CN114781498B - 基于人工智能的道路塌陷监测方法及系统 - Google Patents

Abstract

本发明涉及人工智能技术领域，具体涉及基于人工智能的道路塌陷监测方法及系统。包括：记录预设时间段内每个时刻下检测车与路面之间的垂直高度，得到一个高度序列；获取高度序列的多个聚类类别；对每个聚类类别中的垂直高度进行线性拟合，并获取其斜率；获取轮胎与路面摩擦的声音对应的声波波形，并获取每个聚类类别对应的声波频段；将声波波形切分，将切分后的子频段分别与声波频段进行匹配，获取匹配时的相似程度；记录每个时刻下检测车车轮的弹簧加速度，进而获取异常系数；根据斜率判断路面情况，并根据相似程度和异常系数计算对应的评价指标，通过评价指标评估判断结果的准确性。本发明实施例能够在精确测量路面情况的同时大大降低检测成本。

Description

基于人工智能的道路塌陷监测方法及系统

技术领域

本发明涉及人工智能技术领域，具体涉及基于人工智能的道路塌陷监测方法及系统。

背景技术

道路塌陷是一种常见的事故，很容易造成人员伤亡，因而道路塌陷的监测事关人民生命财产安全。

目前道路坍塌的监测主要依靠人工检测，非常耗时，而且可能会造成检测不及时的问题；通过对路面图片的智能识别来检测路面的平整程度，精度不一，不能保证检测结构的准确性，且价格昂贵，成本较高。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的道路塌陷监测方法及系统，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种基于人工智能的道路塌陷监测方法，该方法包括以下步骤：

记录预设时间段内每个时刻下检测车与路面之间的垂直高度，得到一个高度序列；将所述高度序列中的所有元素进行聚类，获取多个聚类类别；对每个所述聚类类别中的垂直高度进行线性拟合，并获取拟合直线的斜率；

获取轮胎与路面摩擦的声音对应的声波波形，并获取每个聚类类别对应的声波频段；根据所述声波频段的长度将所述声波波形切分，将切分后的子频段分别与所述声波频段进行匹配，获取匹配时的相似程度；

记录所述预设时间段内每个时刻下所述检测车每个车轮的弹簧加速度，获取左侧车轮的第一加速度差值序列和右侧车轮的第二加速度差值序列，进而分别计算左右两侧每个时刻的加速度差值的离散程度，并选取最小的离散程度作为该时刻下的异常系数；

根据所述斜率判断路面情况，并根据所述相似程度和所述异常系数计算对应的评价指标，通过所述评价指标评估判断结果的准确性。

优选的，所述将切分后的子频段分别与所述声波频段进行匹配，包括：

通过匹配算法将每个所述声波频段依次与所述子频段进行匹配，将匹配完成的所述子频段剔除，再次进行匹配，直至匹配停止。

优选的，所述相似程度的获取过程为：

利用动态时间规整算法计算匹配完成的所述声波频段和所述子频段之间的相似距离，根据所述相似距离获取所述相似程度；所述相似距离与所述相似程度呈负相关关系。

优选的，所述第一加速度差值序列的获取过程为：

将同一时刻下左侧两个车轮的弹簧加速度做差，作为该时刻下的加速度差值，所述预设时间段内所有时刻下的加速度差值组成所述第一加速度差值序列。

优选的，所述离散程度的获取过程为：

计算所述第一加速度差值序列中每个元素与其他元素之间的距离之和，进而得到每个元素的所述离散程度；所述距离之和与所述离散程度呈负相关关系；同理获取所述第二加速度差值序列中每个元素的所述离散程度。

第二方面，本发明另一个实施例提供了一种基于人工智能的道路塌陷监测系统，该系统包括以下模块：

高度模块，用于记录预设时间段内每个时刻下检测车与路面之间的垂直高度，得到一个高度序列；将所述高度序列中的所有元素进行聚类，获取多个聚类类别；对每个所述聚类类别中的垂直高度进行线性拟合，并获取拟合直线的斜率；

声波模块，用于获取轮胎与路面摩擦的声音对应的声波波形，并获取每个聚类类别对应的声波频段；根据所述声波频段的长度将所述声波波形切分，将切分后的子频段分别与所述声波频段进行匹配，获取匹配时的相似程度；

