基于多感信息融合与边缘计算的路灯节能控制策略研究

韩强

摘 要：针对传统路灯能耗高，控制策略粗犷等问题，文中提出了一种基于多感信息融合与边缘计算的路灯节能控制策略系统。该系统利用多传感器进行数据融合，检测路灯前方人群、车辆距离、噪声等，根据多源环境因素检测人、车，精确分析路灯需求道路场景。采用视觉统计系统优化路灯亮度控制周期，该系统将视频数据首先进行直方图均衡化算法处理，提升暗部细节，使得夜间道路状况得到有效的图像增强，之后通过卷积神经网络对二维数据进行处理，识别并统计人车流量，最后通过终端控制系统针对人群、车流量来决定路灯亮度控制周期，对路灯控制系统起辅助作用。同时利用边缘计算实时调节路灯亮度，提高路灯系统节能特性，有效降低用电量。

关键词：信息融合;边缘计算;直方图均衡化;卷积神经网络;人车检测;传感器

中图分类号：TP273文献标识码：A文章编号：2095-1302（2020）10-00-03

0 引 言

城市路灯照明对城市的交通需求及安全具有重要作用，随着国力的增强，城市化建设蒸蒸日上，城市路灯的铺设量越来越大，随之而来的是城市路灯电能消耗不断增加。由于传统路灯控制方式单一，精确度差，路灯电量需求高，严重阻碍了智慧城市[1-3]发展进程，因此急需一种智能化路灯控制系统自动分析道路状况，积极反馈调节路灯亮度，使路灯用电量得到有效控制，补给智慧城市路灯建设短板。

文献[4]介绍了印度利用压电传感器网络原理在路面部署感知节点以检测路面车辆及人群活动的情况，该系统解决了一般系统对目标检测延迟性高、精确度差的问题，但压电传感网络部署及后期维护成本较高，不适宜城市道路大范围铺设。

文献[5]提出孟加拉国利用太阳能LED路灯照明的节能方式，其采用优化太阳板安装角度的方式解决太阳能收集效率低下的问题，但由于太阳能充电量少，光照度较低，无法满足对城市路灯照明的需求。

文献[6]介绍了一种光照度聚类和支持向量机算法的路灯节能方法，避免了采集数据误差影响，但数据采集特征量只限于环境光照度，夜间路灯节能受到较大限制。

文献[7-8]中应用自然噪声等环境数据控制路灯开关，设计精简，便于管理，但采集数据极易受外界环境影响，实际应用中可能会出现较大系统控制误差。

针对上述路灯控制系统研究中存在的不足，笔者设计了一种利用信息融合、人工智能、边缘计算以及云服务的路灯节能控制方案，该方案利用多源传感信息融合处理，扩大对环境因素的感知范围，增强了车辆、人群的检测效果，可精确调节路灯亮度。为提升路灯控制周期，使用直方图均衡化（Histogram Equalization，HE）[9-11]与卷积神经网络（Convolutional Neural Networks，CNN）[12-14]技术搭建视觉识别系统。HE算法优化夜间图像特征细节，CNN算法识别特征，根据统计目标量决定控制周期。同时利用边缘节点为智能计算的高效低延迟性提供了有效保障。

1 总体设计

基于多感信息融合与边缘计算的路灯节能控制系统由场景感知层、网络传输层、数据资源处理层、云端服务层构成，具体如图1所示。

1.1 场景感知层

感知层用于采集路灯周围的路况信息，并将这些现实物理信息自动转换为虚拟数字信息，作为边缘计算与分布式存储的信息来源。

1.2 网络传输层

传输层主要负责将感知层搜集的信息进行整合，通过网络技术上传给边缘计算节点以及服务器端，并将计算决策信息传入决策层。

1.3 数据资源处理层

数据资源层提供必要的硬件资源，将数据资源进行调度、计算、存储等。该层包含大量区块链节点设备，具有高效的计算能力，提供及时、准确的决策信息。

1.4 云端服务层

云服务层是一个综合性管理平台，具有智能化处理、存储大量信息、提供用户友好的Web浏览页面功能，为系统管理提供更全面、更高效、更可靠的人机交互服务。

2 关键技术

2.1 直方图均衡化算法

直方图均衡化算法是一种常用的灰度变换类型方法。對于夜间路况抓拍图像偏暗，通过直方图均衡算法可使图片中每个灰度级代表的灰度值分布均匀，从而达到图片明暗均匀、细节特征清晰的目的。

2.2 卷积神经网络

卷积神经在智能分类识别中性能优异，对于特征提取挖掘性强。卷积神经网络一般框架结构为卷积层、池化层、全连接层、输出层。

3 基于多感融合的人车检测系统模型

多感融合人车检测模型如图2所示。由于路灯边缘检测节点铺设量需求大，为降低成本，采用雷达、人体红外、声音传感器采集外界环境信息。雷达传感器检测目标物距离，人体红外传感器检测人群，声音传感器检测环境音量，使用多源传感信息便于信息源互补，降低不确定性。不同传感器对外界环境物体进行一致性判断，辨别道路人车有无出没情况。当监测到人车时，对路灯控制终端系统发送路灯需求信息，并积极调节路灯亮度控制开关。

4 基于直方图均衡化与卷积神经网络的人车流量统计算法策略

智能边缘视觉统计算法流程如图3所示。整体算法流程分为两层，第一层是基于直方图均衡化图像增强算法模型，第二层为基于卷积层神经网络多分类算法模型。

在第一层中，首先将原彩色48×48像素图像进行灰度化处理，对图像像素点中R，G，B使用加权平均法，选取权值为0.30，0.61，0.09，分别对应R，G，B三色并进行统一计算得出合理的灰度图像。其次进行灰度转换，将灰度图像在对应灰度级为（0，255）范围作为x坐标，灰度级对应的像素数作为y坐标，作直方图。由图4可发现数据峰值居左，灰度级偏低，表明图像整体偏暗，物体特征不明显。运用直方图均衡化算法可有效提高暗图灰度级，通过原图像素灰度级作密度函数，并累加得到单调递增函数，在作灰度转换时，相邻灰度级相近的像素点灰度值可有效分开，灰度直方图灰度级增高且均匀。最后遍历图片像素矩阵上转换后的灰度值，相对原图像而言，图像对比度提高，图像细节以及边缘特征得到明显挖掘。