朱鵬浩， 張世義， 李軍

(1.重慶交通大學(xué)機(jī)電與車輛工程學(xué)院， 重慶 400074； 2.重慶交通大學(xué)航運與船舶工程學(xué)院， 重慶 400074)

近年來隨著隧道建設(shè)技術(shù)的不斷突破，中國已成為世界上隧道數(shù)量最多、建設(shè)發(fā)展速度最快、規(guī)模長度最大的國家。截至2020年底， 中國公路隧道數(shù)量已達(dá)21 316座、總長可達(dá)2 199.9萬延米，特長隧道1 394座、623.55萬延米，長隧道5 541座、963.32萬延米[1]。無論是已建或在建公路隧道都呈現(xiàn)出填埋深度大、隧道斷面廣、隧道規(guī)模長等特點;如四川錦屏山隧道最大埋深可達(dá)2 375 m、陜西秦嶺終南山隧道長度可達(dá)18.02 km，最大填埋深度1 640 m，在建的新疆天山勝利隧道長度可達(dá)22.035 km、重慶城開隧道最大填埋深度為1 337 m[2]。由于公路隧道特殊的結(jié)構(gòu)特點，一旦隧道內(nèi)部發(fā)生火災(zāi)、水災(zāi)等險情時，災(zāi)險規(guī)模將會迅速擴(kuò)大，若隧道內(nèi)行駛?cè)藛T不能及時撤離，不僅將嚴(yán)重威脅其內(nèi)部人員的生命財產(chǎn)安全，而且極大可能造成二次災(zāi)險事故。如晉城巖后隧道“3.1”特大事故[3]、鄭州快速路京廣隧道事故等。大規(guī)模公路隧道的緊急救援是中國公路安全可持續(xù)發(fā)展戰(zhàn)略的重中之重。

當(dāng)前，運用多傳感器數(shù)據(jù)檢測技術(shù)及基于深度學(xué)習(xí)的智能圖像識別技術(shù)對隧道內(nèi)環(huán)境實時監(jiān)測已成為主流研究方向，如鄧實強(qiáng)等[4]利用Vibe算法模型檢測圖像的火焰運動區(qū)域，然后在YUV(Luminance，Chrominance，Chroma)色彩空間中提取出疑似煙霧區(qū)域，最后利用提取的顏色矩、均勻局部二進(jìn)制模式(uniform local binary patterns，ULBP)和灰度共生矩陣(gray-level co-occurrence matrix，GLCM)特征，通過BP神經(jīng)網(wǎng)絡(luò)分類器算法識別火災(zāi)煙霧。王偉峰等[5]在光照分布不均勻的情況下，將采集的火焰圖像通過結(jié)合改進(jìn)后的K-means算法與暗通道圖像去霧算法進(jìn)行去霧處理，采用幀差法與混合高斯模型融合算法提取動態(tài)演化的火焰圖像特征，并將提取的體征輸入YOLOv5算法模型中進(jìn)行火焰識別，但由于受光照強(qiáng)度影響及內(nèi)部特殊煙霧的影響，不能及時發(fā)現(xiàn)火情。Sekkas[6]設(shè)計了一種基于多級方案數(shù)據(jù)融合的火災(zāi)檢測方法，第一級通過使用D-S證據(jù)理論融合各傳感器數(shù)據(jù)，并賦予每個傳感器數(shù)據(jù)火災(zāi)發(fā)生概率；第二級結(jié)合上級各傳感器數(shù)據(jù)火災(zāi)發(fā)生概率，添加圖像技術(shù)進(jìn)一步確認(rèn)。Fogue等[7]提出一種基于大數(shù)據(jù)及知識推理技術(shù)的事故檢測智能報警系統(tǒng)，通過采集車速和安全氣囊狀態(tài)等特征確定事故的嚴(yán)重程度。Liang[8]提出一種基于物聯(lián)網(wǎng)和支持向量機(jī)的交通事故檢測方法，利用蟻群算法優(yōu)化的支持向量機(jī)模型對物聯(lián)網(wǎng)平臺上的數(shù)據(jù)進(jìn)行分析，從而有效的檢測交通事故。Chaturvedi[9]提出一種基于全球移動通信系統(tǒng)(global system for mobile communications，GSM)和全球定位系統(tǒng)(global positioning system，GPS)的車輛事故自動檢測報警系統(tǒng)，通過振動傳感器及微機(jī)電系統(tǒng)(microe-lectro mechanical systems，MEMS)傳感器檢測車輛行駛狀態(tài)信息，從而判斷是否發(fā)生交通事故，并利用GSM發(fā)送報警信號。

