都位于第一设定区间上方时，则认为路面有水或者冰。如果C的最大值及最大值前后四个数据点的值，均大于等于α，α为一个有九个相同元素的数组，则认为路面第一本底有水；将C的最大值及其前后四个数据点的值，记为C_MAX，C_MAX为一数组，若C_MAX的值均小于α，则认为路面第一本底有冰。即当C的波形数据有230个及以上的采样点大于1050时，判断C的最大值及最大值前后四个数据点的值，C_MAX≥α，则第一本底有水，且C_MAX的值越大，水越深；第二设定区间R2的范围为1050＜R2＜α，1050＜C_MAX＜α，第一本底有冰，C_MAX越小，结冰越厚。α的值可随着夜晚选取的光源强度而定，在本实施例中，α的值为{1500,1500,1500,1500,1500,1500,1500,1500,1500}。

如图2所示，本发明还提供了一种道路路面状况检测系统，包括:第一光谱仪1、第二光谱仪2、第一本底3、第二本底4、检测光源5、数据处理器6、预警器7和显示器8，第一光谱仪1和第二光谱仪2均与数据处理器6连接；

检测光源5用于照射第一本底3表面和第二本底2表面，使第一本底1表面和第二本底4表面反射光线；

第一本底3与路面平行放置，以使冰、水和雪能够自然落于第一本底3上面；

第二本底4与路面垂直放置，以避免冰、水和雪落于第二本底4上；

第一光谱仪1用于采集第一本底3的反射光谱数据；

第二光谱仪2用于采集第二本底4的反射光谱数据；

数据处理器6用于对第一本底3的反射光谱数据和第二本底4的反射光谱数据进行比较，以得到道路路面状况检测结果，并将检测结果传输到显示器8和预警器7；

预警器7安装于道路上，用于根据接收到的检测结果，发出预警；

显示器8安装在控制室中，用于显示检测结果。

进一步，检测光源5为太阳光或人造灯源，人造灯源的灯光波长范围为580-1100nm。

为对本发明的实施例进行验证，采集了不同天气情况下C'数据共570条，其中C'_冰数据为285条、C'_水数据285条。

从570组样本中随机选取456组样本进行BP神经网络算法训练；剩下114组样本作为BP神经网络算法测试。反复实验50次，最终数据结果如下：

实验最终通过比值法和BP神经网络判断路面是否结冰或者积水的准确率为98.3％。

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宗旨和范围，其均应涵盖在本发明的权利要求范围当中。本发明未详细描述的技术、形状、构造部分均为公知技术。

Claims (5)

1.一种道路路面状况检测方法，其特征在于，包括如下步骤：

平行于路面放置第一本底，垂直于路面放置第二本底，所述第一本底表面和第二本底表面在检测光源的照射下反射光线；

采集所述第一本底和所述第二本底的反射光谱数据；

比较第一本底反射光谱数据和第二本底反射光谱数据，得到道路路面状况检测结果，具体步骤包括：

对第一本底反射光谱数据和第二本底反射光谱数据进行预处理，其中，预处理为进行十次波形相加求平均和五点三次算法平滑处理；

根据第二本底反射光谱数据判断所述检测光源类型；

用预处理后的第二本底反射光谱数据除以预处理后的第一本底反射光谱数据，得到比较数据，根据所述比较数据的波形判断道路路面状况，得到道路路面状况检测结果；

当所述检测光源为太阳光时，阳光照射在第一本底和第二本底上，通过第一光谱仪和第二光谱仪分别采集第一本底和第二本底上580nm—1100nm波段的光谱数据，并取可见光660-680nm波段光谱数据作为光源环境特征值，然后计算得到比较数据，并对比较数据的波形放大1000倍后进行采样，采样点为256个：

若所述比较数据的波形位于第一设定区间内，则所述道路路面状况为路面正常，其中，将比较数据放大1000倍，第一设定区间的范围为950≤R1≤1050；

若所述比较数据的波形位于所述第一设定区间下方，则所述道路路面状况为路面积雪，且比较数据的波形数值越小，雪的厚度越深；

若所述比较数据的波形位于所述第一设定区间上方，将第一光谱数据输入BP神经网络分类模型中进行识别，以判断道路路面状况为路面结冰或路面有水中的一种；

训练BP神经网络，以得到所述BP神经网络分类模型的方法包括：

大量采集15000-70000/counts光照下，分别带有1mm-10mm水量的、1mm-10mm厚度的冰层的第一本底的反射光谱样本数据，和同等光照强度下第二本底的反射光谱样本数据；

对第一本底的反射光谱样本数据和第二本底的反射光谱样本数据进行预处理；

用预处理后的第二本底的反射光谱样本数据除以预处理后的第一本底的反射光谱样本数据，得到样本比较数据，并取出第二本底的反射光谱曲线中660-680nm波段的光谱样本数据作为光源环境特征值；

