路面类型识别 — CNN-LSTM 完整流程：基于车辆振动数据的端到端深度学习

路面类型识别 --- CNN-LSTM 完整流程

• [路面类型识别 --- CNN-LSTM 完整流程：基于车辆振动数据的端到端深度学习](#路面类型识别 — CNN-LSTM 完整流程：基于车辆振动数据的端到端深度学习)
• • 项目概述
  • • 核心特点
    • 数据来源
    • 模型架构
  • 目录结构
  • 运行方法
  • • [1. 安装依赖](#1. 安装依赖)
    • [2. 准备数据](#2. 准备数据)
    • [3. 运行主程序](#3. 运行主程序)
    • [4. 查看结果](#4. 查看结果)
  • 配置参数说明
  • 实验结果摘要
  • 技术亮点
  • • [1. 数据预处理流程](#1. 数据预处理流程)
    • [2. CNN-LSTM 模型架构](#2. CNN-LSTM 模型架构)
    • [3. 跨实验验证策略](#3. 跨实验验证策略)
  • 可视化结果
  • • 训练过程监控
    • 性能对比
  • 应用场景
  • 总结与展望
  • 资源下载
  • 参考文献

路面类型识别 --- CNN-LSTM 完整流程：基于车辆振动数据的端到端深度学习

项目概述

本项目基于六分力传感器 采集的车辆振动数据（x/y/z 三轴加速度），使用 CNN-LSTM 深度学习框架实现路面类型识别 ，能够准确区分沥青路面 和湿滑路面。

核心特点

• CNN-LSTM 端到端学习：直接从原始振动信号中自动提取特征，无需手工设计特征
• 严格跨实验验证：用第1次实验数据训练 → 在第2次实验数据上测试（及反向），杜绝数据泄露
• 阈值自动调优：自动扫描最佳分类阈值，最大化 F1 分数
• 全面可视化：训练曲线、混淆矩阵、ROC 曲线、逐场景准确率热图

数据来源

实验	文件	说明
第1次试验	合并_所有传感器_第一次实验.xlsx	包含 沥青路面(加速/匀速) + 湿滑路面
第2次试验	合并_所有传感器_第二次实验.xlsx	同上，独立采集

• 4个传感器位置：左前、右前、左后、右后
• 采样频率：1600 Hz
• 三轴加速度：x, y, z

模型架构

Input (T, 3)  →  Conv1D×3  →  LSTM(64)  →  Dense → 二分类
  T=256 时间步   提取局部特征   时序建模      分类头

目录结构

路面识别_CNN_LSTM_完整流程/
├── config.py              # 配置文件（所有参数集中管理）
├── data_loader.py         # 数据加载、预处理、增强
├── models.py              # CNN-LSTM 模型定义
├── trainer.py             # 训练器（含 Focal Loss）
├── evaluation.py          # 评估指标与可视化
├── run_pipeline.py        # ★ 主流程入口
├── requirements.txt       # Python 依赖
├── README.md              # 本文件
└── 实验结果/               # 自动生成
    ├── models/            # 训练好的模型文件 (.pth)
    ├── plots/             # 可视化图表
    └── cross_experiment_metrics.csv  # 评估指标 CSV

运行方法

1. 安装依赖

pip install torch numpy pandas matplotlib seaborn scikit-learn openpyxl joblib

2. 准备数据

确保父目录 合并后的数据/ 中有以下两个文件：

• 合并_所有传感器_第一次实验.xlsx
• 合并_所有传感器_第二次实验.xlsx

3. 运行主程序

cd 路面识别_CNN_LSTM_完整流程
python run_pipeline.py

4. 查看结果

运行完成后，在 实验结果/ 目录下查看：

• plots/ --- 训练曲线、混淆矩阵、ROC 曲线、场景热图、对比图
• models/ --- 保存的模型权重文件
• cross_experiment_metrics.csv --- 指标汇总

配置参数说明

编辑 config.py 可调整以下参数：

参数	默认值	说明
WINDOW_SIZE	256	滑动窗口大小（时间步数）
STRIDE	128	滑动步长（50%重叠）
BATCH_SIZE	128	训练批次大小
EPOCHS	100	最大训练轮数
PATIENCE	15	EarlyStopping 容忍轮数
LEARNING_RATE	1e-3	初始学习率
TUNE_THRESHOLD	True	是否自动调优阈值
USE_FOCAL_LOSS	False	是否使用 Focal Loss
USE_AUGMENTATION	False	是否使用数据增强
POSITION_SPECIFIC	False	是否按位置分别建模

