CN109614931B - 车载路产巡检管控方法和系统 - Google Patents
车载路产巡检管控方法和系统 Download PDFInfo
- Publication number
- CN109614931B CN109614931B CN201811512249.5A CN201811512249A CN109614931B CN 109614931 B CN109614931 B CN 109614931B CN 201811512249 A CN201811512249 A CN 201811512249A CN 109614931 B CN109614931 B CN 109614931B
- Authority
- CN
- China
- Prior art keywords
- road
- vehicle
- information
- routing inspection
- mounted camera
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000004519 manufacturing process Methods 0.000 claims abstract description 22
- 230000003287 optical effect Effects 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/147—Details of sensors, e.g. sensor lenses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/68—Control of cameras or camera modules for stable pick-up of the scene, e.g. compensating for camera body vibrations
- H04N23/681—Motion detection
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Signal Processing (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Vascular Medicine (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了车载路产巡检管控方法和系统,方法包括以下步骤:获取本次巡检任务,所述巡检任务包括巡检路线和巡检路产,所述的巡检路产包括路产定位信息、路产路侧信息、路产高度信息;根据所述巡检路线,生成相应路线提示信息;获取车辆实时定位信息;根据所述路产定位信息和所述车辆实时定位信息,控制车载摄像头的开启和关闭;同时在控制所述车载摄像头开启时,根据所述路产路侧信息控制车载摄像头的水平方向旋转角度,根据所述路产高度信息控制车载摄像头的竖直方向旋转角度。本发明解决现有技术采用固定角度摄像头进行路产巡检拍摄使得数据获取不准确的问题。
Description
技术领域
本发明涉及路产管理领域,尤其涉及一种车载路产巡检管控方法和系统。
背景技术
实施路产管理主要是由高速公路路政执法部门来负责,通过每日巡查,对路产情况进行监控,对各类损坏、盗窃进行勘查和追踪。主要包括三方面:对肇事损坏路产的索赔;对盗窃路产案件的追查和索赔(公安部门配合);对各类路产自然损坏、恶劣气候造成的损坏,及时通知养护部门。路产可分为交通设施和附属设施,主要是路面、路基、护栏板、绿化设施、交通标志、收费站设施等等。
现有技术的对于路产巡检采用如下三种方式实现:(1)每次到达路产位置,通过人工进行手动拍摄,不仅需要停车操作还需要额外人力(司机和拍摄者至少两个);(2)通过在车顶上设置固定角度的摄像头进行路产拍摄,然而由于不同的路产具有不同的高度,因此如果采用相同角度的摄像头会使得拍摄数据不准确的问题;(3)通过无人机的方式进行拍摄从而解决第一种方式的问题,然而当公路位于机场附近时,无人机并不允许进行飞行,因此也无法实现。
发明内容
本发明的目的在于克服现有技术的不足,提供一种车载路产巡检管控方法和系统,解决现有技术采用固定角度摄像头进行路产巡检拍摄使得数据获取不准确的问题。
本发明的目的是通过以下技术方案来实现的:车载路产巡检管控方法,包括以下步骤:
