李榮磊, 裴莉莉, 關(guān) 偉, 袁 博, 李 偉

1(長安大學(xué) 信息工程學(xué)院, 西安 710064)

2(交通運輸部公路科學(xué)研究所, 北京 100088)

我國交通部建立了足尺路面環(huán)道試驗場[1]來更好地研究道路結(jié)構(gòu)、交通荷載、氣候狀況等因素對道路壽命的影響問題, 通過埋設(shè)傳感器對瀝青路面各項性能進(jìn)行測量[2], 感知數(shù)據(jù)基本能夠反映不同路面結(jié)構(gòu)的健康狀態(tài). 為能夠準(zhǔn)確研究車輛輪跡帶的分布所導(dǎo)致的路面受力情況的不同, 從而進(jìn)行全路域受力分析以及研究車轍演變規(guī)律, 需要及時發(fā)現(xiàn)該類感知數(shù)據(jù)的異常, 因此本文對車轍兩側(cè)壓力感知數(shù)據(jù)展開研究.

傳統(tǒng)的異常數(shù)據(jù)辨識需要結(jié)合主觀判斷來完成,在篩查過程中需要耗費大量時間和精力, 同時人工篩查的結(jié)果在很大程度上受到人為因素的影響, 無法得到客觀準(zhǔn)確的分析結(jié)果, 導(dǎo)致在評價道路健康狀況時出現(xiàn)偏差[3-6]. 近年來不少學(xué)者在數(shù)據(jù)自動檢測和異常辨識方面展開了研究. Park 等人[7]提出了一種基于不同感知數(shù)據(jù)的深度學(xué)習(xí)網(wǎng)絡(luò)來辨識車輛行駛位置的方法. 在網(wǎng)絡(luò)設(shè)計中采用了長短時記憶單元和集成學(xué)習(xí),并采用了特征選擇技術(shù), 在不損失性能的前提下排除了不必要的感知數(shù)據(jù). 通過實驗對所提出的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了訓(xùn)練和驗證. 通過4 種不同的試驗驗證了該方法具有良好的分類性能. 金鵬等人[8]提出了一種利用深度信念網(wǎng)絡(luò)對傳感器異常數(shù)據(jù)進(jìn)行檢測的算法. 創(chuàng)新點在于對高維數(shù)據(jù)進(jìn)行降維, 主要處理方法是利用文章中提到的深度信念網(wǎng)絡(luò)對數(shù)據(jù)的特征進(jìn)行提取, 并利用QSSVM 結(jié)合滑動窗口模型針對降維后的數(shù)據(jù)實現(xiàn)了在線實時監(jiān)測, 新算法不僅降低了時間復(fù)雜度, 而且獲得了更好的檢測效果. 使用了抽樣的方法對數(shù)據(jù)做了相應(yīng)的預(yù)處理以統(tǒng)一尺度, 之后將處理好的數(shù)據(jù)切片作為原始輸入數(shù)據(jù), 利用包含4 層特征提取層的網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練, 相比其它傳統(tǒng)方法提高了檢測精度. 錢宇騁等人[9]針對在線監(jiān)測數(shù)據(jù)中異常值特點, 以及一般的異常狀態(tài)檢測方法是基于閾值, 噪聲數(shù)據(jù)難以及時甄別的問題, 提出了一種基于灰色關(guān)聯(lián)度和K-means 聚類的方法, 并通過某變電站的在線監(jiān)測數(shù)據(jù)對此算法進(jìn)行驗證, 結(jié)果表明此方法準(zhǔn)確率高, 具有一定的實用價值. 陸秋琴等人[10]提出了一種組合異常數(shù)據(jù)檢測算法(SWDS-LOF)以檢測異常值, 并利用多項式擬合的方法對異常數(shù)據(jù)進(jìn)行修正. 最終以某汽車公司的監(jiān)測數(shù)據(jù)為例進(jìn)行實證分析并驗證所提算法和所建模型, 檢測所得效果優(yōu)異, 證明了此方法的有效性.

