CN111753662A - 一种交通事故处理方法、设备及介质 - Google Patents
一种交通事故处理方法、设备及介质 Download PDFInfo
- Publication number
- CN111753662A CN111753662A CN202010450688.9A CN202010450688A CN111753662A CN 111753662 A CN111753662 A CN 111753662A CN 202010450688 A CN202010450688 A CN 202010450688A CN 111753662 A CN111753662 A CN 111753662A
- Authority
- CN
- China
- Prior art keywords
- traffic accident
- image data
- detection model
- data
- layer
- 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
Images
Classifications
-
- 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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种交通事故处理方法、设备及介质,包括:将获取的图像数据输入到预先训练的交通事故检测模型,确定出所述图像数据对应的检测结果;根据所述图像数据对应的检测结果,判断所述图像数据对应地点是否发生交通事故;在判断出所述图像数据对应地点发生交通事故,生成交通事故数据,并将所述交通事故数据发送至监控节点,以便监控节点根据所述交通事故数据做出对应处理。本申请实施例通过交通事故检测模型检测出是否发生交通事故,并将交通事故数据发送至监控节点,可以及时得解决临时发生的交通事故,可以有效的避免更严重的后果。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种交通事故处理方法、设备及介质。
背景技术
随着人们生活水平的提高,人们出行的次数也越来越多,这就使得道路交通的车流量比较大,发生交通事故的频率也就越来越高。
在现有技术中,若是发生交通事故,需要知情者打电话通知交警处理,若是通知不及时可能会导致更严重的后果。
发明内容
有鉴于此,本申请实施例提供了一种交通事故处理方法、设备及介质,用于解决现有技术中缺乏更好的方式处理交通事故的问题。
本申请实施例采用下述技术方案:
本申请实施例提供一种交通事故处理方法,所述方法包括:
将获取的图像数据输入到预先训练的交通事故检测模型,确定出所述图像数据对应的检测结果;
根据所述图像数据对应的检测结果,判断所述图像数据对应地点是否发生交通事故;
在判断出所述图像数据对应地点发生交通事故,生成交通事故数据,并将所述交通事故数据发送至监控节点,以便监控节点根据所述交通事故数据做出对应处理。
进一步的,所述交通事故数据包括交通事故发生的时间、交通事故发生的地点以及交通事故的图像。
进一步的,所述将获取的图像数据输入到预先训练的交通事故检测模型之前,所述方法还包括:
对所述图像数据进行预处理操作,其中,所述预处理操作包括归一化、降噪、二值化以及字符切分中一种或多种。
进一步的,所述将获取的图像数据输入到预先训练的交通事故检测模型之前,所述方法还包括:
获取样本集,其中,所述样本集包括多个没发生交通事故的图像与多个发生交通事故的图像;
根据所述样本集中的图像是否发生交通事故,对所述样本集中的图像进行标记;
建立初始的交通事故检测模型;
根据标记后的样本集训练所述初始的交通事故检测模型,得出符合预设条件的交通事故检测模型。
进一步的,所述根据标记后的样本集训练所述初始的交通事故检测模型,得出符合预设条件的交通事故检测模型,具体包括:
将标记后的样本集按照预先设定的比例划分为训练测试集与验证集;
根据第一预设方式对所述训练测试集进行验证,并将第一预设比例的所述训练测试集划分为测试集,将第二预设比例的所述训练测试集划分为训练集;
根据所述训练集与所述测试集训练所述初始的交通事故检测模型,得出多个预选的交通事故检测模型;
根据第二预设方式,在所述多个预选的交通事故检测模型筛选出第一交通事故检测模型;
将所述验证集输入至所述第一交通事故检测模型,并根据代价函数确定出第一交通事故检测模型的代价值;
若所述代价值处于预设阈值,所述第一交通事故检测模型为符合条件的交通事故检测模型。
