基于正则化ResNet50残差网络模型的路面凝冰识别与预警系统

摘 要：湿冷环境下的路面凝冰问题是我国季节性冰冻地区常见的公路气象灾害，路面凝冰会极大降低路面抗滑能力，可能造成车辆追尾、侧翻、横滑和翻车等事故，是冬季城市道路和高速公路交通安全的巨大隐患。本文基于ResNet50残差网络模型，对路面凝冰识别与预警系统进行了设计，进而有效提高冬季公路交通安全水平，进一步减少由于交通事故造成的人员伤亡与财产损失。

关键词：道路凝冰；神经网络模型；图像识别；预警系统

一、引言

路面凝冰检测有人工检测和自动检测两种。由于检测区域太广，传统人工检测方法只能对几处重要路段进行巡检，费时费力且效率低。在自动检测方案中，通常将摄像头采集到的路面图像与各类传感器的检测数据相结合，依靠人工或基于不同分析逻辑的系统判断出检测区域内是否有凝冰。据统计，全国由于不良天气状况导致的交通阻断占总的三分之一[1]，尽管目前市场上已经出现埋入式传感器等传感器技术，在我国关于此项技术的研究仍然处于初步阶段，由于路面环境的开放性以及结冰的不均匀性，埋入式结冰传感器存在可靠性差、成本高且安装困难的问题。基于图像处理的道路凝冰检测技术的优势在于其功能强大，图像直观，由软件控制，便于升级，成本较低；安装维修时不破坏路面，不封闭车道，可以根据不同要求重新设定位置。

本文基于深度学习残差神经网络（ResNet50）算法对路面试件的凝冰图像进行图像预处理以及训练分析，根据训练出的识别算法设计一个高效、准确的路面凝冰识别与预警计算机系统，输入一张路面图像可以分析出路面是否凝冰，并根据分析的结果及时进行信息反馈与预警。

二、研究内容

（一）道路图像的采集

由于自然环境多变，为高效、准确地获得多种不同自然环境下路面积水、积雪、凝冰的图像数据，需设计一个高低温环境试验箱模拟多样化环境下路面试件的凝冰情况，为后续研究提供图像数据。首先需要对图像进行分组，其中训练组图像数量约占总数70%，测试组占15%，预测组占15%。需要利用OpenCV对图像进行预处理，预处理内容主要包括：利用cvtColor函数进行灰度化操作，将彩图转换为黑白图像，提高数据处理速度；其次对道路图像进行分割，由于绿化带的位置是固定的，可通过设定感兴趣区域将绿化带与道路图像分离以减小计算量，在道路图像的分割中，车辆具有较多的边缘信息，所以可以通过边缘检测的方法将车辆与道路图像来进行分割，通过对比了Canny、Sobel、Prewitt、Robert、Laplace这五种边缘检测方法的效果之后发现，Canny算子在检测车辆边缘连接最清晰，所以选用Canny算子进行车辆边缘检测再进目标填充、形态学处理以及分割，加快了图像特征提取的速度；字符分割是图像预处理极为重要的一步，需要利用OpenCV中的合适的函数有效地将每一个字符分开，并且从图片中切割下来，然后才可以导入训练好的模型进行字符识别；最后还需要进行均一化处理用于后续加速神经网络训练收敛以保证程序运行时收敛加快。

（二）深度学习算法用于凝冰特征识别

随着卷积神经网络的不断发展，对于深层特征的获取，一味地增加卷积网络的层数并不总是可行的。网络超过一定的层数，再继续增加层数就会出现网络退化的现象。ResNet[2-3] （深度残差网络）引入了跨层连接，将输入直接跨层传递，进行同等映射，再将输入与卷积之后的结果进行相加。堆叠层不再符合底层映射，转而全部符合残差的映射，这种结构一定程度上解决了网络退化的问题。残差网络的结构特点使得神经网络的训练过程得以加快，它不仅有效地解决了网络退化的现象，还实现了在模型大小与参数不变的情况下，模型识别精度与速度的提升，其结构如图1所示。ResNet50包含有49个卷积层和1个全连接层，整体结构由Conv卷积层，Batch Norm归一化层，ReLU激活函数等基础结构构成。

