一種基于卷積神經網絡的智慧路燈聯動控制算法

鄢小虎，李 康，陳 凱

(1.湖北大學 計算機與信息工程學院,湖北 武漢 430062；2.國網電力科學研究院，湖北 武漢 430074)

引言

作為智慧城市的信息節點，智慧路燈采用先進的智能控制技術、無線通信技術和電源管理技術，實現路燈的自動化、信息化和智能化。智慧路燈為實現照明管理升級、節能減排以及融合城市公共服務系統提供了方向，因此智慧路燈的建設具有重要意義[1]。

目前，國內外多家單位開發了相應的智慧路燈產品[2-4]，如：歐司朗開發的智能方案是將 LED 燈具連接到1個利用光管理軟件單獨控制的網絡，形成1個燈具網。經過計算機的計算和分析，優化軟件設置，按照特定時間、空間和環境狀況調節燈具狀態；華為在CeBIT 2016上發布了多級智能控制照明物聯網解決方案，該方案的亮點是可以根據實時狀況調整照明，從而提高節能效率；廈門市智聯信通物聯網科技有限公司提出的智慧城市方案，實現了視頻、城市洼地水位、PM2.5、溫/濕度、噪音等環境指數實時掌握；上海三思電子工程有限公司以LED路燈為載體，實現了智慧照明、充電樁、智慧安防、無線上網、信息交互、智能感知和4G基站等功能。

但是，目前市場上的智慧路燈各個功能模塊之間都是孤立的，模塊之間缺少聯動，不能充分發揮各個功能模塊的作用。當出現異常情況時，不能準確判別，給運維人員的日常工作帶來了極大的困難。因此，迫切需要一種多功能聯動的智慧路燈控制算法。為了提高聯動的準確性，我們提出一種基于卷積神經網絡的智慧路燈聯動控制算法。

1 卷積神經網絡

卷積神經網絡[5,6](Convolutional Neural Network，CNN)是一種深度學習的前饋神經網絡模型，它包括卷積層(convolutional layer)和池化層(pooling layer)。卷積神經網絡可以直接從原始圖像中識別物體，通過局域感受野、權值共享和次抽樣三個方法來實現識別位移、縮放和扭曲不變性[7]。目前，卷積神經網絡已經成為學術界和工程界研究的熱點，廣泛應用于圖像和視頻處理等領域[8]。

綜合考慮計算速度和識別準確率，本文通過卷積神經網絡LeNet-5模型提取拍攝圖像的特征，該模型的層數為8，結構可以表示為：輸入層—卷積層—池化層—卷積層—池化層—全連接層—全連接層—輸出層。卷積層的形式如下：

(1)

其中l代表模型的層數，k代表卷積核，Mj代表第l-1層的第k個特征圖，b代表輸出圖的偏置，f代表激活函數。ReLU函數能很好地傳遞梯度，經過多層的反向傳播后，梯度仍不會大幅縮小，解決了梯度彌散的問題。本文激活函數采用ReLU函數，其數學表達式如下：

f(x)=max(0,x)

(2)

池化層采用最大值操作，通過保留最顯著特征，提升模型的畸變容忍能力。

2 基于CNN的物體檢測

本文的智慧路燈是集智慧照明、無線網絡、視頻監控、信息發布、智能充電、微環境監測、一鍵報警等功能的軟硬件綜合平臺。后臺系統能單獨管理和控制各個功能模塊，例如智慧照明模塊能根據不同光照和不同時間自動調節LED燈的亮度，視頻監控能實現攝像頭水平方向360°連續旋轉，信息發布能實現微環境監測數據自動上傳和預警。

采用卷積神經網絡對視頻監測中的物體進行檢測，詳細的流程見圖1。

圖1 基于CNN的物體檢測流程圖Fig.1 Flow chart of object detection based on CNN

在智慧路燈附近，采用卷積神經網絡對一鍵報警人和充電車輛進行檢測，詳細的步驟如下：

步驟1：生成候選區域。通過旋轉云臺，攝像頭在以報警人和充電車輛為圓心，r(r=1.5 m)為半徑的圓圈內拍攝圖像，產生大量的候選區域。

步驟2：區域大小歸一化。把所有侯選框縮放成固定大小，本文采用100×100(單位為像素)的固定區域。

步驟3：特征提取。綜合考慮計算速度和識別準確率，通過卷積神經網絡LeNet-5模型的卷積層和池化層提取拍攝圖像的特征。

步驟4：分類與檢測。在特征提取的基礎上，采用softmax分類器來識別物體。softmax分類器有三個類別，分別是有報警人狀態、有充電車輛狀態及沒有人車的狀態。

3 基于CNN的智慧路燈聯動控制算法

本文實現視頻監控、智能充電和一鍵報警多功能的聯動。攝像頭在智慧路燈附近拍攝圖像，將圖像縮放成固定大小100×100(單位為像素)，輸入卷積神經網絡進行檢測。當出現有人報警時，攝像頭通過云臺實時檢測并跟蹤報警人。若有人誤報警，運維人員通過后臺系統查看現場報警的視頻情況，及時排除異常情況，避免無效的救援。

當出現車輛充電時，攝像頭通過云臺實時檢測并跟蹤車輛。若充電過程出現異常，運維人員在后臺能實時查看，并提供相關的幫助。對于視頻中的充電車輛圖像，采用卷積神經網絡還可以進行車牌、車輛類型、車身顏色和車標等信息識別，實現違法行為的自動化取證，提高取證效率，維護交通秩序和治安管理。

將視頻監控、智能充電和一鍵報警聯動的算法安裝在后臺服務器上，實現多功能的實時聯動控制，聯動的策略見圖2。

圖2 基于CNN的智慧路燈聯動控制流程圖Fig.2 Flow chart of intelligent street lamp linkage control based on CNN

在攝像的圖像范圍內檢測到報警人時，視頻監控與一鍵報警功能聯動；在攝像的圖像范圍內檢測到充電車輛時，視頻監控與智能充電功能聯動。當同時檢測到報警人和車輛充電時，攝像頭優先與一鍵報警功能進行聯動，當檢測到報警人離開后，再與智能充電的功能進行聯動，詳細的聯動步驟如下：

步驟1：監控智慧路燈周圍。在智慧路燈周圍，攝像頭將焦點對準固定位置進行監控，本文在東南西北方向共設置固定的八個點，攝像頭每天在這八個點上輪回進行監控，這些點包括報警位置和充電車位。

步驟2：判斷是否有人報警。若有，則轉步驟3；否則，轉步驟1，攝像頭按固定的模式繼續監控智慧路燈周圍的情況。

步驟3：監控報警人。當有行人報警時，報警信號傳到后臺，采用卷積神經網絡對行人按報警器的狀態進行檢測。攝像頭在以報警位置為圓心，r為半徑(r=1.5 m)的圓圈內檢測。若檢測到報警人，則攝像頭自動調整角度，監控報警人。當報警人離開檢測區域后，轉步驟1。

步驟4：判斷是否有車輛充電。若有，則轉步驟5；否則，轉步驟1，攝像頭按固定的模式繼續監控智慧路燈周圍的情況。

步驟5：監控充電車輛。當有車輛充電時，充電信號傳到后臺，采用卷積神經網絡對車輛充電的狀態進行檢測。攝像頭在以充電車位為圓心，r為半徑(r=1.5 m)的圓圈內檢測。若檢測到充電車輛，則攝像頭自動調整角度，對準充電車輛，監控充電車輛。當充電車輛離開檢測區域后，轉步驟1。

4 實驗結果及分析

為了驗證本文方法的有效性和可行性，通過現場模擬一鍵報警和充電樁功能，產生訓練樣本。為了更好地比較和驗證算法性能，產生3 000張訓練圖像和1 000張測試圖像。在訓練圖像中，出現報警人的圖像1 000張，出現充電車輛的圖像1 000張，兩者都不存在的圖像1 000張。采用服務器對算法進行訓練和測試，服務器的配置如下：CPU：Intel(R) Xeon(R) E7-4830 2.13 GHz，共有4個處理器；內存：64 G；軟件環境：Matlab 2017a。

采用卷積神經網絡和BP神經網絡對收集的圖像進行訓練和測試，兩種方法的結果比較見表1。在LeNet-5卷積神經網絡中，學習速率設置為0.1，批次大小設置為20。BP網絡有一個隱含層，該層的神經元為100個，允許誤差為0.01。

表1 兩種方法的比較結果

由表1可知，本文采用的方法運行時間短，準確率高，更加適合智慧路燈多功能的聯動控制。當有500個訓練樣本時，卷積神經網絡的識別準確率為86.2%；當有1 000個訓練樣本時，卷積神經網絡的識別準確率為90.6%。由此可知，隨著樣本量的增加，算法的準確性也在增大。為了增大樣本的容量，提高算法的魯棒性，對試運行階段的樣本進行人工確認后，重新作為訓練樣本。當算法的識別準確率大于90%時，能滿足智慧路燈現場聯動的效果，因此本文將卷積神經網絡應用的條件設置為樣本量大于1 000。

5 總結

我們提出了一種基于卷積神經網絡的智慧路燈聯動控制算法，實現了視頻監控、智能充電和一鍵報警聯動多功能的聯動。采用卷積神經網絡對報警人和充電車輛進行檢測，提高了聯動的準確率。通過智慧路燈各個功能之間的聯動發揮了各個功能模塊的作用，極大地方便了運維人員的日常工作。