文/馬曉東 李晨晨 段肖 陳湘軍

1 引言

氣象災(zāi)害是交通事故主要誘因，冬季道路結(jié)冰異常危險(xiǎn)，由此引發(fā)的交通事故層出不窮。道路結(jié)冰主要出現(xiàn)在冬季和早春季節(jié)，當(dāng)?shù)孛鏈囟忍幱诹阆虏⑶页睗窕蚍e水時，極易造成該路段結(jié)冰打滑。而相較于地面道路實(shí)體地基，橋梁大多采用懸空高架結(jié)構(gòu)，沒有土壤提供地?zé)?，一旦降溫，便很快消耗完所有熱量?dǎo)致結(jié)冰。公路管理部門日常通過天氣預(yù)報(bào)、視頻監(jiān)控等多種手段進(jìn)行結(jié)冰檢測和預(yù)測，采取除冰和道路管控預(yù)警等措施預(yù)防道路事故。由于微冰的視覺特性，肉眼和監(jiān)控視頻往往難以觀測出橋面的初期結(jié)冰，難以準(zhǔn)確判斷橋面結(jié)冰狀態(tài)，影響后續(xù)融冰排險(xiǎn)作業(yè)。

橋面結(jié)冰是多種因素綜合作用的結(jié)果，包括地面溫度、大氣溫度、空氣濕度、風(fēng)速、降水、降雪等多種外界條件。保廣裕等對青海省的道路結(jié)冰情況進(jìn)行深入分析，探討了溫度、積雪深度以及地面最高溫度與橋面結(jié)冰的關(guān)系，并建立了地溫與積雪深度預(yù)報(bào)模型，對道路結(jié)冰進(jìn)行預(yù)警，白永清等研究溫度與橋面結(jié)冰的關(guān)系，并根據(jù)實(shí)驗(yàn)結(jié)論建立了基于Logistic回歸的道路結(jié)冰溫度條件風(fēng)險(xiǎn)概率模型，資葵等研究溫度、風(fēng)速、降雨量對結(jié)冰的影響，建立了多變量多項(xiàng)式模型。

目前橋面結(jié)冰檢測的手段很多，結(jié)冰傳感器是較穩(wěn)定的檢測器之一，其包括接觸式傳感器和非接觸式傳感器兩類。接觸式傳感器大多是單點(diǎn)結(jié)構(gòu)，誤差相對較大，成本高，安裝和維護(hù)困難；以苑會珍等實(shí)現(xiàn)了非接觸式結(jié)冰檢測，該方法使用近紅外石英鹵鎢燈照明，旋轉(zhuǎn)偏振片采集4個偏振方向分量圖片，計(jì)算線偏振度識別橋面狀態(tài)，譚舒亞等利用多種傳感器結(jié)合的方法來判斷道路是否結(jié)冰，準(zhǔn)確度更高。李頎，季雨薇等對通過視頻監(jiān)控檢測橋面的方法進(jìn)行優(yōu)化，以邊緣檢測和二值形態(tài)學(xué)對圖像進(jìn)行分割，通過自適應(yīng)小波去噪方法提高圖像識別準(zhǔn)確率，提取道路圖像特征值并通過SVM（支持向量機(jī)，Support Vector Machine）分類器進(jìn)行結(jié)冰識別，由于微冰狀態(tài)的視覺特性，使用圖像檢測方法檢測早期橋面結(jié)冰的準(zhǔn)確率較低。

圖1：基于溫/濕度的結(jié)冰預(yù)警系統(tǒng)架構(gòu)圖

需要說明的是，根據(jù)經(jīng)驗(yàn)數(shù)據(jù)分析，不同地區(qū)、不同氣象條件、不同外場環(huán)境均會干擾結(jié)冰狀態(tài)，因此針對某種場景訓(xùn)練的單一模型并不能普遍適應(yīng)其他場景的結(jié)冰檢測任務(wù)。鑒于視覺方法結(jié)冰檢測準(zhǔn)確率低，結(jié)冰傳感器成本高等局限，本文采用利用溫度、濕度兩個主要結(jié)冰參數(shù)，使用SVM以少量歷史數(shù)據(jù)進(jìn)行，針對單個斷面學(xué)習(xí)結(jié)冰檢測模型，實(shí)現(xiàn)橋面結(jié)冰自動檢測預(yù)警。