获取本次巡检任务,所述巡检任务包括巡检路线和巡检路产,所述的巡检路产包括路产定位信息、路产路侧信息、路产高度信息;
根据所述巡检路线,生成相应路线提示信息;
获取车辆实时定位信息;
根据所述路产定位信息和所述车辆实时定位信息,控制车载摄像头的开启和关闭;同时在控制所述车载摄像头开启时,根据所述路产路侧信息控制车载摄像头的水平方向旋转角度,根据所述路产高度信息控制车载摄像头的竖直方向旋转角度。
进一步地,所述车载摄像头包括两个,均设置于车辆顶部,其中一个用于拍摄车辆行驶方向的巡检路产图像,另外一个用于拍摄车辆行驶相反方向的巡检路产图像。
进一步地,所述方法还包括:
将经过控制的车载摄像头拍摄得到的图像与路产定位信息绑定后上传;
其中,上传的信息用于判断路产路侧信息和路产高度信息是否正确、车载摄像头角度控制是否正确、以及用于判断巡检路产是否需要维修。
本发明还提供车载路产巡检管控系统,采用所述的方法,包括车载装置,所述车载装置包括:
无线通信模块,用于获取本次巡检任务;
定位模块,用于生成车辆实时定位信息;
车载摄像头,用于拍摄巡检路产;
控制模块,用于读取本次巡检任务和车辆实时定位信息,还用于根据巡检任务中的巡检路线生成相应路线提示信息,还用于根据巡检任务中的路产定位信息和车辆实时定位信息控制车载摄像头的开启和关闭,还用于在控制所述车载摄像头开启时根据所述路产路侧信息控制车载摄像头的水平方向旋转角度、以及根据所述路产高度信息控制车载摄像头的竖直方向旋转角度;
路线提示模块,用于展示所述相应路线提示信息。
进一步地,还包括服务器,所述服务器包括:
数据库,用于存储巡检路产信息,所述的巡检路产信息包括路产类型、路产定位信息、路产路侧信息、路产高度信息;
巡检任务接收模块,用于接收巡检任务;
数据传输模块,用于向车载装置下发巡检任务。
进一步地,还包括管理终端,所述管理终端用于生成巡检任务并发送至服务器。
进一步地,所述控制模块还用于将经过控制的车载摄像头拍摄得到的图像与路产定位信息绑定后上传;
所述服务器还包括数据判断模块,用于判断路产路侧信息和路产高度信息是否正确、车载摄像头角度控制是否正确、以及用于判断巡检路产是否需要维修;
所述数据传输模块还用于向管理终端发送数据判断模块的判断结果。
进一步地,所述数据判断模块采用多个经过训练的深度卷积神经网络模型实现数据提取,每个深度卷积神经网络模型对应不同类型的巡检路产;
数据判断模块在获取到上传数据后,首先根据上传数据中的路产定位信息获取数据库中对应路产定位信息的路产类型;之后根据得到的路产类型选择对应的深度卷积神经网络模型进行数据提取与识别;如果输出识别结果成功则认为巡检路产为正常状态,否则认为出现问题,并进一步判断路产路侧信息和路产高度信息是否正确、车载摄像头角度控制是否正确、以及用于判断巡检路产是否需要维修:
如果连续多个识别均出现问题,则认为车载摄像头角度控制错误;如果非连续多个识别均出现问题,则进一步判断图像中是否存在对应巡检路产,如果存在则认为巡检路产需要维修,如果不存在则认为路产路侧信息和/或路产高度信息出现异常。
进一步地,所述的深度卷积神经网络模型均包括顺次连接的:第一卷积层、第二卷积层、第一下采样层、第一残差层、第三卷积层、第二下采样层、第二残差层、第四卷积层、第三下采样层、第三残差层和全连接层,每个残差层均包括若干个残差单元;
所述训练包括:
S1,前向传播,将采集得到的对应类型的巡检路产图像输入到所述深度卷积神经网络模型中,计算损失误差;
S2,反向传播,将损失误差更新模型参数。
进一步地,所述车载摄像头包括:
光学镜头,用于拍摄巡检路产图像,图像输出端与控制模块连接;
纵向齿轮,连接光学镜头,用于控制所述光学镜头竖直方向旋转;
第一伺服电机,受控端连接控制模块,控制端连接纵向齿轮,用于控制纵向齿轮旋转;
横向齿轮,连接纵向齿轮,用于通过纵向齿轮控制光学镜头水平方向旋转;
第二伺服电机,受控端连接控制模块,控制端连接横向齿轮,用于控制横向齿轮旋转;
摄像头电源,用于向光学镜头、第一伺服电机和第二伺服电机提供电源;
控制开关,受控端连接控制模块,位于摄像头电源和公共连接点之间,所述公共连接点为光学镜头、第一伺服电机和第二伺服电机三者与摄像头电源的连接点;
抖动检测模块,用于在车载摄像头开启时检测抖动情况,输出端与控制模块连接,用于在检测到超过阈值的抖动时向控制模块发出告警信息,使得对应时段采集到的巡检路产图像不进行判断。
