基于群智感知的城市路況信息采集系統(tǒng)研究分析 城市管理專業(yè)

目錄摘要 ……………………（01）Abstract …………………（02）前言 ……………………（02）第1章 緒論………….(04）第1.1節(jié) 研究背景及意義………（05)第1.2節(jié)本文的主要工作及創(chuàng)新點(diǎn)……………… (06)第1.3節(jié)本文的組織結(jié)構(gòu)………… (07)第2章 路面損壞檢測(cè)及其研究現(xiàn)狀…… (07)第2.1節(jié)路面破損檢測(cè)概述……….(07)第2.2節(jié) 國(guó)內(nèi)外研究狀況分析……(08)第2.2.1節(jié)國(guó)內(nèi)研究現(xiàn)狀………….(08)第2.2.2節(jié)國(guó)外研究現(xiàn)狀………….(09)第2.3節(jié)本章小結(jié)………………… (11)第3章群智感知道路坑槽檢測(cè)知識(shí)概述………………(11)第3.1節(jié)群智感知技術(shù)……………(11)第3.2節(jié)系統(tǒng)介紹………………….(13)第3.2.1節(jié)系統(tǒng)概述……………….(13)第3.2.3節(jié)基于Android的檢測(cè)系統(tǒng)…………… (13)第3.3節(jié)系統(tǒng)模塊………………….(15)第3.3.1節(jié)系統(tǒng)客戶端…………….(15)第3.3.2節(jié)中心服務(wù)器…………….(16)第3.3.3節(jié)查詢用戶……………….(18)第3.4節(jié)本章總結(jié)………………….(18)第4章數(shù)據(jù)處理…………(19)第4.1節(jié)原始數(shù)據(jù)采集…………….(19)第4.2節(jié)數(shù)據(jù)預(yù)處理……………….(22)第4.3節(jié)數(shù)據(jù)分片………………….(24)第4.4節(jié)數(shù)據(jù)特征處理…………….(25)第4.5節(jié)本章小結(jié)………………….(26)第5章路面破損情況以及道路坑槽檢測(cè)………………(26)第5.1節(jié)支持向量機(jī)(SVM)算法的應(yīng)用……………(26)第5.1.1節(jié)SVM算法概述…………..(27)第5.1.2節(jié)基于SVM算法的檢測(cè)…………………(28)第5.2節(jié)k-means聚類算法的應(yīng)用…………………(29)第5.2.1節(jié)k-means聚類算法概述…………………(29)第5.2.2節(jié)基于k-means聚類算法的檢測(cè)……….(30)第5.3節(jié)實(shí)驗(yàn)過(guò)程及結(jié)果………….(32)第5.3.1節(jié)原始數(shù)據(jù)采集………….(32)第5.3.2節(jié)數(shù)據(jù)分片……………….(35)第5.3.3節(jié)數(shù)據(jù)特征提取………….(36) 第5.3.4節(jié)SVM以及k-means結(jié)果比較…………..(36)第5.4節(jié)本章小結(jié)………………….(40)第6章總結(jié)與展望………(40)第6.1節(jié)本文總結(jié)………………….(40)第6.2節(jié)后續(xù)工作展望…………….(41)參考文獻(xiàn)…………………(42)致謝…………………(44)摘要對(duì)路面的破損進(jìn)行檢測(cè)是管理和養(yǎng)護(hù)道路的一個(gè)重要組成部分。路面破損會(huì)嚴(yán)重的影響行車的安全性、舒適性和路容路貌。近年來(lái)，因?yàn)橐苿?dòng)設(shè)備以及智能手機(jī)爆發(fā)式的普及，許多大規(guī)模，復(fù)雜的社會(huì)感知任務(wù)的實(shí)現(xiàn)成為了可能。大量且分散的群智感知用戶被交以一些數(shù)據(jù)收集的任務(wù)，而這些任務(wù)常常是一個(gè)大規(guī)模任務(wù)所分散分配而來(lái)。利用傳統(tǒng)人工來(lái)檢測(cè)路面情況這種方式不僅耗利又耗財(cái)而且還會(huì)出現(xiàn)檢測(cè)不及時(shí)或者有些路面檢查不到的情況。因此如何節(jié)省物力又節(jié)省人力但是又能及時(shí)的檢測(cè)出道路是否破損以及其破損情況是當(dāng)前亟需解決的問(wèn)題。本篇論文通過(guò)基于群智感知的方式收集城市路況的數(shù)據(jù)信息，并且對(duì)這些采集到的原始數(shù)據(jù)進(jìn)行一系列的預(yù)處理，利用機(jī)器學(xué)習(xí)中的SVM算法以及k-means聚類算法來(lái)提取數(shù)據(jù)特征，并將這兩個(gè)算法進(jìn)行對(duì)比。來(lái)達(dá)到低成本、低工作強(qiáng)度的目的。關(guān)鍵詞：坑槽檢測(cè)；聚類算法；群智感知；機(jī)器學(xué)習(xí)

AbstractPavementdistressdetectionisanimportantpartofroadmanagementandmaintenance.Thedamagedpavementwillseriouslyaffecttrafficsafety,comfortandroadappearance.Inrecentyears,becauseoftheexplosivepopularityofmobiledevicesandsmartphones,manylarge-scaleandcomplexsocialsensingtasksbecomepossible.Alargenumberofdispersedgroupsofcrowd-sensingusersaretaskedwithsomedatacollection,andthesetasksareoftendistributedbyalarge-scaletask.Usingtraditionallabortodetectpavementcondition,notonlyisitcostlyandwasteful,butitmayalsocannotbedetectedintimeorsomepavementconditionsthatcannotbedetected.Therefore,howtosavematerialresourcesandsavemanpower,andtimelydetectwhethertheroadisdamagedornotistheurgentproblemtosolvenow.

Accordingtothewayofcrowd-sensingtocollectinformationonurbanpavementconditions,inthisthesis,andperformaseriesofpreprocessingontheseinitialdata.UsingSVMalgorithmandk-meansclusteringalgorithmextractdatafeatures,andcomparingthesetwoalgorithms.Toachievethegoaloflowcostandlowintensityofwork.Keywords:potholedetection;clusteringalgorithm;mobilecrowd-sensing;machinelearning

