CN111159439A - 一种基于深度学习交通数据采集分析方法 - Google Patents
一种基于深度学习交通数据采集分析方法 Download PDFInfo
- Publication number
- CN111159439A CN111159439A CN201911305861.XA CN201911305861A CN111159439A CN 111159439 A CN111159439 A CN 111159439A CN 201911305861 A CN201911305861 A CN 201911305861A CN 111159439 A CN111159439 A CN 111159439A
- Authority
- CN
- China
- Prior art keywords
- module
- vehicle
- picture
- result
- data acquisition
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 30
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000003384 imaging method Methods 0.000 claims abstract description 21
- 230000006399 behavior Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000002457 bidirectional effect Effects 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 230000009471 action Effects 0.000 description 8
- 238000005259 measurement Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
- G01S17/42—Simultaneous measurement of distance and other co-ordinates
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/50—Systems of measurement based on relative movement of target
- G01S17/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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—Systems or methods specially adapted for 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
Abstract
本发明公开了一种基于深度学习交通数据采集分析方法，具体包括以下步骤：S1、激光雷达成像模块对行驶中的车辆进行扫描，同时对扫描到的车辆进行测定，S2、判断车辆是否超速，并且判断该路段是否堵车，S3、获取图片并分析，S4、判断车辆是否携带违规物品或超载，S4、对结果进行存储，或通知工作人员处理违法行为及堵车现象等，本发明涉及数据采集分析技术领域。该基于深度学习交通数据采集分析方法，利用激光雷达成像技术，可以判断出车辆是否有超速、超载等违法行为，能够避免出现违法行为无法查处的现象，同时能够获取车辆的行驶轨迹，并且能够自行判定该路段是否堵车，并通知工作人员及时处理，实用性较高。
Description
技术领域
本发明涉及数据采集分析技术领域，具体为一种基于深度学习交通数据采集分析方法。
背景技术
成像激光雷达是激光技术、雷达技术、光学扫描及控制技术、高灵敏度探测技术及高速计算机处理技术的综合新技术产物，成像激光雷达可采用多种工作体制,如采用单元探测器的扫描成像与采用阵列探测器的非扫描成像，采用单元探测器的扫描成像作用距离可以很远,但是成像速率会受到一定的限制；采用阵列探测器的非扫描成像激光雷达可以以很高的速率成像,但是需要泛光照射目标,所以作用距离不会太远，目前,可用于激光雷达的扫描器可分为三种:力学、电学和二元光学扫描器，由于其具有较高的角度分辨率和距离分辨率,可以同时成目标的强度像和距离像,还可以成高分辨率的三维图像，成像激光雷达是激光雷达对硬目标探测的一种综合应用,其中结合了测角,测距,测速等多种激光雷达功能，激光雷达的应用十分广泛,已从地面发展到空中,从空中发展到太空,从陆地发展到海面,从海面发展到水下,并涉及到多个学科领域。