本发明的有益效果是:
(1)本发明通过对巡检路产的路产定位信息、路产路侧信息、路产高度信息进行收集与下发,从而实现对车载摄像头的角度进行自适应调整,解决现有技术采用固定角度摄像头进行路产巡检拍摄使得数据获取不准确的问题。
(2)本发明的后台服务器用于对车载摄像头采集的数据进行自行识别,判断路产路侧信息和路产高度信息是否正确、车载摄像头角度控制是否正确、以及用于判断巡检路产是否需要维修,从而实现无人判断,减少人工判断产生的错误。
(3)本发明采用多个经过训练的深度卷积神经网络模型实现数据提取,每个深度卷积神经网络模型对应不同类型的巡检路产,从而提高自动识别的准确性。
(4)本发明的车载摄像头通过双电机实现角度调整,同时通过控制开关用于省电操作避免车载摄像头公路的全程开启,还通过抖动检测模块避免因抖动造成画面拍摄不清晰造成的误判断。
附图说明
图1为本发明实施例1的方法流程图;
图2为本发明实施例2的车载路产巡检管控系统中的车载装置的模块连接示意图;
图3为本发明实施例2的车载路产巡检管控系统中的服务器的模块连接示意图;
图4为本发明实施例2的车载路产巡检管控系统优选实施方案示意图;
图5为本发明实施例2的深度卷积神经网络模型示意图;
图6为本发明实施例2的车载摄像头的模块连接示意图。
具体实施方式
下面结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,属于“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方向或位置关系为基于附图所述的方向或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,属于“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,属于“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例提供车载路产巡检管控方法,解决现有技术人力成本高和拍摄数据获取不准确的问题。
如图1所示,车载路产巡检管控方法,包括以下步骤:
S1:获取本次巡检任务,所述巡检任务包括巡检路线和巡检路产,所述的巡检路产包括路产定位信息、路产路侧信息、路产高度信息。
其中,具体地,巡检路线为上级规定的巡检路线,可以为日常巡检的路线也可以是特定情况的巡检路线;而巡检路产为在所述巡检路线上的路产,可以在巡检路线上进行拍摄。
对于巡检路产,其包括至少三个信息,分别为路产定位信息、路产路侧信息、路产高度信息;其中,路产定位信息为路产的实际位置,可以为里程信息或者GPS定位信息,而路产路侧信息为位于道路两侧中的其中一侧或者跨接于两侧之间,而路产高度信息为该路产的实际高度。
S2:根据所述巡检路线,生成相应路线提示信息。
其中,所述路线提示信息为提示驾驶员的信息,所述相应路线提示信息包括车辆未偏离巡检路线时的路线提示信息和车辆偏离巡检路线时的路线回归建议提示信息。
S3:获取车辆实时定位信息。
其中,需要车辆进行配置车载定位装置。
S4:根据所述路产定位信息和所述车辆实时定位信息,控制车载摄像头的开启和关闭;同时在控制所述车载摄像头开启时,根据所述路产路侧信息控制车载摄像头的水平方向旋转角度,根据所述路产高度信息控制车载摄像头的竖直方向旋转角度。
其中,对于所述路产定位信息和所述车辆实时定位信息,控制车载摄像头的开启和关闭,在本实施例中,可以在一定范围内进行提前控制,即根据相邻两个路产之间的距离,当到达百分之80的距离时,预先将车载摄像头进行对应角度的控制。
更优地,在本实施例中,所述车载摄像头包括两个,均设置于车辆顶部,其中一个用于拍摄车辆行驶方向的巡检路产图像,另外一个用于拍摄车辆行驶相反方向的巡检路产图像。
即其中一个车载摄像头拍摄巡检路产正面图像,另外一个车载摄像头拍摄巡检路产背面图像。
更优地。在本实施例中,所述方法还包括:
S5:将经过控制的车载摄像头拍摄得到的图像与路产定位信息绑定后上传;
其中,上传的信息用于判断路产路侧信息和路产高度信息是否正确、车载摄像头角度控制是否正确、以及用于判断巡检路产是否需要维修。
即该图像数据可上传至后台,后台通过路产定位信息,实现在大屏幕的对应显示。
实施例2
基于实施例1的实现,本实施例还提供车载路产巡检管控系统,采用所述的方法,包括车载装置,如图2所示,所述车载装置包括:
无线通信模块,用于获取本次巡检任务;
定位模块,用于生成车辆实时定位信息;
车载摄像头,用于拍摄巡检路产;
控制模块,用于读取本次巡检任务和车辆实时定位信息,还用于根据巡检任务中的巡检路线生成相应路线提示信息,还用于根据巡检任务中的路产定位信息和车辆实时定位信息控制车载摄像头的开启和关闭,还用于在控制所述车载摄像头开启时根据所述路产路侧信息控制车载摄像头的水平方向旋转角度、以及根据所述路产高度信息控制车载摄像头的竖直方向旋转角度;
路线提示模块,用于展示所述相应路线提示信息。
其中,无线通信模块可以为4G模块、GPRS模块等;而路线提示模块可以为触摸显示屏或者语音播放器。
更优地,在本实施例中,还包括服务器,如图3所示,所述服务器包括:
数据库,用于存储巡检路产信息,所述的巡检路产信息包括路产类型、路产定位信息、路产路侧信息、路产高度信息;
巡检任务接收模块,用于接收巡检任务;
数据传输模块,用于向车载装置下发巡检任务。
也就是说,服务器用于下发巡检任务数据。
更优地,在本实施例中,如图4所示,所述系统还包括管理终端,所述管理终端用于生成巡检任务并发送至服务器。
其中,该管理终端可以是手持便携式移动智能终端,也可以是PC机等固定终端。
更优地,在本实施例中,所述控制模块还用于将经过控制的车载摄像头拍摄得到的图像与路产定位信息绑定后上传;
如图3所示,所述服务器还包括数据判断模块,用于判断路产路侧信息和路产高度信息是否正确、车载摄像头角度控制是否正确、以及用于判断巡检路产是否需要维修;
所述数据传输模块还用于向管理终端发送数据判断模块的判断结果。
也就是说,服务器还用于路产数据的获取与判断,服务器根据获取到的图像判断该路产是否处于正常状态。
更优地,在本实施例中,所述数据判断模块采用多个经过训练的深度卷积神经网络模型实现数据提取,每个深度卷积神经网络模型对应不同类型的巡检路产;
数据判断模块在获取到上传数据后,首先根据上传数据中的路产定位信息获取数据库中对应路产定位信息的路产类型;之后根据得到的路产类型选择对应的深度卷积神经网络模型进行数据提取与识别;如果输出识别结果成功则认为巡检路产为正常状态,否则认为出现问题,并进一步判断路产路侧信息和路产高度信息是否正确、车载摄像头角度控制是否正确、以及用于判断巡检路产是否需要维修:
如果连续多个识别均出现问题,则认为车载摄像头角度控制错误;如果非连续多个识别均出现问题,则进一步判断图像中是否存在对应巡检路产,如果存在则认为巡检路产需要维修,如果不存在则认为路产路侧信息和/或路产高度信息出现异常。
具体地,由于在数据库中存储有各个路产对应的类型(路灯、路牌等),因此在数据回传后,根据上传数据中的路产定位信息获取数据库中对应路产定位信息的路产类型,之后输出到对应类型的选择对应的深度卷积神经网络模型进行数据提取与识别。
而对于具体的识别,包括以下几种情况:
(1)连续多个识别均出现问题,通常情况下不会是多个路产设备同时出现问题,因此则认为车载摄像头角度控制出现问题;
(2)识别中单独出现问题,则进一步判断图像中是否存在对应巡检路产:
(2-1)如果存在,则认为巡检路产需要维修;
(2-2)如果不存在,则认为路产路侧信息和/或路产高度信息出现异常。
更优地,在本实施例中,如图5所示,所述的深度卷积神经网络模型均包括顺次连接的:第一卷积层、第二卷积层、第一下采样层、第一残差层、第三卷积层、第二下采样层、第二残差层、第四卷积层、第三下采样层、第三残差层和全连接层,每个残差层均包括若干个残差单元;
所述训练包括:
S1,前向传播,将采集得到的对应类型的巡检路产图像输入到所述深度卷积神经网络模型中,计算损失误差;
S2,反向传播,将损失误差更新模型参数。
其中,对于深度卷积神经网络模型,需要进行多图像数据进行训练,即需要大量对应类型的巡检路产图像;在训练完成后才进行数据控制。
更优地,在本实施例中,如图6所示,所述车载摄像头包括:
光学镜头,用于拍摄巡检路产图像,图像输出端与控制模块连接;
纵向齿轮,连接光学镜头,用于控制所述光学镜头竖直方向旋转;
第一伺服电机,受控端连接控制模块,控制端连接纵向齿轮,用于控制纵向齿轮旋转;
横向齿轮,连接纵向齿轮,用于通过纵向齿轮控制光学镜头水平方向旋转;
第二伺服电机,受控端连接控制模块,控制端连接横向齿轮,用于控制横向齿轮旋转;
摄像头电源,用于向光学镜头、第一伺服电机和第二伺服电机提供电源;
