CN110705452A - 一种高速公路无人值守收费站设施智能管控方法及系统 - Google Patents

一种高速公路无人值守收费站设施智能管控方法及系统 Download PDF

Info

Publication number
CN110705452A
CN110705452A CN201910929513.3A CN201910929513A CN110705452A CN 110705452 A CN110705452 A CN 110705452A CN 201910929513 A CN201910929513 A CN 201910929513A CN 110705452 A CN110705452 A CN 110705452A
Authority
CN
China
Prior art keywords
early warning
data
warning result
facility
image data
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.)
Pending
Application number
CN201910929513.3A
Other languages
English (en)
Inventor
刘扬
陈潇雅
张刚刚
张电
蒙煊
汪会鹏
张伟东
蔡达
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Aubang Transportation Facilities Engineering Co Ltd
Original Assignee
Shandong Aubang Transportation Facilities Engineering Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Aubang Transportation Facilities Engineering Co Ltd filed Critical Shandong Aubang Transportation Facilities Engineering Co Ltd
Priority to CN201910929513.3A priority Critical patent/CN110705452A/zh
Publication of CN110705452A publication Critical patent/CN110705452A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • G07—CHECKING-DEVICES
    • G07B—TICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
    • G07B15/00—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points
    • G07B15/06—Arrangements for road pricing or congestion charging of vehicles or vehicle users, e.g. automatic toll systems
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07B—TICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
    • G07B15/00—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points
    • G07B15/06—Arrangements for road pricing or congestion charging of vehicles or vehicle users, e.g. automatic toll systems
    • G07B15/063—Arrangements for road pricing or congestion charging of vehicles or vehicle users, e.g. automatic toll systems using wireless information transmission between the vehicle and a fixed station

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Devices For Checking Fares Or Tickets At Control Points (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种高速公路无人值守收费站设施智能管控方法及系统，该方法包括：接收收费站各个设施的图像数据、周围环境数据、状态数据和/或业务数据，进行预处理；将图像数据与存储的原始图像数据进行比对，并排除采用卷积神经网络识别图像数据中的车辆和人员，得到设施图像预警结果；将周围环境数据采用循环神经网络识别，得到环境预警结果；或将状态数据和/或业务数据分别采用循环神经网络识别，得到状态预警结果和/或业务预警结果；将图像预警结果与环境预警结果、状态预警结果和/或业务预警结果综合分析得到设施实时预警结果；通过各个预警结果关联设施维护方案，接收维护数据，完成无人值守收费站设施全生命周期的智能管控。