加速度模块，用于记录所述预设时间段内每个时刻下所述检测车每个车轮的弹簧加速度，获取左侧车轮的第一加速度差值序列和右侧车轮的第二加速度差值序列，进而分别计算左右两侧每个时刻的加速度差值的离散程度，并选取最小的离散程度作为该时刻下的异常系数；

路面情况获取模块，用于根据所述斜率判断路面情况，并根据所述相似程度和所述异常系数计算对应的评价指标，通过所述评价指标评估判断结果的准确性。

优选的，所述声波模块还包括：

匹配单元，用于通过匹配算法将每个所述声波频段依次与所述子频段进行匹配，将匹配完成的所述子频段剔除，再次进行匹配，直至匹配停止。

优选的，所述声波模块还包括：

相似程度获取单元，利用动态时间规整算法计算匹配完成的所述声波频段和所述子频段之间的相似距离，根据所述相似距离获取所述相似程度；所述相似距离与所述相似程度呈负相关关系。

优选的，所述加速度模块还包括：

第一加速度差值序列获取单元，用于将同一时刻下左侧两个车轮的弹簧加速度做差，作为该时刻下的加速度差值，所述预设时间段内所有时刻下的加速度差值组成所述第一加速度差值序列。

优选的，所述加速度模块还包括：

离散程度获取单元，用于计算所述第一加速度差值序列中每个元素与其他元素之间的距离之和，进而得到每个元素的所述离散程度；所述距离之和与所述离散程度呈负相关关系；同理获取所述第二加速度差值序列中每个元素的所述离散程度。

本发明实施例至少具有如下有益效果：

根据检测车与地面的距离序列获取公路上可能出现的路况，获取车轮与地面的摩擦声波，将每种路况对应的摩擦声波与分段的整体声波进行匹配，得到相似程度；获取车轮的弹簧加速度，利用加速度的变化获取每个时刻加速度的异常系数；进而根据相似程度和异常系数获取路面情况的准确度，完成路面检测。本发明从降低成本的角度出发，引入轮胎摩擦地面的声波，运用了成本较低的测距仪和加速度计，三元素共同确定路面情况，在数据处理时，每一步都考虑到了数据的可靠性，在兼顾测量结果的精确度的同时，大大降低了检测成本。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例提供的基于人工智能的道路塌陷监测方法的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于人工智能的道路塌陷监测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于人工智能的道路塌陷监测方法及系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于人工智能的道路塌陷监测方法的步骤流程图，该方法包括以下步骤：

步骤S001，记录预设时间段内每个时刻下检测车与路面之间的垂直高度，得到一个高度序列；将高度序列中的所有元素进行聚类，获取多个聚类类别；对每个聚类类别中的垂直高度进行线性拟合，并获取拟合直线的斜率。

在检测车的车头安装测距仪，在检测路面上匀速行驶测量距离，得到每个时刻下测距仪与路面的垂直高度，组成高度序列H＝{H₁,H₂,…,H_i,…,H_n}。

由于高速公路是平整路面，当路面出现形变，在检测车从平整路面刚刚接触到形变边缘时，该时刻下的测量距离开始变大，当检测车从凹陷路面刚接触到平整路面时，该时刻下的测量距离变小。

对高度序列H利用DBSCAN进行聚类，根据测量的实际情况来设置寻找半径r，将变化率相似的数据，归为一类。聚类之后得到多个聚类类别，这些类别中可能存在以下分类：

第一种聚类类别，高度H基本不变化，此时车辆可能行驶在平整的路面。此种类别一般只有一个。

第二种聚类类别，高度H也基本不变化，且样本长度很短，但H值与第一类出现较大幅度的变大，此类别车辆可能遇到了裂隙。此种类别可能会存在多个或者一个也不存在。

第三种聚类类别，高度H出现了线性下降，此时检测车开始接触塌陷区。此种类别同样可能会存在多个或者一个也不存在。

第四种聚类类别，高度H出现了线性上升，此时检测车开始离开塌陷区。此种类别同样可能会存在多个或者一个也不存在。

以元素标号为横坐标x，垂直高度为纵坐标y，分别对每一类别中的高度元素进行最小二乘法的线性分析，拟合出一条直线，然后得到每个类别中高度序列的拟合直线的斜率k：

对于第一种聚类类别的斜率k_A趋近于0，即数据没有增减性的变化，H没有大幅度的变化，此时的检测车可能在平稳路面上行驶。

对于第二种聚类类别的斜率k_B趋近于0，即数据也没有明显增减性变化，H也没有较大幅度的变化，但H与第一种聚类类别的H相比大幅度变大且样本数量极小，此时检测车可能遇到了地面裂隙。

