一种基于深度学习和胎噪声谱图的汽车辅助系统及方法专利检索-色域图形技术专利检索查询-专利查询网

一种基于 深度学习和胎噪声谱图的汽车辅助系统及方法

阅读：729发布：2024-01-21

专利汇可以提供一种基于深度学习和胎噪声谱图的汽车辅助系统及方法专利检索，专利查询，专利分析的服务。并且本发明涉及一种基于深度学习和胎噪声谱图的汽车辅助系统及方法，系统与汽车上的行车电脑连接，该系统包括数据采集模块、计算机模块、反馈模块、本地网络模块和云端服务器，计算机模块分别与数据采集模块、反馈模块、行车电脑和本地网络模块连接，本地网络模块分别与反馈模块和云端服务器连接。与现有技术相比，本发明具有利用基于卷积神经网络的深度学习技术对路面图像和胎噪声进行自动识别和特征提取，识别精度和识别效率高，能很好的适应多变天气和路况，利用近红外摄像和彩色摄像头结合，能较好地提高不良光照和气象条件下的成像质量，利用声谱图对胎噪声信息进行分析，鲁棒性和通用性强，行车安全性和区域路况预报能力高等优点。，下面是一种基于深度学习和胎噪声谱图的汽车辅助系统及方法专利的具体信息内容。