因上述研究內(nèi)容主要針對隧道內(nèi)某一特定災(zāi)險檢測，各災(zāi)險檢測系統(tǒng)相對獨立、融合性不強(qiáng)、誤報率高且報警不及時等問題，極易造成二次交通事故。因此，現(xiàn)提出一種基于多傳感器融合的隧道智能巡檢系統(tǒng)，該系統(tǒng)將基于粒子群優(yōu)化前饋神經(jīng)網(wǎng)絡(luò)(particle swarm optimization，back propagation， PSO-BP)的多傳感器融合火災(zāi)檢測技術(shù)及幀差法交通事故圖像識別技術(shù)集成在隧道掛軌運行的智能巡檢小車上，以解決隧道災(zāi)險信息獲取不及時等問題。通過巡檢小車在隧道內(nèi)的循環(huán)運動，實時對隧道內(nèi)的環(huán)境進(jìn)行檢測，可及時察覺隧道內(nèi)火災(zāi)及交通事故等異常情況，為隧道災(zāi)險處理及預(yù)防二次事故的發(fā)生提供及時有效的技術(shù)支持。

1 系統(tǒng)總體設(shè)計

隧道智能巡檢系統(tǒng)框架如圖1所示，主要由主控模塊、在軌運行模塊、環(huán)境感知與模擬數(shù)字轉(zhuǎn)換模塊、通信及信息處理模塊及災(zāi)險報警模塊構(gòu)成。其中，在軌運行模塊負(fù)責(zé)使巡檢系統(tǒng)在隧道上方循

環(huán)移動，并利用其環(huán)境感知模塊對隧道內(nèi)的信息進(jìn)行采集，通過信息處理模塊對接收的信息進(jìn)行處理后，由通信模塊將數(shù)據(jù)傳遞給主控模塊實現(xiàn)對隧道內(nèi)情況的識別判斷，及時通過災(zāi)險報警模塊將隧道內(nèi)發(fā)生的災(zāi)險信息傳遞給相關(guān)人員。因針對公路交通隧道，為避免系統(tǒng)運行過程中影響隧道內(nèi)行車安全，特在隧道頂部設(shè)置系統(tǒng)運行軌道。

1.1 火災(zāi)數(shù)據(jù)采集

因火災(zāi)早期多表現(xiàn)為煙霧較多的暗燃狀態(tài)，為及時檢測到隧道內(nèi)早期火災(zāi)險情，故對隧道內(nèi)煙霧及有害氣體的檢測選用性能優(yōu)良的MQ-2煙霧及MQ-7一氧化碳(CO)傳感器。該類傳感器在與煙霧接觸后，隨著煙霧濃度升高，使半導(dǎo)體表面的氧負(fù)離子數(shù)量變少，導(dǎo)電率將會變大，輸出電阻變小，從而導(dǎo)致輸出的模擬信號變大。其檢測濃度范圍在125～12 500 mg/m3，具有較高的靈敏性和長期的穩(wěn)定性等特點，原理圖如圖2所示。

對隧道內(nèi)火災(zāi)的明火檢測利用火焰本身向外發(fā)射特定波長范圍的光線這一特征，通過運用五路器的探測范圍較窄，采用此傳感器可以將探測范圍提升到120°以上，能夠有效地檢測到波段范圍為700～1 100 nm的短波近紅外光線，其原理圖如圖3所示。

1～6為引腳標(biāo)號圖2 煙霧傳感器原理圖Fig.2 Schematic diagram of smoke sensor

VRI為可變電阻1；DO為數(shù)字量輸出；AO為模擬量輸出圖3 近紅外火焰?zhèn)鞲衅髟韴DFig.3 Schematic diagram of the near-infrared flame sensor

1.2 交通事故數(shù)據(jù)采集

對隧道內(nèi)車輛狀態(tài)信息的采集，采用搭載在云臺上的無線遠(yuǎn)程攝像頭(圖4)。利用巡檢機(jī)器人移動實時對隧道內(nèi)的車輛行駛狀態(tài)進(jìn)行監(jiān)控，并將視頻圖像通過通信系統(tǒng)傳遞給圖像處理識別模塊，實現(xiàn)對隧道內(nèi)交通事故的識別報警。