第三种聚类类别的斜率k_C大于0，即此时的数据开始出现上升，H开始出现上升，此时检测车可能遇到了地面凹陷的前边缘。

第四种聚类类别的斜率k_D小于0，即此时的数据开始出现下降，H开始出现下降，此时检测车可能到达了地面凹陷的后边缘。

步骤S002，获取轮胎与路面摩擦的声音对应的声波波形，并获取每个聚类类别对应的声波频段；根据声波频段的长度将声波波形切分，将切分后的子频段分别与声波频段进行匹配，获取匹配时的相似程度。

具体的步骤包括：

1.获取轮胎与路面摩擦的声音对应的声波波形，并获取每个聚类类别对应的声波频段。

在检测车的车轴安装麦克风，收集车辆行驶过程中每个时刻下车轮与地面摩擦的声音，然后通过电信号处理显示出声波波形，利用高通滤波器对波形进行过滤，得到可用的声波波段S＝{S₁,S₂,…,S_i,…,S_n}，对于较高频率的声波，检测车的轮胎和路面之间可能出现了非常规接触，说明路面情况可能出现了变化。

获取第一种聚类类别的声波频段S_A，第二种聚类类别的声波频段S_B，第三种聚类类别的声波频段S_C，第四种聚类类别的声波频段S_D，且四种声波频段的长度一致。

2.根据声波频段的长度将声波波形切分，将切分后的子频段分别与声波频段进行匹配。

以上述几种聚类类别的声波频段的长度为单位长度，将声波波形切分为多段单位长度的子频段，通过匹配算法将每个声波频段依次与子频段进行匹配，将匹配完成的子频段剔除，再次进行匹配，直至匹配停止。

利用KM匹配算法将每个声波频段依次与子频段进行匹配，同时利用动态时间规整算法(DTW)计算匹配的声波频段与子频段之间的相似距离：D_A＝DTW(S_A,S)，D_B＝DTW(S_B,S)，D_C＝DTW(S_C,S)，D_D＝DTW(S_D,S)。将匹配完成的波段从声波波形中剔除，再进行下次的匹配，直到相似距离小于距离阈值时，匹配停止。

3.利用动态时间规整算法(DTW)计算匹配完成的声波频段和子频段之间的相似距离，根据相似距离获取相似程度；相似距离与相似程度呈负相关关系。

利用DTW进行匹配度的评价，相似距离越大，路面情况的相似度越小，表示匹配结果越准确。计算相似程度：

并将相似程度归一化。

步骤S003，记录预设时间段内每个时刻下检测车每个车轮的弹簧加速度，获取左侧车轮的第一加速度差值序列和右侧车轮的第二加速度差值序列，进而分别计算左右两侧每个时刻的加速度差值的离散程度，并选取最小的离散程度作为该时刻下的异常系数。

具体的步骤包括：

1.记录预设时间段内每个时刻下检测车每个车轮的弹簧加速度。

在车辆的底部前后左右的减震器上各装载一个imu惯性加速度计，测量检测车的减震弹簧的加速度，通过加速度的变化可以得到该车减震弹簧的弹簧频率。当汽车底盘下移，减震器开始工作，在这时弹簧的型变量增加，弹簧变长，简谐运动的幅值变大；当汽车底盘上移，减震器产生相应阻力，在此时弹簧的形变量变小，弹簧变短，简谐运动的幅值变小。记录弹簧的加速度左前轮A_L1＝{A_L1 ¹,…,A_L1 ⁱ}，左后轮A_L2＝{A_L2 ¹,…,A_L2 ⁱ}，右前轮A_R1＝{A_R1 ¹,…,A_R1 ⁱ}，右后轮A_R2＝{A_R2 ¹,…,A_R2 ⁱ}。

2.将同一时刻下左侧两个车轮的弹簧加速度做差，作为该时刻下的加速度差值，预设时间段内所有时刻下的加速度差值组成第一加速度差值序列。

计算第i时刻下左侧车轮的加速度差值：

A_L ⁱ＝(A_L1 ⁱ-A_L2 ⁱ)

预设时间段内所有时刻的左侧车轮的加速度差值组成第一加速度差值序列 同理获取第二加速度差值序列/>

3.计算第一加速度差值序列中每个元素与其他元素之间的距离之和，进而得到每个元素的离散程度；距离之和与离散程度呈负相关关系；同理获取第二加速度差值序列中每个元素的离散程度。

