CN116704355A - 一种航拍式道路照明的照度检测方法及装置 - Google Patents

Abstract

本发明公开了一种航拍式道路照明的照度检测方法，包括以下步骤：获取道路照明的航拍数据，包括道路照明图像和对应的定位信息及航拍高度；对道路照明图像中的路灯所在区域进行网格划分，以获得带有路灯的检测点子图，并对检测点子图进行标签标注，将检测点子图和标签组成数据集；构建包含特征提取模块，特征融合模块以及预测模块的神经网络模型；采用所述数据集对神经网络模型进行训练，以获得用于评估道路照明度的照度评估模型；将待评估区域的航拍数据输入至所述照度评估模型中，以获得待评估域内各路灯的照度值。本发明还提供了一种照度检测装置。本发明提供的方法可以有效提高城市照明设备的日常检修效率。

Description

一种航拍式道路照明的照度检测方法及装置

技术领域

本发明属于市政管理与智慧交通领域，尤其涉及一种航拍式道路照明的照度检测方法及装置。

背景技术

传统道路照度检测主要以人工测量为主。首先对待测路面进行围蔽，然后根据检测要求在路面均匀布点，接着使用照度计测量并读取各点位的照度值，最后将数据录入到电脑端计算测量结果。道路照度检测主要依据GB/T5700-2008进行，国标对测试点的布置在待测路面横向和纵向上均有明确要求。传统检测方法存在质量风险高、客户体验差、工作效率低等弊端。

专利文献CN114152332A公开了一种道路照度测量装置，该装置包括：移动车体；控制机柜，设于所述移动车体；竖直升降组件，设于所述移动车体，且与所述控制机柜通信连接；水平伸缩组件，所述竖直升降组件相对的两侧分别设有至少一个所述水平伸缩组件，所述水平伸缩组件与所述控制机柜通信连接；自动调平云台，在所述竖直升降组件和所述水平伸缩组件上均至少设有一个所述自动调平云台，且所述自动调平云台与所述控制机柜通信连接；以及照度计探头，在每个所述自动调平云台上均设有一个所述照度计探头，且所述照度计探头与所述控制机柜通信连接。该装置搭载于车辆上，而车辆在大区域内道路照度检测过程中效率较低且耗时。

学术文献移动式道路照度检测系统[D].大连工业大学,2020.DOI:10.26992/d.cnki.gdlqc.2020.000203.公开了一种移动式道路照度检测系统，以照度检测小车作为载体，照度检测小车上搭载了GY-30 数字照度传感器与GPS 模块，其采集到的照度数据与定位信息通过WIFI 发送到服务器中，服务器对数据进行可视化处理，显示在可视化终端上。照度检测小车利用2.4G 遥控器进行控制，通过减速电机控制小车的行驶速度，并利用差速转向控制行驶方向，确保小车可精准执行移动式道路照度检测方法。该系统引入了图像数据模型从而提高照度检测的准确率，但是仅用于路面上的照度检测。

发明内容

本发明的目的是提供一种照度检测方法及装置，该方法基于无人机航拍对城市范围内所有照明区域进行检测，从而提高了城市照明设备的日常检修效率。

为了实现本发明的第一个目的，提供了一种航拍式道路照明的照度检测方法，包括以下步骤：

获取道路照明的航拍数据，包括道路照明图像和对应的定位信息及航拍高度。

基于定位信息和航拍高度对道路照明图像中的路灯所在区域进行网格划分，以获得带有路灯的检测点子图，并基于照度值、定位信息以及航拍高度对检测点子图进行标签标注，将检测点子图和标签组成数据集。

构建包含特征提取模块，特征融合模块以及预测模块的卷神经网络模型，所述特征提取模块用于提取道路照明图像中路灯光圈大小，以生成对应的光照特征值，所述特征融合模块根据提取获得的光照特征值，以及对应的定位信息和航拍高度进行特征融合，以获得融合特征值，所述预测模块根据输入的融合特征值进行预测，从而输出预测结果，所述预测结果包括道路照明图像中各路灯的照度值。