Description

一种高速公路无人值守收费站设施智能管控方法及系统
技术领域
本发明属于智慧交通设施的技术领域，尤其涉及一种高速公路无人值守收费站设施智能管控方法及系统。
背景技术
随着高速公路的不断建设，高速公路路网管理、收费管理、交通控制、安全管理等的重要性日益突出。以人工高速公路路网管理为主的传统模式暴露出以下缺陷：人工收费模式效率低下，每辆车进入收费站都要停留取卡或还卡缴纳费用，导致车辆通行时间长；不良的人为因素对收费系统的负面影响；人工成本高，人力资源消耗巨大，劳动强度大，工作环境恶劣。随着高速公路信息化程度的不断提高，以及人工发放通行卡的收费方式运营成本的逐年提高，高速公路收费站采用的人工操作收费工作模式已不能满足现实的需要，收费站无人化的趋势将越来越明显。
4G通信技术的发展带来了移动支付，新一代移动支付技术在收费站的应用可实现自动完成车型识别、费用计算及收费放行等过程。在移动支付迅猛发展的同时，ETC的发展势头也十分迅速，2019年全国交通运输工作会议提出，2019年将开展ETC服务专项提升行动，实现ETC车载设备免费安装全覆盖。ETC车道和支持移动支付的车道可以实现收费站车道的远程值守、无人收费，为无人值守收费站提供了技术支持。
在现有的无人值守收费站中，安装ETC的车辆可进入ETC车道实现不停车通行；在ETC账户余额不足或非ETC车辆误入车道时，司乘可以利用自助交费机对通行卡、ETC标签卡进行处理，或选择支付宝等支付方式交纳通行费。同时，收费站还设置了智能稽查防逃系统及卡口防逃系统，通过单独加装车辆识别设备，以视频录像方式连续采集每辆车的自然数据并上传到稽核平台，从而识别、标记出具有偷逃费嫌疑的车辆，并会将相关资料结构化，形成完整证据链。
然而，所谓的无人值守收费站，更准确的说法是收费过程无人化，即司乘交费过程不直接与收费人员接触，但收费站仍然需要人员后台值守、维护设备和处理各种意外情况；要实现收费站无人化，需要解决后台对高速公路无人值守收费站设施管控的问题。
发明内容
为克服上述现有技术的不足，本发明提供了一种高速公路无人值守收费站设施智能管控方法及系统，实现对高速公路无人值守收费站设施的实时管控。
根据本公开的一个或多个实施例的一个方面，提供一种高速公路无人值守收费站设施智能管控方法。
一种高速公路无人值守收费站设施智能管控方法，该方法包括：
接收收费站各个设施的图像数据、周围环境数据、状态数据和/或业务数据，并对图像数据、周围环境数据和状态数据进行预处理；
将图像数据与存储的原始图像数据进行比对，并排除采用训练好的卷积神经网络识别图像数据中的车辆和人员，得到设施图像预警结果；
将周围环境数据采用训练好的循环神经网络识别，得到环境预警结果；和/或将状态数据和/或业务数据分别采用训练好的循环神经网络识别，得到状态预警结果和/或业务预警结果；
将图像预警结果与环境预警结果、状态预警结果和/或业务预警结果综合分析得到设施实时预警结果；
通过各个预警结果关联设施维护方案，接收维护数据，完成无人值守收费站设施全生命周期的智能管控。
进一步地，该方法中，各个设施的所述图像数据为全景摄像头采集的该设施的全景图像数据，根据所述全景图像数据生成该设施的三维实景场景用于管控时的直观显示，且各个预警结果在其对应的设施的三维实景场景中显示。
进一步地，该方法中，所述得到设施图像预警结果的具体步骤包括：
采用归一化的交叉相关性法将图像数据与存储的相同角度的原始图像数据进行比对，得到不匹配区域；
采用训练好的卷积神经网络识别图像数据中的车辆和人员，并排除不匹配区域中车辆与人员出现的区域，得到疑似故障的设施图像预警结果。
进一步地，该方法中，所述卷积神经网络采用SSD网络，得到训练好的所述SSD网络的具体步骤包括：
获取现有的收费站视频图像数据集，进行数据预处理，提取视频帧得到图片数据；
接收车辆与人员标注指令对图片数据进行标注，形成训练集、验证集和测试集；
将训练集和验证集输入SSD网络中进行训练和交叉验证；
通过测试集对SSD网络进行优化，得到训练好的所述SSD网络。
进一步地，该方法中，识别周围环境数据的训练好的循环神经网络采用收费站历史周围环境数据进行训练；
分别识别状态数据和业务数据的训练好的循环神经网络采用接收的无人值守收费站状态数据或业务数据对循环神经网络进行迁移学习。
进一步地，该方法中，将图像预警结果与环境预警结果、状态预警结果和/或业务预警结果分别匹配不同权重计算设施实时预警结果。
进一步地，该方法还包括：将接收的各个设施的图像数据、周围环境数据、状态数据和/或业务数据分别存储为其相应的历史数据库，并利用历史数据库中无人值守收费站真实的图像数据、周围环境数据、状态数据和/或业务数据训练相对应的神经网络，对神经网络进行更新。
进一步地，该方法还包括：将至少两种设施各自中的至少一种预警结果分别输入神经网络模型中处理，得到设施实时预警结果。
根据本公开的一个或多个实施例的一个方面，提供一种计算机可读存储介质。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设施的处理器加载并执行所述的一种高速公路无人值守收费站设施智能管控方法。