圖2：溫/濕度傳感器與串口轉(zhuǎn)換器

2 系統(tǒng)架構(gòu)

本文構(gòu)建了基于溫度、濕度和結(jié)冰歷史數(shù)據(jù)的橋面結(jié)冰預(yù)警系統(tǒng)，系統(tǒng)架構(gòu)圖如圖1所示。系統(tǒng)自底向上共分三層：

（1）傳感層，該層位于系統(tǒng)底部，使用多個濕度、濕度傳感器采集監(jiān)控點(diǎn)的溫度與濕度數(shù)據(jù)，用于結(jié)冰檢測模型訓(xùn)練的結(jié)冰狀態(tài)標(biāo)簽可用結(jié)冰傳感器或人工標(biāo)注方式采集。傳感層數(shù)據(jù)通過Modbus/TCP協(xié)議轉(zhuǎn)換器轉(zhuǎn)換，經(jīng)轉(zhuǎn)換器遠(yuǎn)程TCP發(fā)送至中心機(jī)房，節(jié)省下位工控機(jī)的開銷。

（2）數(shù)據(jù)處理層，該層包括溫度、濕度傳感器數(shù)據(jù)，結(jié)冰歷史數(shù)據(jù)，以及監(jiān)測點(diǎn)位基礎(chǔ)信息。結(jié)冰檢測模型在結(jié)冰歷史數(shù)據(jù)庫與溫/濕度數(shù)據(jù)庫基礎(chǔ)上訓(xùn)練而成，用以預(yù)測新溫度、濕度條件下的結(jié)冰狀態(tài)。由于采集和標(biāo)注結(jié)冰數(shù)據(jù)成本較高，系統(tǒng)中設(shè)計(jì)了結(jié)冰歷史數(shù)據(jù)庫的上下層雙向交互關(guān)系，下層由結(jié)冰傳感器采集或人工標(biāo)注數(shù)據(jù)，存入結(jié)冰歷史數(shù)據(jù)庫中，用以訓(xùn)練模型，同時將模型新預(yù)測結(jié)冰狀態(tài)數(shù)據(jù)，經(jīng)過上級應(yīng)用層人工交互確認(rèn)后，存入結(jié)冰歷史數(shù)據(jù)庫中，擴(kuò)展訓(xùn)練集后自動更新模型，提高模型精度，使模型具備自動學(xué)習(xí)和性能不斷提升的功能。

（3）應(yīng)用層，該層包括實(shí)時和歷史數(shù)據(jù)報(bào)表，橋面結(jié)冰預(yù)警，結(jié)冰消息報(bào)警，數(shù)據(jù)人工交互等功能模塊，實(shí)現(xiàn)檢測點(diǎn)的實(shí)時和歷史數(shù)據(jù)查詢，基于溫度、濕度傳感器的橋面結(jié)冰預(yù)警以及消息報(bào)警，人工交互界面提供遠(yuǎn)程監(jiān)控視頻確認(rèn)和預(yù)測數(shù)據(jù)校準(zhǔn)功能。

圖3：溫/濕度數(shù)據(jù)監(jiān)測與歷史報(bào)表

圖4：系統(tǒng)結(jié)冰報(bào)警界面

濕度、濕度傳感器采用TH10S-B溫濕度變送器，支持Modbus協(xié)議，每個監(jiān)測點(diǎn)安裝4組，其中2組鋪設(shè)于橋面瀝青面以下并做好排水處理，2組安裝于橋梁護(hù)欄外側(cè)。為節(jié)約成本，系統(tǒng)使用傳感器接串口轉(zhuǎn)換器代替下位機(jī)，對溫度、濕度傳感器的RS485接口進(jìn)行轉(zhuǎn)換，實(shí)現(xiàn)TCP/IP通信。TH10S-B溫濕度變送器和ZLAN5143串口轉(zhuǎn)換器如圖2 a和圖2 b所示。