采用所述数据集对神经网络模型进行训练，以获得用于评估道路照明度的照度评估模型。

将待评估区域的航拍数据输入至所述照度评估模型中，以获得待评估域内各路灯的照度值。

本发明通过无人机快速获取城市中所有照明区域的图像信息，并基于图像信息对区域中的路灯照明度情况进行评估，其中照明度情况可通过照度值进行评估，即照度值越高则路灯亮度越高，反之则越暗，从而便于工作人员更加准确的对路灯照明设备进行维护。

具体的，所述航拍数据通过设定巡航路径的无人机获取。

具体的，所述检测点子图通过目标定位算法和车道线检测算法获取，所述目标定位算法用于获取道路照明图像中路灯的位置和数量，所述车道线检测算法用于道路照明图像中道路边界和车道的区域划分，并基于路灯所在区域进行裁剪以获得检测点子图。

具体的，所述检测点子图的生成过程如下：

基于道路照明图像中的路灯为基准点，布置多个检测点并确定每个检测点的位置关系。

当设定路灯之间的距离，其中m为一条道路中两两路灯之间的间隔总数，且道路中每个车道中的检测点数量为N时，以确定检测点在纵向的间距为其中，第a个检测点的纵向间距为/>。

当设定道路总宽度为W，车道数量为R，则以确定检测点在横向的间距为。

即第a个检测点与相近路灯之间的纵向距离为，横向距离为/>。

以各检测点为中心对所述道路照明图像进行同尺寸裁剪，以获得对应区域的检测点子图，通过制备检测点子图从而降低环境光或车辆光对数据集的影响。

具体的，所述检测点的数量和检测点在纵向的间距，均基于道路照明图像中路灯之间的间距进行约束：

当路灯之间的间距小于50米时，则检测点的数量定值10个；

当路灯之间的间距大于50米时，则检测点在纵向的间距要小于等于5米。

具体的，训练时，采用均方误差MSE作为损失函数对神经网络模型的参数进行更新。

具体的，所述损失函数的表达式如下：式中，/>表示每个训练批次的样本数量，/>表示第/>个检测点的预测照度，/>表示第/>个检测点的真实照度。

为了实现本发明的第二个目的，提供了一种照度检测装置，通过上述的航拍式道路照明的照度检测方法实现，包括无人机和照度检测系统。

所述照度检测系统包括无人机控制模块，数据采集模块，数据分析模块以及云端可视化模块。

所述无人机控制模块，用于设定无人机的巡航路径和航拍高度。

所述数据采集模块，用于获得拍摄区域的道路照明图像和对应的定位信息以及航拍高度。

所述数据分析模块，其包含预构建的照度评估模型，根据数据采集模块采集的数据输入至照度评估模型，以获得对拍摄区域内各路灯的照度值。

所述云端可视化模块，根据拍摄区域中路灯的照度值与对应道路照明图像的定位信息，生成可视化的路灯照度情况导航图，以作为维修员日常维护的路线规划提供指导。

与现有技术相比，本发明的有益效果：

通过无人机巡航拍摄的方式检测道路照度，极大地节省了人力成本。同时无人机可以在短时间内完成大量的巡航拍摄任务，提高了检测效率。相较于现阶段传统的巡检车其成本极大降低。

附图说明

图1为本实施例提供的照度检测方法的流程图；

图2为本实施例提供的检测点子图的划分示意图；

图3为本实施例提供的照度检测装置的示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面

的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

如图1所示，为本实施例提供的照度检测方法，包括以下步骤：

设定无人机的巡航路径后，通过无人机拍摄获取城市区域内的道路照明图像和对应的定位信息及航拍高度。

更具体地，本实施例中采用的无人机飞行参数包括航拍高度20m~50m，以符合城市无人机飞行限高要求，选定拍摄时间为凌晨1点~3点之间，以减少车辆和建筑灯光对航拍图像的影响，设定无人机飞行速度为25km/h，避免无人机功率过高影响路边居民的日常休息。

基于定位信息和航拍高度对道路照明图像中的路灯所在区域进行网格划分，以获得带有路灯的检测点子图，并基于照度值、定位信息以及航拍高度对检测点子图进行标签标注，将检测点子图和标签组成数据集。