以上提到的對傳感器異常數(shù)據(jù)辨識方法大多采用的是長短時記憶單元、聚類、閾值分割等, 數(shù)據(jù)的選取需要結(jié)合橋梁等各類復(fù)雜場景[11-13], 對數(shù)據(jù)的格式要求較高, 數(shù)據(jù)的預(yù)處理往往比較復(fù)雜[14], 之后還需要建立具體的模型不斷進(jìn)行調(diào)優(yōu)[15], 效率低下且檢測精度不高.

為解決足尺環(huán)道試驗場海量感知數(shù)據(jù)異常辨識問題[16], 本文將數(shù)據(jù)可視化為圖像, 在數(shù)據(jù)預(yù)處理方面不需要過于復(fù)雜的操作. 在圖像分類方面, 深度學(xué)習(xí)方法往往是一種不錯的選擇, 其不僅具有可觀的檢測速度,而且經(jīng)過結(jié)構(gòu)與參數(shù)上的調(diào)優(yōu), 最終能達(dá)到良好的效果[17]. 本文根據(jù)數(shù)據(jù)的各項特征選擇輕量級的卷積神經(jīng)網(wǎng)絡(luò)模型GhostNet[18]進(jìn)行參數(shù)與結(jié)構(gòu)上的設(shè)計, 對異常數(shù)據(jù)進(jìn)行辨識, 并選擇傳統(tǒng)的ResNet50[19]分類模型進(jìn)行對比實驗, 證明了該異常辨識方法的有效性.

1 網(wǎng)絡(luò)原理

本文首先提取出了原始的足尺環(huán)道傳感器加載數(shù)據(jù), 結(jié)合數(shù)據(jù)特征并通過相關(guān)的可視化方法對數(shù)據(jù)類型進(jìn)行了轉(zhuǎn)換. 將可視化后的數(shù)據(jù)作為原始數(shù)據(jù)集, 結(jié)合數(shù)據(jù)特征較簡單的特點選取了輕量級的卷積神經(jīng)網(wǎng)絡(luò)模型GhostNet, 設(shè)計了一系列輸入?yún)?shù)并對其進(jìn)行訓(xùn)練、測試, 結(jié)果良好. 同時又使用傳統(tǒng)的ResNt50 模型進(jìn)行測試并對比分析. 整體研究步驟如圖1 所示.

圖1 實驗技術(shù)路線

1.1 GhostNet 網(wǎng)絡(luò)結(jié)構(gòu)

訓(xùn)練好的網(wǎng)絡(luò)里的特征圖往往存在很多冗余信息,大部分特征長得很相似, 對于這些長得很相似的特征,我們可以通過簡單的線性變化或者濾波得到, 就沒必要通過復(fù)雜的卷積運算了, GhostNet 就是基于這種思想所設(shè)計的. 如圖2.

Ghost 模塊如圖2 所示, 可以看到, Ghost 模塊分成3 步:

圖2 Ghost 模塊

(1)首先將輸入的特征圖進(jìn)行卷積, 但是與常規(guī)卷積中輸出的通道數(shù)為N不同, 首先通過對輸入進(jìn)行卷積得到特征圖, 其輸出的通道數(shù)為N/2;

(2)隨后將特征圖的每個通道單獨進(jìn)行某種“線性變換”;

(3)最后, 把第1 次卷積和第2 次卷積得到的特征圖拼接在一起, 得到輸出.

Ghost bottleneck (G-bneck)與residual block (殘差模塊)類似, 主要由兩個Ghost 模塊堆疊兩次, 第1 個模塊用于增加特征維度, 增大的比例稱為膨脹率, 而第2 個模塊則用于減少特征維度, 使其與輸入一致.

G-bneck 包含步長為1 和步長為2 版本, 對于步長為2, shortcut 路徑使用下采樣層, 并在Ghost 模塊中間插入步長為2 的縱深卷積. 為了加速, Ghost 模塊的原始卷積均采用點態(tài)卷積. G-bneck 結(jié)構(gòu)圖如圖3.