前言物聯(lián)網(wǎng)的發(fā)展使得群智感知滲透到人們的生活中去，例如在環(huán)境、社會(huì)生活以及基礎(chǔ)設(shè)施中已有應(yīng)用[1]。比如在環(huán)境方面，可通過(guò)可以通信的空氣質(zhì)量傳感器來(lái)上傳空氣質(zhì)量相關(guān)的數(shù)據(jù)，然后通過(guò)web來(lái)進(jìn)行共享；在社會(huì)交往的方面，騰訊采用了共同好友的機(jī)制來(lái)進(jìn)行好友的推薦；而在公共交通方面上，已有的應(yīng)用則包括交通流量的跟蹤監(jiān)測(cè)、停車位的尋找等，但是對(duì)于在道路狀況檢測(cè)上的應(yīng)用并不是很多，且大多數(shù)都需要人為的參與，通過(guò)及時(shí)反饋或拍攝圖片進(jìn)行記錄，但是這并沒有解決成本問(wèn)題和用戶參與問(wèn)題。所以系統(tǒng)并沒有真正得到應(yīng)用。同時(shí)，大多數(shù)應(yīng)用還面臨用戶數(shù)據(jù)的傳輸影響網(wǎng)絡(luò)的使用、如何保證用戶信息的私密性等問(wèn)題。于是基于群智感知的一些特性，本文將其應(yīng)用到道路坑槽情況的檢測(cè)中去，以更好的服務(wù)社會(huì)。隨著這社會(huì)的不斷進(jìn)步，經(jīng)濟(jì)的發(fā)展，為了方便人們的出行需要，修建道路的數(shù)量越來(lái)越多。許多道路因?yàn)槠茡p沒有被及時(shí)維修，導(dǎo)致年久失修，輕則影響行車體驗(yàn)，重則出現(xiàn)安全隱患，導(dǎo)致交通事故。為了避免這種情況的發(fā)生，通過(guò)大眾的移動(dòng)設(shè)備以及智能手機(jī)中的加速度計(jì)以及GPS傳感器等，用戶將無(wú)意識(shí)的采集數(shù)據(jù)上傳到服務(wù)器，中心服務(wù)器將會(huì)收集這些數(shù)據(jù)信息并進(jìn)行處理來(lái)判斷路面破損的等級(jí)，可以使得相關(guān)部門及時(shí)的對(duì)這些道路進(jìn)行處理。在分析國(guó)內(nèi)的道路狀況的基礎(chǔ)上，本文提出了簡(jiǎn)化道路監(jiān)測(cè)與修復(fù)的工作難度以及提高道路行車安全性的方法。設(shè)想一個(gè)利用群智感知的思想來(lái)將數(shù)據(jù)大量采集，將數(shù)據(jù)回傳、分析處理、并加以利用，形成一個(gè)不需要人為參與的道路坑槽檢測(cè)系統(tǒng)。該系統(tǒng)將得到的原始數(shù)據(jù)進(jìn)行平坦與坑槽的劃分處理，本文主要對(duì)這個(gè)劃分處理所應(yīng)用的算法進(jìn)行簡(jiǎn)述、對(duì)比。緒論本章介紹了研究這個(gè)課題的背景并且探討了研究的意義。大概簡(jiǎn)述了本篇論文所做的主要工作、貢獻(xiàn)以及創(chuàng)新點(diǎn)。最后，介紹了本文的組織結(jié)構(gòu)。1.1 研究背景及意義隨著中國(guó)經(jīng)濟(jì)的發(fā)展以及經(jīng)濟(jì)活躍程度，以及人民群眾收入水平的不斷提高，越來(lái)越多的人具備購(gòu)買機(jī)動(dòng)車的能力。為了方便出行，中國(guó)汽車的保有量一直持續(xù)上升，僅僅是機(jī)動(dòng)車的保有量，我國(guó)就已經(jīng)突破了三億。這與道路建設(shè)的發(fā)展也有著密切的聯(lián)系。近年來(lái)，我國(guó)道路破損嚴(yán)重，原因復(fù)雜，總結(jié)起來(lái)為三個(gè)方面的問(wèn)題：設(shè)計(jì)、施工和使用這三個(gè)方面的問(wèn)題，并且每個(gè)方面在道路破損的實(shí)例中都占有一定的比例。從使用方面來(lái)說(shuō)，原因主要集中在交通量匹配和養(yǎng)護(hù)維修兩個(gè)方面，超載運(yùn)輸也是一個(gè)主要的原因。而在路面破損方面可以將破損分為功能性以及結(jié)構(gòu)性。結(jié)構(gòu)性的破損表現(xiàn)為路面結(jié)構(gòu)的承載力下降，以及出現(xiàn)各種結(jié)構(gòu)裂縫。功能性的破損的表現(xiàn)則為，影響行車的質(zhì)量以及行車的安全，路面服務(wù)能力下降、抗滑性能、平整度降低。通常，結(jié)構(gòu)性的破損達(dá)到一定程度的時(shí)候，同樣也會(huì)出現(xiàn)功能性的破損[2]。中國(guó)公路一直在不斷的發(fā)展、進(jìn)步，這是我國(guó)走向現(xiàn)代化的標(biāo)志，是發(fā)展現(xiàn)代交通行業(yè)的橋梁。中國(guó)公路的里程數(shù)每年也在以幾十萬(wàn)公里的數(shù)量增長(zhǎng)，以實(shí)現(xiàn)“條條道路通羅馬”。但是我國(guó)每年在公路上發(fā)生的交通事故數(shù)量不容小覷。相比之下，世界上第一個(gè)擁有高速公路的國(guó)家是德國(guó)，它也是唯一一個(gè)擁有不限速的公路的國(guó)家。然而在道路交通安全管理的方面上，發(fā)生交通事故的死亡人數(shù)和死亡率卻很低，并仍然呈持續(xù)減少的趨勢(shì)，除了與德國(guó)公路的專業(yè)、嚴(yán)格管理、精準(zhǔn)、安全意識(shí)的培養(yǎng)之外這與他們對(duì)公路嚴(yán)格而精密的養(yǎng)護(hù)工作是分不開的。各種各樣的外界環(huán)境因素比如溫度、濕度、能見度、雨量、風(fēng)速等都是在他們的嚴(yán)密監(jiān)控之下，并通過(guò)廣播、可變動(dòng)提示板等設(shè)備傳達(dá)消息，提示公路的維修。但是在土地廣袤的中國(guó)，特意部署眾多智能設(shè)備需要付出高額的維護(hù)成本和代價(jià)。在已有的技術(shù)中，除了傳統(tǒng)采用人工實(shí)地勘察記錄再到相關(guān)部門進(jìn)行統(tǒng)計(jì)分析這種工作量巨大且數(shù)據(jù)準(zhǔn)確度不確定的方法以外，還有基于深度卷積網(wǎng)絡(luò)的路面遺留物檢測(cè)方法[3]，這種方法屬于深度特征的視頻檢測(cè)技術(shù)領(lǐng)域，這種方法就需要提前部署攝像裝置，采集每一條道路所安裝設(shè)備的視頻圖像信息，對(duì)這些信息進(jìn)行處理、訓(xùn)練之后提取圖像特征，再分析這些信息。但是這樣的技術(shù)不僅僅是要在每一條街道安裝攝像機(jī)等設(shè)備，而且要對(duì)這些設(shè)備進(jìn)行維護(hù)也是一個(gè)問(wèn)題。因此，我們?cè)诖艘肓巳褐歉兄母拍睿尨罅慷址稚⒌挠脩羧后w在無(wú)意識(shí)的情況下，探測(cè)城市道路是否有坑槽以及坑槽的嚴(yán)重程度，這些用戶的智能移動(dòng)設(shè)備將自行的把數(shù)據(jù)傳輸?shù)街行姆?wù)器，體現(xiàn)人多力量大的特點(diǎn)，不僅有效的解決了問(wèn)題又降低了養(yǎng)護(hù)成本而且極大程度的降低了路面平整度檢測(cè)成本，最大限度的縮短了檢測(cè)周期。1.2 本文的主要工作及創(chuàng)新點(diǎn)基于當(dāng)前已存在的技術(shù)存在的一些問(wèn)題，本文提出了一種方法，即基于群智感知的道路坑槽檢測(cè)方法。該方法通過(guò)駕駛員的手機(jī)終端里集成的傳感器來(lái)采集路面信息以及位置信息，之后上傳到中心服務(wù)器，對(duì)這些數(shù)據(jù)進(jìn)行分析處理，判斷路面是否破損以及破損程度。本文的主要工作具體如下：通過(guò)查閱大量的相關(guān)文獻(xiàn)，大致介紹了國(guó)內(nèi)外對(duì)路面破損檢測(cè)的研究。完成對(duì)路面坑槽的檢測(cè)系統(tǒng)的設(shè)計(jì)并對(duì)其進(jìn)行分析。在多種道路狀況下對(duì)車輛的行駛進(jìn)行具體的分析。在基于機(jī)器學(xué)習(xí)的理論基礎(chǔ)上，利用SVM算法來(lái)提取路面坑槽特征。根據(jù)國(guó)家的標(biāo)準(zhǔn)對(duì)于路面坑槽破損的程度進(jìn)行劃分，通過(guò)k-means（k均值）聚類算法，來(lái)預(yù)測(cè)不同坑槽的破損程度。本文的創(chuàng)新點(diǎn)即，將群智感知的概念應(yīng)用到了道路坑槽檢測(cè)中去，并且該坑槽檢測(cè)機(jī)制采用了SVM算法且與k-means聚類算法進(jìn)行對(duì)比。1.3 本文的組織結(jié)構(gòu)本文共分為六部分，各章內(nèi)容結(jié)構(gòu)安排如下所示：第一章：緒論。緒論部分主要介紹了本篇論文的研究背景及意義、本文的主要工作，最后介紹了本文的組織結(jié)構(gòu)。第二章：路面損壞檢測(cè)及其研究現(xiàn)狀。