更具体地，操作员在路检车中与空中的无人机同步移动，并通过车上配备的照度仪对当前的路灯照度进行检测，并记录时间便于后续与航拍图像的拍摄时间进行匹配。

依据GB /T5700－2008对道路照明图像进行处理，首先使用目标定位算法（例如YOLO、SSD算法等）确定路灯杆的位置及数量，随后使用车道线检测算法确定道路的边界以及车道划分区域。

基于道路照明图像中的路灯为基准点，布置多个检测点并确定每个检测点的位置关系，如图2所示。

当设定路灯之间的距离，其中m为一条道路中两两路灯之间的间隔总数，且道路中每个车道中的检测点数量为N时，以确定检测点在纵向的间距为其中，第a个检测点的纵向间距为/>。

当设定道路总宽度为W，车道数量为R，则以确定检测点在横向的间距为。

即第a个检测点与相近路灯之间的纵向距离为，横向距离为/>。

以各检测点为中心对所述道路照明图像进行同尺寸裁剪，以获得对应区域的检测点子图。

而本实施例所采用的路面照度计算公式如下：式中，/>表示路面的平均照度，单位为lx，/>表示在第a个检测点的照度，单位为lx，M表示车道数，N表示测试点数量。

同时，GB /T 5700 － 2008 中有特别说明，当路面的照度均匀度较好或对测量精度要求较低时，可以减少检测点，用每车道中心线上的测试点来代表整条车道的照明质量。

构建包含特征提取模块，特征融合模块以及预测模块的神经网络模型，特征提取模块用于提取道路照明图像中路灯光圈大小，以生成对应的光照特征值，特征融合模块根据提取获得的光照特征值，以及对应的定位信息和航拍高度进行特征融合，以获得融合特征值，预测模块根据输入的融合特征值进行预测，从而输出预测结果，预测结果包括道路照明图像中各路灯的照度值。

采用数据集对神经网络模型进行训练，以获得用于评估道路照明度的照度评估模型。

更具体地， 例如一个路段有4盏路灯，S=50m为灯杆之间的距离，每车道测试点数量为10，则测试点在纵向上的间距D=5。假设道路总宽度为，车道数为R=5，则测试点在横向上的测试间距为d=5。整幅路面可划分为共60个测试点。每一个待测点坐标确定后，以每个待测点位中心，提取长宽为w=500像素和h=500像素的区域为检测点子图，采用检测点子图是为了降低环境光或车辆光对数据集的影响。

在训练过程中，将检测点子图和对应的定位信息，航拍高度以及对应的照度值输入至神经网络模型，其中特征提取模块通过提取检测点子图中光照于地面时的光圈大小，以获得对应的光照特征值，而特征融合模块则根据输入检测点子图的定位信息，航拍高度结合对应的光照特征值，生成对应的融合特征，而预测模块根据输入的融合特征以输出预测照度值，最后根据预测照度值和真实的照度值输入至损失函数中，以对神经网络模型的参数进行更新，以获得可用于评估道路照明度的照度评估模型。

神经网络模型的最后一层（即输出层）的输出即为照度数据，同时采用均方误差MSE为损失函数，其表达式如下：式中，/>表示每个训练批次的样本数量，/>表示第/>个检测点的预测照度，/>表示第/>个检测点的真实照度。

将待评估区域航拍获得的道路照明图像输入至所述照度评估模型中，以获得评估区域内各路灯的照度值。

本实施例还提供了一种照度检测装置，基于上述实施例提供的照度检测方法实现，如图3所示，包括无人机和照度检测系统，该照度检测系统包括无人机控制模块，数据采集模块，数据分析模块以及云端可视化模块。

工作人员通过无人机控制模块，设定本次需要排查的路灯所在区域飞行路径，并根据当地航空管制要求设定航拍高度。

无人机根据预设飞行参数执行城市区域内的飞行任务，通过数据采集模块获取道路照明图像和对应的定位信息以及航拍高度。

并根据采集的道路照明图像和对应的定位信息以及航拍高度，通过数据分析模块进行分析，以获得拍摄区域内各路灯的照度值。

而工作人员通过云端可视化模块，获取可视化的路灯照度情况导航图，从而为日常维护的路线规划提供指导。

本领域技术人员在考虑说明书及实践这里公开的内容后，将容易想到 本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适 应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包 括本申请未公开的本技术领域中的公知常识或惯用技术手段。应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。