圖4 云臺及無線遠(yuǎn)程攝像頭Fig.4 PTZ and wireless remote camera

1.3 隧道巡檢模塊

為實現(xiàn)巡檢過程不影響隧道內(nèi)車輛正常行駛，通過在隧道上方搭設(shè)軌道，并設(shè)計將小車運動機(jī)構(gòu)倒置，使巡檢小車倒掛在軌道上，實現(xiàn)小車在隧道頂部靈活移動，從而實時準(zhǔn)確地采集隧道內(nèi)的環(huán)境信息，巡檢小車樣機(jī)如圖5所示。巡檢模塊主要包括日常在軌巡視、異常檢測定位及遠(yuǎn)程救援指導(dǎo)三大功能。其中，日常在軌巡視功能主要實現(xiàn)使巡檢小車自動在軌道上循環(huán)往復(fù)運行，使其搭載的信息采集模塊可以有效地采集隧道內(nèi)的環(huán)境信息。異常檢測定位功能主要實現(xiàn)通過信息采集模塊及災(zāi)險檢測模塊迅速確定災(zāi)險發(fā)生位置，并將巡檢小車?？吭诤线m信息采集位置，發(fā)送災(zāi)險位置信息。遠(yuǎn)程救援指導(dǎo)功能主要實現(xiàn)將災(zāi)險現(xiàn)場圖像及CO、煙霧濃度等實時信息傳遞給救援指揮部，使救援人員可以指定合適的救援計劃，快速有效地完成救援任務(wù)。

圖5 巡檢機(jī)器人Fig.5 Inspection robot

2 算法設(shè)計

2.1 火災(zāi)檢測的融合算法

隧道火災(zāi)的及時有效檢測報警對事故后續(xù)救援工作的開展具有重要意義。將火焰、煙霧及CO傳感器節(jié)點采集的信息數(shù)據(jù)濾波去噪后進(jìn)行歸一化處理，并作為輸入層數(shù)據(jù)輸入到BP神經(jīng)網(wǎng)絡(luò)中，通過對火災(zāi)檢測數(shù)據(jù)進(jìn)行特征提取識別[10]，從而及時精準(zhǔn)地判斷隧道內(nèi)是否發(fā)生火災(zāi)。該神經(jīng)網(wǎng)絡(luò)由隱含神經(jīng)元層、輸入神經(jīng)元層及輸出神經(jīng)元層3層網(wǎng)絡(luò)構(gòu)成[11]，其結(jié)構(gòu)原理圖如圖6所示。

2.1.1 BP神經(jīng)網(wǎng)絡(luò)融合算法

(1)輸入層。圖5中CO傳感器、火焰?zhèn)鞲衅骷盁熿F傳感器所采集的數(shù)據(jù)作為輸入?yún)?shù)輸入到網(wǎng)絡(luò)模型中，因此，BP神經(jīng)網(wǎng)絡(luò)的輸入層為3個神經(jīng)元。為提高模型的識別效率及精度，需將所采集數(shù)據(jù)進(jìn)行濾波去噪和歸一化處理[12]，即

(1)

式(1)中：Xi為CO、煙霧及火焰?zhèn)鞲衅魉杉牡趇位數(shù)據(jù)；Yi為第i位數(shù)據(jù)歸一化的值；Xmax、Xmin為所采集數(shù)據(jù)的最大和最小輸入值。

圖6 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)原理圖Fig.6 Schematic diagram of BP neural network structure

(2)輸出層?；馂?zāi)檢測模型的輸出參數(shù)為明火概率、暗燃概率及無火概率，故輸出層神經(jīng)元個數(shù)為3個，用于確定隧道內(nèi)是否發(fā)生火災(zāi)。在模型正向傳播的過程中，輸出層第j個輸入節(jié)點的輸出zj計算公式為

(2)

式(2)中：ωjo、ωjb為隱含層和輸出層、隱含層和輸入層之間的權(quán)值；φjb、φjo為隱含層和輸入層、隱含層和輸出層之間的閾值[13]；xj為第j個特征，j取值為1～3。

(3)隱含層。隱含層神經(jīng)元的設(shè)計對整個模型的性能起著至關(guān)重要的作用，通過各神經(jīng)元的權(quán)值在訓(xùn)練樣本中精準(zhǔn)確定輸入與輸出之間的潛在規(guī)則。本文隱含層的傳遞函數(shù)采用Sigmoid函數(shù)[14]，其神經(jīng)元個數(shù)一般根據(jù)經(jīng)驗公式確定大致范圍，再通過試測法確定具體數(shù)值。其經(jīng)驗公式為