权利要求

1.一种基于深度学习和胎噪声谱图的汽车辅助系统，所述的系统与汽车上的行车电脑连接，其特征在于，所述的系统包括数据采集模块(1)、计算机模块(2)、反馈模块(3)、本地网络模块(4)和云端服务器(5)，所述的计算机模块(2)分别与数据采集模块(1)、反馈模块(3)、行车电脑和本地网络模块(4)连接，所述的本地网络模块(4)分别与反馈模块(3)和云端服务器(5)连接，
所述的数据采集模块(1)用于采集路面图像和胎噪声，所述的计算机模块(2)基于深度学习算法对采集到的路面图像和胎噪声进行处理，并将处理得到的预测结果传输给本地网络模块(4)、行车电脑和反馈模块(3)，所述的预测结果包括路面结冰情况和路面摩擦状态，所述的本地网络模块(4)用于将预测结果传输给云端服务器(5)、从云端服务器(5)获取天气情况并将天气情况传输给反馈模块(3)和计算机模块(2)，所述的云端服务器(5)用于存储预测结果并向本地网络模块(4)发送天气情况，所述的反馈模块(3)用于将预测结果和天气情况反馈给驾驶员。
2.根据权利要求1所述的一种基于深度学习和胎噪声谱图的汽车辅助系统，其特征在于，所述的数据采集模块(1)包括一个近红外摄像头(12)、一个彩色摄像头(11)和一个麦克风(13)，
所述的近红外摄像头(12)用于采集车辆前方路面的近红外图像，所述的彩色摄像头(11)用于采集车辆前方路面的彩色图像，所述的麦克风(13)用于采集车胎与路面间摩擦的胎噪声。
3.根据权利要求2所述的一种基于深度学习和胎噪声谱图的汽车辅助系统，其特征在于，所述的计算机模块(2)包括数据存储模块(21)和数据处理模块(22)，所述的数据存储模块(21)分别与数据采集模块(1)和数据处理模块(22)连接，所述的数据处理模块(22)分别和反馈模块(3)、行车电脑以及本地网络模块(4)连接，
所述的数据存储模块(21)用于存储采集到的路面图像、胎噪声数据及用于预测路面结冰情况和路面摩擦状态的深度神经网络模型，所述的深度神经网络模型包括根据近红外图像预测路面结冰情况的近红外图像道路结冰状态预测网络、根据彩色图像预测路面结冰情况的彩色图像道路结冰状态预测网络以及根据胎噪声预测路面摩擦状态的声谱图路面摩擦状态预测网络，
所述的数据处理模块(22)包括选择单元、预处理单元、预测单元和输出单元，所述的选择单元用于根据天气情况选择将近红外图像或彩色图像作为道路输入图像，所述的预处理单元用于对道路输入图像和胎噪声数据进行预处理，所述的处理单元用于将预处理后的道路输入图像和胎噪声数据输入到相应的深度神经网络模型中，同时进行路面结冰情况预测和路面结冰情况预测并获取预测结果，所述的输出单元用于将预测结果传输到本地网络模块(4)、行车电脑和反馈模块(3)。
4.根据权利要求3所述的一种基于深度学习和胎噪声谱图的汽车辅助系统，其特征在于，所述的数据处理模块(22)核心为树莓派。
5.根据权利要求1所述的一种基于深度学习和胎噪声谱图的汽车辅助系统，其特征在于，所述的反馈模块(3)包括扬声器和具有分屏显示功能的显示器。
6.根据权利要求1所述的一种基于深度学习和胎噪声谱图的汽车辅助系统，其特征在于，所述的系统还包括与各模块连接供电的电源模块。
7.一种基于深度学习和胎噪声谱图的汽车辅助方法，该方法基于权利要求2～6中任意一项所述的汽车辅助系统，其特征在于，该方法包括如下步骤：
S1：数据采集模块(1)采集路面图像和胎噪声并传输给计算机模块(2)；
S2：云端服务器(5)将天气情况传输给本地网络模块(4)；
S3：本地网络模块(4)将天气情况传输给计算机模块(2)和反馈模块(3)；
S4：计算机模块(2)基于深度学习算法并根据天气情况处理采集到的路面图像和胎噪声，获取预测结果，将预测结果传输给本地网络模块(4)、行车电脑和反馈模块(3)；
S5：本地网络模块(4)将预测结果传输给云端服务器(5)；
S6：云端服务器(5)存储预测结果；
S7：反馈模块(3)向驾驶员反馈预测结果和天气情况，行车电脑和驾驶员采取相应的减速、避让或制动措施。
8.根据权利要求7所述的一种基于深度学习和胎噪声谱图的汽车辅助方法，其特征在于，步骤S4具体包括：
S41：在计算机模块(2)中设计深度神经网络模型，所述的深度神经网络模型包括根据近红外图像预测路面结冰情况的近红外图像道路结冰状态预测网络、根据彩色图像预测路面结冰情况的彩色图像道路结冰状态预测网络以及根据胎噪声预测路面摩擦状态的声谱图路面摩擦状态预测网络；
S42：根据深度神经网络模型确定深度神经结构的超参数；
S43：训练深度神经网络模型，并将训练好的深度神经网络模型存储在计算机模型中；
S44：计算机模块(2)根据天气情况选择彩色图像或近红外图像作为路面输入图像，对路面输入图像和胎噪声数据进行预处理，得到预处理数据；
S45：计算机模块(2)将预处理后的道路输入图像和胎噪声数据输入到相应的深度神经网络模型中，进行路面结冰情况预测和路面结冰情况预测并获取预测结果；
S46：将预测结果传输给反馈模块(3)、行车电脑和本地网络模块(4)。
9.根据权利要求8所述的一种基于深度学习和胎噪声谱图的汽车辅助方法，其特征在于，步骤S43中训练深度神经网络时使用SGD优化器。
10.根据权利要求8所述的一种基于深度学习和胎噪声谱图的汽车辅助方法，其特征在于，步骤S43中训练深度神经网络时使用修正线性单元作为激活函数，公式为：
f(x)＝max(0,x)，
其中，x为激活函数的输入。

说明书全文

一种基于深度学习和胎噪声谱图的汽车辅助系统及方法

技术领域

[0001] 本发明涉及一种汽车辅助系统及方法，尤其是涉及一种基于深度学习和胎噪声谱图的汽车辅助系统及方法。

背景技术

[0002] 随着时代的发展和人们生活水平的提高，社会对于交通运输的需求日益增加，人们在享受快速发展的交通工具带来的便利的同时，交通事故也成为当今世界面临的严重问题之一。