控制开关,受控端连接控制模块,位于摄像头电源和公共连接点之间,所述公共连接点为光学镜头、第一伺服电机和第二伺服电机三者与摄像头电源的连接点;
抖动检测模块,用于在车载摄像头开启时检测抖动情况,输出端与控制模块连接,用于在检测到超过阈值的抖动时向控制模块发出告警信息,使得对应时段采集到的巡检路产图像不进行判断。
由于巡检路产位于高速公路两侧,并且不同路产具有不同高度,因此通过第一伺服电机带动纵向齿轮、以及第二伺服电机带动横向齿轮,对光学镜头的竖直方向和水平方向的角度进行调整。
而控制开关用于省电操作,即当车辆位于定位位置(或者提前点)时,控制模块控制控制开关开启,从而导通光学镜头、第一伺服电机和第二伺服电机,避免公路的全程开启。
对于抖动检测模块,用于检测车载摄像头开启时检测抖动情况,如果在检测到超过阈值的抖动时向控制模块发出告警信息,使得对应时段采集到的巡检路产图像不进行判断,避免因抖动造成画面拍摄不清晰造成的误判断。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (5)
1.车载路产巡检管控系统,其特征在于:包括车载装置,所述车载装置包括:
无线通信模块,用于获取本次巡检任务;
定位模块,用于生成车辆实时定位信息;
车载摄像头,用于拍摄巡检路产;
控制模块,用于读取本次巡检任务和车辆实时定位信息,还用于根据巡检任务中的巡检路线生成相应路线提示信息,还用于根据巡检任务中的路产定位信息和车辆实时定位信息控制车载摄像头的开启和关闭,还用于在控制所述车载摄像头开启时根据路产路侧信息控制车载摄像头的水平方向旋转角度、以及根据路产高度信息控制车载摄像头的竖直方向旋转角度;
路线提示模块,用于展示所述相应路线提示信息;
所述系统的方法包括以下步骤:
获取本次巡检任务,所述巡检任务包括巡检路线和巡检路产,所述的巡检路产包括路产定位信息、路产路侧信息、路产高度信息;
根据所述巡检路线,生成相应路线提示信息;
获取车辆实时定位信息;
根据所述路产定位信息和所述车辆实时定位信息,控制车载摄像头的开启和关闭;同时在控制所述车载摄像头开启时,根据所述路产路侧信息控制车载摄像头的水平方向旋转角度,根据所述路产高度信息控制车载摄像头的竖直方向旋转角度;
所述系统还包括:还包括服务器,所述服务器包括:
数据库,用于存储巡检路产信息,所述的巡检路产信息包括路产类型、路产定位信息、路产路侧信息、路产高度信息;
巡检任务接收模块,用于接收巡检任务;
数据传输模块,用于向车载装置下发巡检任务;
所述系统还包括:管理终端,所述管理终端用于生成巡检任务并发送至服务器;
所述控制模块还用于将经过控制的车载摄像头拍摄得到的图像与路产定位信息绑定后上传;
所述服务器还包括数据判断模块,用于判断路产路侧信息和路产高度信息是否正确、车载摄像头角度控制是否正确、以及用于判断巡检路产是否需要维修;
所述数据传输模块还用于向管理终端发送数据判断模块的判断结果;
所述数据判断模块采用多个经过训练的深度卷积神经网络模型实现数据提取,每个深度卷积神经网络模型对应不同类型的巡检路产;
数据判断模块在获取到上传数据后,首先根据上传数据中的路产定位信息获取数据库中对应路产定位信息的路产类型;之后根据得到的路产类型选择对应的深度卷积神经网络模型进行数据提取与识别;如果输出识别结果成功则认为巡检路产为正常状态,否则认为出现问题,并进一步判断路产路侧信息和路产高度信息是否正确、车载摄像头角度控制是否正确、以及用于判断巡检路产是否需要维修:
如果连续多个识别均出现问题,则认为车载摄像头角度控制错误;如果非连续多个识别均出现问题,则进一步判断图像中是否存在对应巡检路产,如果存在则认为巡检路产需要维修,如果不存在则认为路产路侧信息和/或路产高度信息出现异常。
2.根据权利要求1所述的车载路产巡检管控系统,其特征在于:所述车载摄像头包括两个,均设置于车辆顶部,其中一个用于拍摄车辆行驶方向的巡检路产图像,另外一个用于拍摄车辆行驶相反方向的巡检路产图像。
3.根据权利要求1所述的车载路产巡检管控系统,其特征在于:所述方法还包括:
将经过控制的车载摄像头拍摄得到的图像与路产定位信息绑定后上传;
其中,上传的信息用于判断路产路侧信息和路产高度信息是否正确、车载摄像头角度控制是否正确、以及用于判断巡检路产是否需要维修。
4.根据权利要求1所述的车载路产巡检管控系统,其特征在于:所述的深度卷积神经网络模型均包括顺次连接的:第一卷积层、第二卷积层、第一下采样层、第一残差层、第三卷积层、第二下采样层、第二残差层、第四卷积层、第三下采样层、第三残差层和全连接层,每个残差层均包括若干个残差单元;