根据本公开的一个或多个实施例的一个方面，提供一种终端设施。
一种终端设施，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种高速公路无人值守收费站设施智能管控方法。
根据本公开的一个或多个实施例的一个方面，提供一种高速公路无人值守收费站设施智能管控装置。
一种高速公路无人值守收费站设施智能管控装置，基于所述的一种高速公路无人值守收费站设施智能管控方法，包括：
数据获取模块，被配置为接收收费站各个设施的图像数据、周围环境数据、状态数据和/或业务数据，并对图像数据、周围环境数据和状态数据进行预处理；
实时诊断模块，被配置为将图像数据与存储的原始图像数据进行比对，并排除采用训练好的卷积神经网络识别图像数据中的车辆和人员，得到设施图像预警结果；将周围环境数据采用训练好的循环神经网络识别，得到环境预警结果；和/或将状态数据和/或业务数据分别采用训练好的循环神经网络识别，得到状态预警结果和/或业务预警结果；将图像预警结果与环境预警结果、状态预警结果和/或业务预警结果综合分析得到设施实时预警结果；
智能管控模块，被配置为通过各个预警结果关联设施维护方案，接收维护数据，完成无人值守收费站设施全生命周期的智能管控。
以上一个或多个技术方案存在以下有益效果：
1、本发明公开的一种高速公路无人值守收费站设施智能管控方法及系统，将图像数据与存储的原始图像数据进行比对，并排除采用训练好的卷积神经网络识别图像数据中的车辆和人员，得到设施图像预警结果；将周围环境数据采用训练好的循环神经网络识别，得到环境预警结果；和/或将状态数据和/或业务数据分别采用训练好的循环神经网络识别，得到状态预警结果和/或业务预警结果；将图像预警结果与环境预警结果、状态预警结果和/或业务预警结果综合分析得到设施实时预警结果；分别通过神经网络识别不同的数据体现的设施预警结果，根据无人值守收费站不同设施的特点，采集不同数据，再通过多种数据间不同权重综合分析计算该设施的实时预警结果，预测准确性高，更加贴合无人值守收费站设施多种数据综合导致设施故障的实际情况，有效对设施进行管理。
2、本发明公开的一种高速公路无人值守收费站设施智能管控方法及系统，将至少两种设施各自中的至少一种预警结果分别输入神经网络模型中处理，得到设施实时预警结果，将高速公路无人值守收费站不同设施之间的影响运用到计算设施的实时预警结果中，充分考虑设施之间的影响，提前进行预警，有效对设施进行管理。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明一个或多个实施例的一种高速公路无人值守收费站设施智能管控方法流程示意图；
图2为本发明一个或多个实施例的收费站机械设施智能管控方法流程示意图；
图3为本发明一个或多个实施例的收费站机电设施智能管控方法流程示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
根据本公开的一个或多个实施例的一个方面，提供一种高速公路无人值守收费站设施智能管控方法，。
如图1所示，一种高速公路无人值守收费站设施智能管控方法，该方法包括：
步骤S1：接收收费站各个设施的图像数据、周围环境数据、状态数据和/或业务数据，并对图像数据、周围环境数据和状态数据进行预处理；
步骤S2：将图像数据与存储的原始图像数据进行比对，并排除采用训练好的卷积神经网络识别图像数据中的车辆和人员，得到设施图像预警结果；
步骤S3：将周围环境数据采用训练好的循环神经网络识别，得到环境预警结果；和/或将状态数据和/或业务数据分别采用训练好的循环神经网络识别，得到状态预警结果和/或业务预警结果；
步骤S4：将图像预警结果与环境预警结果、状态预警结果和/或业务预警结果综合分析得到设施实时预警结果；
步骤S5：通过各个预警结果关联设施维护方案，接收维护数据，完成无人值守收费站设施全生命周期的智能管控。
在本实施例中，一种高速公路无人值守收费站设施智能管控方法分别针对收费站中的机械设施及机电设施采用了略微不同的管控方法，但仍将其集成于一个统一的智能管控系统中，其中：
对于收费站中的机械设施，包括但不限于架设摄像头的龙门架、防护栏、隔离墩等设施，其由于设置于户外，易受环境因素的影响，同时也易受车辆碰撞等事故影响，因此对于收费站中单纯的机械设施，如图2所示，其智能管控方法包括：
步骤S1：接收收费站各个机械设施的图像数据和周围环境数据，并对图像数据和周围环境数据进行预处理；
步骤S2：将图像数据与存储的原始图像数据进行比对，并排除采用训练好的卷积神经网络识别图像数据中的车辆和人员，得到设施图像预警结果：
步骤S3：将周围环境数据采用训练好的循环神经网络识别，得到环境预警结果；
步骤S4：将环境预警结果与设施图像预警结果综合分析得到设施实时预警结果；
步骤S5：通过各个预警结果关联设施维护方案，接收维护数据，完成无人值守收费站设施全生命周期的智能管控。
在本公开一个或多个实施例的步骤S1中，各个设施的所述图像数据为全景摄像头采集的该设施的全景图像数据，根据所述全景图像数据生成该设施的三维实景场景用于管控时的直观显示，且各个预警结果在其对应的设施的三维实景场景中显示。