现有的交通数据在即一般依靠人力结合监控录像的方式去完成，工作人员通过实地路面考察或者查看监控录像来获得行驶车辆的具体信息，工作量较大，为交通数据采集带来不便，且难免会有部分违法行为无法被识别或查处，可靠性较差。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于深度学习交通数据采集分析方法，解决了人力结合监控采集交通数据工作量较大，且部分违法行为无法被查处，可靠性较差的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于深度学习交通数据采集分析方法，具体包括以下步骤：
S1、激光雷达成像模块对行驶中的车辆进行扫描，同时对扫描到的车辆进行测定，从而获得车辆的速度、方位、高度信息；
S2、步骤S1中测得的车辆的速度、方位、高度信息传递到数据处理模块，对数据进行分类和整理，处理后的信息传递到数据分析模块对数据进行分析，得到固定时间内通过车辆的数量，并且对车辆的行驶速度进行分析，然后分析结果传递到结果判定模块，判断车辆是否有超速、闯红灯的违法行为，并且判断该路段是否有堵车现象，然后将判定结果传递到反馈模块；
S3、图片获取模块从步骤S1中对车辆扫描的过程中获取车辆外观图片，及车辆内部物品、乘坐人员图片，然后图片采集模块挑选出清晰度较高的图片，并通过图片分析模块对图片进行分析，然后将分析结果传递到图片整理模块，将重复的图片删除，并对剩余的图片进行分类；
S4、特征提取模块根据车辆的特征信息提取出车辆的具体信息，并将信息传递到特征对比模块，特征对比模块对整理出的图片信息与提取出的车辆信息进行对比，判断车辆是否有携带违规物品或超载的违法行为，并将结果传递到反馈模块；
S4、反馈模块将步骤S2及步骤S4中的结果反馈给中央处理系统，若经过车辆并无违法行为，中央处理系统将判定结果直接存储到存储模块中，若经过的车辆发生了违法行为，中央处理系统会将结果通过无线信号收发模块发送到移动终端，提醒警务人员及时进行处理。
优选的，所述激光雷达成像模块包括激光扫描模块和激光雷达，并且激光雷达成像模块的输出端通过导线分别与图片获取模块和数据处理模块的输入端电性连接，激光扫描模块利用激光测距和角度自动记录装置真实再现被测物体色彩和三维立体景观，能够快速获取真三维数字模型，利用相关软件可获得各种数据和图形，激光雷达，是以发射激光束探测目标的位置、速度等特征量的雷达系统，其工作原理是向目标发射探测信号(激光束),然后将接收到的从目标反射回来的信号(目标回波)与发射信号进行比较,作适当处理后,就可获得目标的有关信息,如目标距离、方位、高度、速度、姿态、甚至形状等参数，从而对目标进行探测、跟踪和识别。
优选的，所述中央处理系统通过无线与无线信号收发模块实现双向连接，并且无线信号收发模块通过无线与移动终端实现双向连接，中央处理系统即中央处理器，其型号为ARM9。
优选的，所述图片整理模块的输出端通过导线与特征对比模块的输入端带粘性连接，所述特征对比模块和结果判定模块的输出端均通过导线与结果反馈模块的输入端电性连接，并且结果反馈模块的输出端通过导线与中央处理系统的输入端电性连接。
优选的，所述中央处理系统通过导线与存储模块实现双向连接，并且存储模块的输出端通过导线与特征提取模块的输入端电性连接，使用者能够通过移动终端对系统内存储的信息进行查看，且能够对中央处理系统发出质量，控制该系统的启动和关闭。
优选的，所述特征提取模块的输出端通过导线与特征对比模块的输入端电性连接。
(三)有益效果
本发明提供了一种基于深度学习交通数据采集分析方法。与现有技术相比具备以下有益效果：该基于深度学习交通数据采集分析方法，具体包括以下步骤：S1、激光雷达成像模块对行驶中的车辆进行扫描，同时对扫描到的车辆进行测定，从而获得车辆的速度、方位、高度信息；S2、步骤S1中测得的车辆的速度、方位、高度信息传递到数据处理模块，对数据进行分类和整理，处理后的信息传递到数据分析模块对数据进行分析，得到固定时间内通过车辆的数量，并且对车辆的行驶速度进行分析，然后分析结果传递到结果判定模块，判断车辆是否有超速、闯红灯的违法行为，并且判断该路段是否有堵车现象，然后将判定结果传递到反馈模块；S3、图片获取模块从步骤S1中对车辆扫描的过程中获取车辆外观图片，及车辆内部物品、乘坐人员图片，然后图片采集模块挑选出清晰度较高的图片，并通过图片分析模块对图片进行分析，然后将分析结果传递到图片整理模块，将重复的图片删除，并对剩余的图片进行分类；S4、特征提取模块根据车辆的特征信息提取出车辆的具体信息，并将信息传递到特征对比模块，特征对比模块对整理出的图片信息与提取出的车辆信息进行对比，判断车辆是否有携带违规物品或超载的违法行为，并将结果传递到反馈模块；S4、反馈模块将步骤S2及步骤S4中的结果反馈给中央处理系统，若经过车辆并无违法行为，中央处理系统将判定结果直接存储到存储模块中，若经过的车辆发生了违法行为，中央处理系统会将结果通过无线信号收发模块发送到移动终端，提醒警务人员及时进行处理，通过利用激光雷达成像技术，实时对行驶车辆进行扫描及检测，能够获取行驶车辆的行驶速度，且能够与系统中的车辆特征信息进行对比，可以判断出车辆是否有超速、超载、携带违规物品等违法行为，能够有效避免出现违法行为无法查处的现象，同时，若干个系统之间信息共享，能够获取车辆的行驶轨迹，结合测得的车辆的行驶速度自行判定该路段是否有堵车现象，并通知工作人员及时处理，实用性较高。