[0003] 路面结冰和路面防滑能力过差通常是恶性交通事故发生的主要原因，在车辆行驶过程中，对路面结冰状态和摩擦状态进行监测并实时反馈给驾驶员，能有效降低交通事故的发生率。

[0004] 车辆行驶过程中的路面状态实时监测是当下智能交通领域的一大研究热点，国内外大量学者进行了路面状态自动识别方面的研究，论文“JiandongZhao,1HongqiangWu,1and LiangliangChen2.Road Surface State Recognition Based on SVM Optimization and Image Segmentation Processing.Journal of Advanced Transportation”一文利用支持向量机预测道路表面状态，采用图像分割技术，输入特征包含灰度共生矩阵特征，RGB颜色矩阵特征，但是传统机器学习方法存在多种局限且在复杂环境下的识别效果不理想。
基于传统机器学习的路面状态识别方法存在以下不足：1、基于传统机器学习的路面状态识别方法的特征提取工程由人工完成，需耗费大量时间；2、基于传统机器学习的路面状态识别方法在不同光照环境，尤其是夜晚及恶劣光照条件下并不能很好的预测路面状态；3、基于传统机器学习的路面状态识别方法算法鲁棒性较差；4、基于传统机器学习的路面状态识别方法采用图像信息对路面摩擦状态进行预测，效果并不理想。

发明内容

[0005] 本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度学习和胎噪声谱图的汽车辅助系统及方法。

[0006] 本发明的目的可以通过以下技术方案来实现：

[0007] 一种基于深度学习和胎噪声谱图的汽车辅助系统，所述的系统与汽车上的行车电脑连接，所述的系统包括数据采集模块、计算机模块、反馈模块、本地网络模块和云端服务器，所述的计算机模块分别与数据采集模块、反馈模块、行车电脑和本地网络模块连接，所述的本地网络模块分别与反馈模块和云端服务器连接，

[0008] 所述的数据采集模块用于采集路面图像和胎噪声，所述的计算机模块基于深度学习算法对采集到的路面图像和胎噪声进行处理，并将处理得到的预测结果传输给本地网络模块、行车电脑和反馈模块，所述的预测结果包括路面结冰情况和路面摩擦状态，所述的本地网络模块用于将预测结果传输给云端服务器、从云端服务器获取天气情况并将天气情况传输给反馈模块和计算机模块，所述的云端服务器用于存储预测结果并向本地网络模块发送天气情况，所述的反馈模块用于将预测结果和天气情况反馈给驾驶员。

[0009] 所述的数据采集模块包括一个近红外摄像头、一个彩色摄像头和一个麦克风，[0010] 所述的近红外摄像头用于采集车辆前方路面的近红外图像，所述的彩色摄像头用于采集车辆前方路面的彩色图像，所述的麦克风用于采集车胎与路面间摩擦的胎噪声。

[0011] 所述的计算机模块包括数据存储模块和数据处理模块，所述的数据存储模块分别与数据采集模块和数据处理模块连接，所述的数据处理模块分别和反馈模块、行车电脑以及本地网络模块连接，

[0012] 所述的数据存储模块用于存储采集到的路面图像、胎噪声数据及用于预测路面结冰情况和路面摩擦状态的深度神经网络模型，所述的深度神经网络模型包括根据近红外图像预测路面结冰情况的近红外图像道路结冰状态预测网络、根据彩色图像预测路面结冰情况的彩色图像道路结冰状态预测网络以及根据胎噪声预测路面摩擦状态的声谱图路面摩擦状态预测网络，

[0013] 所述的数据处理模块包括选择单元、预处理单元、预测单元和输出单元，所述的选择单元用于根据天气情况选择将近红外图像或彩色图像作为道路输入图像，所述的预处理单元用于对道路输入图像和胎噪声数据进行预处理，所述的处理单元用于将预处理后的道路输入图像和胎噪声数据输入到相应的深度神经网络模型中，同时进行路面结冰情况预测和路面结冰情况预测并获取预测结果，所述的输出单元用于将预测结果传输到本地网络模块、行车电脑和反馈模块。

