基于麥克風(fēng)陣列車輛檢測(cè)的公路隧道照明控制方法及系統(tǒng)研究

黎 恒， 楊玉琳， 陳大華， 韋澤賢， 王玲容， 唐文娟

(廣西交通科學(xué)研究院有限公司， 廣西 南寧 530007)

0 引言

隨著我國(guó)交通基礎(chǔ)建設(shè)的快速推進(jìn)，公路建設(shè)進(jìn)入了山區(qū)修筑時(shí)代，公路隧道所占比例越來(lái)越大[1-2]。隧道照明系統(tǒng)作為隧道建設(shè)必不可少的一部分，其耗能嚴(yán)重、運(yùn)營(yíng)維護(hù)費(fèi)用高等問(wèn)題一直困擾著運(yùn)營(yíng)單位[3-4]。開(kāi)展隧道照明節(jié)能技術(shù)的研究是降低公路隧道運(yùn)營(yíng)成本的必由之路，具有十分重要的意義[5]。

目前，智能照明控制已逐漸成為國(guó)內(nèi)外隧道照明節(jié)能的重要技術(shù)手段[6]。其中，在國(guó)內(nèi)外隧道常規(guī)節(jié)能技術(shù)中，為檢測(cè)車流量和隧道內(nèi)部車輛行駛情況，常用方法主要有視頻、微波雷達(dá)、感應(yīng)線圈等感知技術(shù)。但由于隧道光照、環(huán)境情況復(fù)雜，上述方法難以同時(shí)滿足高精度、低成本、易安裝維護(hù)等檢測(cè)需求。如感應(yīng)線圈通常在安裝時(shí)需要封路切割路面操作，存在使用壽命短、操作復(fù)雜、維護(hù)成本高等問(wèn)題[7]；雖然微波雷達(dá)、視頻設(shè)備安裝無(wú)需切割路面，但其存在成本較為昂貴，檢測(cè)精度易受光照、天氣條件、隧道內(nèi)部粉塵影響等問(wèn)題[8]。

針對(duì)現(xiàn)有方法存在安裝復(fù)雜、維護(hù)成本高、精度易受環(huán)境影響等問(wèn)題，本文考慮采用低成本傳感器、非接觸、非埋地的車輛檢測(cè)方案。同時(shí)，為使研究更貼合工程需求，本文針對(duì)高速公路隧道照明節(jié)能的需求開(kāi)展基于音頻的車輛認(rèn)知方法研究，提出一種基于麥克風(fēng)陣列車輛檢測(cè)的公路隧道照明控制方法及系統(tǒng)，綜合運(yùn)用改進(jìn)的MVDR算法、卷積神經(jīng)網(wǎng)絡(luò)算法[9]構(gòu)建音頻車輛檢測(cè)系統(tǒng)，并且集成隧道智能無(wú)級(jí)調(diào)光器，融合視頻亮度檢測(cè)、視頻車檢、音頻車輛檢測(cè)設(shè)備所獲得的洞內(nèi)外亮度、車流量、車輛到達(dá)、隧道內(nèi)是否存在車輛行駛信息，實(shí)現(xiàn)照明亮度智能調(diào)節(jié)，分段精準(zhǔn)照明，大幅降低公路隧道的總體能耗。在廣西河池至百色等多條高速公路的工程實(shí)踐表明，本文提出的基于麥克風(fēng)陣列的隧道照明節(jié)能方法與系統(tǒng)，音頻車檢檢測(cè)精度高于95%，較目前常規(guī)LED無(wú)級(jí)調(diào)光控制系統(tǒng)，安裝維護(hù)成本降低30%，使隧道綜合電能降低約20%，為交通運(yùn)營(yíng)部門提供一種有效的隧道節(jié)能技術(shù)解決方案，特別在西部地區(qū)普遍存在車流量少、隧道里程長(zhǎng)的情況下，隧道照明實(shí)施“車來(lái)前亮，車走漸暗”的模式，使節(jié)能效果更為顯著。

1 隧道照明節(jié)能系統(tǒng)總體設(shè)計(jì)

1.1 隧道照明節(jié)能系統(tǒng)結(jié)構(gòu)

基于麥克風(fēng)陣列的隧道照明節(jié)能系統(tǒng)結(jié)構(gòu)如圖1所示。本文隧道照明控制系統(tǒng)在照明控制選擇上，一改傳統(tǒng)照明“全天照明，分檔控制”的粗放控制模式為“車來(lái)前亮，車走漸暗”的精細(xì)控制模式，使隧道內(nèi)分段保持“有車照明”和“無(wú)車照明”2個(gè)大類種照明狀態(tài)。“車來(lái)前亮”指車輛進(jìn)入隧道前，照明系統(tǒng)提前進(jìn)入“有車照明”狀態(tài)并在有車通行的情況下應(yīng)提供足夠照明亮度，以保障隧道車輛的安全行駛；“車走漸暗”指車輛駛過(guò)后照明燈具逐漸變暗但不關(guān)滅的“無(wú)車照明”狀態(tài)，隧道在無(wú)車通行時(shí)提供基本保障照明，避免電流通斷的沖擊，延長(zhǎng)燈具壽命。以“車來(lái)前亮，車走漸暗”的控制模式實(shí)現(xiàn)照明精細(xì)控制和延長(zhǎng)燈具使用壽命的雙重效果。

圖1 系統(tǒng)總體框圖

由圖1可知，為了實(shí)現(xiàn)上述照明控制效果，本文系統(tǒng)采用視頻車檢器和音頻車檢器2個(gè)不同車檢器。音頻車檢器能檢測(cè)隧道內(nèi)有車和無(wú)車，無(wú)法檢測(cè)車流量，但因其成本低廉適合大量布設(shè)；而視頻車檢器可以同時(shí)檢測(cè)多個(gè)車輛并獲得車流量信息，但因其成本高不適合大量使用，故在系統(tǒng)設(shè)計(jì)中只在洞口使用。其中車流量信息用于控制照明亮度，隧道內(nèi)有車和無(wú)車用于控制精準(zhǔn)照明。

系統(tǒng)中采用的基于麥克風(fēng)陣列的車輛檢測(cè)方法在設(shè)計(jì)時(shí)將基于以下現(xiàn)實(shí)需求： 1)節(jié)能系統(tǒng)對(duì)隧道進(jìn)行分段節(jié)能，無(wú)車地段只需把亮度調(diào)暗，滿足基本監(jiān)控需求即可，只需要得到該段有無(wú)車輛行駛的信息，而不需要對(duì)車型、數(shù)量等信息進(jìn)行精確感知； 2)高速公路隧道左右洞間的隧道壁較厚，且洞內(nèi)車輛為單向行駛，因此不需要考慮上下行車輛對(duì)反向隧道內(nèi)音頻車輛檢測(cè)裝置所產(chǎn)生的干擾； 3)高速公路的車輛行駛速度快，輪胎噪聲為車輛音頻的主要成分，只需對(duì)車輛的輪胎噪聲進(jìn)行智能提取與認(rèn)知，同時(shí)抑制自然噪聲、人聲等干擾； 4)公路隧道是封閉的腔體，車輛音頻信號(hào)在隧道壁進(jìn)行多次反射到達(dá)麥克風(fēng)(形成混響)[10]，需要對(duì)混響進(jìn)行有效抑制。

1.2 隧道照明節(jié)能系統(tǒng)控制原理

系統(tǒng)控制原理如圖2所示。

圖2 多信息協(xié)同的智能照明控制原理圖

Fig. 2 Intelligent lighting control principle based on multi-information coordination

由圖2可知，系統(tǒng)照明控制流程可歸結(jié)為如下主要步驟：

1)建立基于環(huán)境傳感的多信息協(xié)同控制模型。該模型以國(guó)家照明標(biāo)準(zhǔn)和照明行業(yè)標(biāo)準(zhǔn)為指導(dǎo)依據(jù)，綜合運(yùn)用控制理論分析并以工程化模型輸入?yún)?shù)，基于以視頻亮度儀采集的隧道內(nèi)外亮度環(huán)境信息變量，以視頻車檢器在隧道入口處實(shí)時(shí)檢測(cè)車流量變量、以音頻車檢器采集隧道內(nèi)的車輛行駛變量，判斷車輛到達(dá)時(shí)間信息及其在隧道內(nèi)車輛位移等信息，并結(jié)合已知隧道長(zhǎng)度信息，建立多參數(shù)LED燈亮度協(xié)同亮度控制模型，實(shí)現(xiàn)隧道亮度控制。