本章主要介紹了目前檢測(cè)路面是否破損主要的技術(shù)以及當(dāng)前國(guó)內(nèi)外對(duì)這方面的研究現(xiàn)狀。第三章：群智感知道路檢測(cè)系統(tǒng)概述。在這一章，首先介紹了群智感知的概念，之后大致的介紹了如何利用群智感知的概念來(lái)實(shí)現(xiàn)一個(gè)坑槽檢測(cè)系統(tǒng)，并對(duì)這一系統(tǒng)進(jìn)行了大致的概括，之后又介紹了基于Andriod的檢測(cè)系統(tǒng)，并對(duì)系統(tǒng)的每一部分的模塊進(jìn)行概述。第四章：數(shù)據(jù)處理。第四部分主要介紹了如何對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理。第五章：路面破損情況以及道路坑槽檢測(cè)。運(yùn)用SVM算法以及k-means聚類算法對(duì)采集的數(shù)據(jù)進(jìn)行具體的操作。第六章：總結(jié)與展望?？偨Y(jié)全文，并對(duì)未來(lái)工作提出設(shè)想與展望。第2章 路面損壞檢測(cè)及其研究現(xiàn)狀本章主要介紹了目前用于路面破損檢測(cè)的一些技術(shù)，以及這項(xiàng)研究在國(guó)內(nèi)外的研究情況。路面破損的種類繁多，并且形成原因復(fù)雜，對(duì)路面坑槽的檢測(cè)就是路面破損檢測(cè)的重要內(nèi)容之一。于是，在本文對(duì)于路面的破損情檢測(cè)進(jìn)行研究之前，對(duì)當(dāng)前路面破損情況檢測(cè)技術(shù)以及國(guó)內(nèi)外的研究現(xiàn)狀進(jìn)行概述和分析。2.1 路面破損檢測(cè)概述經(jīng)過(guò)二十多年的快速發(fā)展，我國(guó)公路養(yǎng)護(hù)的里程迅速增加。隨著經(jīng)濟(jì)的發(fā)展，人們生活水平的提高，交通運(yùn)輸在人們生活中已經(jīng)占有重要的地位。城市車輛保有量的增加，使得給公路的負(fù)擔(dān)越來(lái)越重。若在道路的破損初期，能被及時(shí)的發(fā)現(xiàn)，并且采取相應(yīng)的措施，就可以有效的防止破損變得更加嚴(yán)重，減少路面的維修的開銷，并且遏制了因?yàn)榈缆吩蚨l(fā)的交通事故。所以，如果能夠及時(shí)的對(duì)路面情況進(jìn)程檢測(cè)十分有意義。按照《公路工程技術(shù)狀況評(píng)定標(biāo)準(zhǔn)》，路面損壞、平整度、車轍、抗滑性能以及結(jié)構(gòu)強(qiáng)度為路面檢測(cè)的五個(gè)指標(biāo)。其中，路面破損類型常見的有：坑槽、松散、沉陷、拱起和裂縫等[4]。以往傳統(tǒng)的檢測(cè)路面的方法，是通過(guò)人工徒步實(shí)地勘察，即步行人眼觀察法，還有坐車錄像屏幕測(cè)度法，這些方法都需要通過(guò)人工人為的來(lái)判斷并記錄路面破損的種類、數(shù)量，還要計(jì)算破損率，最后求得破損指數(shù)（PCI）[5]。但是這些方法不僅要依靠大量的有相關(guān)專業(yè)知識(shí)的人員，而且還要耗費(fèi)大量的時(shí)間以及精力，最主要的是還有可能因?yàn)槿藶樵蚨`判，這些都會(huì)導(dǎo)致工作效率低下，使得檢測(cè)和養(yǎng)護(hù)路面都不得不花大量的時(shí)間，因?yàn)闄z測(cè)以及養(yǎng)護(hù)路面有時(shí)候都不得不封閉交通，降低了道路通行力，經(jīng)濟(jì)損失嚴(yán)重并且對(duì)社會(huì)會(huì)造成不良的影響。因此，傳統(tǒng)的道路檢測(cè)的作業(yè)方式已經(jīng)不能滿足于當(dāng)今的社會(huì)需要，更加便捷的檢測(cè)方式需求日漸迫切。2.2 國(guó)內(nèi)外研究狀況分析公路養(yǎng)護(hù)以及管理的前提是對(duì)公路路面進(jìn)行檢測(cè)，只有在做好這個(gè)先驗(yàn)步驟以后才能更有效率的進(jìn)行之后的工作。2.2.1 國(guó)內(nèi)研究現(xiàn)狀我國(guó)經(jīng)濟(jì)不斷發(fā)展，為了供應(yīng)不斷增加的客流量以及貨物流量，隨之而來(lái)的就是公路里程的增加，在路面設(shè)計(jì)以及道路基本設(shè)施管理上，我們已經(jīng)向前垮了一大步。但是對(duì)于城市道路建設(shè)的質(zhì)量上來(lái)看，還不盡人意。與其他國(guó)家的技術(shù)相比，我國(guó)在測(cè)量公路路面情況采用數(shù)字圖像處理技術(shù)時(shí)所利用的圖像傳感器以及圖像采集技術(shù)明顯有不成熟之處[6]。國(guó)內(nèi)多用在車輛上裝載攝像攝影裝備的以及計(jì)算機(jī)圖像處理的方法，這種方法即在車輛上裝攝像機(jī)、激光掃描儀以及CCD面陣相機(jī)，通過(guò)這些設(shè)備采集路面道路情況，最后離線處理這些圖像信息。還有通過(guò)在車輛上裝載運(yùn)功傳感器來(lái)檢測(cè)路面的方法，獲得路面信息以后再利用模式識(shí)別技術(shù)以及統(tǒng)計(jì)學(xué)來(lái)獲取有效信息。2.2.2 國(guó)外研究現(xiàn)狀隨著公路建設(shè)的日新月異，路面破損特征自動(dòng)化檢測(cè)體系也相伴而來(lái)。在自動(dòng)化檢測(cè)體系到來(lái)之前加拿大的公司在20世紀(jì)70年代就已經(jīng)開始進(jìn)行路面數(shù)據(jù)收集分析方面的研究。但由于技術(shù)水平的限制，只是處于探索階段。初期階段主要是攝像測(cè)量法[7]，基本原理是在車輛上以一定的角度安裝高速攝像機(jī)，在某一速度下將路面情況錄入攝像帶，之后快速處理成數(shù)據(jù)。探地雷達(dá)法是另外一種方法，這是在車上裝上探底雷達(dá)，并且以一定的速度行駛，在此過(guò)程中，雷達(dá)發(fā)射電磁脈沖并且可以短時(shí)間穿透路面，然后脈沖反射波將會(huì)被無(wú)限接收機(jī)所接收，最終數(shù)據(jù)采集系統(tǒng)將會(huì)記錄返回的時(shí)間以及路面結(jié)構(gòu)里面不連續(xù)的電介質(zhì)常數(shù)突變情況。之后的日本komatsu體系，是一種模擬攝影技術(shù)，這個(gè)技術(shù)將會(huì)發(fā)送氬激光的激光掃描器安裝在車輛的兩端，并通過(guò)光電倍增管接受一定角度的反射光。如果路面有破損，所接受的射線數(shù)量會(huì)相應(yīng)的減少，這樣就可以通過(guò)反射光線的數(shù)量來(lái)判斷路面破損的程度。聯(lián)機(jī)檢索出現(xiàn)后，出現(xiàn)了集成檢測(cè)車，對(duì)路面檢測(cè)的項(xiàng)目不再那么單一化。檢測(cè)車用攝像頭對(duì)地面進(jìn)行掃描，在車前安裝20個(gè)激光傳感器來(lái)檢測(cè)道路情況，并且一次可檢測(cè)兩條車道，極大的提高了效率。例如，日本yogoshiro高速道路管理技術(shù)中心開發(fā)的高速路面檢測(cè)車，通過(guò)CCD攝像頭以及激光發(fā)射器來(lái)檢測(cè)路面狀況，并且使用輪速傳感器協(xié)助全球定位系統(tǒng)對(duì)破損路面進(jìn)行檢測(cè)。多功能路況檢測(cè)技術(shù)的出現(xiàn)，使得路面損傷檢測(cè)方面取得了很大進(jìn)展，該技術(shù)主要應(yīng)用線掃描相機(jī)技術(shù)以及紅外激光照明技術(shù)。例如，美國(guó)PSI生產(chǎn)的多功能道路檢測(cè)車PathRunner以及加拿大FugroRoadware生產(chǎn)的多功能道路檢測(cè)車ARAN等。圖2.1以及圖2.2展示了這兩種車。圖2.1道路檢測(cè)車PathRunner圖2.2道路檢測(cè)車ARAN現(xiàn)今隨著移動(dòng)設(shè)備以及智能手機(jī)的普及，一個(gè)新的研究方向已經(jīng)開始。AksamitP等人提出的一種基于智能手機(jī)中加速度計(jì)信號(hào)功率閾值的路面坑槽檢測(cè)系統(tǒng)[8]，Mednis等人提出的基于智能手機(jī)加速度計(jì)以及GPS傳感器的坑槽檢測(cè)系統(tǒng)[9]以及DemetrioCarmineFesta等人利用智能手機(jī)內(nèi)置麥克風(fēng)傳感器檢測(cè)車輛收到的聲壓級(jí)別來(lái)判斷坑槽，且利用GPS傳感器來(lái)定位[10]等。2.3 本章小結(jié) 在本章，主要介紹了有關(guān)路面檢測(cè)的一些內(nèi)容以及發(fā)展情況，對(duì)傳統(tǒng)路面檢測(cè)技術(shù)進(jìn)行大致的概述。之后對(duì)國(guó)內(nèi)外路面檢測(cè)技術(shù)做了一定的簡(jiǎn)介，并進(jìn)行了總結(jié)，最后指出了可繼續(xù)進(jìn)行研究有關(guān)路面檢測(cè)的方向。