(3)

式(3)中：n為隱含層神經(jīng)元個數(shù)；a、b為輸入和輸出層神經(jīng)元個數(shù)；c為[0，10]的整數(shù)。則n的取值范圍為[3，13]，結(jié)合模型的測試結(jié)果確定隱含層神經(jīng)元個數(shù)為8[15]。

(4)權(quán)值和閾值。在輸出層通過將模型的期望輸出和實際輸出作差，計算得到各節(jié)點的輸出誤差，隨后通過梯度下降的方法將輸出誤差反向傳遞調(diào)節(jié)閾值和權(quán)值[16]。其平均絕對誤差Em計算公式如式(4)所示。利用梯度下降的方法反向傳播對權(quán)值和閾值進(jìn)行調(diào)整，其調(diào)整公式如式(5)所示。

(4)

式(4)中：tmj、zmj分別為第j節(jié)點的期望輸出、實際輸出。

(5)

式(5)中：μ為BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率，當(dāng)誤差滿足設(shè)定要求時，訓(xùn)練模型停止對閾值和權(quán)值進(jìn)行更新。

2.1.2 粒子群優(yōu)化算法

隨機(jī)設(shè)定的BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，容易使網(wǎng)絡(luò)模型陷入局部最優(yōu)解，從而影響模型的檢測精度。因此利用PSO(particle swarm optimization)算法對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行粒子尋優(yōu)賦值，可以消除隨機(jī)閾值和權(quán)值對模型帶來的缺陷[16]。其PSO-BP優(yōu)化算法步驟如下，其流程圖如圖7所示。

(1)將BP神經(jīng)網(wǎng)絡(luò)及PSO優(yōu)化算法的參數(shù)進(jìn)行初始化。設(shè)定PSO算法的學(xué)習(xí)因子、最大迭代次數(shù)及種群規(guī)模等。確定BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值與粒子群算法中粒子維數(shù)的關(guān)系，設(shè)定粒子群解碼方案。

(2)當(dāng)實際輸出與期望輸出近似相等時，算法模型達(dá)到最優(yōu)。則適應(yīng)度函數(shù)為網(wǎng)絡(luò)的實際輸出與期望輸出均方誤差的平方和[17]，計算適應(yīng)度F(x)，其公式為

(6)

式(6)中：tmj、zmj分別為第j節(jié)點的期望輸出、實際輸出。

(3)利用適應(yīng)度函數(shù)將粒子與上個適應(yīng)度相比較，更新個體和全局極值。并根據(jù)粒子群算法的設(shè)計更新粒子位置和速度。

(4)當(dāng)PSO算法達(dá)到初始設(shè)定最大迭代次數(shù)或誤差小于設(shè)定誤差時，將最優(yōu)解賦值給BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值[18-19]。如未達(dá)到，返回第(2)步。

圖7 PSO-BP優(yōu)化算法流程圖Fig.7 Flow chart of PSO-BP optimization algorithm

(5)根據(jù)PSO算法優(yōu)化的權(quán)值和閾值，利用數(shù)據(jù)集訓(xùn)練火災(zāi)檢測模型，從而準(zhǔn)確檢測隧道內(nèi)火災(zāi)情況。

2.2 交通事故檢測算法

采用圖像分類與目標(biāo)檢測算法相結(jié)合的方法，以縮短交通事故檢測推理時間，提高檢測效率。首先用圖像分類模型判斷所采集圖像中是否包含行駛車輛，再利用目標(biāo)檢測模型對篩選出的圖像進(jìn)行事故檢測與定位。其算法流程圖如圖8所示。

當(dāng)隧道內(nèi)車流量較小時，視頻圖像中會有較多沒有車輛的空白區(qū)域。如果將這些空白圖像輸入目標(biāo)檢測模型中，將會嚴(yán)重影響模型的識別效率，且圖像分類模型的推理時間遠(yuǎn)小于目標(biāo)檢測模型的推理時間，因此，在將圖像輸入到目標(biāo)檢測模型前，先通過Resnet50[20]圖像分類模型對視頻圖片進(jìn)行篩選，再將含有車輛的圖像輸入到目標(biāo)檢測模型中進(jìn)行事故甄別，這樣可以極大地提高檢測系統(tǒng)整體效率，對隧道內(nèi)的交通事故及時報警處理。

