道路传感器监测数据异常辨识方法

作者：李荣磊; 裴莉莉^*; 关伟; 袁博; 李伟

来源：计算机系统应用, 2022, 31(05): 338-344.

DOI：10.15888/j.cnki.csa.008484

• 道路感知
• GhostNet
• ResNet50
• 特征提取
• 异常数据辨识
• 传感器

足尺加速加载试验场具有复杂的路面结构,其中埋设了多种传感器用于监测路面性能的各项指标.由于传感器采集的数据具有高频海量的特点,使用传统方法进行异常数据的辨识效率低且精度差.针对该问题,本文通过特定软件将原始高频采集数据进行可视化,再将得到的可视化后数据进行类别标注,以此作为原始数据集;接下来针对可视化后的数据形状特征突出的特点,本文选择了一种轻量级的卷积神经网络模型GhostNet对传感器监测数据进行异常自动辨识;通过设计各项参数并对该网络模型进行训练,最终在验证集上测试的结果发现:异常数据的辨识率高达99%.通过与常规分类模型ResNet50 (残差神经网络)对比, GhostNet网络模型的异常辨识准确率提升了11%,能够在海量道路传感器监测数据中快速辨识异常数据,为道路传感器故障监测提供有力的数据支持.

• 单位
  交通运输部公路科学研究所