第3章群智感知道路坑槽檢測(cè)知識(shí)概述3.1 群智感知技術(shù)互聯(lián)網(wǎng)在20世紀(jì)90年代進(jìn)入中國(guó)，全球互聯(lián)網(wǎng)經(jīng)歷了諸多發(fā)展之后現(xiàn)在正進(jìn)入一個(gè)轉(zhuǎn)折點(diǎn)，其中，一個(gè)重要標(biāo)志就是迎來(lái)了物聯(lián)網(wǎng)時(shí)代的到來(lái)。通過(guò)各種信息傳感器并且按照各自的協(xié)議，物聯(lián)網(wǎng)將各類物體與互聯(lián)網(wǎng)相連接起來(lái)以達(dá)到進(jìn)行信息交流的目的等，這使得物聯(lián)網(wǎng)被認(rèn)為是第三次信息產(chǎn)業(yè)的浪潮。在物聯(lián)網(wǎng)的這個(gè)大環(huán)境下，人們通過(guò)各種移動(dòng)設(shè)備中的各種集成的傳感器以及已有的無(wú)線通信技術(shù)進(jìn)行計(jì)算和通信。我們通過(guò)這些智能設(shè)備高效、精準(zhǔn)的特征，可以捕捉到物理世界的大量且繁多種類的信息數(shù)據(jù)，并且對(duì)這些數(shù)據(jù)信息進(jìn)行分析。這使得人類的各類生活因?yàn)檫@些智能設(shè)備有了極大的便利。移動(dòng)群智感知作為一種新的感知模式被提出并成為了研究的熱點(diǎn)，被大家所廣泛的應(yīng)用。移動(dòng)群智感知是指一大群普通用戶攜帶智能手機(jī)或者移動(dòng)設(shè)備，有意識(shí)或者無(wú)意識(shí)的進(jìn)行數(shù)據(jù)收集，完成一些以傳統(tǒng)方式要耗費(fèi)大量時(shí)間和物資的任務(wù)。這些普通用戶攜帶的帶有各種各樣傳感器的移動(dòng)設(shè)備或智能手機(jī)作為群智感知的基本感知單元，并且這些傳感器擁有越來(lái)越強(qiáng)大的感知和計(jì)算能力，依靠這些傳感器，每位用戶做出零散的貢獻(xiàn)，以最終完成一個(gè)大型工程為結(jié)果，而且這些用戶不需要知曉許多的專業(yè)知識(shí)，因?yàn)槿褐歉兄挠脩舸蟛糠质且恍┓菍I(yè)人士。群智感知就是物理上分散的個(gè)體，通過(guò)網(wǎng)絡(luò)通信，實(shí)現(xiàn)個(gè)體與整體的共贏。在實(shí)際的群智感知應(yīng)用中，關(guān)鍵在于使用傳感器收集大量的數(shù)據(jù)。如果專門使用集成傳感器的物理設(shè)備來(lái)采集數(shù)據(jù)，一方面達(dá)不到大量數(shù)據(jù)的要求，另一方面攜帶不便無(wú)法激勵(lì)用戶使用。而據(jù)移動(dòng)情報(bào)公司Newzoo發(fā)布的全球移動(dòng)市場(chǎng)年度報(bào)告中顯示，2017年全球智能手機(jī)用戶已達(dá)26億，并且到2020年將達(dá)到36億。同時(shí)，中國(guó)的智慧型手機(jī)用戶最多，高達(dá)7.17億。顯然，智能手機(jī)已成為中國(guó)人必不可少的智能設(shè)備。而智能手機(jī)本身就集成了大量的傳感器，包括陀螺儀、加速度計(jì)、光感、紅外等等。而本文的城市路況信息采集系統(tǒng)則主要利用手機(jī)中加速度計(jì)和GPS的感知數(shù)據(jù)，上傳到云端服務(wù)器供使用。群智感知框架由圖3.1所示： 圖3.1群智感知框架群智感知又分為用戶有意識(shí)的群智感知以及用戶無(wú)意識(shí)的群智感知。我們之前提到的依賴于行走或者正在開車的人通過(guò)主動(dòng)參與的方式參與群智感知，這種活動(dòng)便是用戶有意識(shí)的群智感知。但是這種方式所帶來(lái)的結(jié)果就是需要付出極大的人力物力的成本，需要一部分人放下手上現(xiàn)有的事情，投入一些精力去完成這件工作。而且一般都是無(wú)償?shù)纳鐣?huì)感知任務(wù)，所以人們的參與度普遍不高。而且通過(guò)這種方式采集到的數(shù)據(jù)一般都是不同平臺(tái)、不同格式、不同性質(zhì)、不一定準(zhǔn)確的，給數(shù)據(jù)的處理者帶來(lái)極大的難度，而且信息容易出現(xiàn)失誤以及滯后。而用戶無(wú)意識(shí)的群智感知?jiǎng)t可以規(guī)避這些問(wèn)題，可以打破需要“人”實(shí)際參與的壁壘，把任務(wù)全都交給機(jī)器來(lái)做。這種方式帶來(lái)的好處不可估量，節(jié)省了大量的時(shí)間、金錢成本不說(shuō)，還節(jié)省了大量的人力物力，最重要的是使得數(shù)據(jù)的采集更加規(guī)范、及時(shí)、準(zhǔn)確。3.2系統(tǒng)介紹本文要完成的系統(tǒng)為城市路況的信息采集系統(tǒng)，是用戶無(wú)意識(shí)的群智感知應(yīng)用，結(jié)合SVM等機(jī)器學(xué)習(xí)算法。高效且準(zhǔn)確地采集手機(jī)傳感器數(shù)據(jù)，經(jīng)過(guò)大量數(shù)據(jù)的整合，分析出目標(biāo)路段道路狀況。系統(tǒng)的受眾主要面向普通的駕駛員以及路政部門工作人員。一方面，可以在導(dǎo)航時(shí)優(yōu)先選擇平坦路段，提高駕駛的舒適性；同時(shí)可以輔助相關(guān)部門盡早發(fā)現(xiàn)問(wèn)題路段并及時(shí)修復(fù)，提高道路安全性。3.2.1 系統(tǒng)概述一個(gè)完整的群智感知應(yīng)用應(yīng)該包括兩個(gè)部分：從參與者端獲取數(shù)據(jù)、處理數(shù)據(jù)并提供服務(wù)。因此有些系統(tǒng)采用CS（Client-Server）架構(gòu)，將系統(tǒng)分為客戶端（參與端）、中央服務(wù)器和用戶三大部分,大致框架圖3.2所示。在群智感知應(yīng)用中的數(shù)據(jù)采集方式分為兩類：用戶主動(dòng)參與式以及用戶無(wú)意識(shí)參與式。如果采用主動(dòng)參與式，則對(duì)于道路坑槽的檢測(cè)判斷主要依賴于人的主觀感受和感官刺激，這種方式不僅存在一定的物理延遲、增加數(shù)據(jù)的錯(cuò)誤率，同時(shí)每個(gè)人主觀感受的不確定性，就會(huì)造成數(shù)據(jù)的多樣化和不準(zhǔn)確性。本文在參與端采集感知數(shù)據(jù)時(shí)，采用的是用戶無(wú)意識(shí)的參與方式。在參與端的客戶端，根據(jù)預(yù)先設(shè)置的時(shí)間間隔，定期向服務(wù)器上傳傳感器數(shù)據(jù)。此過(guò)程完全對(duì)用戶透明，人感官上的誤差，幾乎不會(huì)影響數(shù)據(jù)的準(zhǔn)確性。這種方式采集的數(shù)據(jù)是非結(jié)果的數(shù)字?jǐn)?shù)據(jù)，可以對(duì)其進(jìn)行統(tǒng)一的數(shù)據(jù)操作，使結(jié)果統(tǒng)一化。沒有了主動(dòng)參與式帶來(lái)的問(wèn)題，大大提高了系統(tǒng)的效率保證了實(shí)時(shí)性。 圖3.2基于群智感知的路面坑槽檢測(cè)系統(tǒng)總框圖3.2.3基于Android的檢測(cè)系統(tǒng)系統(tǒng)主要由Android移動(dòng)客戶端、中央處理服務(wù)器和智能手機(jī)使用用戶三大部分組成，如圖3.3所示。圖3.3系統(tǒng)框架圖（1）Android客戶端完成參與者主動(dòng)采集的數(shù)據(jù)，包含的信息有：智能手機(jī)當(dāng)前網(wǎng)絡(luò)時(shí)間、網(wǎng)絡(luò)IP地址、加速度計(jì)三軸信息和GPS信息，其中IP地址就是每一臺(tái)設(shè)備i的標(biāo)識(shí)符。為了減少智能手機(jī)的資源消耗，吸引更多用戶參與群智感知，每緩存300條<當(dāng)前系統(tǒng)時(shí)間、網(wǎng)絡(luò)IP地址、加速度計(jì)三軸和GPS地理方位記錄，通過(guò)聯(lián)網(wǎng)的方式，向中央伺服器傳送1次數(shù)據(jù)。（2）中心服務(wù)器總共有3個(gè)模塊：存儲(chǔ)數(shù)據(jù)的模塊、用于檢測(cè)是否為坑槽的模塊和為可坑槽劃分等級(jí)的模塊。所有Android客戶端上傳的數(shù)據(jù)由存儲(chǔ)數(shù)據(jù)的模塊保存，不同時(shí)間、地點(diǎn)主動(dòng)參與的客戶端及其各自采集數(shù)據(jù)可有不同的IP地址(IP1,IP2,…,IPi,…,IPN)還原。每一個(gè)客戶端數(shù)據(jù)在單車檢測(cè)坑槽模塊進(jìn)行預(yù)處理，并提取相關(guān)特征。