需要注意的是，各个设施的周围环境数据包括但不限于温度、湿度、风速、雨雪等可能影响无人值守收费站正常使用的周围环境因素，所述周围环境数据均由设置于各个设施周围的相应的传感器获取，包括但不限于温度传感器、湿度传感器、风速传感器和雨雪传感器等。
各个传感器采集的各个设施的的预处理包括依次经过放大、信号调理和模数转换得到周围环境数据的电信号。图像数据在图像识别中的预处理为本领域技术人员的惯用技术手段，在本实施例中采用常规的预处理方法，此处不做赘述。
在本公开一个或多个实施例的步骤S2中，所述得到设施图像预警结果的具体步骤包括：
步骤S21：采用归一化的交叉相关性法将图像数据与存储的相同角度的原始图像数据进行比对，得到不匹配区域；
步骤S22：采用训练好的卷积神经网络识别图像数据中的车辆和人员，并排除不匹配区域中车辆与人员出现的区域，得到疑似故障的设施图像预警结果。
在步骤S21中，采用归一化的交叉相关性法将图像数据与存储的相同角度的原始图像数据进行比对的具体步骤包括：
步骤S211：预计算接收的预处理后的图像数据和存储的相同角度的原始图像数据的积分图：
步骤S212：根据接收的窗口半径大小使用积分图完成归一化的交叉相关性计算；
步骤S213：根据预设阈值得到不匹配区域；
步骤S214：输出比对后的不匹配区域结果。
在步骤S22中，所述卷积神经网络采用SSD网络，得到训练好的所述SSD网络的具体步骤包括：
步骤S221：获取现有的收费站视频图像数据集，进行数据预处理，提取视频帧得到图片数据；
步骤S222：接收车辆与人员标注指令对图片数据进行标注，形成训练集、验证集和测试集；
步骤S223：将训练集和验证集输入SSD网络中进行训练和交叉验证；
步骤S224：通过测试集对SSD网络进行优化，得到训练好的所述SSD网络。
在本公开一个或多个实施例的步骤S3中，识别周围环境数据的训练好的循环神经网络采用收费站历史周围环境数据进行训练。
在本公开一个或多个实施例的步骤S4中，将图像预警结果与环境预警结果分别匹配不同权重计算设施实时预警结果。
在本公开一个或多个实施例的步骤S5中，通过各个预警结果关联设施维护方案，接收维护数据，完成无人值守收费站设施全生命周期的智能管控。
在本实施例中根据预警结果预设其对应的设施维护方案进行存储，在得到步骤S2的图像预警结果、步骤S3的环境预警结果和步骤S4的设施实时预警结果时，分别根据各个预警结果中的一个或多个查找数据库中存储的相对应的设施维护方案，下发至具体维护人员的客户端，具体维护人员到无人值守收费站进行相应设施维护后，将维护数据通过客户端上传，服务端接收维护数据，展示维护数据，完成无人值守收费站设施全生命周期的智能管控。
进一步地，该方法还包括：将接收的各个设施的图像数据、周围环境数据分别存储为其相应的历史数据库，并利用历史数据库中无人值守收费站真实的图像数据、周围环境数据训练相对应的神经网络，对神经网络进行更新。
对于收费站中的机电设施，包括但不限于自助发卡机系统、ETC收费系统、自动缴费机系统、智能稽查防逃系统及卡口防逃系统中的各个设施。如图3所示，其智能管控方法包括：
步骤S1：接收收费站各个机电设施的图像数据、周围环境数据、状态数据和/或业务数据，并对图像数据、周围环境数据和状态数据进行预处理；
步骤S2：将图像数据与存储的原始图像数据进行比对，并排除采用训练好的卷积神经网络识别图像数据中的车辆和人员，得到设施图像预警结果；
步骤S3：将周围环境数据采用训练好的循环神经网络识别，得到环境预警结果；将状态数据和/或业务数据分别采用训练好的循环神经网络识别，得到状态预警结果和/或业务预警结果；
步骤S4：将图像预警结果与环境预警结果、状态预警结果和/或业务预警结果综合分析得到设施实时预警结果；
步骤S5：通过各个预警结果关联设施维护方案，接收维护数据，完成无人值守收费站设施全生命周期的智能管控。
在本实施例中，收费站的机电设施的智能管控方法步骤S1对图像数据和周围环境数据的处理、步骤S2和步骤S3中对周围环境数据的识别与收费站的机械设施的智能管控方法一致，在此处不做赘述。
在本实施例收费站的机电设施的智能管控方法步骤S1中，对于仅有状态数据的机电设施接收该机电设施的图像数据、周围环境数据和状态数据；例如ETC收费系统中的道闸，其仅有道闸工作的状态数据，不存在业务数据；对于同时存在状态数据和业务数据的机电设施接收该机电设施的图像数据、周围环境数据、状态数据和业务数据，例如ETC收费系统中的RSU设施，其即有电流、电压等状态数据，还有与车载OBU设备交互的业务数据。
在本实施例收费站的机电设施的智能管控方法步骤S3中，分别识别状态数据和业务数据的训练好的循环神经网络采用接收的无人值守收费站状态数据或业务数据对循环神经网络进行迁移学习。
在本实施例收费站的机电设施的智能管控方法步骤S4中，将图像预警结果与环境预警结果、状态预警结果和/或业务预警结果分别匹配不同权重计算设施实时预警结果。
在本公开一个或多个实施例的步骤S5中，通过各个预警结果关联设施维护方案，接收维护数据，完成无人值守收费站设施全生命周期的智能管控。
在本实施例中根据预警结果预设其对应的设施维护方案进行存储，在得到步骤S2的图像预警结果、步骤S3的环境预警结果和步骤S4的设施实时预警结果时，分别根据各个预警结果中的一个或多个查找数据库中存储的相对应的设施维护方案，下发至具体维护人员的客户端，具体维护人员到无人值守收费站进行相应设施维护后，将维护数据通过客户端上传，服务端接收维护数据，展示维护数据，完成无人值守收费站设施全生命周期的智能管控。
进一步地，该方法还包括：将接收的各个设施的图像数据、周围环境数据、状态数据和/或业务数据分别存储为其相应的历史数据库，并利用历史数据库中无人值守收费站真实的图像数据、周围环境数据、状态数据和/或业务数据训练相对应的神经网络，对神经网络进行更新。
进一步地，该方法还包括：将至少两种设施各自中的至少一种预警结果分别输入神经网络模型中处理，得到设施实时预警结果。
在本实施例中，将机电设施的图像预警结果与环境预警结果、状态预警结果和/或业务预警结果中至少一种预警结果和与其有影响的另一种机电设施的图像预警结果与环境预警结果、状态预警结果和/或业务预警结果中至少一种预警结果分别输入神经网络模型中处理，得到设施实时预警结果。例如，将ETC收费系统中的道闸的图像预警结果和状态预警结果，与ETC收费系统中的RSU设施的图像预警结果、状态预警结果和业务预警结果共同输入神经网络模型中处理，得到设施实时预警结果。
在本实施例中，通过神经网络将机电设施的图像预警结果与环境预警结果、状态预警结果和/或业务预警结果中至少一种预警结果和与其有影响的另一种机电设施的图像预警结果与环境预警结果、状态预警结果和/或业务预警结果中至少一种预警结果拟合来预测机电设施的设施实时预警结果，本实施例解决了现有的利用单一设施和单一数据预测故障准确率低的问题，本实施例通过神经网络将不同机电设施之间的影响考虑在内，有效提高了准确性，能够更准确的预测无人值守收费站中的机电设施是否会发生故障。
实施例二
根据本公开的一个或多个实施例的一个方面，提供一种计算机可读存储介质。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设施的处理器加载并执行所述的一种高速公路无人值守收费站设施智能管控方法。
实施例三
根据本公开的一个或多个实施例的一个方面，提供一种终端设施。
一种终端设施，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种高速公路无人值守收费站设施智能管控方法。
这些计算机可执行指令在设施中运行时使得该设施执行根据本公开中的各个实施例所描述的方法或过程。
在本实施例中，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。计算机可读存储介质可以是可以保持和存储由指令执行设施使用的指令的有形设施。计算机可读存储介质例如可以是——但不限于——电存储设施、磁存储设施、光存储设施、电磁存储设施、半导体存储设施或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设施、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
本公开所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设施，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设施。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设施中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设施中的计算机可读存储介质中。
用于执行本公开内容操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言-诸如C++等，以及常规的过程式编程语言-诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络一包括局域网(LAN)或广域网(WAN)一连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开内容的各个方面。
实施例四
根据本公开的一个或多个实施例的一个方面，提供一种高速公路无人值守收费站设施智能管控装置。
一种高速公路无人值守收费站设施智能管控装置，基于所述的一种高速公路无人值守收费站设施智能管控方法，包括：
数据获取模块，被配置为接收收费站各个设施的图像数据、周围环境数据、状态数据和/或业务数据，并对图像数据、周围环境数据和状态数据进行预处理；
实时诊断模块，被配置为将图像数据与存储的原始图像数据进行比对，并排除采用训练好的卷积神经网络识别图像数据中的车辆和人员，得到设施图像预警结果；将周围环境数据采用训练好的循环神经网络识别，得到环境预警结果；和/或将状态数据和/或业务数据分别采用训练好的循环神经网络识别，得到状态预警结果和/或业务预警结果；将图像预警结果与环境预警结果、状态预警结果和/或业务预警结果综合分析得到设施实时预警结果；
智能管控模块，被配置为通过各个预警结果关联设施维护方案，接收维护数据，完成无人值守收费站设施全生命周期的智能管控。
以上实施例二、三、四装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种高速公路无人值守收费站设施智能管控方法，其特征在于，该方法包括：
接收收费站各个设施的图像数据、周围环境数据、状态数据和/或业务数据，并对图像数据、周围环境数据和状态数据进行预处理；
将图像数据与存储的原始图像数据进行比对，并排除采用训练好的卷积神经网络识别图像数据中的车辆和人员，得到设施图像预警结果；
将周围环境数据采用训练好的循环神经网络识别，得到环境预警结果；和/或将状态数据和/或业务数据分别采用训练好的循环神经网络识别，得到状态预警结果和/或业务预警结果；
将图像预警结果与环境预警结果、状态预警结果和/或业务预警结果综合分析得到设施实时预警结果；
通过各个预警结果关联设施维护方案，接收维护数据，完成无人值守收费站设施全生命周期的智能管控。
2.如权利要求1所述的一种高速公路无人值守收费站设施智能管控方法，其特征在于，该方法中，各个设施的所述图像数据为全景摄像头采集的该设施的全景图像数据，根据所述全景图像数据生成该设施的三维实景场景用于管控时的直观显示，且各个预警结果在其对应的设施的三维实景场景中显示。
3.如权利要求1所述的一种高速公路无人值守收费站设施智能管控方法，其特征在于，该方法中，所述得到设施图像预警结果的具体步骤包括：
采用归一化的交叉相关性法将图像数据与存储的相同角度的原始图像数据进行比对，得到不匹配区域；
采用训练好的卷积神经网络识别图像数据中的车辆和人员，并排除不匹配区域中车辆与人员出现的区域，得到疑似故障的设施图像预警结果。
4.如权利要求1所述的一种高速公路无人值守收费站设施智能管控方法，其特征在于，该方法中，识别周围环境数据的训练好的循环神经网络采用收费站历史周围环境数据进行训练；
分别识别状态数据和业务数据的训练好的循环神经网络采用接收的无人值守收费站状态数据或业务数据对循环神经网络进行迁移学习。
5.如权利要求1所述的一种高速公路无人值守收费站设施智能管控方法，其特征在于，该方法中，将图像预警结果与环境预警结果、状态预警结果和/或业务预警结果分别匹配不同权重计算设施实时预警结果。
6.如权利要求1所述的一种高速公路无人值守收费站设施智能管控方法，其特征在于，该方法还包括：将接收的各个设施的图像数据、周围环境数据、状态数据和/或业务数据分别存储为其相应的历史数据库，并利用历史数据库中无人值守收费站真实的图像数据、周围环境数据、状态数据和/或业务数据训练相对应的神经网络，对神经网络进行更新。
7.如权利要求1所述的一种高速公路无人值守收费站设施智能管控方法，其特征在于，该方法还包括：将至少两种设施各自中的至少一种预警结果分别输入神经网络模型中处理，得到设施实时预警结果。
8.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设施的处理器加载并执行如权利要求1-7任一项所述的一种高速公路无人值守收费站设施智能管控方法。
9.一种终端设施，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行如权利要求1-7任一项所述的一种高速公路无人值守收费站设施智能管控方法。
10.一种高速公路无人值守收费站设施智能管控装置，其特征在于，基于如权利要求1-7任一项所述的一种高速公路无人值守收费站设施智能管控方法，包括：
数据获取模块，被配置为接收收费站各个设施的图像数据、周围环境数据、状态数据和/或业务数据，并对图像数据、周围环境数据和状态数据进行预处理；
实时诊断模块，被配置为将图像数据与存储的原始图像数据进行比对，并排除采用训练好的卷积神经网络识别图像数据中的车辆和人员，得到设施图像预警结果；将周围环境数据采用训练好的循环神经网络识别，得到环境预警结果；和/或将状态数据和/或业务数据分别采用训练好的循环神经网络识别，得到状态预警结果和/或业务预警结果；将图像预警结果与环境预警结果、状态预警结果和/或业务预警结果综合分析得到设施实时预警结果；
智能管控模块，被配置为通过各个预警结果关联设施维护方案，接收维护数据，完成无人值守收费站设施全生命周期的智能管控。
CN201910929513.3A 2019-09-27 2019-09-27 一种高速公路无人值守收费站设施智能管控方法及系统 Pending CN110705452A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910929513.3A CN110705452A (zh) 2019-09-27 2019-09-27 一种高速公路无人值守收费站设施智能管控方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910929513.3A CN110705452A (zh) 2019-09-27 2019-09-27 一种高速公路无人值守收费站设施智能管控方法及系统

Publications (1)

Publication Number Publication Date
CN110705452A true CN110705452A (zh) 2020-01-17

Family

ID=69197923

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910929513.3A Pending CN110705452A (zh) 2019-09-27 2019-09-27 一种高速公路无人值守收费站设施智能管控方法及系统

Country Status (1)

Country Link
CN (1) CN110705452A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639604A (zh) * 2020-06-01 2020-09-08 江西憶源多媒体科技有限公司 一种社区秩序管理的预警方法及装置
CN112434950A (zh) * 2020-11-25 2021-03-02 云南省交通科学研究院有限公司 一种取消省界收费站货车计费调整风险评估的方法及用途
CN112541981A (zh) * 2020-11-03 2021-03-23 山东中创软件商用中间件股份有限公司 一种etc门架系统预警方法、装置、设备及介质
CN113051136A (zh) * 2021-04-20 2021-06-29 中国建设银行股份有限公司 无人值守设备的监控分析方法及装置
CN114928720A (zh) * 2022-05-13 2022-08-19 重庆云凯科技有限公司 一种停车道闸杆的状态的检测系统及方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101274636A (zh) * 2007-03-26 2008-10-01 林贵生 车载式轨道交通车辆运行状态智能监控和预警装置
CN106340205A (zh) * 2016-09-30 2017-01-18 广东中星微电子有限公司 交通监控方法及交通监控装置
CN106454250A (zh) * 2016-11-02 2017-02-22 北京弘恒科技有限公司 智能识别及预警处理的信息平台
CN106447584A (zh) * 2016-09-22 2017-02-22 东南大学 一种面向高速公路网络运营的决策支持系统及其使用方法
CN106681300A (zh) * 2016-12-14 2017-05-17 云南电网有限责任公司电力科学研究院 一种电力设备的数据聚类分析方法和系统
WO2018060687A1 (en) * 2016-09-27 2018-04-05 Downey Graham Anthony Improvements in alarm systems
CN108492584A (zh) * 2018-03-19 2018-09-04 中国电子科技集团公司第三十八研究所 一种基于智慧灯杆的交通事故警示方法及装置
CN108737577A (zh) * 2018-08-20 2018-11-02 山东润智能科技有限公司 医院设备安全立体监测云平台、系统及其方法
CN108961745A (zh) * 2018-06-14 2018-12-07 交通运输部公路科学研究所 一种高速公路行驶预警系统和方法
CN109066971A (zh) * 2018-07-26 2018-12-21 安徽南瑞继远电网技术有限公司 基于全站业务数据的变电站智能运检管控系统及方法
CN110009185A (zh) * 2019-02-21 2019-07-12 辽宁金晟科技股份有限公司 Ai调度指挥平台系统
CN209267614U (zh) * 2019-01-21 2019-08-16 北京聚利科技股份有限公司 车道设备远程监测系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101274636A (zh) * 2007-03-26 2008-10-01 林贵生 车载式轨道交通车辆运行状态智能监控和预警装置
CN106447584A (zh) * 2016-09-22 2017-02-22 东南大学 一种面向高速公路网络运营的决策支持系统及其使用方法
WO2018060687A1 (en) * 2016-09-27 2018-04-05 Downey Graham Anthony Improvements in alarm systems
CN106340205A (zh) * 2016-09-30 2017-01-18 广东中星微电子有限公司 交通监控方法及交通监控装置
CN106454250A (zh) * 2016-11-02 2017-02-22 北京弘恒科技有限公司 智能识别及预警处理的信息平台
CN106681300A (zh) * 2016-12-14 2017-05-17 云南电网有限责任公司电力科学研究院 一种电力设备的数据聚类分析方法和系统
CN108492584A (zh) * 2018-03-19 2018-09-04 中国电子科技集团公司第三十八研究所 一种基于智慧灯杆的交通事故警示方法及装置
CN108961745A (zh) * 2018-06-14 2018-12-07 交通运输部公路科学研究所 一种高速公路行驶预警系统和方法
CN109066971A (zh) * 2018-07-26 2018-12-21 安徽南瑞继远电网技术有限公司 基于全站业务数据的变电站智能运检管控系统及方法
CN108737577A (zh) * 2018-08-20 2018-11-02 山东润智能科技有限公司 医院设备安全立体监测云平台、系统及其方法
CN209267614U (zh) * 2019-01-21 2019-08-16 北京聚利科技股份有限公司 车道设备远程监测系统
CN110009185A (zh) * 2019-02-21 2019-07-12 辽宁金晟科技股份有限公司 Ai调度指挥平台系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
LIU等: "Estimation of Extreme Value Vehicle Load Based on the Extended Burr XII Distribution", 《KSCE J CIV ENG 》 *
MIRIAM BELLOC-SANTALIESTRA 等: "Occupational exposure assessment of highway toll station workers to vehicle engine exhaust", 《J OCCUP ENVIRON HYG 》 *
杨孟尚: "基于车牌识别技术的高速公路无卡通行模式的探讨", 《公路交通科技(应用技术版)》 *
杨浩: "基于物联网技术的智能交通智慧运维系统", 《万方》 *
柴龙: "基于DSRC设备的ETC车道系统软件设计", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑 》 *
陈明: "高速公路路网运行监控管理系统的设计与实现", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639604A (zh) * 2020-06-01 2020-09-08 江西憶源多媒体科技有限公司 一种社区秩序管理的预警方法及装置
CN111639604B (zh) * 2020-06-01 2022-09-23 江西憶源多媒体科技有限公司 一种社区秩序管理的预警方法及装置
CN112541981A (zh) * 2020-11-03 2021-03-23 山东中创软件商用中间件股份有限公司 一种etc门架系统预警方法、装置、设备及介质
CN112541981B (zh) * 2020-11-03 2022-07-22 山东中创软件商用中间件股份有限公司 一种etc门架系统预警方法、装置、设备及介质
CN112434950A (zh) * 2020-11-25 2021-03-02 云南省交通科学研究院有限公司 一种取消省界收费站货车计费调整风险评估的方法及用途
CN112434950B (zh) * 2020-11-25 2023-06-23 云南省交通科学研究院有限公司 一种取消省界收费站货车计费调整风险评估的方法及用途
CN113051136A (zh) * 2021-04-20 2021-06-29 中国建设银行股份有限公司 无人值守设备的监控分析方法及装置
CN114928720A (zh) * 2022-05-13 2022-08-19 重庆云凯科技有限公司 一种停车道闸杆的状态的检测系统及方法