由于汽车正常行驶时，也会存在减震弹簧加速度的波动，当到达弹簧的伸展顶点，加速度最大；当到达弹簧的正常伸长时，加速度为0，因此用加速度变化来表达弹簧的振荡幅度，进而计算每个元素的离散程度作为加速度变化的评价。

通过计算第一加速度差值序列中第i个元素与其他元素之间的距离之和，进而得到该元素的离散程度P_L：

其中，∑D(Aⁱ _L,A_L)表示第i个元素与第一加速度差值序列中其他元素之间的距离之和。

同理，获取第二加速度差值序列中第i个元素的离散程度P_R：

其中，表示第i个元素与第二加速度差值序列中其他元素之间的距离之和。

获取异常系数P：

P＝min(P_L,P_R)

异常系数越小，该时刻下存在异常情况的可能性越大。

步骤S004，根据斜率判断路面情况，并根据相似程度和异常系数计算对应的评价指标，通过评价指标评估判断结果的准确性。

当k＝0时，路面情况可能是平整路面或者是裂缝，评价指标U＝Max(Q_A*(1-P),Q_B*(1-P))，当评价指标U为Q_A*(1-P)时，判断结果为平整路面；当评价指标U为Q_B*(1-P)时，判断结果为裂隙。评价指标U的值越大，判断结果越准确，当评价指标U的值小于预设阈值时，该判断结果不准确，不能作为路面情况的判断结果。

当k大于0时，评价指标U＝Q_C*(1-P)，当评价指标大于等于预设阈值时，该时刻检测车接触到地面塌陷的边缘，即将进入塌陷。

当k小于0时，得到U＝Q_D*(1-P)，当评价指标大于等于预设阈值时，该时刻检测车接触到地面塌陷的边缘，即将离开塌陷。

作为一个示例，本发明实施例中预设阈值取值为0.4。

综上所述，本发明实施例记录预设时间段内每个时刻下检测车与路面之间的垂直高度，得到一个高度序列；将高度序列中的所有元素进行聚类，获取多个聚类类别；对每个聚类类别中的垂直高度进行线性拟合，并获取拟合直线的斜率；获取轮胎与路面摩擦的声音对应的声波波形，并获取每个聚类类别对应的声波频段；根据声波频段的长度将声波波形切分，将切分后的子频段分别与声波频段进行匹配，获取匹配时的相似程度；记录预设时间段内每个时刻下检测车每个车轮的弹簧加速度，获取左侧车轮的第一加速度差值序列和右侧车轮的第二加速度差值序列，进而分别计算左右两侧每个时刻的加速度差值的离散程度，并选取最小的离散程度作为该时刻下的异常系数；根据斜率判断路面情况，并根据相似程度和异常系数计算对应的评价指标，通过评价指标判断路面情况的准确性。本发明实施例能够在精确测量路面情况的同时大大降低检测成本。

本发明实施例还提出了一种基于人工智能的道路塌陷监测系统，包括高度模块1001、声波模块1002、加速度模块1003以及路面情况获取模块1004。

具体的，高度模块用于记录预设时间段内每个时刻下检测车与路面之间的垂直高度，得到一个高度序列；将高度序列中的所有元素进行聚类，获取多个聚类类别；对每个聚类类别中的垂直高度进行线性拟合，并获取拟合直线的斜率；声波模块用于获取轮胎与路面摩擦的声音对应的声波波形，并获取每个聚类类别对应的声波频段；根据声波频段的长度将声波波形切分，将切分后的子频段分别与声波频段进行匹配，获取匹配时的相似程度；加速度模块用于记录预设时间段内每个时刻下检测车每个车轮的弹簧加速度，获取左侧车轮的第一加速度差值序列和右侧车轮的第二加速度差值序列，进而分别计算左右两侧每个时刻的加速度差值的离散程度，并选取最小的离散程度作为该时刻下的异常系数；路面情况获取模块用于根据斜率判断路面情况，并根据相似程度和异常系数计算对应的评价指标，通过评价指标评估判断结果的准确性。本发明实施例能够在精确测量路面情况的同时大大降低检测成本。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于人工智能的道路塌陷监测方法，其特征在于，该方法包括以下步骤：