采用支持向量機(jī)（SVM）檢測(cè)其經(jīng)過(guò)的坑槽，根據(jù)事先采集的數(shù)據(jù)訓(xùn)練集，將新采集的樣本點(diǎn)與數(shù)據(jù)集的超平面進(jìn)行比對(duì)，判斷次樣本點(diǎn)是坑槽還是平坦路段。對(duì)于坑槽路段，則使用k-means聚類算法檢測(cè)其破損等級(jí)，并將破損嚴(yán)重坑槽標(biāo)記于百度地圖，同時(shí)將破損坑槽放入SVM新的訓(xùn)練數(shù)據(jù)集，作為下一次檢測(cè)坑槽的依據(jù)。（3）查詢用戶可以通過(guò)智能手機(jī)進(jìn)行導(dǎo)航時(shí)查看并考慮道路破損狀況，路政部門則可以實(shí)時(shí)發(fā)現(xiàn)道路問(wèn)題并提出相應(yīng)的養(yǎng)護(hù)措施。3.3系統(tǒng)模塊此基于群智感知的系統(tǒng)由三部分所構(gòu)成，即系統(tǒng)客戶端、中心服務(wù)器以及查詢用戶。后面三個(gè)小結(jié)將對(duì)這三個(gè)部分進(jìn)行簡(jiǎn)述。3.3.1系統(tǒng)客戶端 系統(tǒng)客戶端基于群智感知的概念，主要工作是進(jìn)行路面數(shù)據(jù)信息的采集。上一節(jié)有提到基于Andriod平臺(tái)來(lái)進(jìn)行檢測(cè)，可以將基于本文概念的軟件下載在移動(dòng)設(shè)備或者智能手機(jī)上。系統(tǒng)客戶端主要收集的信息是當(dāng)前的時(shí)間、當(dāng)前的IP地址、GPS信息以及加速度計(jì)的三軸數(shù)據(jù)信息。該系統(tǒng)客戶端結(jié)構(gòu)圖如3.4所示： 這些信息會(huì)形成一條數(shù)據(jù)記錄，當(dāng)這些數(shù)據(jù)記錄緩存到一定數(shù)量的時(shí)候，通過(guò)4G/3G/2G網(wǎng)絡(luò)這些數(shù)據(jù)會(huì)被傳送中心服務(wù)器中。3.3.2中心服務(wù)器 中心服務(wù)器總共有3個(gè)模塊：存儲(chǔ)數(shù)據(jù)的模塊、坑槽檢測(cè)模塊以及劃分坑槽等級(jí)的模塊。 其中儲(chǔ)存數(shù)據(jù)模塊用來(lái)接收由系統(tǒng)客戶端發(fā)送的數(shù)據(jù)記錄，坑槽檢測(cè)模塊主要包括數(shù)據(jù)預(yù)處理、數(shù)據(jù)分片以及數(shù)據(jù)特征提取，其功能是通過(guò)不同的數(shù)據(jù)記錄，判斷是否為坑槽信息。數(shù)據(jù)預(yù)處理時(shí)，會(huì)剔除與目標(biāo)無(wú)關(guān)的信息，并且對(duì)異步多源數(shù)據(jù)進(jìn)行數(shù)據(jù)分類，其結(jié)構(gòu)框圖由圖3.5可視。數(shù)據(jù)特征提取的作用主要是發(fā)現(xiàn)不同破損等級(jí)的坑槽之間的差別劃分坑槽等級(jí)的模塊主要是根據(jù)處理好的信息判斷坑槽的破損等級(jí)。 圖3.5系統(tǒng)客戶端上傳數(shù)據(jù)以及預(yù)處理的框圖在坑槽檢測(cè)模塊中，其主要其功能是通過(guò)不同的數(shù)據(jù)記錄，判斷是否為坑槽信息?？梢詫?shí)現(xiàn)選取一個(gè)特征，利用SVM算法，來(lái)計(jì)算與訓(xùn)練數(shù)據(jù)中已知是什么類別的坑槽特征之間的距離。如圖3.6所示。圖3.6基于SVM算法的坑槽檢測(cè)結(jié)構(gòu)圖 在劃分坑槽等級(jí)的模塊中，主要功能是檢測(cè)所有系統(tǒng)客戶端上傳信息是坑槽的破損情況。主要利用k-means聚類算法來(lái)將未劃分等級(jí)的坑槽進(jìn)行分類。如圖3.7所示 圖3.7基于k-means聚類算法多車坑槽檢測(cè)3.3.3查詢用戶 訪問(wèn)相關(guān)的網(wǎng)站用戶可以通過(guò)查看地圖來(lái)知曉當(dāng)前城市道路坑槽分布的情況，由圖3.8所示，除了普通市民通過(guò)此來(lái)選著更加平坦的路出行以外，最主要的是這些已處理過(guò)的檢測(cè)結(jié)果可以為相關(guān)道路管理部門提供信息，可以及時(shí)的對(duì)有坑槽的道路進(jìn)行養(yǎng)護(hù)。3.4本章總結(jié)本章介紹了群智感知及基于群智感知的道路坑槽檢測(cè)系統(tǒng)所應(yīng)用到的機(jī)器學(xué)習(xí)中的SVM算法，與此同時(shí)還介紹了系統(tǒng)的組成和各部分功能。并且介紹了用Andriod開發(fā)技術(shù)實(shí)現(xiàn)該系統(tǒng)的框架等第4章數(shù)據(jù)處理數(shù)據(jù)處理流程主要涉及采集數(shù)據(jù)、對(duì)數(shù)據(jù)做預(yù)處理、分片、特征提取、分類等五個(gè)步驟。首先將利用傳感器采集到的數(shù)據(jù)做預(yù)處理，包括剔除離散點(diǎn)、對(duì)數(shù)據(jù)做放縮等，然后利用滑動(dòng)窗口等方法獲得數(shù)據(jù)片段，以片段為單位提取特征，得到特征向量，最后以此為基礎(chǔ)，選取合適的分類模型，訓(xùn)練得到模型參數(shù)。在此過(guò)程中，優(yōu)質(zhì)的原始數(shù)據(jù)、合適的窗口大小、有代表性的特征參數(shù)、適當(dāng)?shù)姆诸惸Ｐ偷榷紝?duì)實(shí)驗(yàn)結(jié)果有重大影響。數(shù)據(jù)處理流程如圖4.1所示。本章將詳細(xì)介紹如何通過(guò)基于群智感知思想以及Andriod平臺(tái)的系統(tǒng)來(lái)收集路面數(shù)據(jù)信息，之后對(duì)這些數(shù)據(jù)信息進(jìn)行預(yù)處理并且提取特征。圖4.1數(shù)據(jù)處理流程4.1原始數(shù)據(jù)采集優(yōu)質(zhì)的原始數(shù)據(jù)是系統(tǒng)成功的基礎(chǔ)，在本次實(shí)驗(yàn)中我們將手機(jī)綁在小車上，來(lái)模擬現(xiàn)實(shí)生活中將移動(dòng)設(shè)備放置于汽車?yán)?。基于本校城市軌道交通學(xué)院同學(xué)所編寫的app，STC，來(lái)記錄start以后每0.02s各傳感器的數(shù)據(jù)，STC工作界面由圖4.2所示。主要是取得傳感器中加速度計(jì)三軸的數(shù)值。所用小車如圖4.3所示。因?yàn)閳D4.3左較大的車不穩(wěn)定，因此最后我們所采數(shù)據(jù)都是有圖4.3右側(cè)小車所得。圖4.2STC工作界面圖4.3實(shí)驗(yàn)所用小車我們分別在平坦（圖4.4），輕度坑槽（圖4.5）以及重度坑槽（圖4.6）的路面上檢測(cè)。在每一種路況都記錄幾十條，每次記錄時(shí)先將綁在小車上的app打開，并點(diǎn)擊start，STC將開始記錄傳感器所得到的信息，當(dāng)小車從靜止到開始移動(dòng)時(shí)，用另一個(gè)手機(jī)記錄此刻的時(shí)間，并記錄下來(lái)，以為下一步預(yù)處理以及數(shù)據(jù)分片提供便利。實(shí)驗(yàn)記錄如圖4.7。圖4.4平坦路面圖4.5輕度坑槽路面圖4.6重度坑槽路面圖4.7數(shù)據(jù)記錄我們?cè)O(shè)想以后可以基于Android平臺(tái)設(shè)計(jì)一個(gè)系統(tǒng)客戶端完成用戶主動(dòng)參與的數(shù)據(jù)采集工作。采集到的數(shù)據(jù)主要包括Android手機(jī)當(dāng)前時(shí)間、網(wǎng)絡(luò)IP、加速度傳感器數(shù)據(jù)和GPS信息等，其中IP標(biāo)識(shí)了一個(gè)行車客戶端i。裝有加速度計(jì)的智能手機(jī)或者移動(dòng)設(shè)備可以測(cè)量上下、左右、前后這六個(gè)方位的加速度的變化，因此，移動(dòng)設(shè)備或者智能手機(jī)獲取信息的質(zhì)量與它們放置的位置有很大的關(guān)系。為了減少智能手機(jī)的資源消耗，吸引更多用戶參與群智感知，每緩存n條<當(dāng)前系統(tǒng)時(shí)間、網(wǎng)絡(luò)IP地址、加速度計(jì)三軸和GPS地理方位>記錄，通過(guò)聯(lián)網(wǎng)的方式，向中央伺服器傳送1次數(shù)據(jù)?；蛘卟捎脜⑴c式節(jié)能高效協(xié)同定位[11]的范式。另外，為方便做數(shù)據(jù)分類，每條記錄都有一個(gè)“坑槽”或“平坦”的標(biāo)識(shí)。但是有些特殊情況比如有略微凹陷或突出的井蓋或者減速帶等，這些采集的數(shù)據(jù)信息很有可能會(huì)被認(rèn)為是坑槽，因?yàn)樗鼈兊男畔⑴c坑槽的數(shù)據(jù)信息極為相似，不易區(qū)分。