Similar Documents

Publication Publication Date Title
CN110705452A (zh) 一种高速公路无人值守收费站设施智能管控方法及系统
CN110390262B (zh) 视频分析方法、装置、服务器及存储介质
CN109285376A (zh) 一种基于深度学习的公交车客流统计分析系统
CN108021858A (zh) 移动客体识别方法及客体流量分析方法
CN110619747A (zh) 一种高速公路道路智能监控方法及系统
CN108898520B (zh) 基于轨迹数据的学生安全监控方法和系统
CN107316006A (zh) 一种道路障碍物检测的方法和系统
CN111859291A (zh) 交通事故识别方法、装置、设备和计算机存储介质
CN110263623B (zh) 列车攀爬监测方法、装置、终端及存储介质
US11829959B1 (en) System and methods for fully autonomous potholes detection and road repair determination
CN113034894A (zh) 一种etc门架系统、高速公路路段封闭预警方法及装置
CN112101272A (zh) 交通灯检测的方法、装置、计算机存储介质和路侧设备
CN113799793A (zh) 一种基于数据驱动的实现预测模型自动化迭代的系统
CN109934161B (zh) 基于卷积神经网络的车辆识别与检测方法及系统
KR102562757B1 (ko) 노면표시 정보의 예측 및 인식방법 및 도로 유지관리 방법
CN117710764A (zh) 多任务感知网络的训练方法、设备及介质
CN111757272A (zh) 地铁拥堵程度的预测方法、模型训练方法和装置
CN117172461A (zh) 自动驾驶公交调度系统及基于客流预测的公交调度方法
CN116989809A (zh) 导航信息更新方法、装置、电子设备及存储介质
Sharma et al. Deep Learning-Based Object Detection and Classification for Autonomous Vehicles in Different Weather Scenarios of Quebec, Canada
CN111209979A (zh) 监控车辆电压的方法、装置及电子设备
Kedwan Traffic light timer adjustment system using threshold edge detection for image processing: A software engineering approach
CN116311157A (zh) 障碍物识别方法、障碍物识别模型训练方法
Iparraguirre et al. Road marking damage detection based on deep learning for infrastructure evaluation in emerging autonomous driving
CN114979204A (zh) 一种高速公路运营管理数字化管控平台

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200117

WD01 Invention patent application deemed withdrawn after publication