记录预设时间段内每个时刻下检测车与路面之间的垂直高度，得到一个高度序列；将所述高度序列中的所有元素进行聚类，获取多个聚类类别；对每个所述聚类类别中的垂直高度进行线性拟合，并获取拟合直线的斜率；

获取轮胎与路面摩擦的声音对应的声波波形，并获取每个聚类类别对应的声波频段；根据所述声波频段的长度将所述声波波形切分，将切分后的子频段分别与所述声波频段进行匹配，获取匹配时的相似程度；

记录所述预设时间段内每个时刻下所述检测车每个车轮的弹簧加速度，获取左侧车轮的第一加速度差值序列和右侧车轮的第二加速度差值序列，进而分别计算左右两侧每个时刻的加速度差值的离散程度，并选取最小的离散程度作为该时刻下的异常系数；

根据所述斜率判断路面情况，并根据所述相似程度和所述异常系数计算对应的评价指标，通过所述评价指标评估判断结果的准确性。

2.根据权利要求1所述的方法，其特征在于，所述将切分后的子频段分别与所述声波频段进行匹配，包括：

通过匹配算法将每个所述声波频段依次与所述子频段进行匹配，将匹配完成的所述子频段剔除，再次进行匹配，直至匹配停止。

3.根据权利要求1所述的方法，其特征在于，所述相似程度的获取过程为：

利用动态时间规整算法计算匹配完成的所述声波频段和所述子频段之间的相似距离，根据所述相似距离获取所述相似程度；所述相似距离与所述相似程度呈负相关关系。

4.根据权利要求1所述的方法，其特征在于，所述第一加速度差值序列的获取过程为：

将同一时刻下左侧两个车轮的弹簧加速度做差，作为该时刻下的加速度差值，所述预设时间段内所有时刻下的加速度差值组成所述第一加速度差值序列。

5.根据权利要求1所述的方法，其特征在于，所述离散程度的获取过程为：

计算所述第一加速度差值序列中每个元素与其他元素之间的距离之和，进而得到每个元素的所述离散程度；所述距离之和与所述离散程度呈负相关关系；同理获取所述第二加速度差值序列中每个元素的所述离散程度。

6.基于人工智能的道路塌陷监测系统，其特征在于，该系统包括以下模块：

高度模块，用于记录预设时间段内每个时刻下检测车与路面之间的垂直高度，得到一个高度序列；将所述高度序列中的所有元素进行聚类，获取多个聚类类别；对每个所述聚类类别中的垂直高度进行线性拟合，并获取拟合直线的斜率；

声波模块，用于获取轮胎与路面摩擦的声音对应的声波波形，并获取每个聚类类别对应的声波频段；根据所述声波频段的长度将所述声波波形切分，将切分后的子频段分别与所述声波频段进行匹配，获取匹配时的相似程度；

加速度模块，用于记录所述预设时间段内每个时刻下所述检测车每个车轮的弹簧加速度，获取左侧车轮的第一加速度差值序列和右侧车轮的第二加速度差值序列，进而分别计算左右两侧每个时刻的加速度差值的离散程度，并选取最小的离散程度作为该时刻下的异常系数；

路面情况获取模块，用于根据所述斜率判断路面情况，并根据所述相似程度和所述异常系数计算对应的评价指标，通过所述评价指标评估判断结果的准确性。

7.根据权利要求6所述的系统，其特征在于，所述声波模块还包括：

匹配单元，用于通过匹配算法将每个所述声波频段依次与所述子频段进行匹配，将匹配完成的所述子频段剔除，再次进行匹配，直至匹配停止。

8.根据权利要求6所述的系统，其特征在于，所述声波模块还包括：

相似程度获取单元，利用动态时间规整算法计算匹配完成的所述声波频段和所述子频段之间的相似距离，根据所述相似距离获取所述相似程度；所述相似距离与所述相似程度呈负相关关系。

9.根据权利要求6所述的系统，其特征在于，所述加速度模块还包括：

第一加速度差值序列获取单元，用于将同一时刻下左侧两个车轮的弹簧加速度做差，作为该时刻下的加速度差值，所述预设时间段内所有时刻下的加速度差值组成所述第一加速度差值序列。

10.根据权利要求6所述的系统，其特征在于，所述加速度模块还包括：

离散程度获取单元，用于计算所述第一加速度差值序列中每个元素与其他元素之间的距离之和，进而得到每个元素的所述离散程度；所述距离之和与所述离散程度呈负相关关系；同理获取所述第二加速度差值序列中每个元素的所述离散程度。