Claims (8)

1.一种航拍式道路照明的照度检测方法，其特征在于，包括以下步骤：

获取道路照明的航拍数据，包括道路照明图像和对应的定位信息及航拍高度；

基于定位信息和航拍高度对道路照明图像中的路灯所在区域进行网格划分，以获得带有路灯的检测点子图，并基于照度值、定位信息以及航拍高度对检测点子图进行标签标注，将检测点子图和标签组成数据集；

构建包含特征提取模块，特征融合模块以及预测模块的神经网络模型，所述特征提取模块用于提取道路照明图像中路灯光圈大小，以生成对应的光照特征值，所述特征融合模块根据提取获得的光照特征值，以及对应的定位信息和航拍高度进行特征融合，以获得融合特征值，所述预测模块根据输入的融合特征值进行预测，从而输出预测结果，所述预测结果包括道路照明图像中各路灯的照度值；

采用所述数据集对神经网络模型进行训练，以获得用于评估道路中各路灯照明度的照度评估模型；

将待评估区域的航拍数据输入至所述照度评估模型中，以获得待评估域内各路灯的照度值。

2.根据权利要求1所述的航拍式道路照明的照度检测方法，其特征在于，所述航拍数据通过设定巡航路径的无人机获取。

3.根据权利要求1所述的航拍式道路照明的照度检测方法，其特征在于，所述检测点子图通过目标定位算法和车道线检测算法获取，所述目标定位算法用于获取道路照明图像中路灯的位置和数量，所述车道线检测算法用于道路照明图像中道路边界和车道的区域划分，并基于路灯所在区域进行裁剪以获得检测点子图。

4.根据权利要求1或3所述的航拍式道路照明的照度检测方法，其特征在于，所述检测点子图的生成过程如下：基于道路照明图像中的路灯为基准点，布置多个检测点并确定每个检测点的位置关系；当设定路灯之间的距离，且道路中每个车道中的检测点数量为N时，以确定检测点在纵向的间距为/>；其中，第a个测试点的纵向间距为/>；当设定道路总宽度为W，车道数量为R，则以确定检测点在横向的间距为/>；即第a个检测点与相近路灯之间的纵向距离为/>，横向距离为/>；以各检测点为中心对所述道路照明图像进行同尺寸裁剪，以获得对应区域的检测点子图。

5.根据权利要求4所述的航拍式道路照明的照度检测方法，其特征在于，所述检测点的数量和检测点在纵向的间距，均基于道路照明图像中路灯之间的间距进行约束：

当路灯之间的间距小于50米时，则检测点的数量定值10个；

当路灯之间的间距大于50米时，则检测点在纵向的间距要小于等于5米。

6.根据权利要求1所述的航拍式道路照明的照度检测方法，其特征在于，训练时，采用均方误差MSE作为损失函数对神经网络模型的参数进行更新。

7.根据权利要求6所述的航拍式道路照明的照度检测方法，其特征在于，所述损失函数的表达式如下：式中，/>表示每个训练批次的样本数量，/>表示第/>个检测点的预测照度，/>表示第/>个检测点的真实照度。

8.一种照度检测装置，其特征在于，如权利要求1~7所述的航拍式道路照明的照度检测方法实现，包括无人机和照度检测系统；

所述照度检测系统包括无人机控制模块，数据采集模块，数据分析模块以及云端可视化模块；

所述无人机控制模块，用于设定无人机的巡航路径和航拍高度；

所述数据采集模块，用于获得拍摄区域的道路照明图像和对应的定位信息以及航拍高度；

所述数据分析模块，其包含预构建的照度评估模型，根据数据采集模块采集的数据输入至照度评估模型，以获得对拍摄区域内各路灯的照度值；

所述云端可视化模块，根据拍摄区域中路灯的照度值与对应道路照明图像的定位信息，生成可视化的路灯照度情况导航图，以作为维修员日常维护的路线规划提供指导。