圖3 G-bneck 結(jié)構(gòu)

1.2 ResNet50 網(wǎng)絡(luò)結(jié)構(gòu)

ResNet 提出了殘差學(xué)習(xí)的思想, 所謂殘差學(xué)習(xí)是指將輸入信息直接傳遞到輸出, 與逐層傳遞不同, 這樣的方式可以最大程度的保護(hù)信息的完整性, 整個網(wǎng)絡(luò)只需要學(xué)習(xí)輸入和輸出之間差異的一部分, 從而簡化了學(xué)習(xí)目標(biāo), 降低了學(xué)習(xí)難度. 該模型首先對輸入做了卷積操作,之后經(jīng)過4 個殘差塊, 最后進(jìn)行全連接操作以便進(jìn)行分類任務(wù), 網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖4 所示.

圖4 ResNet50 整體結(jié)構(gòu)圖

2 環(huán)道感知數(shù)據(jù)集構(gòu)建

2.1 數(shù)據(jù)采集

本文采用的實驗數(shù)據(jù)取自交通部足尺路面環(huán)道試驗場, 其中結(jié)構(gòu)響應(yīng)狀態(tài)采集系統(tǒng)由若干個相關(guān)的傳感器和數(shù)據(jù)采集單元組成, 能夠?qū)崟r、全方位的采集到各類動態(tài)響應(yīng)數(shù)據(jù). 比如溫濕度傳感器、多點位移計、基底應(yīng)變計等, 采集的數(shù)據(jù)能夠一定程度上反映路面結(jié)構(gòu)性能的變化. 本文選取型號為L140 的土壓力計來分析其采集到的異常數(shù)據(jù), 傳感器特征如圖5 所示, 其主要技術(shù)參數(shù)如表1, 其中, F.S.表示滿量程輸出.

圖5 Sisgeo L140 土壓力盒圖

表1 傳感器主要技術(shù)參數(shù)

2.2 高頻數(shù)據(jù)可視化處理

路面埋設(shè)的傳感器在不停歇采集數(shù)據(jù), 除了車輛負(fù)載所產(chǎn)生的加載數(shù)據(jù)外包含許多無用的噪聲, 因此第一步需要先將目標(biāo)數(shù)據(jù)采用特定軟件截取出來. 此時得到的加載數(shù)據(jù)特征復(fù)雜難以直接進(jìn)行處理分析,本文選擇將數(shù)值型數(shù)據(jù)轉(zhuǎn)換成圖像進(jìn)行處理, 數(shù)據(jù)可視化工具如圖6 所示.

圖6 DynamicAnalysis 數(shù)據(jù)可視化工具

2.3 數(shù)據(jù)集建立

本文選取2019 年1 月到3 月足尺環(huán)道STR3路段編號為P151827 的土壓力計采集到的數(shù)據(jù)來進(jìn)行處理并作相應(yīng)的分析. 感知數(shù)據(jù)經(jīng)過可視化處理后可分為以下兩種情況: 正常數(shù)據(jù)與異常受干擾數(shù)據(jù), 如圖7 所示.

圖7 正常數(shù)據(jù)與異常數(shù)據(jù)

得到兩類共計2 211 張圖像, 其中第一類包括1 099張, 第二類包括1 112 張.

3 實驗結(jié)果與評價

3.1 實驗結(jié)果

分別對GhostNet 模型和ResNet50 模型進(jìn)行訓(xùn)練,可得到在訓(xùn)練集上的模型精確率和損失變化曲線如圖8 及圖9 所示.

圖8 GhostNet 模型訓(xùn)練集acc 和loss 曲線圖

圖9 ResNet50 模型訓(xùn)練集acc 和loss 曲線圖

由圖8 分析可知, 模型收斂速度快, 精度也較高,而從圖9 可知, ResNet50 網(wǎng)絡(luò)在第8 次迭代之后, 準(zhǔn)確率與loss 值基本不再發(fā)生變化, 打印網(wǎng)絡(luò)參數(shù)可知靠后的網(wǎng)絡(luò)層各項參數(shù)也基本不再發(fā)生變化. 這表明模型已經(jīng)“過度學(xué)習(xí)”了, 我們推測由于模型的復(fù)雜度與數(shù)據(jù)特點并不匹配從而導(dǎo)致訓(xùn)練極易產(chǎn)生過擬合現(xiàn)象,同時模型參數(shù)初始化之后也需要重新設(shè)計.