实验结果摘要

方向	准确率	F1分数	最佳阈值
Exp1→Exp2	~94%	~89%	0.8~0.9
Exp2→Exp1	~97%	~85%	0.8~0.95

关键发现：CNN-LSTM 在严重不平衡场景（Exp2→Exp1，沥青:湿滑 ≈ 10.6:1）下显著优于传统 MLP，证明了其从原始时序信号中自动学习有效特征的能力。

技术亮点

1. 数据预处理流程

# 滑动窗口切分
def sliding_window(data, window_size=256, stride=128):
    """将长序列切分为固定长度的窗口"""
    windows = []
    for i in range(0, len(data) - window_size + 1, stride):
        windows.append(data[i:i+window_size])
    return np.array(windows)

2. CNN-LSTM 模型架构

import torch
import torch.nn as nn

class CNNLSTM(nn.Module):
    def __init__(self, input_dim=3, hidden_dim=64, num_classes=2):
        super(CNNLSTM, self).__init__()
        # CNN 特征提取
        self.conv1 = nn.Conv1d(input_dim, 32, kernel_size=3, padding=1)
        self.conv2 = nn.Conv1d(32, 64, kernel_size=3, padding=1)
        self.conv3 = nn.Conv1d(64, 128, kernel_size=3, padding=1)
        self.pool = nn.MaxPool1d(2)
        
        # LSTM 时序建模
        self.lstm = nn.LSTM(128, hidden_dim, batch_first=True, bidirectional=True)
        
        # 分类头
        self.fc = nn.Sequential(
            nn.Linear(hidden_dim*2, 64),
            nn.ReLU(),
            nn.Dropout(0.3),
            nn.Linear(64, num_classes)
        )
    
    def forward(self, x):
        # x: (batch, seq_len, input_dim)
        x = x.transpose(1, 2)  # -> (batch, input_dim, seq_len)
        
        # CNN 处理
        x = self.pool(torch.relu(self.conv1(x)))
        x = self.pool(torch.relu(self.conv2(x)))
        x = self.pool(torch.relu(self.conv3(x)))
        
        # 转回时序格式
        x = x.transpose(1, 2)  # -> (batch, new_seq_len, 128)
        
        # LSTM 处理
        lstm_out, _ = self.lstm(x)
        
        # 取最后一个时间步
        out = lstm_out[:, -1, :]
        
        # 分类
        return self.fc(out)

3. 跨实验验证策略

# 严格的数据划分策略
def cross_experiment_split(data_exp1, labels_exp1, data_exp2, labels_exp2):
    """训练集和测试集来自不同实验，确保无数据泄露"""
    # 方案1：Exp1训练，Exp2测试
    X_train, y_train = data_exp1, labels_exp1
    X_test, y_test = data_exp2, labels_exp2
    
    # 方案2：Exp2训练，Exp1测试（反向验证）
    # X_train, y_train = data_exp2, labels_exp2
    # X_test, y_test = data_exp1, labels_exp1
    
    return X_train, y_train, X_test, y_test

可视化结果

训练过程监控

项目自动生成以下可视化图表：

1. 训练曲线：损失和准确率随 epoch 变化
2. 混淆矩阵：模型在测试集上的分类表现
3. ROC 曲线：不同阈值下的性能表现
4. 场景热图：不同驾驶场景下的准确率分布
5. 模型对比图：CNN-LSTM vs 传统方法