ResNet50作為由多個殘差塊構(gòu)建而成的殘差卷積神經(jīng)網(wǎng)絡(luò)，其重要的殘差塊結(jié)構(gòu)如圖9所示。圖9中F(X)為將X輸入權(quán)重層后的實際輸出，通過跳轉(zhuǎn)將X連接到權(quán)重層輸出結(jié)果F(X)中，使卷積層的輸出轉(zhuǎn)換為F(X)+X。通過跳轉(zhuǎn)連接X，使網(wǎng)絡(luò)進(jìn)行反向傳播時，緩解網(wǎng)絡(luò)層加深所導(dǎo)致的梯度消失問題，實現(xiàn)對目標(biāo)車輛圖像及無車輛圖像的準(zhǔn)確有效區(qū)分。通過將ResNet50神經(jīng)網(wǎng)絡(luò)模型篩選得到的待檢測視頻圖像輸入基于幀差法及模式匹配算法的事故檢測模型中。首先利用幀差法將待檢測視頻圖像進(jìn)行預(yù)處理，獲取理想背景圖片，通過將視頻圖像中當(dāng)前檢測圖像與背景圖像進(jìn)行差分運算，求得差分圖像[21]。

圖8 交通事故檢測流程圖Fig.8 Flow chart of traffic accident detection

圖9 殘差塊結(jié)構(gòu)Fig.9 Residual block structure

差分圖像各坐標(biāo)灰度值的運算公式為

Dt(x，y)=|It(x，y)-Bt(x，y)|

(7)

式(7)中：B(x，y)為背景圖像灰度值；I(x，y)為當(dāng)前圖像的灰度值。

其檢測模型灰度閾值α計算公式為

(8)

式(8)中：Ai為交通事故現(xiàn)場圖像灰度值集合；s為交通事故現(xiàn)場圖像面積；n為環(huán)境干擾因素；t為車禍?zhǔn)录?/p>

通過將當(dāng)前檢測幀圖像的灰度值與設(shè)定閾值進(jìn)行對比。如果小于設(shè)定的閾值，則說明當(dāng)前幀圖像中檢測車輛在運動，當(dāng)大于等于閾值時，則表示檢測車輛當(dāng)前是靜止?fàn)顟B(tài)，判斷發(fā)生事故。

3 樣機(jī)及實驗仿真分析

為驗證該系統(tǒng)的可靠性，根據(jù)隧道結(jié)構(gòu)建立了一套隧道測試模型及檢測樣機(jī)(圖10)，其測試模型截面結(jié)構(gòu)圖如圖11所示。搭載檢測系統(tǒng)的巡檢機(jī)器人通過隧道頂部軌道往返運動，從而實現(xiàn)對隧道內(nèi)異常情況的檢測。

通過對隧道火災(zāi)明火、暗燃及無火情況的模擬與實驗，共收集傳感器樣本數(shù)據(jù)500組，選取70%為訓(xùn)練數(shù)據(jù)，15%為測試數(shù)據(jù)，15%為驗證數(shù)據(jù)。歸一化后的部分?jǐn)?shù)據(jù)如表1所示。將PSO-BP神經(jīng)網(wǎng)絡(luò)火災(zāi)檢測模型進(jìn)行MATLAB實驗仿真，設(shè)定目標(biāo)誤差為0.01，最大迭代次數(shù)1 000，學(xué)習(xí)率為0.01。將歸一化后樣本數(shù)據(jù)輸入到模型中，對BP神經(jīng)網(wǎng)絡(luò)模型與改進(jìn)后的PSO-BP神經(jīng)網(wǎng)絡(luò)火災(zāi)檢測模型訓(xùn)練結(jié)果的均方誤差對比。其均方誤差曲線對比如圖12所示。

圖10 隧道測試模型圖Fig.10 Tunnel test model diagram

圖11 測試模型截面結(jié)構(gòu)圖Fig.11 Cross-sectional structure diagram of the test model

表1 部分樣本數(shù)據(jù)Table 1 Part of sample data

根據(jù)兩類神經(jīng)網(wǎng)絡(luò)均方誤差圖(圖2)對比分析得出，BP神經(jīng)網(wǎng)絡(luò)在迭代24次左右時均方誤差不再降低，所能達(dá)到的最小均方誤差為0.027。PSO-BP神經(jīng)網(wǎng)絡(luò)在迭代8次時均方誤差不再降低，所達(dá)到的最小均方誤差為0.019，其收斂速度和檢測效果均優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型。