在遇到這些數(shù)據(jù)之后可以通過(guò)確定這些特殊數(shù)據(jù)的經(jīng)緯度來(lái)知曉它們的位置，最后將這些數(shù)據(jù)從庫(kù)中刪除。此外，為保證實(shí)驗(yàn)結(jié)果的穩(wěn)定性，還應(yīng)該盡量使不同類別的數(shù)據(jù)總量基本相等。4.2數(shù)據(jù)預(yù)處理在采集數(shù)據(jù)的時(shí)候，當(dāng)放置智能手機(jī)或者移動(dòng)設(shè)備的車輛在道路上行駛時(shí)，設(shè)備內(nèi)置的傳感器就會(huì)捕獲加速度計(jì)的上下前后左右的數(shù)據(jù)信息，這表示了該車輛在三維空間的運(yùn)動(dòng)狀態(tài)。在此，我們用X來(lái)表示在左右方向的加速度，左方向?yàn)檎曳较驗(yàn)樨?fù)，Y表示在前后方向的加速度，前為正后為負(fù)，Z表示加速度計(jì)在上下方向的加速度，向上為正向右為負(fù)。在測(cè)量過(guò)程中，不同情況下加速度計(jì)有可能產(chǎn)生的情況如下：（1）加速運(yùn)行。在這種情況下，只會(huì)產(chǎn)生與車輛行駛方向一致的加速度，Y方向在很短的時(shí)間內(nèi)會(huì)有變化，表現(xiàn)為正方向尖突。常見加速運(yùn)行是車輛啟動(dòng)以及超車的時(shí)候。（2）減速運(yùn)行。在這種情況下，只會(huì)產(chǎn)生與車輛行駛方向一致的加速度，Y方向在很短的時(shí)間內(nèi)會(huì)有變化，表現(xiàn)為反方向尖突。常見減速運(yùn)行是剎車的時(shí)候。（3）轉(zhuǎn)彎。在轉(zhuǎn)彎的時(shí)候，Y方向以及X方向的加速度會(huì)發(fā)生變化，一般轉(zhuǎn)彎會(huì)減速。（4）正常路面，勻速行駛。X方向、Y方向以及Z方向上的加速度都不會(huì)發(fā)生明顯的變化，路面平坦，不會(huì)有很大幅度的顛簸。（5）坑槽。車輛會(huì)有明顯上下顛簸，有時(shí)候還會(huì)伴隨突然的加速或者減速。這個(gè)時(shí)候Z反向、Y方向以及X方向上的加速度都會(huì)有明顯的變化。在本次實(shí)驗(yàn)中，在手機(jī)中找到STC文件夾將其內(nèi)容導(dǎo)入到電腦中如圖4.8，該app會(huì)將數(shù)據(jù)自動(dòng)生成為excel文檔，文檔中第一、二、三列分別代表加速度計(jì)中x、y、z軸的數(shù)據(jù)，最后一列代表時(shí)間戳，部分?jǐn)?shù)據(jù)如圖4.9。圖4.8STC所獲得的原始數(shù)據(jù)文件夾圖4.9部分原始數(shù)據(jù)內(nèi)容之后，人工篩選時(shí)長(zhǎng)、數(shù)據(jù)量合適的數(shù)據(jù)進(jìn)行數(shù)據(jù)分片。設(shè)想以后可以基于Android系統(tǒng)，通過(guò)客戶端向中心服務(wù)器上傳數(shù)據(jù)，并且作為唯一的上傳通道。數(shù)據(jù)處理就在這個(gè)中心服務(wù)器中進(jìn)行。數(shù)據(jù)預(yù)處理一般涉及三方面：去除直流分量、去除離群點(diǎn)、對(duì)原始數(shù)據(jù)進(jìn)行縮放等。從信息論的角度來(lái)看，直流分量一般不含信息，即在車輛靜止不動(dòng)的時(shí)候的數(shù)據(jù)，去除以后相當(dāng)于將數(shù)據(jù)平移到坐標(biāo)軸附近；由于某些偶然因素，采集到的數(shù)據(jù)不可避免地含有一些離群點(diǎn)（即異常點(diǎn)），干擾實(shí)驗(yàn)結(jié)果，因此要予以去除；對(duì)原始數(shù)據(jù)做縮放一般是指對(duì)數(shù)據(jù)做歸一化處理，歸一化就是要把需要處理的數(shù)據(jù)經(jīng)過(guò)處理后（通過(guò)某種算法）限制在你需要的一定范圍內(nèi)，它可以方便后續(xù)的數(shù)據(jù)處理，并保證程序運(yùn)行時(shí)收斂加快。這些操作都在中心服務(wù)器中進(jìn)行。4.3數(shù)據(jù)分片數(shù)據(jù)分片有兩種方式，第一種是通過(guò)所記錄的開始移動(dòng)的時(shí)間戳向后手動(dòng)選取連續(xù)的100條數(shù)據(jù)信息，圖4.10，第二種是將所得到的原始數(shù)據(jù)生成連續(xù)的折線圖，再根據(jù)所得的圖的上下波折度來(lái)選取有用的信息，圖4.11。在這里我采用了第一種方法來(lái)對(duì)數(shù)據(jù)進(jìn)行分片。由于所需要的數(shù)據(jù)量較大，人工進(jìn)行分片花費(fèi)了不少的時(shí)間。最后對(duì)數(shù)據(jù)進(jìn)行分片以后所得的文件夾進(jìn)行標(biāo)記是平坦還是顛簸路段。圖4.11數(shù)據(jù)分片方法二圖4.10數(shù)據(jù)分片方法一4.4數(shù)據(jù)特征處理 提取特征組成特征向量是一個(gè)至關(guān)重要的步驟，直接影響最終的實(shí)驗(yàn)效果。但是提取特征向量并沒有統(tǒng)一的范式或者標(biāo)準(zhǔn)，更多的是依靠經(jīng)驗(yàn)首先選取盡可能多的特征，然后觀察特征效果后做篩選，類似于特征降維。因此我們首先將從時(shí)域、頻域提取特征，最后加入一些統(tǒng)計(jì)特征，使得特征集合盡可能地豐富。本實(shí)驗(yàn)，對(duì)連續(xù)采集的原始數(shù)據(jù)信息進(jìn)行分片以后，通過(guò)計(jì)算加速度計(jì)三個(gè)軸的指標(biāo)的平均值aver、標(biāo)準(zhǔn)差stdev以及協(xié)方差cov來(lái)定義分別為如下公式，其中xi、yi和zi分別代表加速度計(jì)X、Y和Z軸某一時(shí)刻數(shù)值，、和為X、Y和Z軸數(shù)據(jù)的均值。(1)(2)(3)本章采用計(jì)算加速度計(jì)三個(gè)方向上的數(shù)據(jù)之間的協(xié)方差以及變化總特征的標(biāo)準(zhǔn)差特征來(lái)檢測(cè)坑槽事件。檢測(cè)坑槽破損情況階段用坑槽經(jīng)歷的時(shí)間和加速度計(jì)三個(gè)方向數(shù)據(jù)變化的均值以及標(biāo)準(zhǔn)差的特征來(lái)表示4.5本章小結(jié) 本章具體介紹了基于群智感知的系統(tǒng)用戶采集到數(shù)據(jù)之后進(jìn)行數(shù)據(jù)處理的內(nèi)容。在不同路況或者行車情況下，通過(guò)移動(dòng)設(shè)備或者智能手機(jī)內(nèi)置的加速度計(jì)獲得的數(shù)據(jù)會(huì)有區(qū)別。分析這些差別將無(wú)關(guān)于坑槽檢測(cè)的數(shù)據(jù)與坑槽數(shù)據(jù)進(jìn)行區(qū)分，再對(duì)坑槽數(shù)據(jù)信息進(jìn)行特征提取。第5章路面破損情況以及道路坑槽檢測(cè)在第五章，主要介紹了在對(duì)原始數(shù)據(jù)進(jìn)行處理，提取坑槽的數(shù)據(jù)信息之后，如何將機(jī)器學(xué)習(xí)中的SVM算法以及k-means聚類算法對(duì)路面是否破損進(jìn)行判斷的具體應(yīng)用。5.1支持向量機(jī)(SVM)算法的應(yīng)用SVM（支持向量機(jī)），于1995年由CorinnaCortes以及Vapnik提出。它是統(tǒng)計(jì)學(xué)領(lǐng)域中最年輕的內(nèi)容，也是最使用的部分[12]。目前，SVM已經(jīng)為機(jī)器學(xué)習(xí)以及神經(jīng)網(wǎng)絡(luò)的研究熱點(diǎn)之一，并已有不錯(cuò)的研究成果[13]。 5.1.1SVM算法概述支持向量機(jī)是監(jiān)督學(xué)習(xí)的一種模型，是機(jī)器學(xué)習(xí)的相關(guān)算法，該算法用于數(shù)據(jù)的分類和回歸分析。要想實(shí)現(xiàn)基于SVM的應(yīng)用，首先我們要判斷目標(biāo)數(shù)據(jù)是否線性可分。比較直觀的理解，在一維空間，就是在坐標(biāo)軸上是否可以找出一個(gè)點(diǎn)，使同一類別的點(diǎn)都位于此點(diǎn)的一側(cè)；在二維空間，就是要找出一條線，使線兩側(cè)分別為面內(nèi)不同類別的兩組點(diǎn)；三維空間就是要找出一個(gè)分類面。如圖5.1所示圖5.1SVM超平面示意圖因此，解決SVM問(wèn)題的關(guān)鍵就是尋找兩類問(wèn)題的分界，也就是超平面（hiperplane），下面就以二維空間為例，簡(jiǎn)單介紹如何確定超平面，如圖5.2所示：圖5.2二維空間超平面選取示意圖如圖，平面有A-J共10個(gè)點(diǎn)，顯然這組數(shù)據(jù)是線性可分的。