图1 残差单元结构图

（三）SE注意力机制

由于ResNet50模型在道路凝冰图像数据集上，训练速度较慢、效率低，本研究将SE注意力模块增加到ResNet50网络结构中，在模型每个残差模块中引入SE注意力机制，从而对特征图像进行加权处理，提高模型的特征提取能力，进而加快模型收敛速度。首先进行全局池化层生成特征分布，完成提取信息编码，然后通过激活函数ReLU以及Sigmiod控制机制，得到各个通道之间的相关性，其中ReLU两端依旧是1×1的全连接层[4]，SE－ResNet网络结构如图2所示。

为了进一步增强模型对于道路凝冰图像的特征提取能力，本文将标签平滑引入到模型训练中，以对真实标签进行平滑处理防止模型过拟合，来进一步提升原模型的泛化能力。Label Smooth标签平滑是由Szegedy等提出，针对one－hot可能带来的过拟合问题，传统的分类损失多使用softmax loss，对全连接进行计算softmax，再利用交叉熵进行计算［5］。Label Smooth标签平滑引入了随机噪声，将目标变为非one－hot形式，其中ε代表超参数，n为分类的类别个数。公式如下：

（1）

标签平滑中，损失的概率不再是1或0，这一定程度上增强了模型的泛化能力，且弥补了模型可能出现的过拟合问题，产生更好的校准网络。因此，将SE注意力机制与Label Smooth标签平滑综合起来加入到模型训练的过程中，可以进一步增加模型训练的收敛速度、提高模型的泛化能力。

三、系统构架设计

（一）系统的技术特点

本系统软件基于Matlab R2021b开发，首先根据MATLAB深度学习库建立ResNet50残差网络layers模型即*.mlx文件，运用*.mlx文件将收集到的图像数据进行分组，进而通过网络模型实现训练与识别。训练过程中，通过调整MiniBatchSize、MaxEpochs、正则化参数、学习率等参数获得最优识别网络模型CNNtest.mat文件，作为识别系统的核心部分。随后基于Matlab R2021b的APP Designer平台设计出软件操作界面，生成原始的*.mlapp文件，在此基础上运用Matlab自带的Matlab Compiler编译器对文件进行编译，编译成可脱离Matlab环境的能够独立执行的*.exe文件，只要在安装Matlab Compiler（可独立安装，且安装文件很小）的电脑上都可以运行本软件，提高可移植性。

（二）软件的主要功能

1.对道路监控系统中获得的图像数据进行预处理（灰度化、二值化、均一化、目标标记等）突出所需识别的凝冰区域，进而将凝冰特征进行标记；

2.将特征标记后的路面图像数据进行正则化ResNet50残差网络图像识别，预测路面是否处于结冰状态；

3.及时输出道路是否凝冰的信息，对道路凝冰状况进行预警；

4.快速清除用户输入的图像数据和计算结果，快速进入下一批图像数据的输入计算和图形绘制。

四、结语

目前在人工智能算法的支持下，图像识别技术逐渐应用到了各行各业，但当前社会很少有团队利用图像识别技术进行道路结冰分析的研究，主要原因有两点，一是该研究属于学科交叉型研究，需要交通、道路与计算机等专业的交互知识作为研究基础；二是道路凝冰图像识别需要多种自然环境条件下的巨量路面图片，这些图像数据获取难度大、周期久，进而相关研究无法很快取得进展。因此，本项目开展路面凝冰图像识别的研究，主要解决以上两个问题，首先设计一个高低温环境试验箱模拟多样化环境下路面试件的凝冰情况，为后续图片识别研究提供充足的图像数据；其次寻求高效的神经网络算法实现对路面凝冰图像的准确识别与信息反馈。

参考文献：

[1]娄国青，任俊伟.不良天气下的高速公路交通流特性及引导控制研究[J].黑龙江科技信息，2017（4）：206.

[2]He K M，Zhang X Y，Ren S Q，et al． Deep residual learning for image recognition[C] //2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）．Las Vegas，NV，USA.IEEE，2016：770－778.

[3]熊梦园，詹 炜，桂连友，等.基于ResNet模型的玉米叶片病害检测与识别[J].江苏农业科学，2023，51（8）：164－170．

[4]陈雪敏.基于SE－ResNet模型的多角度人脸识别系统设计[J].贵阳学院学报（自然科学版），2020，15（4）：10－13．

[5]Szegedy C，Vanhoucke V，Ioffe S，et al.Rethinking the inception architecture for computer vision[C]/ /2016 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）.Las Vegas，NV，USA.IEEE，2016：2818－2826．