所述训练包括:
S1,前向传播,将采集得到的对应类型的巡检路产图像输入到所述深度卷积神经网络模型中,计算损失误差;
S2,反向传播,将损失误差更新模型参数。
5.根据权利要求1所述的车载路产巡检管控系统,其特征在于:所述车载摄像头包括:
光学镜头,用于拍摄巡检路产图像,图像输出端与控制模块连接;
纵向齿轮,连接光学镜头,用于控制所述光学镜头竖直方向旋转;
第一伺服电机,受控端连接控制模块,控制端连接纵向齿轮,用于控制纵向齿轮旋转;
横向齿轮,连接纵向齿轮,用于通过纵向齿轮控制光学镜头水平方向旋转;
第二伺服电机,受控端连接控制模块,控制端连接横向齿轮,用于控制横向齿轮旋转;
摄像头电源,用于向光学镜头、第一伺服电机和第二伺服电机提供电源;
控制开关,受控端连接控制模块,位于摄像头电源和公共连接点之间,所述公共连接点为光学镜头、第一伺服电机和第二伺服电机三者与摄像头电源的连接点;
抖动检测模块,用于在车载摄像头开启时检测抖动情况,输出端与控制模块连接,用于在检测到超过阈值的抖动时向控制模块发出告警信息,使得对应时段采集到的巡检路产图像不进行判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811512249.5A CN109614931B (zh) | 2018-12-11 | 2018-12-11 | 车载路产巡检管控方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811512249.5A CN109614931B (zh) | 2018-12-11 | 2018-12-11 | 车载路产巡检管控方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109614931A CN109614931A (zh) | 2019-04-12 |
CN109614931B true CN109614931B (zh) | 2021-01-01 |
Family
ID=66007105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811512249.5A Active CN109614931B (zh) | 2018-12-11 | 2018-12-11 | 车载路产巡检管控方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109614931B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112565696A (zh) * | 2020-12-04 | 2021-03-26 | 盐城中科高通量计算研究院有限公司 | 一种巡逻车用辅助监控方法 |
CN112697162B (zh) * | 2020-12-23 | 2023-03-17 | 千方捷通科技股份有限公司 | 一种巡检路线规划方法、装置、存储介质及终端 |
CN112785867A (zh) * | 2020-12-30 | 2021-05-11 | 上海智能交通有限公司 | 一种道路健康巡检的智能车载系统 |
US20230196304A1 (en) * | 2021-12-17 | 2023-06-22 | Ford Global Technologies, Llc | Nonvehicle based repair and maintenance identification by vehicle |
CN115225814B (zh) * | 2022-06-17 | 2023-09-05 | 苏州蓝博控制技术有限公司 | 摄像头组件及其视频处理方法 |
CN116012611B (zh) * | 2022-12-28 | 2023-09-01 | 北京道仪数慧科技有限公司 | 路产检测方法及载具 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120133738A1 (en) * | 2009-04-06 | 2012-05-31 | Hella Kgaa Hueck & Co. | Data Processing System and Method for Providing at Least One Driver Assistance Function |