将样本比较数据与光源环境特征值进行融合，得到修正样本比较数据；

将修正样本比较数据按照一定比例分为训练样本数据和测试样本数据，将训练样本数据输入BP神经网络模型，对BP神经网络模型进行训练，将测试样本数据输入训练后的BP神经网络模型进行验证，得到所述BP神经网络分类模型。

2.根据权利要求1所述的一种道路路面状况检测方法，其特征在于，所述检测光源还可以为人造灯源中的一种。

3.根据权利要求2所述的一种道路路面状况检测方法，其特征在于，所述检测结果为路面积雪、路面正常、路面结冰或路面有水中的一种。

4.根据权利要求1所述的一种道路路面状况检测方法，其特征在于，当所述检测光源为人造灯源时：

若所述比较数据的波形位于第一设定区间内，则所述道路路面状况为路面正常；

若所述比较数据的波形位于所述第一设定区间下方，则所述道路路面状况为路面积雪；

若所述比较数据的波形位于所述第一设定区间上方，且所述比较数据的波形位于第二设定区间内，则所述道路路面状况为路面结冰；若所述比较数据的波形位于第二设定区间上方，则所述道路路面状况为路面有水。

5.一种道路路面状况检测系统，其特征在于，包括:第一光谱仪、第二光谱仪、第一本底、第二本底、检测光源、数据处理器、预警器和显示器，所述第一光谱仪和第二光谱仪均与数据处理器连接；

所述检测光源用于照射第一本底表面和第二本底表面，使第一本底表面和第二本底表面反射光线；

所述第一本底与路面平行放置，以使冰、水和雪能够自然落于第一本底上面；

所述第二本底与路面垂直放置，以避免冰、水和雪落于第二本底上；

所述第一光谱仪用于采集所述第一本底的反射光谱数据；

所述第二光谱仪用于采集所述第二本底的反射光谱数据；

所述数据处理器用于对第一本底的反射光谱数据和第二本底的反射光谱数据进行比较，以得到道路路面状况检测结果，并将所述检测结果传输到显示器和预警器，比较第一本底反射光谱数据和第二本底反射光谱数据，得到道路路面状况检测结果，具体步骤包括：

对第一本底反射光谱数据和第二本底反射光谱数据进行预处理，其中，预处理为进行十次波形相加求平均和五点三次算法平滑处理；

根据第二本底反射光谱数据判断所述检测光源类型；

用预处理后的第二本底反射光谱数据除以预处理后的第一本底反射光谱数据，得到比较数据，根据所述比较数据的波形判断道路路面状况，得到道路路面状况检测结果；

当所述检测光源为太阳光时，阳光照射在第一本底和第二本底上，通过第一光谱仪和第二光谱仪分别采集第一本底和第二本底上580nm—1100nm波段的光谱数据，并取可见光660-680nm波段光谱数据作为光源环境特征值，然后计算得到比较数据，并对比较数据的波形放大1000倍后进行采样，采样点为256个：

若所述比较数据的波形位于第一设定区间内，则所述道路路面状况为路面正常，其中，将比较数据放大1000倍，第一设定区间的范围为950≤R1≤1050；

若所述比较数据的波形位于所述第一设定区间下方，则所述道路路面状况为路面积雪，且比较数据的波形数值越小，雪的厚度越深；

若所述比较数据的波形位于所述第一设定区间上方，将第一光谱数据输入BP神经网络分类模型中进行识别，以判断道路路面状况为路面结冰或路面有水中的一种；

训练BP神经网络，以得到所述BP神经网络分类模型的方法包括：

大量采集15000-70000/counts光照下，分别带有1mm-10mm水量的、1mm-10mm厚度的冰层的第一本底的反射光谱样本数据，和同等光照强度下第二本底的反射光谱样本数据；

对第一本底的反射光谱样本数据和第二本底的反射光谱样本数据进行预处理；

用预处理后的第二本底的反射光谱样本数据除以预处理后的第一本底的反射光谱样本数据，得到样本比较数据，并取出第二本底的反射光谱曲线中660-680nm波段的光谱样本数据作为光源环境特征值；

将样本比较数据与光源环境特征值进行融合，得到修正样本比较数据；

将修正样本比较数据按照一定比例分为训练样本数据和测试样本数据，将训练样本数据输入BP神经网络模型，对BP神经网络模型进行训练，将测试样本数据输入训练后的BP神经网络模型进行验证，得到所述BP神经网络分类模型；

所述预警器安装于道路上，用于根据接收到的检测结果，发出预警；

所述显示器安装在控制室中，用于显示所述检测结果。

Images