DOI: 10.17586/1023-5086-2025-92-08-82-94

Мониторинг траектории движения транспортного средства в реальном времени системой распределённого акустического зондирования с использованием сверхслабой волоконной брэгговской решётки и программного обеспечения на основе улучшенного преобразования Хафа

Полный текст на elibrary.ru

Ссылка для цитирования:

Shuhao Wen, Zhihui Luo, Xiaoan Chen, Changyan Ran. Real vehicle trajectory monitoring based on ultra-weak fiber Bragg grating distributed acoustic sensing and improved Hough transform (Мониторинг траектории движения транспортного средства в реальном времени системой распределённого акустического зондирования с использованием сверхслабой волоконной брэгговской решётки и программного обеспечения на основе улучшенного преобразования Хафа) [на англ. языке] // Оптический журнал. 2025. Т. 92. № 8. С. 82–94. http://doi.org/10.17586/1023-5086-2025-92-08-82-94

Ссылка на англоязычную версию:

Аннотация:

Предмет исследования. Соотношения между параметрами системы распределённого акустического зондирования на основе сверхслабой волоконной брэгговской решётки, предназначенной для мониторинга траектории движения транспортного средства. Цель работы. Получение соотношений между основными функциональными элементами и блоками алгоритма функционирования системы мониторинга дорожного движения, оптимальных по критериям себестоимости и точности определения траектории движения транспортных средств. Метод. Преобразование сигналов, полученных с проложенных по дорожному полотну волоконно-оптических кабелей при его вибрации, в пространственно-временное двухмерное энергетическое поле с использованием преобразования Стоквелла с последующим уточнением параметров вибрации, вызванной наблюдаемым транспортным средством с помощью алгоритма обнаружения линейных сегментов в режиме реального времени и фиксацией траектории транспортного средства с применением усовершенствованного алгоритма прогрессивного вероятностного преобразования Хафа. Также на основе обработки полученных данных определяются оценки интенсивности транспортного потока и скоростей транспортных средств. Основные результаты. Экспериментально подтверждено, что принимаемый сигнал вследствие вибрации дорожного полотна при воздействии транспортного средства может быть значительно усилен с помощью алгоритмов обнаружения линейных сегментов в режиме реального времени, а использование предложенного усовершенствованного алгоритма Хафа уменьшает время расчёта параметров траектории движения транспортного средства на 33% с уменьшением погрешности измерения на 51% по сравнению с известными используемыми алгоритмами. Также погрешность оценки интенсивности транспортного потока уменьшается на 91%, а погрешность оценки скорости транспортного средства уменьшается на 94%. Практическая значимость. Предложенная технология позволяет значительно увеличить точность мониторинга траекторий движения транспортных средств и повысить достоверность оценки интенсивности транспортного потока.

Ключевые слова:

сверхслабая волоконная брэгговская решётка, распределённое акустическое зондирование, определение траектории движения транспортного средства, преобразование Стоквелла, прогрессивный вероятностный алгоритм преобразования Хафа

Благодарность:

эта работа была поддержана Национальной программой ключевых исследований и разработок Китая (грант № 2021YFC3001903)

Коды OCIS: 350.4600, 120.4640, 100.2960

Список источников:

1. Wang Z., Lv C., Wang F. Y. A new era of intelligent vehicles and intelligent transportation systems: digital twins and parallel intelligence // IEEE Trans. Intell. Veh. 2023. V. 8. № 4. P. 2619–2627. https://doi.org/10.1109/TIV.2023.3264812
2. Rajashekara K., Koppera S. Data and energy impacts of intelligent transportation — a review // World Electr. Veh. J. 2024. V. 15. № 6. P. 262. https://doi.org/10.3390/wevj15060262
3. Lei C., Ji Y., Shangguan Q., Du Y., Samuel S. Vehicle group identification and evolutionary analysis using vehicle trajectory data // Physica A Stat. Mech. Appl. 2024. V. 639. P. 129656. http://doi.org/10.2139/ssrn.4646895
4. Vishnoi R. A review on detection of speedy vehicles // Asian J. Multidim. Res. 2021. V. 10. № 11. P. 346–350.
5. Singhal N., Prasad L. Sensor based vehicle detection and classification – a systematic review // Int. J. Eng. Syst. Model. Simul. 2022. V. 13. № 1. P. 38–60. https://doi.org/10.1504/IJESMS.2022.122731
6. Ye Z., Wang W., Wang X., Yang F., Peng F., Yan K., Kou H., Yuan A. Sensitivity characteristics of Fabry–Pérot pressure sensors based on hollow-core microstructured fibers // Front. Earth Sci. 2023. V. 10. P. 992571. https://doi.org/10.1109/JLT.2013.2269136
7. Kou X.W., Du Q.G., Huang L.T., Wang H.H., Li Z.Y. Highway vehicle detection based on distributed acoustic sensing // Opt. Express. 2024. V. 32. № 16. P. 27068–27080. https://doi.org/10.1364/OE.522337
8. Sun Y., Li H., Fan C., Yan B., Chen J., Yan Z., Sun Q. Review of a specialty fiber for distributed acoustic sensing technology // Photonics. 2022. V. 9. № 5. P. 277. https://doi.org/10.3390/photonics9050277
9. Shang Y., Sun M., Wang C., Yang J., Du Y., Yi J., Zhao W., Wang Y., Zhao Y., Ni J. Research progress in distributed acoustic sensing techniques // Sensors. 2022. V. 22. № 16. P. 6060. https://doi.org/10.3390/s22166060
10.Chiang C.Y., Jaber M., Chai K.K., Loo J. Distributed acoustic sensor systems for vehicle detection and classification // IEEE Access. 2023. V. 11. P. 31293–31303. https://doi.org/10.1109/ACCESS.2023.3260780
11. Litzenberger M., Coronel C., Bajic K., Wiesmeyr C., Döller H., Schweiger H.B., Calbris C. Seamless distributed traffic monitoring by distributed acoustic sensing (das) using existing fiber optic cable infrastructure // Real corp. 2021. V. 7. P. 1215–1218.
12. Wang G., Pang Z., Wang F., Chen Y., Dai H., Wang B. Urban fiber based laser interferometry for traffic monitoring and analysis // J. Lightwave Technol. 2022. V. 41. № 1. P. 347–354.

13. Catalano E., Coscetta A., Cerri E., Cennamo N., Zeni L., Minardo A. Automatic traffic monitoring by ϕ-OTDR data and Hough transform in a real-field environment // Appl. Opt. 2021. V. 60. № 13. P. 3579–3584. https://doi.org/10.1364/AO.422385
14. Narisetty C., Hino T., Huang M. F., Ueda R., Sakurai H., Tanaka A., Otani T., Ando T. Overcoming challenges of distributed fiber-optic sensing for highway traffic monitoring // Transp. Res. Rec. 2021. V. 2675. № 2. P. 233–242. https://doi.org/10.1177/0361198120960134
15. Corera I., Piñeiro E., Navallas J., Sagues M., Loayssa A. Long-range traffic monitoring based on pulse-compression distributed acoustic sensing and advanced vehicle tracking and classification algorithm // Sensors. 2023. V. 23. № 6. P. 3127. https://doi.org/10.3390/s23063127
16. Luo Z., Yang Z., Chen X., Ran C., Huang J., Ye Y. Separating method for multi-source vibration signals in ultra-weak fiber Bragg grating distributed acoustic sensors // Opt. Fiber Technol. 2023. V. 81. P. 103501.
17. Liu C., Qiu S., Wang G., Cheng C., Tang J., Yang M. Simultaneous distributed acoustic and temperature sensing system based on ultra-weak chirped fiber Bragg grating array // Opt. Express. 2023. V. 31. № 11. P. 18516–18524. https://doi.org/10.1364/OE.487205
18. De Almeida Coelho R., Brito N.S.D. Power measurement using Stockwell transform // IEEE Trans. Power Deliv. 2020. V. 36. № 5. P. 3091–3100.
19. Beuter C., Oleskovicz M. S-transform: from main concepts to some power quality applications // IET Signal Process. 2020. V. 14. № 3. P. 115–123. https://doi.org/10.1049/iet-spr.2019.0042
20. Zhao S., Zhang T., Wei H. Fast visual inertial odometry with point-line features using adaptive EDLines algorithm // Meas. Sci. Technol. 2022. V. 33. № 10. P. 105401. https://doi.org/10.1088/1361-6501/ac7a04
21. Marzougui M., Alasiry A., Kortli Y., Baili J. A lane tracking method based on progressive probabilistic Hough transform // IEEE access. 2020. V. 8. P. 84893–84905. https://doi.org/10.1109/ACCESS.2020.2991930
22. Li H., Bao H., Ma Y. Image rectification of industrial equipment nameplate based on progressive probabilistic Hough transform // Commun. Comput. Inf. Sci. 2022. V. 34. P. 363–372. https://doi.org/10.1007/978-981-19-7943-9_32
23. Yan X., Wang G., Wang G., Wang Y., Fu X. A novel biologically-inspired method for underwater image enhancement // Signal Process. Image Commun. 2022. V. 104. P. 116670. https://doi.org/10.1016/j.image.2022.116670