首先我們找出兩個(gè)類別的分界線，把這個(gè)樣本集合分成兩類就是Y對(duì)應(yīng)的標(biāo)簽(1,-1)。這樣同一類的A-F在y=+1的上方，同類別的G-J位于y=-1的下方。然后構(gòu)造一個(gè)超平面方程組，由公式（4）表示：(4)把這個(gè)方程組合并成一個(gè)數(shù)學(xué)表達(dá)式，由公式（5）所示：(5)我們已知A,B,C,D,E,F,G,H,I,J,K這幾個(gè)點(diǎn)的坐標(biāo)，那就要反求w和b，只要間隔最大，那么與間隔平行且在間隔中間的那條線就是我們要找的方程了。這樣就轉(zhuǎn)換了一個(gè)方法，利用求最大間隔進(jìn)而求超平面。我們可以類比點(diǎn)到直線的距離公式，進(jìn)而求出最大間隔,如公式（6）所示：(6)5.1.2基于SVM算法的檢測(cè)適當(dāng)?shù)姆诸愃惴軌驇椭覀兗瓤煊譁?zhǔn)地識(shí)別片段類別，常用分類算法包括SVM、k-nn、RandomForest、k*等。以SVM算法為例，截取連續(xù)采集的m個(gè)點(diǎn)數(shù)據(jù)為一個(gè)處理單元Bm，對(duì)其提取協(xié)方差cov、平均值aver和標(biāo)準(zhǔn)差stdev。Bm的定義如下：(7)其處理流程如下：初始化階段：在訓(xùn)練數(shù)據(jù)集中存放已知類別的若干條平坦以及顛簸事件的aver和stdev及其相應(yīng)的類別label記錄。之后要實(shí)時(shí)計(jì)算當(dāng)前采集到的數(shù)據(jù)信息的cov以及stdev，用SVM算法判斷當(dāng)前信息的類別，從中選出是坑槽或者是平坦的事件。若為坑槽事件則進(jìn)行下一步用k-means進(jìn)行聚類處理，流程如圖5.1所示。圖5.1SVM算法流程圖k-means聚類算法的應(yīng)用k-means算法是聚類算法中最著名的算法之一。5.2.1k-means聚類算法概述在k-means聚類算法中常用的距離度量為標(biāo)準(zhǔn)歐氏距離。作為聚類算法中較為經(jīng)典的算法，k-means有著以下優(yōu)點(diǎn)：可以根據(jù)較少的已知聚類樣本的類別來(lái)確定部分樣本的分類。K-means具有優(yōu)化迭代功能，針對(duì)初始監(jiān)督學(xué)習(xí)樣本分類不合理的地方進(jìn)行了優(yōu)化。對(duì)于部分小樣本，聚類時(shí)間復(fù)雜度較小。聚類過(guò)程[15]如圖5.2所示： 圖5.2聚類過(guò)程5.2.2基于k-means聚類算法的檢測(cè)在線處理階段：通過(guò)使用SVM算法檢測(cè)坑槽之后，則使用k-means聚類算法來(lái)檢測(cè)它的破損程度。在這里，k的值取為2，質(zhì)心大的簇對(duì)應(yīng)破損嚴(yán)重坑槽，質(zhì)心小的簇對(duì)應(yīng)破損輕的坑槽。圖5.3為具體檢測(cè)破損等級(jí)算法的流程圖。圖5.3k-means聚類算法流程圖 實(shí)驗(yàn)過(guò)程及結(jié)果5.3.1原始數(shù)據(jù)采集本文實(shí)驗(yàn)首先采集原始數(shù)據(jù)對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練，選取道路是校園內(nèi)平坦、輕度顛簸以及重度顛簸路段。實(shí)驗(yàn)將一部安裝采集加速度計(jì)數(shù)據(jù)軟件的Android手機(jī)固定在小車的頂上，為了實(shí)驗(yàn)的完整性，我們?nèi)虥]有更換汽車及手機(jī)，也沒更改手機(jī)的位置。整個(gè)實(shí)驗(yàn)結(jié)束后，再次檢查采集到的數(shù)據(jù)是否有效，采樣頻率是否正常。如果沒有問(wèn)題，便完成了前期的實(shí)驗(yàn)。部分?jǐn)?shù)據(jù)信息采集如表1表2所示：X軸Y軸Z軸時(shí)間戳-1.149224.4053318.1402850-0.737414.587298.2456320-0.076614.2425268.532935360.1436523.4859588.67658753-0.201113.418929.06923675-1.302453.4763819.66299893-0.718263.17959.864111113-0.852343.897769.710882133-0.861912.3463188.791509153-1.340752.3942028.657434173-0.325611.1779478.714894193……-0.900225.1427458.437167578113-0.861914.8841717.929596578132-0.842764.8075577.613562578153-0.794885.008677.795521578174-0.651225.2863977.843405578192-0.459695.4300498.494628578213-0.746995.5832789.097966578239-0.871495.4204738.983045578255-0.871495.219368.983045578273-0.861915.3534358.379706578294-0.833185.5737018.101978578313-0.928955.5737018.034941578333-1.168375.69828.054094578353表1第一次實(shí)驗(yàn)數(shù)據(jù)（坑槽路段）X軸Y軸Z軸時(shí)間戳0.7852980.9672579.24161800.478840.85233610.0556520-0.746991.4844059.203311400.9481040.4692648.52335862-0.861911.4460988.590396802.106898-0.555468.8777100-1.877054.1563349.423578122-1.015145.037411.0229142-3.562574.44363810.87925162-0.43096-1.158799.9311491802.9592331.74297910.67814200……0.517148-0.718269.950302350110.488417-0.593769.873688350320.641646-0.440539.797073350510.497994-0.335199.634268350710.593762-0.392659.854534350910.574608-0.344779.710882351110.536301-0.268159.701305351310.507571-0.181968.504205351520.162806-0.019159.002198351710.612916-0.134089.423578351930.469264-0.296889.385271352110.6608-0.162819.509769352300.517148-0.095779.73003635250表2第二次實(shí)驗(yàn)數(shù)據(jù)（平坦路段） 采集到原始數(shù)據(jù)之后，對(duì)這些所得到的數(shù)據(jù)進(jìn)行分析。測(cè)試數(shù)據(jù)（部分?jǐn)?shù)據(jù)）如圖5.4和圖5.5。以紅色來(lái)代表加速度計(jì)的z軸，以綠色來(lái)代表加速度計(jì)的x軸，以藍(lán)色來(lái)代表加速度計(jì)的y軸。圖5.4第一次實(shí)驗(yàn)圖像（坑槽路段）圖5.5第二次實(shí)驗(yàn)圖像（平坦）為了更清楚的說(shuō)明，計(jì)算出加速度的矢量和，如圖5.5和圖5.6：圖5.5坑洼路段 圖5.6平坦路段5.3.2數(shù)據(jù)分片手動(dòng)對(duì)已采集到的數(shù)據(jù)以及所記錄的時(shí)間戳進(jìn)行分片。圖5.7為某一分好片的文檔。 圖5.7分片5.3.3數(shù)據(jù)特征提取在此，我們使用了WEKA軟件。這是一個(gè)在JAVA環(huán)境下開源的機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘的軟件，并且有GUI界面，因此對(duì)數(shù)據(jù)進(jìn)行處理的結(jié)果都是可視的。 WEKA界面如圖5.9所示。圖5.8WEKA界面 在這里我們使用weka來(lái)選擇之后要使用的特征，如圖5.9所示圖5.9十二種特征值從中我們選取以下三個(gè)特征值如圖5.10-5.12:圖5.10cov圖5.11aver圖5.12stdev 圖5.13是用python繪制出的以分別為三個(gè)特征（cov、aver、stdev）的x、y、z軸的點(diǎn)的三維散點(diǎn)圖：圖5.13三維散點(diǎn)圖代碼用python來(lái)實(shí)現(xiàn)svm分類器，實(shí)驗(yàn)代碼如下：importos