CN103778681A (zh) * | 2014-01-24 | 2014-05-07 | 青岛秀山移动测量有限公司 | 一种车载高速公路巡检系统及数据获取和处理方法 |
CN108831157A (zh) * | 2018-07-27 | 2018-11-16 | 中山火炬高新企业孵化器有限公司 | 一种基于智能机器人的园区安防布控管理系统 |
-
2018
- 2018-12-11 CN CN201811512249.5A patent/CN109614931B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120133738A1 (en) * | 2009-04-06 | 2012-05-31 | Hella Kgaa Hueck & Co. | Data Processing System and Method for Providing at Least One Driver Assistance Function |
CN103778681A (zh) * | 2014-01-24 | 2014-05-07 | 青岛秀山移动测量有限公司 | 一种车载高速公路巡检系统及数据获取和处理方法 |
CN108831157A (zh) * | 2018-07-27 | 2018-11-16 | 中山火炬高新企业孵化器有限公司 | 一种基于智能机器人的园区安防布控管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109614931A (zh) | 2019-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109614931B (zh) | 车载路产巡检管控方法和系统 | |
CN109409546B (zh) | 高速公路路产管护方法 | |
US10891808B1 (en) | Crowd-sourced driver grading | |
CN108986539B (zh) | 停车管理系统、方法、车辆信息采集装置及管理服务器 | |
CN105849790B (zh) | 一种路况信息获取方法 | |
JP4494983B2 (ja) | ポータブル型車両番号認識装置およびポータブル型車両番号認識装置による車両番号認識方法 | |
CN107195198A (zh) | 一种基于图像识别技术的路边停车管理方法及其系统 | |
CN107742422A (zh) | 道路车辆违章监测系统及其方法 | |
CN103287339A (zh) | 停车支援系统 | |
CN109493614A (zh) | 一种带实时视频的实时路况监测与展示方法 | |
CN207833697U (zh) | 一种高速公路警示系统 | |
CN202584429U (zh) | 一种交通违法监控和处理系统 | |
CN111818160A (zh) | 一种车机设备 | |
CN111785030A (zh) | 交通监控终端和交通监控系统 | |
CN109639966B (zh) | 基于公路资产监管的车载控制方法 | |
CN105491328B (zh) | 一种基于卫星定位信号的摄像跟踪系统及方法 | |
CN110087026A (zh) | 一种车辆双屏多摄像头监控系统 | |
CN108062520A (zh) | 一种驾驶员识别系统及方法 | |
CN111260953A (zh) | 路内停车管理方法、装置及系统 | |
CN113129581A (zh) | 车辆信息的传输系统及方法、存储介质、电子装置 | |
CN207319461U (zh) | 支持实现道路车辆违章监测功能的结构装置 | |
CN105245860A (zh) | 一种基于rfid信号的摄像跟踪系统及方法 | |
CN106840181B (zh) | 用于确定车辆位置的系统和方法 | |
CN212305387U (zh) | 一种车机设备 | |
KR100962414B1 (ko) | 차량 상태정보 전송 시스템 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |