基于深度学习的车辆振动信息识别研究

车辆振动信息识别对于维护交通安全和道路状况具有重要作用,可以节省大量人力物力。机器视觉、红外线成像等基于图像的方法虽然可以达到较高的准确率,但是容易受到环境比如照明条件、天气等因素干扰,相比之下,车辆的振动信号可以提供相对较稳定的车辆信息,传感器装配成本更低、维护更容易。近年来,从振动信号识别车辆信息的方法集中在传感器改进、信号处理及识别等方面。在使用神经网络的方法中,一类方法将计算出的特征输入全连接网络或一维卷积神经网络进行特征识别,这类方法需要专家知识对特征进行设计且计算方法复杂,另一类使用原始数据作为输入,这类方法则面临计算资源消耗大、训练慢等问题。针对上述问题,提出了基于深度学习的车辆振动信息识别方法,分别构建了1dCNN和2dCNN轴型信息识别网络模型,并对模型进行了鲁棒性测试、模型大小评估及推理速度测试。结果表明,1dCNN和2dCNN两个模型在测试集上分别达到了0.986和0.973的识别准确率,1dCNN比2dCNN有更好的鲁棒性、更快的推理速度。对于采样率500 Hz、长度为632的输入信号,1dCNN在CPU上的平均推理速度可达0.006 9 s/样本,2dCNN为0.18 s/样本。