[0014] 所述的数据处理模块核心为树莓派。

[0015] 所述的反馈模块包括扬声器和具有分屏显示功能的显示器。

[0016] 所述的系统还包括与各模块连接供电的电源模块。

[0017] 一种基于深度学习和胎噪声谱图的汽车辅助方法，该方法包括如下步骤：

[0018] S1：数据采集模块采集路面图像和胎噪声并传输给计算机模块；

[0019] S2：云端服务器将天气情况传输给本地网络模块；

[0020] S3：本地网络模块将天气情况传输给计算机模块和反馈模块；

[0021] S4：计算机模块基于深度学习算法并根据天气情况处理采集到的路面图像和胎噪声，获取预测结果，将预测结果传输给本地网络模块、行车电脑和反馈模块；

[0022] S5：本地网络模块将预测结果传输给云端服务器；

[0023] S6：云端服务器存储预测结果；

[0024] S7：反馈模块向驾驶员反馈预测结果和天气情况，行车电脑和驾驶员采取相应的减速、避让或制动措施。

[0025] 步骤S4具体包括：

[0026] S41：在计算机模块中设计深度神经网络模型，所述的深度神经网络模型包括根据近红外图像预测路面结冰情况的近红外图像道路结冰状态预测网络、根据彩色图像预测路面结冰情况的彩色图像道路结冰状态预测网络以及根据胎噪声预测路面摩擦状态的声谱图路面摩擦状态预测网络；

[0027] S42：根据深度神经网络模型确定深度神经结构的超参数；

[0028] S43：训练深度神经网络模型，并将训练好的深度神经网络模型存储在计算机模型中；

[0029] S44：计算机模块根据天气情况选择彩色图像或近红外图像作为路面输入图像，对路面输入图像和胎噪声数据进行预处理，得到预处理数据；

[0030] S45：计算机模块将预处理后的道路输入图像和胎噪声数据输入到相应的深度神经网络模型中，进行路面结冰情况预测和路面结冰情况预测并获取预测结果；

[0031] S46：将预测结果传输给反馈模块、行车电脑和本地网络模块。

[0032] 步骤S43中训练深度神经网络时使用SGD优化器。

[0033] 步骤S43中训练深度神经网络时使用修正线性单元作为激活函数，公式为：

[0034] f(x)＝max(0,x)，

[0035] 其中，x为激活函数的输入。

[0036] 与现有技术相比，本发明具有如下优点：

[0037] (1)本发明系统采用基于卷积神经网络的深度学习技术对路面图像和胎噪声进行自动识别和特征提取，提高了识别精度和识别效率，能很好的适应多变天气和路况对道路冰冻状况进行预测；

[0038] (2)本发明利用近红外摄像和彩色摄像头结合采集路面图像，能较好地提高不良光照和气象条件下的成像质量，提升系统精度；

[0039] (3)本发明利用声谱图对胎噪声信息进行分析，并对路面摩擦状态进行预测，在多样化的道路环境中具备较强的鲁棒性和通用性，能有效且准确的预测路面摩擦情况；

[0040] (4)本发明利用反馈模块对驾驶员和行车电脑进行路况预测结果反馈，提醒驾驶员路面状态，提高行车安全性和区域路况预报能力。附图说明

[0041] 图1为本发明一种基于深度学习和胎噪声谱图的汽车辅助系统的结构图；

[0042] 图2为本发明一种基于深度学习和胎噪声谱图的汽车辅助系统中摄像头和麦克风的安装示意图；

[0043] 图3为本发明一种基于深度学习和胎噪声谱图的汽车辅助方法的流程图；

[0044] 图4位本发明一种基于深度学习和胎噪声谱图的汽车辅助方法中步骤S4的具体流程图；

[0045] 其中，1、数据采集模块，11、彩色摄像头，12、近红外摄像头，13、麦克风，2、计算机模块，21、数据存储模块，22、数据处理模块，3、反馈模块，4、本地网络模块，5，云端服务器。