附图说明
图1为本发明系统的结构原理框图；
图2为本发明激光雷达成像模块的结构原理框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
请参阅图1-2，本发明实施例提供一种技术方案：一种基于深度学习交通数据采集分析方法，具体包括以下步骤：
S1、激光雷达成像模块对行驶中的车辆进行扫描，同时对扫描到的车辆进行测定，从而获得车辆的速度、方位、高度信息；
S2、步骤S1中测得的车辆的速度、方位、高度信息传递到数据处理模块，对数据进行分类和整理，处理后的信息传递到数据分析模块对数据进行分析，得到固定时间内通过车辆的数量，并且对车辆的行驶速度进行分析，然后分析结果传递到结果判定模块，判断车辆是否有超速、闯红灯的违法行为，并且判断该路段是否有堵车现象，然后将判定结果传递到反馈模块；
S3、图片获取模块从步骤S1中对车辆扫描的过程中获取车辆外观图片，及车辆内部物品、乘坐人员图片，然后图片采集模块挑选出清晰度较高的图片，并通过图片分析模块对图片进行分析，然后将分析结果传递到图片整理模块，将重复的图片删除，并对剩余的图片进行分类；
S4、特征提取模块根据车辆的特征信息提取出车辆的具体信息，并将信息传递到特征对比模块，特征对比模块对整理出的图片信息与提取出的车辆信息进行对比，判断车辆是否有携带违规物品或超载的违法行为，并将结果传递到反馈模块；
S4、反馈模块将步骤S2及步骤S4中的结果反馈给中央处理系统，若经过车辆并无违法行为，中央处理系统将判定结果直接存储到存储模块中，若经过的车辆发生了违法行为，中央处理系统会将结果通过无线信号收发模块发送到移动终端，提醒警务人员及时进行处理。
本发明中，激光雷达成像模块包括激光扫描模块和激光雷达，并且激光雷达成像模块的输出端通过导线分别与图片获取模块和数据处理模块的输入端电性连接。
本发明中，中央处理系统通过无线与无线信号收发模块实现双向连接，并且无线信号收发模块通过无线与移动终端实现双向连接。
本发明中，图片整理模块的输出端通过导线与特征对比模块的输入端带粘性连接，特征对比模块和结果判定模块的输出端均通过导线与结果反馈模块的输入端电性连接，并且结果反馈模块的输出端通过导线与中央处理系统的输入端电性连接。
本发明中，中央处理系统通过导线与存储模块实现双向连接，并且存储模块的输出端通过导线与特征提取模块的输入端电性连接。
本发明中，特征提取模块的输出端通过导线与特征对比模块的输入端电性连接。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种基于深度学习交通数据采集分析方法，其特征在于：具体包括以下步骤：
S1、激光雷达成像模块对行驶中的车辆进行扫描，同时对扫描到的车辆进行测定，从而获得车辆的速度、方位、高度信息；
S2、步骤S1中测得的车辆的速度、方位、高度信息传递到数据处理模块，对数据进行分类和整理，处理后的信息传递到数据分析模块对数据进行分析，得到固定时间内通过车辆的数量，并且对车辆的行驶速度进行分析，然后分析结果传递到结果判定模块，判断车辆是否有超速、闯红灯的违法行为，并且判断该路段是否有堵车现象，然后将判定结果传递到反馈模块；
S3、图片获取模块从步骤S1中对车辆扫描的过程中获取车辆外观图片，及车辆内部物品、乘坐人员图片，然后图片采集模块挑选出清晰度较高的图片，并通过图片分析模块对图片进行分析，然后将分析结果传递到图片整理模块，将重复的图片删除，并对剩余的图片进行分类；
S4、特征提取模块根据车辆的特征信息提取出车辆的具体信息，并将信息传递到特征对比模块，特征对比模块对整理出的图片信息与提取出的车辆信息进行对比，判断车辆是否有携带违规物品或超载的违法行为，并将结果传递到反馈模块；
S4、反馈模块将步骤S2及步骤S4中的结果反馈给中央处理系统，若经过车辆并无违法行为，中央处理系统将判定结果直接存储到存储模块中，若经过的车辆发生了违法行为，中央处理系统会将结果通过无线信号收发模块发送到移动终端，提醒警务人员及时进行处理。
2.根据权利要求1所述的一种基于深度学习交通数据采集分析方法，其特征在于：所述激光雷达成像模块包括激光扫描模块和激光雷达，并且激光雷达成像模块的输出端通过导线分别与图片获取模块和数据处理模块的输入端电性连接。
