结冰道路检测
背景
低温时，路面上的水结冰，使路面很滑。这增加了发生事故的风险。
探测结冰道路的能力在许多方面都很有用。例如，可以为驾驶员显示警告标志；可以控制车辆运行以防止打滑；可以喷洒融雪剂。
提出了几种探测冰冻道路的方法。其基础可以是道路温度检测，也可以是利用固定激光器反射光的大规模探测器。然而，这些想法在车辆行驶时检测到大面积结冰时，或在识别结冰的精度方面存在问题。
解决
理光公司开发了一种摄像系统，可以在车辆行驶时检测路面结冰情况。
该系统利用偏振来显示道路状况，并使白线和道路的边端清晰可见。
技术亮点
Ricoh利用极化技术，将异常检测与深度学习相结合，提高了检测性能。
利用偏振检测道路状况
光包含三种类型的信息：振幅（亮度）、波长（颜色）和偏振。
人眼无法检测到偏振。然而，它在探测物体形状、表面状况、光的性质和角度方面是有用的。
理光的polarization camera obtains polarization information in real time.
偏振光摄像机能够精确地检测冻结路面的状况，而这些状况仅仅依靠颜色和亮度是无法澄清的。
偏振光摄像机检测反射在路面上的光线，揭示路面状况。
学习人工智能提高检测率
Recently, much effort has been put into research and development of artificial intelligence (AI), enabling machines to have a learning function.
偏振光照相机捕捉到一系列冰冻的路况。有些冰像一面镜子，有些像泥泞的。
一般来说，要让人工智能学到东西，你需要事先准备好一切。使用冻结道路检测，您需要识别并提供应检测的所有冻结状态。
然而，冰冻路面的状况变化很大。为所有条件准备图像需要很大的努力。
因此，Ricoh采用了半监督异常检测作为学习方法。
此学习方法仅使用未冻结道路的图像–100%无冻结道路的图像，例如晴天或雨天的图像。
任何偏离正常值的异常值（在晴天和雨天都没有观察到的情况）都被确定为冻结状态。该方案允许检测未知的、不同的冻结条件。
这种方法可以很容易地获得许多样本图像。当温度高于某个阈值时，你可以驾车拍摄图像，所有的图像都是未冻结道路的样本。
减少误判的深度学习
一般来说，半监督异常检测的精度往往较低，其中使用的信息仅涉及单个状态。
因此，为了提高精度，理光开发了一种新的方法，根据多层神经网络的学习结果来检测异常。
这种方法大大减少了误判。当偏振图像和亮度图像组合时，对于相同的检测率，误检次数比仅使用亮度图像时减少至少一位数。
当偏振信息与亮度信息相结合，深度学习与机器学习相结合时，检测率提高，误检率降低。
理光的愿景
Ricoh will continue to exploit its technological resources, researching systems that precisely capture the surrounding conditions and generate feedback from them.
相关的publications
R. Kasahara, I. Itoh, and H. Hirai, "Improvement of image quality by polarization mixing," SPIE OPTO. International Society for Optics and Photonics, 89920U (2014).