具体实施方式

[0046] 下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。

[0047] 实施例

[0048] 一种基于深度学习和胎噪声谱图的汽车辅助系统，该系统与汽车上的行车电脑连接，行车电脑可以控制汽车采取减速、避让或制动措施，如图1所示，系统包括数据采集模块1、计算机模块2、反馈模块3、本地网络模块4和云端服务器5，计算机模块2包括括数据存储模块21和数据处理模块22，数据存储模块21分别与数据采集模块1和数据处理模块22连接，数据处理模块22分别与反馈模块3、行车电脑和本地网络模块4连接，本地网络模块4分别与反馈模块3和云端服务器5连接，本系统还包括无线连接模块及与各模块连接供电的电源模块，所述的本地网络模块4和云端服务器5通过无线连接模块连接。

[0049] 如图2所示，数据采集模块1包括一个近红外摄像头12、一个彩色摄像头11和一个麦克风13，近红外摄像头12和彩色摄像头11安装于汽车进气格栅处，麦克风13安装在右前轮翼子板处，近红外摄像头12用于采集车辆前方路面的近红外图像，彩色摄像头11用于采集车辆前方路面的彩色图像，麦克风13用于采集车胎与路面间摩擦的胎噪声。

[0050] 数据存储模块21内设有固态硬盘，用于存储采集到的路面图像、胎噪声数据及用于预测路面结冰情况和路面摩擦状态的深度神经网络模型，所述的深度神经网络模型包括根据近红外图像预测路面结冰情况的近红外图像道路结冰状态预测网络、根据彩色图像预测路面结冰情况的彩色图像道路结冰状态预测网络和根据胎噪声预测路面摩擦状态的声谱图路面摩擦状态预测网络。

[0051] 数据处理模块22核心为安装有TensorFlow的树莓派B+，数据处理模块22包括选择单元、预处理单元、预测单元和输出单元，选择单元用于根据天气情况选择将近红外图像或彩色图像作为道路输入图像，预处理单元用于对道路输入图像和胎噪声数据进行预处理，处理单元用于将预处理后的道路输入图像和胎噪声数据输入到相应的深度神经网络模型中、进行路面结冰情况预测和路面结冰情况预测并获取预测结果，输出单元将预测结果传输到本地网络模块4、行车电脑和反馈模块3。

[0052] 本地网络模块4用于将汽车实时坐标和预测结果传输给云端服务器5、从云端服务器5获取天气情况并将天气情况传输给反馈模块3和计算机模块2。

[0053] 云端服务器5用于存储预测结果并向本地网络模块4发送天气情况。

[0054] 反馈模块3包括扬声器和具有分屏显示功能的触屏显示器，扬声器设于汽车中控台，对预测结果进行语音提醒，显示器可同时显示摄像头获取的路面图像和预测结果，反馈模块3用于将预测结果和天气情况反馈给驾驶员。

[0055] 无线连接模块为4G无线模块，实现利用4G网络数据传输预测结果和天气情况。

[0056] 一种基于深度学习和胎噪声谱图的汽车辅助方法，该方法采用深度卷积网络作为识别算法，实现了图像特征提取的自动化，节省人工提取特征环节带来的时间消耗，有效提高了算法的自动化程度和预测精度。

[0057] 本方法针对复杂及不良光照条件下传统识别系统成像质量不高的问题，采用彩色摄像头11与近红外摄像头12相结合的图像采集，白昼且天气晴朗条件下，系统采用彩色图像进行路面冰冻状态的预测，夜间或降水条件下，由于光照不理想导致彩色图像成像质量不佳而影响预测精度，故系统采用近红外图像进行路面冰冻状态的预测，以提高光照不良条件下的成像质量及预测精度。

[0058] 本方法采用麦克风13采集的轮胎与路面间的摩擦噪声作为音频来源，经计算机处理生成胎噪音频的声谱图，声谱图是对音频信号进行连续频谱分析得到的一种二维图谱，其横坐标表示时间，纵坐标表示频率，每个像素点的颜色或灰度值大小反映了相应时刻和相应频率的信号能量密度，声谱图反映了音频信号的动态频谱特性，在音频分析中具有重要价值，被称为可视化的音频信息，在音频识别中具有重要作用，本方法利用胎噪声谱图和卷积神经网络对路面摩擦状态进行预测。

[0059] 如图3所示，该方法具体包括如下步骤：

[0060] 步骤S1：数据采集模块1采集路面图像和胎噪声并传输给数据存储模块21；

[0061] 步骤S2：云端服务器5将天气情况通过无线连接模块传输给本地网络模块4；

[0062] 步骤S3：本地网络模块4将天气情况传输给数据处理模块22和反馈模块3；

[0063] 步骤S4：数据处理模块22基于深度学习算法并结合天气情况处理数据存储模块21中的路面图像和胎噪声，获取路面结冰情况和路面摩擦状态预测结果，并将预测结果传输给本地网络模块4和反馈模块3；

[0064] 步骤S5：本地网络模块4将预测结果通过无线连接模块传输给云端服务器5；

[0065] 步骤S6：反馈模块3向驾驶员反馈预测结果和天气情况，行车电脑、驾驶员采取相应的减速、避让或制动措施。

[0066] 如图4所示，步骤S4具体包括：

[0067] 步骤S41：设计用于分析路面图像和胎噪声数据的3个深度卷积网络模型：彩色图像道路结冰状态预测网络、近红外图像道路结冰状态预测网络和声谱图路面摩擦状态预测网络，彩色图像道路结冰状态预测网络和近红外图像道路结冰状态预测网络的输出结果为4类预测结果：严重冰冻，中度冰冻，轻微冰冻和无冰冻，声谱图路面摩擦状态预测网络输出结果为5类预测结果：1级(抗滑性能良好)，2级(抗滑性能稍差)，3级(抗滑性能较差)，4级(抗滑性能很差)，5级(抗滑性能极差)。

[0068] 步骤S42：根据深度卷积网络模型确定深度神经结构的超参数，本方法的3个深度模型超参数由多次优化后给定，最终确定的彩色图像道路结冰状态预测网络、近红外图像道路结冰状态预测网络和声谱图路面摩擦状态预测网络的网络超参数依次如表1～3所示：

[0069] 表1彩色图像路面结冰状态预测网络超参数

[0070] 层类型特征图步长卷积核池化层1 输入 227x227x3 - - -
2 卷积1 55x55x96 4x4 11x11x96 -
3 池化 27x27x96 2x2 - 3x3
5 填充 31x31x96 2x2
5 卷积2 27x27x256 1x1 5x5x256 -
6 池化 13x13x256 2x2 - 3x3
7 填充 15x15x256 1x1
8 卷积3 13x13x384 1x1 3x3x384 -
9 池化 6x6x384 2x2 - 3x3
10 全连接 1x1x2048
11 全连接 1x1x4 - - -
12 输出 1x1x4 - - -

[0071] 表2近红外图像路面结冰状态预测网络超参数

[0072] 层类型特征图步长卷积核池化层1 输入 227x227x1 - - -
2 卷积1 55x55x96 4x4 11x11x96 -
3 池化 27x27x96 2x2 - 3x3
5 填充 31x31x96 2x2
5 卷积2 27x27x256 1x1 5x5x256 -
6 池化 13x13x256 2x2 - 3x3
7 填充 15x15x256 1x1
8 卷积3 13x13x384 1x1 3x3x384 -
9 池化 6x6x384 2x2 - 3x3
10 全连接 1x1x2048
11 全连接 1x1x4 - - -
12 输出 1x1x4 - - -