2)利用視頻亮度檢測(cè)儀[11]、入口視頻車檢器[12]、隧道內(nèi)有無(wú)車聲音檢測(cè)系統(tǒng)，獲取精準(zhǔn)的環(huán)境與車輛信息，同時(shí)結(jié)合已知隧道長(zhǎng)度信息、車流量信息等作為建立的基于環(huán)境傳感的多信息協(xié)同控制模型的輸入。

3)將控制模型部署在自主研發(fā)基于ARM的智能無(wú)級(jí)調(diào)光控制器上，該控制器是控制模型的重要載體。控制器(主要是部署其中的控制模型發(fā)揮作用)綜合判斷當(dāng)前環(huán)境與有無(wú)車情況，決定燈光控制輸出量。根據(jù)調(diào)節(jié)好的輸出量，輸出每個(gè)LED燈光控制回路的控制信號(hào)，調(diào)節(jié)隧道內(nèi)燈照明亮度與時(shí)長(zhǎng)。

上述過(guò)程不斷重復(fù)，使隧道內(nèi)照明根據(jù)環(huán)境變化不斷調(diào)節(jié)，達(dá)到實(shí)時(shí)精準(zhǔn)控制的目的。當(dāng)隧道發(fā)生突發(fā)事件時(shí)，如隧道火災(zāi)，系統(tǒng)可通過(guò)與火災(zāi)報(bào)警器聯(lián)動(dòng)，或在交通管控下，由監(jiān)控中心遠(yuǎn)程控制，將隧道切換為100%照明亮度，直到火災(zāi)結(jié)束或監(jiān)控中心人工操作將隧道恢復(fù)正常照明控制。在實(shí)際工程應(yīng)用中，本文提出的音頻車輛檢測(cè)裝置安裝于隧道內(nèi)部每間隔200～400 m距離的車道側(cè)面或車道上方，通過(guò)分段檢測(cè)隧道有無(wú)車輛，進(jìn)而實(shí)現(xiàn)隧道內(nèi)部的分段照明，提高隧道洞內(nèi)調(diào)光精細(xì)化程度，使隧道照明節(jié)能最大化。值得注意的是，較常規(guī)的國(guó)內(nèi)外隧道節(jié)能技術(shù)[7-8]，本文考慮使用非接觸式、非埋地的車輛檢測(cè)方案，在設(shè)計(jì)中采用麥克風(fēng)陣列構(gòu)建隧道內(nèi)有無(wú)車輛的聲音檢測(cè)系統(tǒng)，構(gòu)建思路為利用麥克風(fēng)陣列，在車輛行駛過(guò)程中拾取車輛輪胎和地面摩擦產(chǎn)生輪胎噪聲，通過(guò)改進(jìn)MVDR算法和卷積神經(jīng)網(wǎng)絡(luò)對(duì)輪胎噪聲進(jìn)行定向和辨識(shí)，從而實(shí)現(xiàn)車輛檢測(cè)。

1.3 多參數(shù)LED燈亮度協(xié)同的燈具亮度控制模型

系統(tǒng)將隧道分成入口段、中間段2大部分對(duì)其進(jìn)行調(diào)光，具體方法參照《公路隧道照明設(shè)計(jì)細(xì)則》，進(jìn)行分段照明優(yōu)化設(shè)計(jì)。

1)根據(jù)車流量、洞內(nèi)外環(huán)境亮度對(duì)隧道入口段亮度進(jìn)行控制，令入口段亮度

Lth=0.5×k×L20(S)[13]

(1)

式中：k為入口段亮度折減系數(shù)，取值見(jiàn)表1；L20(S)為安裝在隧道入口處的視頻亮度儀采集到的洞外亮度，cd/m2。

根據(jù)式(1)可計(jì)算得到Lth的值。

表1 入口段亮度折減系數(shù)k

注： 設(shè)計(jì)小時(shí)交通量N由隧道入口處的視頻車檢器檢測(cè)所得，當(dāng)交通量在某個(gè)中間值時(shí)，則按線性內(nèi)插取值；系統(tǒng)根據(jù)隧道的不同地理環(huán)境及行車條件，預(yù)先設(shè)定好設(shè)計(jì)速度v1，km/h。

2)為了進(jìn)一步提升節(jié)能效果，提出隧道內(nèi)車輛行駛狀況的精細(xì)照明控制方法。安裝在隧道內(nèi)壁的音頻車輛檢測(cè)裝置可判斷隧道內(nèi)是否有車，在無(wú)車情況下，系統(tǒng)將LED電流調(diào)至較低閾值(最大亮度的10%)而非關(guān)斷，使隧道內(nèi)提供基本保障照明。在有車情況下，隧道中間段亮度Lln的取值可由表2得到。當(dāng)設(shè)計(jì)速度v1為100 km/h時(shí)，中間段亮度可按80 km/h對(duì)應(yīng)亮度來(lái)取值；當(dāng)設(shè)計(jì)速度v1為120 km/h時(shí)，中間段亮度可按100 km/h對(duì)應(yīng)亮度來(lái)取值[13]。令x為隧道音頻車輛檢測(cè)裝置的布設(shè)間距，隧道內(nèi)亮度分布范圍如圖3所示。其中，Lln+x、Lln-x分別表示被檢測(cè)車輛前后距離(本項(xiàng)目取x=200 m)內(nèi)亮度，取Lln。下文將主要圍繞雙向交通情況進(jìn)行討論，將上述控制方法結(jié)合，建立了多參數(shù)LED燈亮度協(xié)同的燈具亮度控制模型。

表2 中間段亮度Lln

圖3 隧道亮度分布范圍

2 基于麥克風(fēng)陣列的車輛檢測(cè)方法

2.1 基于麥克風(fēng)陣列車輛檢測(cè)裝置

本文考慮的基于麥克風(fēng)陣列的車輛檢測(cè)裝置結(jié)構(gòu)示意如圖4所示。具體包括麥克風(fēng)陣列模塊、麥克風(fēng)信號(hào)接收模塊、降噪去混響模塊、事件檢測(cè)模塊。在廣西河池至百色高速公路中，為保證系統(tǒng)可靠性及準(zhǔn)確度，基于麥克風(fēng)陣列的車輛檢測(cè)裝置采用200 m安裝間隔。

圖4 基于麥克風(fēng)陣列的車輛檢測(cè)裝置結(jié)構(gòu)示意圖

Fig. 4 Structural schematic diagram of vehicle detection device based on microphone array

1)麥克風(fēng)陣列模塊。采集公路上的交通聲音信號(hào)，該模塊包括6個(gè)數(shù)字MEMS數(shù)字麥克風(fēng)，即麥克風(fēng)A—F； 其中，麥克風(fēng)A—E呈環(huán)形排列，麥克風(fēng)F位于圓心，聲音模擬信號(hào)經(jīng)過(guò)數(shù)字麥克風(fēng)陣列模塊輸出6路PDM數(shù)字信號(hào)，所述6路PDM數(shù)字信號(hào)作為麥克風(fēng)信號(hào)接收模塊的輸入。

2)麥克風(fēng)信號(hào)接收模塊。該模塊對(duì)6路PDM數(shù)字信號(hào)進(jìn)行解調(diào)、濾波等預(yù)處理，將PDM數(shù)字信號(hào)轉(zhuǎn)換成單一采樣率和比特位的數(shù)字音頻信號(hào)。麥克風(fēng)信號(hào)接收模塊采用XMOS公司XU216系列微處理器，XU216是高性能多核麥克風(fēng)陣列處理器，具有多路PDM信號(hào)輸入接口和較強(qiáng)的處理能力，高度的靈活性和可編程性，同時(shí)集成了USB通信接口，能夠滿足本系統(tǒng)聲音陣列信號(hào)預(yù)處理的需要。麥克風(fēng)陣列模塊輸出的6路PDM數(shù)字信號(hào)經(jīng)麥克風(fēng)信號(hào)接收模塊解調(diào)后，得到6路44 k采樣率、16 bit的數(shù)字音頻信號(hào)，經(jīng)USB總線傳入嵌入式處理器進(jìn)行后續(xù)處理。