importnumpyasnp

frommpl_toolkits.mplot3dimportAxes3D

importmatplotlib.pyplotasplt

fromsklearn.model_selectionimporttrain_test_split

fromsklearn.ensembleimportAdaBoostClassifier

fromsklearn.treeimportDecisionTreeClassifier

fromsklearn.svmimportSVC

slice=50#分片點(diǎn)數(shù)

defreadData(path="data"):

files=os.listdir(path)#讀文件目錄

x,y=np.zeros((len(files),slice,3),dtype=np.float),np.zeros(len(files))

data_index,flag=0,True

forindexinrange(len(files)):

fileName=files[index]

_,state=fileName.split("_")

f=open(path+"/"+fileName,"r")#讀具體文件

foriinrange(slice):

line=f.readline()#從文件讀取整行

ifnotline:break

d1,d2,d3=line.split(",")[:3]#用，來(lái)分隔

try:

x[data_index][i]=float(d1),float(d2),float(d3)

except:

flag=False

break

ifflag==True:

ifstate=="dump":y[data_index]=1

ifstate=="flat":y[data_index]=0

plt.title(fileName)#標(biāo)題化

plt.plot(x[data_index][:,0])

plt.plot(x[data_index][:,1])

plt.plot(x[data_index][:,2])

d=np.sqrt(np.sum(np.array(x[data_index])**2,axis=1))

plt.plot(d)

plt.show()

data_index+=1

else:

x=np.delete(x,data_index,axis=0)

y=np.delete(y,data_index,axis=0)

flag=True

returnx,y

deftransferData(x):

newX=np.zeros((len(x),3))

foriinrange(len(x)):

data=x[i]

data_x,data_y,data_z=data[:,0],data[:,1],data[:,2]

x_cov=np.max([np.linalg.det(np.cov(data_x,data_z)),np.linalg.det(np.cov(data_y,data_z))])

x_aver=np.mean(np.sqrt(np.sum((data-np.mean(data,axis=0))**2,axis=1)))

x_stdev=np.sqrt(np.mean((np.sqrt(np.sum((data-np.mean(data,axis=0))**2,axis=1))-x_aver)**2))

newX[i]=x_cov,x_aver,x_stdev

returnnewX

defoutputTrainData(x,y,fileName):

f=open(fileName,"w")

foriinrange(len(x)):

f.write("%s1:%s2:%s3:%s\n"%(y[i],x[i][0],x[i][1],x[i][2]))

f.close()

defoutputTestData(x,y,fileName):

f=open(fileName,"w")

foriinrange(len(x)):

f.write("%s1:%s2:%s3:%s\n"%(y[i],x[i][0],x[i][1],x[i][2]))

f.close()

if__name__=="__main__":

x,y=readData()

x=transferData(x)

vaildPoints=x[:,2]<4

x,y=x[vaildPoints],y[vaildPoints]

trainX,testX,trainY,testY=train_test_split(x,y,test_size=0.33,random_state=42)

outputTrainData(trainX,trainY,"train.svm")

outputTestData(testX,testY,"test.svm")

os.system("pythongrid.pytrain.svm")

os.system("svm-train.exe-c8.0-g0.5train.svm")

os.system("svm-predict.exetest.svmtrain.svm.modeltest.predict")實(shí)現(xiàn)k-means的主要代碼如下：trainX,testX,trainY,testY=train_test_split(x,y,test_size=0.33,random_state=42)clf=KMeans(n_clusters=2)

s=clf.fit(trainX,trainY)

predY=clf.predict(testX)

correctness=np.zeros(len(testX))

correctness[predY==testY]=1

print("Accuracy:%s"%np.mean(correctness))estimator=KMeans(n_clusters=2)#構(gòu)造聚類器

estimator.fit(x)#聚類

label_pred=estimator.labels_#獲取聚類標(biāo)簽

#繪制k-means結(jié)果

x0=x[label_pred==0]

x1=x[label_pred==1]

plt.scatter(x0[:,0],x0[:,1],c="red",marker='o',label='label0')

plt.scatter(x1[:,0],x1[:,1],c="green",marker='*',label='label1')

plt.xlabel('petallength')

plt.ylabel('petalwidth')

plt.legend(loc=2)

plt.show()5.3.4SVM以及k-means結(jié)果比較圖5.13SVM分類精確度圖5.14k-means分類精確度SVM是督促學(xué)習(xí)的分類器而k-means是非督促算法的分類器，在本實(shí)驗(yàn)中可由圖5.13以及圖5.14明顯看到，本實(shí)驗(yàn)在各數(shù)據(jù)條件都一樣的情況下對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行二類劃分，SVM算法的精度要高于k-means聚類算法的精確度。因此，在本實(shí)驗(yàn)中SVM更適合用來(lái)進(jìn)行對(duì)數(shù)據(jù)進(jìn)行平坦和