3.根据权利要求1所述的一种基于深度学习交通数据采集分析方法，其特征在于：所述中央处理系统通过无线与无线信号收发模块实现双向连接，并且无线信号收发模块通过无线与移动终端实现双向连接。
4.根据权利要求1所述的一种基于深度学习交通数据采集分析方法，其特征在于：所述图片整理模块的输出端通过导线与特征对比模块的输入端带粘性连接，所述特征对比模块和结果判定模块的输出端均通过导线与结果反馈模块的输入端电性连接，并且结果反馈模块的输出端通过导线与中央处理系统的输入端电性连接。
5.根据权利要求1所述的一种基于深度学习交通数据采集分析方法，其特征在于：所述中央处理系统通过导线与存储模块实现双向连接，并且存储模块的输出端通过导线与特征提取模块的输入端电性连接。
6.根据权利要求1所述的一种基于深度学习交通数据采集分析方法，其特征在于：所述特征提取模块的输出端通过导线与特征对比模块的输入端电性连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911305861.XA CN111159439A (zh) | 2019-12-17 | 2019-12-17 | 一种基于深度学习交通数据采集分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911305861.XA CN111159439A (zh) | 2019-12-17 | 2019-12-17 | 一种基于深度学习交通数据采集分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111159439A true CN111159439A (zh) | 2020-05-15 |
Family
ID=70557567
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911305861.XA Pending CN111159439A (zh) | 2019-12-17 | 2019-12-17 | 一种基于深度学习交通数据采集分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111159439A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102592457A (zh) * | 2012-02-13 | 2012-07-18 | 山东鼎讯智能交通科技有限公司 | 基于物联网技术的复合型区间测速系统及方法 |
| US20120287278A1 (en) * | 2011-05-15 | 2012-11-15 | Robert Danis | Traffic Violation Photo Enforcement System |
| US20130076906A1 (en) * | 2008-09-22 | 2013-03-28 | Leigh M. Rothschild | Traffic citation delivery based on type of traffic infraction |
| CN104282154A (zh) * | 2014-10-29 | 2015-01-14 | 合肥指南针电子科技有限责任公司 | 一种车辆超载监控系统及方法 |
| CN105719482A (zh) * | 2016-04-20 | 2016-06-29 | 太原市高远时代科技有限公司 | 动态车辆信息采集装置 |
| CN108648462A (zh) * | 2018-05-10 | 2018-10-12 | 芜湖航飞科技股份有限公司 | 一种基于雷达和视觉信息相融合的车辆识别方法 |
| CN108919256A (zh) * | 2018-07-24 | 2018-11-30 | 河北德冠隆电子科技有限公司 | 四维实景交通仿真车辆超速全程跟踪检测报警系统及方法 |
| CN109191857A (zh) * | 2018-09-12 | 2019-01-11 | 安徽磐岳科技有限公司 | 一种基于大数据的智慧交通管理系统 |
-
2019
- 2019-12-17 CN CN201911305861.XA patent/CN111159439A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130076906A1 (en) * | 2008-09-22 | 2013-03-28 | Leigh M. Rothschild | Traffic citation delivery based on type of traffic infraction |