3)降噪去混響模塊。該模塊可對(duì)6路數(shù)字音頻信號(hào)進(jìn)行噪聲和混響抑制。在本文設(shè)計(jì)中，受文獻(xiàn)[14-15]啟示，采用改進(jìn)的MVDR算法，利用多麥克風(fēng)波束形成技術(shù)，對(duì)數(shù)字音頻信號(hào)進(jìn)行增強(qiáng)，同時(shí)達(dá)到噪聲抑制和混響抑制的目的。所述降噪去混響模塊對(duì)6路數(shù)字音頻信號(hào)進(jìn)行處理后，得到1路增強(qiáng)后的聲音數(shù)字信號(hào)，并輸入到事件檢測(cè)模塊。

4)事件檢測(cè)模塊。該模塊是集成在微處理器上的算法模塊，所述微處理器與降噪去混響模塊中的微處理器為同一微處理器。事件檢測(cè)模塊對(duì)1路增強(qiáng)后的聲音數(shù)字信號(hào)進(jìn)行數(shù)字變換，通過(guò)Gammatone濾波器對(duì)該路聲音數(shù)字信號(hào)進(jìn)行子帶濾波，得到音頻信號(hào)的耳蝸?zhàn)V，然后將耳蝸?zhàn)V輸入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)得到事件類型的輸出概率，從而判斷交通事件類型[16-17]。

2.2 改進(jìn)的MVDR算法

在麥克風(fēng)陣列的降噪去混響模塊中，采用改進(jìn)的MVDR算法，將麥克風(fēng)信號(hào)頻譜和加性噪聲頻譜進(jìn)行加權(quán)和，得到噪聲估計(jì)因子ki(ω)。接著構(gòu)造代價(jià)函數(shù)J，進(jìn)而將系統(tǒng)降噪去混響設(shè)計(jì)問(wèn)題轉(zhuǎn)化為最小化代價(jià)函數(shù)J優(yōu)化問(wèn)題。

步驟1： 假設(shè)信號(hào)已分幀，s(t)為聲音信號(hào)的一幀，檢測(cè)事件的發(fā)生，白化輸入信號(hào)s(t)，得到x(t)。

(2)

式中： E(s(t))為s(t)的數(shù)學(xué)期望；σs為s(t)的標(biāo)準(zhǔn)差；Ns為s(t)的長(zhǎng)度。負(fù)熵

neg(x)=H(Ygauss)-H(x)

(3)

式中: H(x)=-E(logpx);px為x的概率密度；Ygauss為均值為0、方差為1的高斯白噪聲。

噪聲的負(fù)熵近似零，故能很好地區(qū)分事件幀和非事件幀[18]。如果neg(x)<0.2則無(wú)事件發(fā)生，該幀視為噪聲，估計(jì)Ni(ω)，跳過(guò)以下步驟。

步驟2： 估計(jì)各麥克風(fēng)的衰減因子αi(ω),i=1,…，P。

(4)

式中：P為麥克風(fēng)個(gè)數(shù)；Xi(ω)為第i個(gè)麥克風(fēng)信號(hào)的頻譜；Ni(ω)為第i個(gè)麥克風(fēng)的加性噪聲頻譜，并且Ni(ω)通過(guò)無(wú)事件幀估計(jì)得到。

通過(guò)估計(jì)麥克風(fēng)的增益因子，能有效改善麥克風(fēng)陣列的麥克風(fēng)單元在增益不一致導(dǎo)致的時(shí)延估計(jì)不準(zhǔn)確的問(wèn)題。

步驟3： 構(gòu)造代價(jià)函數(shù)J。

(5)

式中τi(i=1,…,P)為第i個(gè)麥克風(fēng)與聲源之間的時(shí)延。

以采樣點(diǎn)為單位，求噪聲估計(jì)因子，ki(ω)=0.1|Xi(ω)|2+0.9E{|Ni(ω)|2}。

混響的能量是聲源信號(hào)的一部分，該因子把信號(hào)的小部分作為噪聲建模，通過(guò)該步驟處理，使算法具備抑制混響能力。

基于MVDR理論，求解關(guān)于J的最小化問(wèn)題，即：

argminτJ

(6)

得到τi,i=1,…,P。

步驟4： 求解還原聲源信號(hào)的頻譜S(ω)。

(7)

式中：G(ω)=[α1(ω)e-jωτ1,…,αP(ω)e-jωτP]T；Q(ω)=

E[N(ω)NH(ω)]。

對(duì)求解所得的頻譜進(jìn)行傅里葉逆變換，則可得經(jīng)降噪和去混響后的聲源時(shí)域波形。

2.3 車輛行駛事件判定方法

步驟1： 通過(guò)式(3)的取值情況得到事件的起點(diǎn)和終點(diǎn)時(shí)刻。

步驟2： 對(duì)聲源時(shí)域波形s(t)進(jìn)行分幀，并求其Gammatone耳蝸?zhàn)V。Gammatone濾波器組的沖擊響應(yīng)[19]如式(8)所示。

g(f,t)=th-1e-2πvtcos(2πft)

(8)

式中：h=4為常量；v為濾波器中心頻率對(duì)應(yīng)的等效矩形帶寬；f為子帶中心頻率。

則編號(hào)為c、中心頻率為fc的子帶可以通過(guò)對(duì)s(t)濾波得到

s(c,t)=s(t)*g(fc,t)

(9)

步驟3： 通過(guò)Gammatone濾波器組進(jìn)行分帶濾波得到32個(gè)子帶信號(hào)，對(duì)這32個(gè)子帶信號(hào)求得頻譜，則得到關(guān)于s(t)的時(shí)間-頻譜分布圖，即耳蝸?zhàn)V。

步驟4： 將耳蝸?zhàn)V輸入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)(本文使用著名的VGG16進(jìn)行音頻認(rèn)知訓(xùn)練與推理)[17]，得到卷積神經(jīng)網(wǎng)絡(luò)的輸出，對(duì)輸出進(jìn)行解碼得到隧道內(nèi)事件類型，進(jìn)而可將隧道內(nèi)有無(wú)車輛行駛情況反饋給智能調(diào)光無(wú)級(jí)控制器。

2.4 基于麥克風(fēng)陣列的車輛檢測(cè)方法

結(jié)合前文所述，可將本文提出的基于麥克陣列的車輛檢測(cè)方法歸結(jié)如下。

步驟1： 交通事件的聲音通過(guò)麥克風(fēng)陣列模塊采集得到，該聲音模擬信號(hào)經(jīng)過(guò)N路數(shù)字麥克風(fēng)輸出N路PDM格式的數(shù)字信號(hào)。

步驟2：N路PDM格式的數(shù)字信號(hào)輸入到麥克風(fēng)信號(hào)接收模塊，經(jīng)過(guò)解調(diào)濾波轉(zhuǎn)換成N路數(shù)字音頻信號(hào)。

步驟3：N路數(shù)字音頻信號(hào)輸入到降噪去混響模塊中，采用改進(jìn)的MVDR算法對(duì)數(shù)字音頻信號(hào)進(jìn)行增強(qiáng)，得到1路聲音數(shù)字信號(hào)。

步驟4： 步驟3中得到的1路聲音數(shù)字信號(hào)輸入到事件檢測(cè)模塊，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)得到交通事件類型的輸出概率，從而得到隧道內(nèi)車輛行駛情況。

基于麥克風(fēng)陣列的車輛檢測(cè)方法具體流程圖如圖5所示。

圖5 基于麥克風(fēng)陣列的車輛檢測(cè)流程圖

3 試驗(yàn)分析

為驗(yàn)證本文技術(shù)可行性，將依次進(jìn)行下列3組試驗(yàn)，具體試驗(yàn)分析如下。

試驗(yàn)1： 應(yīng)用本文方法驗(yàn)證4種不同事件類型的系統(tǒng)識(shí)別率，事件類型分別為： 事件a——雨聲；事件b——蟲(chóng)鳴鳥(niǎo)叫聲；事件c——人的說(shuō)話聲；事件d——汽車行駛聲。為了不失一般性，試驗(yàn)過(guò)程中，每類事件不同時(shí)發(fā)生，且每類事件選100個(gè)不同的樣本。通過(guò)試驗(yàn)，統(tǒng)計(jì)本文設(shè)計(jì)的基于麥克風(fēng)陣列的音頻車檢系統(tǒng)輸出的事件類型，判斷每類事件的識(shí)別率。本文方法在不同事件類型中的系統(tǒng)識(shí)別率如表3所示。可以看出，本文提出的基于麥克風(fēng)陣列音頻車檢系統(tǒng)的事件平均識(shí)別率高于98%。

表3 本文方法在不同事件類型中的系統(tǒng)識(shí)別率

試驗(yàn)2： 麥克風(fēng)會(huì)收到自身噪聲、電源噪聲等因素的干擾。為驗(yàn)證本文方法對(duì)降低電路噪聲的有效性，采用試驗(yàn)1的a、b、c、d事件作為原型事件類型，基于本文音頻車輛事件檢測(cè)系統(tǒng)麥克風(fēng)陣列處理，分別獲得經(jīng)過(guò)陣列中麥克風(fēng)A獲得的事件、經(jīng)過(guò)陣列中改進(jìn)的MVDR算法處理后的事件，所得新的事件類型如表4所示。首先，隨機(jī)選取事件d1、d2中的10個(gè)樣本作為信號(hào)源，驗(yàn)證事件d1、d2的信噪比，所得結(jié)果如圖6所示。可以看出，事件d2的信噪比在10次試驗(yàn)中均比事件d1的高，本文方法能有效抑制系統(tǒng)自身電路產(chǎn)生的隨機(jī)噪聲干擾。為了進(jìn)一步證明系統(tǒng)的有效性，利用本文的卷積神經(jīng)網(wǎng)絡(luò)方法對(duì)表4中所有事件進(jìn)行判定，所得系統(tǒng)識(shí)別率如表5所示。結(jié)合表5，可進(jìn)一步驗(yàn)證信號(hào)經(jīng)過(guò)本文改進(jìn)的MVDR算法進(jìn)行降噪和去混響后，有利于提高系統(tǒng)的識(shí)別率。

表4 構(gòu)建的事件類型

圖6 原始信號(hào)與處理后信號(hào)信噪比對(duì)比圖

Fig. 6 Comparison of signal-noise ratio between raw signal and processed signal

表5 本文方法在不同事件類型中的系統(tǒng)識(shí)別率

試驗(yàn)3： 在現(xiàn)實(shí)應(yīng)用環(huán)境中，麥克風(fēng)會(huì)收到一種或多種事件。對(duì)高速公路應(yīng)用場(chǎng)景而言，車輛行駛的噪聲是主要的信號(hào)，也是能量最大的信號(hào)。當(dāng)同時(shí)出現(xiàn)2種以上的音頻事件時(shí)，一般會(huì)導(dǎo)致識(shí)別率下降。為解決這個(gè)問(wèn)題，本文應(yīng)用麥克風(fēng)陣列技術(shù)對(duì)車輛行駛信號(hào)(主信號(hào))增強(qiáng)，同時(shí)對(duì)其他事件噪聲進(jìn)行抑制。為驗(yàn)證該方法的有效性，在現(xiàn)實(shí)高速公路場(chǎng)景，存在自然噪聲和人聲的情況下進(jìn)行車輛音頻認(rèn)知。在本試驗(yàn)中，組合試驗(yàn)1中的a、b、c、d事件作為本例試驗(yàn)事件，具體事件組合方式，及其在應(yīng)用本文方法后的系統(tǒng)識(shí)別率如表6所示。可以看出，本文方法對(duì)混合事件的識(shí)別率均高于95%。在其他噪聲影響下，仍能保持較高的有效性。

表6 本文方法在不同事件類型中的系統(tǒng)識(shí)別率

4 系統(tǒng)應(yīng)用情況

本文提出的基于麥克風(fēng)陣列的隧道照明節(jié)能方法與系統(tǒng)，分別應(yīng)用安裝于洞外的視頻亮度檢測(cè)、視頻車檢，以及安裝于隧道內(nèi)車道側(cè)面或車道上方的音頻車輛檢測(cè)設(shè)備，分別獲得洞內(nèi)外亮度、車流量、車輛到達(dá)、隧道內(nèi)是否存在車輛行駛的信息，通過(guò)融合上述信息，利用智能無(wú)級(jí)調(diào)光控制器，在隧道不同區(qū)段、不同洞外亮度、不同通車量情況下智能控制調(diào)整隧道照明，從而實(shí)現(xiàn)精準(zhǔn)、按需調(diào)光，達(dá)到安全、舒適、節(jié)能、高效的照明效果，解決隧道中存在的耗能嚴(yán)重、運(yùn)營(yíng)維護(hù)費(fèi)用高的問(wèn)題。

目前，該系統(tǒng)已成功應(yīng)用在廣西地區(qū)的高速公路和二級(jí)路，應(yīng)用隧道總數(shù)超過(guò)150條(包括欽州至崇左高速、雷平至碩龍二級(jí)公路、河池至都安高速、來(lái)賓至馬山高速、馬山至平果高速，崇左至靖西高速、河池至百色高速、靖西至龍邦高速)。應(yīng)用期間，產(chǎn)品節(jié)能效果好，穩(wěn)定可靠，節(jié)約了大量電能。系統(tǒng)在廣西河池至百色高速公路隧道的應(yīng)用情況如圖7所示。

聯(lián)合業(yè)主單位廣西紅都高速公路有限公司測(cè)試，通過(guò)橫向?qū)Ρ?014通車的靖西至那坡高速公路20條隧道(該路段20條隧道采用的是常規(guī)的LED無(wú)級(jí)調(diào)光控制系統(tǒng))的運(yùn)行耗能數(shù)據(jù)，與廣西河池至百色高速公路32條隧道(采用的本文系統(tǒng))的運(yùn)行耗能數(shù)據(jù)，對(duì)比發(fā)現(xiàn)： 廣西河池至百色高速公路引入本文系統(tǒng)，近半年所需耗能明顯更少，比常規(guī)LED無(wú)級(jí)調(diào)光控制系統(tǒng)節(jié)能約20%。通過(guò)本文隧道照明節(jié)能技術(shù)方案的推廣和應(yīng)用，可降低隧道節(jié)能產(chǎn)品的投資、應(yīng)用成本，大幅提升隧道節(jié)能的效果，帶動(dòng)公路節(jié)能行業(yè)的發(fā)展，促進(jìn)國(guó)民經(jīng)濟(jì)的發(fā)展。

(b) 隧道內(nèi)外車輛檢測(cè)器現(xiàn)場(chǎng)安裝圖2

(c) 多信息協(xié)同的智能照明控制主機(jī)

Fig. 7 Application of system in tunnel from Hechi to Baise Expressway

該系統(tǒng)的應(yīng)用前景廣闊，根據(jù)《廣西高速公路網(wǎng)規(guī)劃(2018—2030年)》，到2030年，廣西高速公路合計(jì)新增建設(shè)規(guī)模將達(dá)到8 000 km以上，絕大部分在山區(qū)修筑。隧道照明燈具及節(jié)能控制系統(tǒng)的需求量大，未來(lái)在廣西高速公路隧道節(jié)能的需求量為4億元以上，在廣西公路隧道改建和升級(jí)工程上需求量為10億元以上，本文技術(shù)仍存在巨大市場(chǎng)。

5 結(jié)論與探討

1)在本文提出的基于麥克風(fēng)陣列的音頻車輛認(rèn)知方法中，采用改進(jìn)的MVDR算法對(duì)麥克風(fēng)陣列采集到的信號(hào)進(jìn)行降噪和去混響。聯(lián)合理論分析和試驗(yàn)分析驗(yàn)證，該方法能有效降低電路噪聲、環(huán)境噪聲，進(jìn)一步提高音頻車檢器識(shí)別率。

2)本文介紹的調(diào)光方案，通過(guò)在隧道內(nèi)采用成本較低、識(shí)別率較高的非接觸音頻車檢技術(shù)，判斷隧道內(nèi)車輛行駛狀況，對(duì)隧道照明進(jìn)行精細(xì)化智能控制，實(shí)現(xiàn)隧道內(nèi)的分段照明、精準(zhǔn)調(diào)光，進(jìn)一步提高現(xiàn)有調(diào)光技術(shù)的節(jié)能效率。

3)我國(guó)公路隧道節(jié)能尚處于起步和探索階段，隨著人工智能、大數(shù)據(jù)、物聯(lián)網(wǎng)等技術(shù)的進(jìn)步，本文所研發(fā)的音頻陣列車檢技術(shù)仍有進(jìn)一步研究的空間，形成更科學(xué)的技術(shù)體系。同時(shí)，本文隧道節(jié)能技術(shù)針對(duì)性較強(qiáng)，主要運(yùn)用在封閉隧道中。在開(kāi)放式應(yīng)用場(chǎng)景下，如市政路的音頻車輛檢測(cè)技術(shù)及節(jié)能照明方案仍需進(jìn)一步研究。