性能对比

#mermaid-svg-mHHaxLgZb6101jkN{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-mHHaxLgZb6101jkN .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-mHHaxLgZb6101jkN .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-mHHaxLgZb6101jkN .error-icon{fill:#552222;}#mermaid-svg-mHHaxLgZb6101jkN .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-mHHaxLgZb6101jkN .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-mHHaxLgZb6101jkN .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-mHHaxLgZb6101jkN .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-mHHaxLgZb6101jkN .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-mHHaxLgZb6101jkN .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-mHHaxLgZb6101jkN .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-mHHaxLgZb6101jkN .marker{fill:#333333;stroke:#333333;}#mermaid-svg-mHHaxLgZb6101jkN .marker.cross{stroke:#333333;}#mermaid-svg-mHHaxLgZb6101jkN svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-mHHaxLgZb6101jkN p{margin:0;}#mermaid-svg-mHHaxLgZb6101jkN .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-mHHaxLgZb6101jkN .cluster-label text{fill:#333;}#mermaid-svg-mHHaxLgZb6101jkN .cluster-label span{color:#333;}#mermaid-svg-mHHaxLgZb6101jkN .cluster-label span p{background-color:transparent;}#mermaid-svg-mHHaxLgZb6101jkN .label text,#mermaid-svg-mHHaxLgZb6101jkN span{fill:#333;color:#333;}#mermaid-svg-mHHaxLgZb6101jkN .node rect,#mermaid-svg-mHHaxLgZb6101jkN .node circle,#mermaid-svg-mHHaxLgZb6101jkN .node ellipse,#mermaid-svg-mHHaxLgZb6101jkN .node polygon,#mermaid-svg-mHHaxLgZb6101jkN .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-mHHaxLgZb6101jkN .rough-node .label text,#mermaid-svg-mHHaxLgZb6101jkN .node .label text,#mermaid-svg-mHHaxLgZb6101jkN .image-shape .label,#mermaid-svg-mHHaxLgZb6101jkN .icon-shape .label{text-anchor:middle;}#mermaid-svg-mHHaxLgZb6101jkN .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-mHHaxLgZb6101jkN .rough-node .label,#mermaid-svg-mHHaxLgZb6101jkN .node .label,#mermaid-svg-mHHaxLgZb6101jkN .image-shape .label,#mermaid-svg-mHHaxLgZb6101jkN .icon-shape .label{text-align:center;}#mermaid-svg-mHHaxLgZb6101jkN .node.clickable{cursor:pointer;}#mermaid-svg-mHHaxLgZb6101jkN .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-mHHaxLgZb6101jkN .arrowheadPath{fill:#333333;}#mermaid-svg-mHHaxLgZb6101jkN .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-mHHaxLgZb6101jkN .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-mHHaxLgZb6101jkN .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-mHHaxLgZb6101jkN .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-mHHaxLgZb6101jkN .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-mHHaxLgZb6101jkN .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-mHHaxLgZb6101jkN .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-mHHaxLgZb6101jkN .cluster text{fill:#333;}#mermaid-svg-mHHaxLgZb6101jkN .cluster span{color:#333;}#mermaid-svg-mHHaxLgZb6101jkN div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-mHHaxLgZb6101jkN .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-mHHaxLgZb6101jkN rect.text{fill:none;stroke-width:0;}#mermaid-svg-mHHaxLgZb6101jkN .icon-shape,#mermaid-svg-mHHaxLgZb6101jkN .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-mHHaxLgZb6101jkN .icon-shape p,#mermaid-svg-mHHaxLgZb6101jkN .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-mHHaxLgZb6101jkN .icon-shape .label rect,#mermaid-svg-mHHaxLgZb6101jkN .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-mHHaxLgZb6101jkN .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-mHHaxLgZb6101jkN .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-mHHaxLgZb6101jkN :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 原始振动数据
特征提取
方法选择
传统手工特征
CNN-LSTM 自动特征
MLP 分类器
端到端分类
准确率: ~85%
准确率: ~94-97%

应用场景

1. 智能驾驶系统：实时路面状态感知
2. 车辆健康监测：路面异常检测
3. 道路养护管理：路面状况评估
4. 自动驾驶决策：根据路面类型调整控制策略

总结与展望

本项目展示了 CNN-LSTM 在车辆振动数据分析中的强大能力，主要优势包括：

• 端到端学习：无需复杂的手工特征工程
• 时序建模：LSTM 有效捕捉振动信号的时序依赖
• 强泛化性：跨实验验证证明了模型的鲁棒性
• 实用性强：完整的工程化实现，开箱即用

未来改进方向：

1. 增加更多路面类型（水泥路、砂石路等）
2. 融合多传感器数据（陀螺仪、GPS等）
3. 在线学习与自适应更新
4. 部署到嵌入式设备实时推理

资源下载

完整代码已开源，欢迎 Star 和 Fork：

• GitHub 仓库 ：路面识别-CNN-LSTM
• 数据集：包含两次实验的完整振动数据
• 预训练模型：可直接用于推理的模型权重

参考文献

1. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
2. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation.
3. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature.

---

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

联系方式：如有问题或建议，欢迎在评论区留言或通过 GitHub Issues 反馈。