在對模型參數(shù)進(jìn)行優(yōu)化并且使學(xué)習(xí)率和優(yōu)化器都與GhostNet 相統(tǒng)一后, 繼續(xù)訓(xùn)練模型, 分別選擇正常數(shù)據(jù)99 張, 異常數(shù)據(jù)112 張圖像作為驗證集并對其進(jìn)行測試. 兩個網(wǎng)絡(luò)的測試結(jié)果用混淆矩陣表示, 分別如圖10, 圖11 所示.

圖10 GhostNet 模型驗證集結(jié)果混淆矩陣

圖11 ResNet50 模型驗證集結(jié)果混淆矩陣

結(jié)合驗證集混淆矩陣的結(jié)果, 計算模型評價量化指標(biāo), 如表2 所示.

我們選擇的輕量級的網(wǎng)絡(luò)模型GhostNet 的訓(xùn)練及測試結(jié)果如圖11 及表2 所示, 異常數(shù)據(jù)的辨識準(zhǔn)確率約為99%, 精度相比最開始選用的ResNet50 模型改善較明顯, 速度相比ResNet50 模型也有較大提升.

表2 異常數(shù)據(jù)辨識精度評價指標(biāo)

3.2 異常數(shù)據(jù)時空對應(yīng)

通過上述方法我們能夠快速準(zhǔn)確的在海量加載數(shù)據(jù)中完成對異常數(shù)據(jù)的辨識, 后續(xù)我們可以根據(jù)異常數(shù)據(jù)對應(yīng)的時空信息我們可以對異常數(shù)據(jù)的來源進(jìn)行具體的分析并定位, 對未來的傳感器故障檢測、路面破損研究也具備重大的現(xiàn)實意義. 部分異常數(shù)據(jù)對應(yīng)的時空信息如表3 所示, 從表中可以知道異常數(shù)據(jù)發(fā)生的時空信息, 例如由表3 可知位于瀝青層下12 cm處的土壓力計在6 點25 分29 秒左右采集到的數(shù)據(jù)為異常數(shù)據(jù).

表3 異常數(shù)據(jù)對應(yīng)時空信息

4 結(jié) 論

本文結(jié)合數(shù)據(jù)可視化算法并利用GhostNet 網(wǎng)絡(luò)完成了對道路動態(tài)高頻感知數(shù)據(jù)的異常辨識問題, 主要結(jié)論如下:

1) 本文選取足尺環(huán)道STR3 路段傳感器編號為P151827 的土壓力計所采集的數(shù)據(jù)進(jìn)行分析, 將加載過的動態(tài)高頻數(shù)據(jù)通過可視化的方式進(jìn)行提取, 構(gòu)建數(shù)據(jù)集.

2)采用ResNet50 網(wǎng)絡(luò)模型對可視化數(shù)據(jù)進(jìn)行訓(xùn)練和測試, 分析發(fā)現(xiàn)可能是由于網(wǎng)絡(luò)參數(shù)量過多和結(jié)構(gòu)復(fù)雜等原因使檢測結(jié)果易發(fā)生過擬合現(xiàn)象, 經(jīng)過調(diào)整學(xué)習(xí)率和優(yōu)化器, 使之與GhostNet 模型參數(shù)基本保持一致之后, 檢測精度明顯提升, 但速度上仍然存在不足.

3)選取一個更輕量級的神經(jīng)網(wǎng)絡(luò)模型GhostNet,對該網(wǎng)絡(luò)進(jìn)行訓(xùn)練并在驗證集上進(jìn)行測試, 實現(xiàn)了對異常數(shù)據(jù)的辨識, 且檢測速度和檢測精度均有較大提升, 最終檢測精度能夠達(dá)到99%左右, 檢測速度也由原來的分鐘級提高為秒級.

本文提出的基于輕量級網(wǎng)絡(luò)GhostNet 的異常數(shù)據(jù)辨識模型, 能夠有效快速地監(jiān)測道路海量動態(tài)高頻感知數(shù)據(jù)中的異常, 為道路傳感器故障監(jiān)測、路面健康狀況研究提供有力的數(shù)據(jù)支持.