| US20120287278A1 (en) * | 2011-05-15 | 2012-11-15 | Robert Danis | Traffic Violation Photo Enforcement System |
| CN102592457A (zh) * | 2012-02-13 | 2012-07-18 | 山东鼎讯智能交通科技有限公司 | 基于物联网技术的复合型区间测速系统及方法 |
| CN104282154A (zh) * | 2014-10-29 | 2015-01-14 | 合肥指南针电子科技有限责任公司 | 一种车辆超载监控系统及方法 |
| CN105719482A (zh) * | 2016-04-20 | 2016-06-29 | 太原市高远时代科技有限公司 | 动态车辆信息采集装置 |
| CN108648462A (zh) * | 2018-05-10 | 2018-10-12 | 芜湖航飞科技股份有限公司 | 一种基于雷达和视觉信息相融合的车辆识别方法 |
| CN108919256A (zh) * | 2018-07-24 | 2018-11-30 | 河北德冠隆电子科技有限公司 | 四维实景交通仿真车辆超速全程跟踪检测报警系统及方法 |
| CN109191857A (zh) * | 2018-09-12 | 2019-01-11 | 安徽磐岳科技有限公司 | 一种基于大数据的智慧交通管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103646250B (zh) | 基于距离图像头肩特征的行人监测方法及装置 | |
| US20180372621A1 (en) | System and assessment of reflective objects along a roadway | |
| US8665454B2 (en) | Laser rangefinder sensor | |
| CN111045000A (zh) | 监测系统和方法 | |
| CN102435173B (zh) | 一种基于机器视觉的隧道病害快速调查系统及调查方法 | |
| JP4035910B2 (ja) | 車色判別装置 | |
| GB2511612A (en) | Apparatus and method for detecting vehicle weave | |
| CN201233223Y (zh) | 一种木材自动监管系统 | |
| US20030063006A1 (en) | Spill detector based on machine-imageing | |
| CN114445803A (zh) | 驾驶数据的处理方法、装置及电子设备 | |
| WO2020105527A1 (ja) | 画像解析装置、画像解析システム、および制御プログラム | |
| CN102141372A (zh) | 基于测量光栅的运输车违规装载检测装置及方法 | |
| CN115083088A (zh) | 铁路周界入侵预警方法 | |
| CN113869196B (zh) | 一种基于激光点云数据多特征分析的车型分类方法及装置 | |
| CN111526352B (zh) | 铁路异物防侵三维智能识别机器人设备 | |
| CN111159439A (zh) | 一种基于深度学习交通数据采集分析方法 | |
| CN208224511U (zh) | 车辆扫描系统 | |
| CN116989881A (zh) | 一种基于线激光目标识别的接触线振动测量系统及方法 | |
| CN116935551A (zh) | 周界入侵检测方法、系统、设备及存储介质 | |
| CN208255438U (zh) | 车辆底盘扫描装置 | |
| CN111046765B (zh) | 一种用于高铁的危险预警方法和系统 | |
| JP7176364B2 (ja) | 距離情報取得装置および距離情報取得方法 | |
| CN211347924U (zh) | 一种光路垂直分布的道路柴油货车尾气遥测系统 | |
| KR100479905B1 (ko) | 차량 식별 기기 및 이를 채용한 차량 식별 시스템 | |
| CN220317335U (zh) | 一种接触网作业车回转升降平台保护装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200515 |
|
| RJ01 | Rejection of invention patent application after publication |