通過對PSO-BP神經(jīng)網(wǎng)絡(luò)火災(zāi)檢測模型仿真驗證后，為進(jìn)一步證明該系統(tǒng)在實際應(yīng)用中的可靠性，特設(shè)計火災(zāi)模擬實驗。經(jīng)10次火災(zāi)模擬測試，對比單類傳感器對早期火災(zāi)誤報或漏報的情況，該系統(tǒng)均精準(zhǔn)檢測到隧道內(nèi)火災(zāi)險情，并及時通過通信系統(tǒng)進(jìn)行報警(圖13)。

圖12 神經(jīng)網(wǎng)絡(luò)均方誤差對比Fig.12 Neural network mean square error comparison

事故檢測模型的驗證通過從UA-DETRAC數(shù)據(jù)集中選取100個視頻片段，另外收集400張隧道內(nèi)火災(zāi)圖像數(shù)據(jù)，組成共計500張隧道交通事故數(shù)據(jù)集。使用編程語言python，在PyCharm上完成神經(jīng)網(wǎng)絡(luò)模型程序的編寫搭建，并進(jìn)行測試實驗。根據(jù)檢測任務(wù)要求，本文選擇識別精度和每秒傳輸幀數(shù)(frame per second，F(xiàn)PS)作為模型的評價指標(biāo)，其檢測結(jié)果為：交通事故檢測系統(tǒng)的檢測精度可達(dá)92%，并且FPS可以達(dá)到112。證明事故檢測網(wǎng)絡(luò)能夠?qū)崟r有效的檢測隧道內(nèi)交通事故火災(zāi)，可以實現(xiàn)對隧道內(nèi)的事故進(jìn)行及時報警定位，避免二次事故的發(fā)生。

為驗證該系統(tǒng)在實際隧道環(huán)境中的運行可靠性，在某未通車隧道進(jìn)行實驗測試，自動巡檢小車倒掛在隧道頂部軌道上運行，其自身重量增加了小車輪胎的摩擦力，使其在軌道上往復(fù)運動更加可靠，搭載的環(huán)境感知等模塊均可正常運作，自動巡檢功能配合隧道固定環(huán)境感知模塊可以及時有效地對隧道內(nèi)事故進(jìn)行自主檢測，其實際隧道環(huán)境車輛火災(zāi)事故檢測結(jié)果如圖14所示。從圖14可知，在實際場景中該系統(tǒng)可以準(zhǔn)確的識別車輛火災(zāi)事故，與其他檢測模型相比，不存在將車輛本身的燈光識別為火災(zāi)，其誤檢率得到的大幅度的降低。

圖13 隧道火災(zāi)模擬實驗Fig.13 Tunnel fire simulation experiment

圖14 車輛火災(zāi)事故檢測結(jié)果Fig.14 Vehicle fire accident detection results

4 結(jié)論

為解決當(dāng)前交通隧道內(nèi)各災(zāi)險檢測系統(tǒng)相對獨立、融合性不強(qiáng)及災(zāi)險報警處理不及時容易造成二次交通事故等問題，設(shè)計了一種基于多傳感器融合的隧道智能巡檢系統(tǒng)。該系統(tǒng)利用設(shè)計的多傳感器信息融合火災(zāi)檢測模塊及幀差法交通事故圖像識別模塊對隧道內(nèi)的火災(zāi)及交通事故進(jìn)行檢測，得出以下結(jié)論。

(1)通過將火災(zāi)檢測及事故檢測模塊集成在同一個系統(tǒng)中，降低了隧道安全檢測復(fù)雜度及前后期調(diào)試和維護(hù)成本。

(2)將火焰?zhèn)鞲衅骷癈O、煙霧傳感器信息融合，提高了隧道內(nèi)火災(zāi)檢測的精度，尤其對隧道內(nèi)早期暗燃火災(zāi)的識別準(zhǔn)確率可達(dá)93%，能夠及時進(jìn)行報警，為火災(zāi)的及時救援提供強(qiáng)大的技術(shù)支持。

(3)通過卷積神經(jīng)網(wǎng)絡(luò)及幀差法圖像處理識別技術(shù)對隧道內(nèi)交通事故進(jìn)行檢測，其交通事故識別精度可達(dá)92%，F(xiàn)PS可達(dá)112，能夠及時有效地對隧道內(nèi)的事故進(jìn)行檢測預(yù)警，避免隧道內(nèi)二次交通事故的發(fā)生，極大的降低人員和財產(chǎn)損失。