[0073] 表3声谱图路面摩擦状态预测网络超参数

[0074] 层类型特征图步长卷积核池化层1 输入 227x227x3 - - -
2 卷积1 55x55x96 4x4 11x11x96 -
3 池化 27x27x96 2x2 - 3x3
5 填充 31x31x96 2x2
5 卷积2 27x27x256 1x1 5x5x256 -
6 池化 13x13x256 2x2 - 3x3
7 填充 15x15x256 1x1
8 卷积3 13x13x384 1x1 3x3x384 -
9 池化 6x6x384 2x2 - 3x3
10 全连接 1x1x2048
11 全连接 1x1x5 - - -
12 输出 1x1x5 - - -

[0075] S43：训练深度神经网络模型，训练时使用SGD优化器，即随机梯度下降优化器，训练速度快且使网络具有良好的泛化能力；同时，使用修正线性单元(ReLU)作为激活函数，公式为：

[0076] f(x)＝max(0,x)，

[0077] 其中，x为激活函数的输入，采用ReLU解决了神经网络训练的梯度消失问题，至少x在正区间内，神经元不会饱和，由于ReLU线性、非饱和的形式，在使用SGD优化器时能够快速收敛。

[0078] 训练结束后，将训练好的深度神经网络模型存储在数据存储模块21中。

[0079] S441：数据处理模块22结合天气情况对路面图像进行预处理：数据处理模块22通过本地网络模块4获取当前天气情况，当天气情况为白昼且天气晴朗条件下，数据处理模块22采用彩色图像作为道路输入图像，当天气情况为夜间或降水条件下，数据处理模块22采用近红外图像作为道路输入图像，将道路输入图像的图片尺寸归一化到224*224像素，完成路面图像数据预处理；

[0080] S442：数据处理模块22对胎噪声数据进行预处理：数据处理模块22对胎噪声音频数据进行快速傅里叶变换，本实施例中取采样频率为44100Hz，帧长为2048，采用汉明窗加窗且加窗长度为2048，帧重叠长度取帧长的3/4即1536，生成声谱图，完成胎噪声数据预处理；

[0081] S45：当S441中采用彩色图像作为道路输入图像时，将预处理后的道路输入图像输入到彩色图像道路结冰状态预测网络进行预测，当S441中采用近红外图像作为道路输入图像时，将预处理后的道路输入图像输入到近红外图像道路结冰状态预测网络进行预测，得到路面结冰状态预测值J，

[0082] 将步骤S442得到的声谱图作为输入图像输入至胎噪声谱图路面摩擦状态预测网络进行预测，得到路面摩擦状态预测值M；

[0083] S46：将路面结冰状态预测值J和路面摩擦状态预测值M传输给反馈模块3、行车电脑和本地网络模块4。

[0084] 步骤S5中云端服务器5内的预测结果可供城市路况信息的收集。

[0085] 上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。

标题	发布/更新时间	阅读量
医疗图像处理系统、内窥镜系统、诊断支持装置及医疗服务支持装置	2020-05-08	509
拍摄方法及电子设备	2020-05-08	140
基于人脸的活体检测方法、装置、电子设备及介质	2020-05-08	997
一种液晶显示背光模组	2020-05-11	369
处理方法、交互方法、显示方法及存储介质	2020-05-08	155
一种基于图像处理的建筑物表面裂缝检测方法及系统	2020-05-08	168
色谱表面增强发光(SEL)感测	2020-05-08	74
字体绘制方法、装置、计算机设备及计算机可读存储介质	2020-05-08	237
一种使用残差注意力机制网络的同步定位与建图方法	2020-05-08	751
去中心化式城市管理系统	2020-05-08	321

一种基于深度学习和胎噪声谱图的汽车辅助系统及方法

一种基于深度学习和胎噪声谱图的汽车辅助系统及方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：