3 SVM橋面結(jié)冰預(yù)測

支持向量機(jī)SVM定義為特征空間上間隔最大的線性分類器，最終目的是尋求一個最大間隔的超平面。對于線性可分情況，可由式（1）所示的超平面函數(shù)對數(shù)據(jù)進(jìn)行分類，最終分類的準(zhǔn)確度可以用超平面與數(shù)據(jù)點(diǎn)之間的間隔來度量，間隔越大準(zhǔn)確率越高。

分類平面的最大幾何間隔由表達(dá)式如式（2）所示：

其中x0是x垂直投影到超平面上的點(diǎn)，w則是垂直于該超平面的向量。令f(x0)=0，得令為幾何間隔，即其中為函數(shù)間隔。再令f(x)=1，由此確定最大間隔的目標(biāo)函數(shù)為問題轉(zhuǎn)化為在此約束條件下求的最小值問題，這是一個凸二次規(guī)劃求解問題，通過拉格朗日對偶性變換到對偶變量的優(yōu)化問題，如式（3）所示：

其中a為拉格朗日乘子，p*為問題的最優(yōu)值，將其轉(zhuǎn)化為對偶問題d*進(jìn)行求解。

對于非線性可分，SVM的解決辦法是利用核函數(shù)將數(shù)據(jù)點(diǎn)由原始空間映射至高維空間。此時的分類函數(shù)為式（7）所示：

其中φ是原始空間到某一特征空間的映射，核函數(shù)實(shí)現(xiàn)在特征空間計(jì)算內(nèi)積，如式（8）：

為了適應(yīng)實(shí)際應(yīng)用中的場景泛化，可允許部分測試數(shù)據(jù)點(diǎn)偏離SVM超平面，此時目標(biāo)函數(shù)轉(zhuǎn)化為式（9）：

其中C為懲罰系數(shù)，ξ為需要優(yōu)化的參數(shù)，損失函數(shù)如式（10）所示：

對偶求解如式（11）所示：

本文基于Python和Scikit-learn，采用非線性核函數(shù)，實(shí)現(xiàn)了基于溫度、濕度和結(jié)冰數(shù)據(jù)的模型訓(xùn)練與預(yù)測，訓(xùn)練數(shù)據(jù)集中包括路面地表和懸空的兩組溫度、濕度傳感器數(shù)據(jù)，其中X={xT1,xH1,xT2,xH1,xID},y={0,1}，考慮每個監(jiān)測點(diǎn)的條件參數(shù)均會導(dǎo)致不同的結(jié)冰狀態(tài)，將訓(xùn)練數(shù)據(jù)編號作為輸入?yún)?shù)之一，以區(qū)分每個點(diǎn)的不同環(huán)境，xID，xT和xH，分別代表監(jiān)測點(diǎn)編號，溫度與濕度數(shù)據(jù)，y對應(yīng)的結(jié)冰狀態(tài)標(biāo)簽0表示未結(jié)冰，1表示結(jié)冰。

4 實(shí)驗(yàn)效果與系統(tǒng)實(shí)現(xiàn)

系統(tǒng)在常州市公路網(wǎng)實(shí)地安裝2組橋面監(jiān)測點(diǎn)，自2018年12月起每5分鐘采集一次監(jiān)測點(diǎn)的溫/濕度數(shù)據(jù)，共收集傳感器數(shù)據(jù)約5000條，實(shí)時數(shù)據(jù)和歷史數(shù)據(jù)報(bào)表如圖3 a和圖3 b所示。

訓(xùn)練集使用2019年1月5日前1953條傳感器數(shù)據(jù)，清理傳感器異常數(shù)據(jù)后，有效數(shù)據(jù)1856條，按7:3的比例劃分訓(xùn)練集和測試集。1296條作為訓(xùn)練數(shù)據(jù)，560條用于測試。結(jié)冰狀態(tài)標(biāo)注數(shù)據(jù)使用北京杰公司的JCI-1600結(jié)冰傳感器和人工確定方式完成，訓(xùn)練數(shù)據(jù)中0℃的以下訓(xùn)練數(shù)據(jù)占據(jù)總數(shù)的83.8%，由于濕度及其他條件的綜合作用，溫度介于-2～0℃的結(jié)冰數(shù)據(jù)36條，介于-3～0℃的未結(jié)冰數(shù)據(jù)38條。使用SVM迭代訓(xùn)練1000次，生成結(jié)冰檢測模型。

使用訓(xùn)練好的數(shù)據(jù)進(jìn)行橋面結(jié)冰預(yù)測，SVM分類器輸出為1的，在數(shù)據(jù)庫中標(biāo)注為結(jié)冰狀態(tài)，反之標(biāo)注為未結(jié)冰狀態(tài)。在實(shí)際現(xiàn)場應(yīng)用中，溫度、濕度，傳感器布設(shè)位置等多種因素均影響結(jié)冰狀態(tài)，為擴(kuò)充訓(xùn)練集和提高模型精度，在系統(tǒng)運(yùn)行初期，采用人工交互方式校驗(yàn)預(yù)測結(jié)果，并累加到訓(xùn)練集中進(jìn)行自動增量訓(xùn)練。

為保證應(yīng)系統(tǒng)架構(gòu)的靈活性，將SVM結(jié)冰預(yù)測模塊封裝成獨(dú)立的服務(wù)接口，在數(shù)據(jù)庫之間和應(yīng)用系統(tǒng)之間采用JSon消息進(jìn)行數(shù)據(jù)交換。

系統(tǒng)自2018年1月10日試運(yùn)行后，對常州公路網(wǎng)中的“S239撫申運(yùn)河”和“S240鐘樓大橋”兩個斷面進(jìn)行橋面結(jié)冰檢測試驗(yàn)。共檢測到“S239撫申運(yùn)河”橋面結(jié)冰險(xiǎn)情7次，正檢率100%，漏檢率0%，檢測結(jié)果表明系統(tǒng)已達(dá)到基于溫/濕度數(shù)據(jù)預(yù)測橋面結(jié)冰狀態(tài)的目的。系統(tǒng)檢測到橋面結(jié)冰后，聯(lián)動網(wǎng)點(diǎn)監(jiān)控?cái)z像機(jī)，自動截取保留橋面照片，以便人工確認(rèn)，橋面結(jié)冰報(bào)警界面如圖4所示。

5 結(jié)論

由于橋面結(jié)冰在視覺具有一定隱匿性，且常發(fā)生在夜間，難以使用監(jiān)控視頻或?qū)嵉匮膊榉绞綑z測橋面結(jié)冰，目前普遍憑天氣預(yù)報(bào)和經(jīng)驗(yàn)提前撒道路除冰劑，作業(yè)效率低且易造成環(huán)境污染。結(jié)冰傳感器造價高，單斷面鋪設(shè)成本到數(shù)萬元，準(zhǔn)確率偏低。本文使用溫/濕度傳感器數(shù)據(jù)和少量的結(jié)冰狀態(tài)標(biāo)注數(shù)據(jù)，利用SVM訓(xùn)練，針對單一斷面訓(xùn)練結(jié)冰檢測模型，并在運(yùn)行初期以人工交互方式反饋數(shù)據(jù)，保證模型的自動更新和精度提升，實(shí)現(xiàn)了高準(zhǔn)確率、低成本的橋面結(jié)冰檢測預(yù)警，系統(tǒng)通過報(bào)表和監(jiān)控截圖，提供可視化管理界面，已實(shí)際應(yīng)用于常州市域路網(wǎng)橋面結(jié)冰預(yù)警管理。