进一步的,所述第一预设方式为十折交叉验证法,所述第二预设方式为投票法,所述代价函数为softmax函数。
进一步的,所述交通事故检测模型包括多个卷积层、多个池化层与多个全连接层。
进一步的,所述交通事故检测模型具体包括:
第一层由一层3x3x32/1的卷积层和一层2x2/2的最大池化层组成;
第二层由一层3x3x64/1的卷积层和一层2x2/2的池化层组成;
第三层为一层3x3x128/1的卷积层;
第四层由一层1x1x64的卷积层、一层3x3x128/1的卷积层和2x2/2的池化层组成;
第五层由一层3x3x256/1的卷积层、一层1x1x128的卷积层、一层3x3x256/1的卷积层和一层2x2/2的池化层组成;
第六层由一层3x3x512/1的卷积层、一层1x1x256的卷积层和一层3x3x512/1的卷积层组成;
第七层由一层1x1x256的卷积层、一层3x3x512的卷积层和2x2/2的池化层组成;
第八层由四层全连接层组成。
本申请实施例还提供一种交通事故处理设备,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
将获取的图像数据输入到预先训练的交通事故检测模型,确定出所述图像数据对应的检测结果;
根据所述图像数据对应的检测结果,判断所述图像数据对应地点是否发生交通事故;
在判断出所述图像数据对应地点发生交通事故,生成交通事故数据,并将所述交通事故数据发送至监控节点,以便监控节点根据所述交通事故数据做出对应处理。
本申请实施例还提供一种交通事故处理介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
将获取的图像数据输入到预先训练的交通事故检测模型,确定出所述图像数据对应的检测结果;
根据所述图像数据对应的检测结果,判断所述图像数据对应地点是否发生交通事故;
在判断出所述图像数据对应地点发生交通事故,生成交通事故数据,并将所述交通事故数据发送至监控节点,以便监控节点根据所述交通事故数据做出对应处理。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:本申请实施例通过交通事故检测模型检测出是否发生交通事故,并将交通事故数据发送至监控节点,可以及时得解决临时发生的交通事故,可以有效的避免更严重的后果。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本说明书实施例一提供的一种交通事故处理方法的流程示意图;
图2为本说明书实施例二提供的一种交通事故处理方法的流程示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例一提供的一种交通事故处理方法的流程示意图,具体包括:
步骤S101,交通事故处理系统将获取的图像数据输入到预先训练的交通事故检测模型,确定出所述图像数据对应的检测结果。
步骤S102,交通事故处理系统根据所述图像数据对应的检测结果,判断所述图像数据对应地点是否发生交通事故。
步骤S103,交通事故处理系统在判断出所述图像数据对应地点发生交通事故,生成交通事故数据,并将所述交通事故数据发送至监控节点,以便监控节点根据所述交通事故数据做出对应处理。
在本说明书实施例的步骤S103中,交通事故数据包括交通事故发生的时间、交通事故发生的地点以及交通事故的图像。
需要说明是,监管节点可以为根据交通事故数据,快速准确的得知交通事故的情况,避免了监管节点被动接收知情者的举报,加快了监管节点获知交通事故的时间,同时,监管节点可以根据交通事故数据了解交通事故的详细信息,相比于通过知情者的描述,上述方法可以使得监控节点更好的了解交通事故的情况,此外,交通事故数据中的交通事故的图像也可以当作证据,以此来证明交通事故中肇事双方的责任。
因将图像数据发送至监控节点,监控节点接收到该图像数据后,可以获知发生交通事故的具体位置。
本申请实施例通过交通事故检测模型检测出是否发生交通事故,并将交通事故数据发送至监控节点,可以及时得解决临时发生的交通事故,可以有效的避免更严重的后果。
与本说明书实施例一相对应的是,图2为本说明书实施例二提供的一种交通事故处理方法的流程示意图,具体包括:
步骤S201,交通事故处理系统获取样本集,其中,所述样本集包括多个没发生交通事故的图像与多个发生交通事故的图像。
在本说明书实施例的步骤S201中,可以使用道路监控摄像头收集大量没发生交通事故的照片,并收集大量发生交通事故时的照片,构建样本集。
进一步的,在本说明书实施例的步骤S201中,发生交通事故的图像可以包括车辆发生破损、建筑物发生破损、行人被车辆撞倒以及两车之间的间距小于预设阈值,其中,预设阈值可以为0.02米,若是两车间的距离小于0.02米,即使车辆未检测出破损,也可能因为两车发生轻微碰撞而产生纠纷,此时也是需要监控节点进行处理。
步骤S202,交通事故处理系统根据所述样本集中图像是否发生交通事故,对所述样本集中的图像进行标记。
在本说明书实施例的步骤S202中,对样本集中的图像数据进行标记,方便后续进行交通事故检测模型的训练。
步骤S203,交通事故处理系统建立初始的交通事故检测模型。
步骤S204,交通事故处理系统根据标记后的样本集训练所述初始的交通事故检测模型,得出符合预设条件的交通事故检测模型。
在本说明书实施例的步骤S204中,本步骤可以具体包括:
将标记后的样本集按照预先设定的比例划分为训练测试集与验证集,其中,预先设定的比例可以为1:5;
根据第一预设方式对所述训练测试集进行验证,并将第一预设比例的所述训练测试集划分为测试集,将第二预设比例的所述训练测试集划分为训练集,其中,第一预设比例可以为十分之一,第二预设比例可以为十分之九;
根据所述训练集与所述测试集训练所述初始的交通事故检测模型,得出多个预选的交通事故检测模型;
根据第二预设方式,在所述多个预选的交通事故检测模型筛选出第一交通事故检测模型;
将所述验证集输入至所述第一交通事故检测模型,并根据代价函数确定出第一交通事故检测模型的代价值;
若所述代价值处于预设阈值,所述第一交通事故检测模型为符合条件的交通事故检测模型,其中,预设阈值可以根据需求进行设置。
其中,第一预设方式可以为十折交叉验证法,所述第二预设方式可以为投票法,代价函数可以为softmax函数。
需要说明的是,交通事故检测模型可以包括多个卷积层、多个池化层与多个全连接层。交通事故检测模型可以具体包括:
第一层由一层3x3x32/1的卷积层和一层2x2/2的最大池化层组成;
第二层由一层3x3x64/1的卷积层和一层2x2/2的池化层组成;
第三层为一层3x3x128/1的卷积层;
第四层由一层1x1x64的卷积层、一层3x3x128/1的卷积层和2x2/2的池化层组成;
第五层由一层3x3x256/1的卷积层、一层1x1x128的卷积层、一层3x3x256/1的卷积层和一层2x2/2的池化层组成;
第六层由一层3x3x512/1的卷积层、一层1x1x256的卷积层和一层3x3x512/1的卷积层组成;
第七层由一层1x1x256的卷积层、一层3x3x512的卷积层和2x2/2的池化层组成;
第八层由四层全连接层组成。
步骤S205,交通事故处理系统实时获取图像数据,并对获取的图像数据进行预处理操作。
在本说明书实施例的步骤S205中,实时获取的图像数据可以为任意一段公路采集的图像数据。在这步骤之前,施工人员可以根据需求安装图像采集装置,以便实时采集图像数据。其中,预处理操作包括归一化、降噪、二值化以及字符切分中一种或多种。
步骤S206,交通事故处理系统将获取的图像数据输入到预先训练的交通事故检测模型,确定出所述图像数据对应的检测结果。
步骤S207,交通事故处理系统根据所述图像数据对应的检测结果,判断所述图像数据对应地点是否发生交通事故。
步骤S208,交通事故处理系统在判断出所述图像数据对应地点发生交通事故,生成交通事故数据,并将所述交通事故数据发送至监控节点,以便监控节点根据所述交通事故数据做出对应处理。
在本说明书实施例的步骤S208中,交通事故数据包括交通事故发生的时间、交通事故发生的地点以及交通事故的图像。交通事故的图像可以包括车辆发生破损、建筑物发生破损、行人被车辆撞倒以及两车之间的间距小于预设阈值,其中,预设阈值可以为0.02米,若是两车间的距离小于0.02米,即使车辆未检测出破损,也可能因为两车发生轻微碰撞而产生纠纷,此时也是需要监控节点进行处理。
需要说明是,监管节点可以为根据交通事故数据,快速准确的得知交通事故的情况,避免了监管节点被动接收知情者的举报,加快了监管节点获知交通事故的时间,同时,监管节点可以根据交通事故数据了解交通事故的详细信息,相比于通过知情者的描述,上述方法可以使得监控节点更好的了解交通事故的情况,此外,交通事故数据中的交通事故的图像也可以当作证据,以此来证明交通事故中肇事双方的责任。
需要说明的是,本说明书实施例可以利用opencv读取监控摄像头采集的图像,经过预处理后输入到交通事故检测模型,得到的检测结果如果是发生交通事故,可以生成交通事故数据,并将所述交通事故数据发送至监控节点,以便监控节点根据所述交通事故数据做出对应处理。此外,也可以使用python脚本发送相关控制指令到警报器,发出警报,通知监控节点及时处理,其中,监控节点可以为交警节点。
本申请实施例通过交通事故检测模型检测出是否发生交通事故,并将交通事故数据发送至监控节点,可以及时得解决临时发生的交通事故,可以有效的避免更严重的后果。
本申请实施例还提供一种交通事故处理设备,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
将获取的图像数据输入到预先训练的交通事故检测模型,确定出所述图像数据对应的检测结果;
根据所述图像数据对应的检测结果,判断所述图像数据对应地点是否发生交通事故;
在判断出所述图像数据对应地点发生交通事故,生成交通事故数据,并将所述交通事故数据发送至监控节点,以便监控节点根据所述交通事故数据做出对应处理。
本申请实施例还提供一种交通事故处理介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
将获取的图像数据输入到预先训练的交通事故检测模型,确定出所述图像数据对应的检测结果;
根据所述图像数据对应的检测结果,判断所述图像数据对应地点是否发生交通事故;
在判断出所述图像数据对应地点发生交通事故,生成交通事故数据,并将所述交通事故数据发送至监控节点,以便监控节点根据所述交通事故数据做出对应处理。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种交通事故处理方法,其特征在于,所述方法包括:
将获取的图像数据输入到预先训练的交通事故检测模型,确定出所述图像数据对应的检测结果;
根据所述图像数据对应的检测结果,判断所述图像数据对应地点是否发生交通事故;
在判断出所述图像数据对应地点发生交通事故,生成交通事故数据,并将所述交通事故数据发送至监控节点,以便监控节点根据所述交通事故数据做出对应处理。
2.根据权利要求1所述的交通事故处理方法,其特征在于,所述交通事故数据包括交通事故发生的时间、交通事故发生的地点以及交通事故的图像。
3.根据权利要求1所述的交通事故处理方法,其特征在于,所述将获取的图像数据输入到预先训练的交通事故检测模型之前,所述方法还包括:
对所述图像数据进行预处理操作,其中,所述预处理操作包括归一化、降噪、二值化以及字符切分中一种或多种。
4.根据权利要求1所述的交通事故处理方法,其特征在于,所述将获取的图像数据输入到预先训练的交通事故检测模型之前,所述方法还包括:
获取样本集,其中,所述样本集包括多个没发生交通事故的图像与多个发生交通事故的图像;
根据所述样本集中的图像是否发生交通事故,对所述样本集中的图像进行标记;
建立初始的交通事故检测模型;
根据标记后的样本集训练所述初始的交通事故检测模型,得出符合预设条件的交通事故检测模型。
5.根据权利要求4所述的交通事故处理方法,其特征在于,所述根据标记后的样本集训练所述初始的交通事故检测模型,得出符合预设条件的交通事故检测模型,具体包括:
将标记后的样本集按照预先设定的比例划分为训练测试集与验证集;
根据第一预设方式对所述训练测试集进行验证,并将第一预设比例的所述训练测试集划分为测试集,将第二预设比例的所述训练测试集划分为训练集;
根据所述训练集与所述测试集训练所述初始的交通事故检测模型,得出多个预选的交通事故检测模型;
根据第二预设方式,在所述多个预选的交通事故检测模型筛选出第一交通事故检测模型;
将所述验证集输入至所述第一交通事故检测模型,并根据代价函数确定出第一交通事故检测模型的代价值;
若所述代价值处于预设阈值,所述第一交通事故检测模型为符合条件的交通事故检测模型。
6.根据权利要求5所述的交通事故处理方法,其特征在于,所述第一预设方式为十折交叉验证法,所述第二预设方式为投票法,所述代价函数为softmax函数。
7.根据权利要求1所述的交通事故处理方法,其特征在于,所述交通事故检测模型包括多个卷积层、多个池化层与多个全连接层。
8.根据权利要求7所述的交通事故处理方法,其特征在于,所述交通事故检测模型具体包括:
第一层由一层3x3x32/1的卷积层和一层2x2/2的最大池化层组成;
第二层由一层3x3x64/1的卷积层和一层2x2/2的池化层组成;
第三层为一层3x3x128/1的卷积层;
第四层由一层1x1x64的卷积层、一层3x3x128/1的卷积层和2x2/2的池化层组成;
第五层由一层3x3x256/1的卷积层、一层1x1x128的卷积层、一层3x3x256/1的卷积层和一层2x2/2的池化层组成;
第六层由一层3x3x512/1的卷积层、一层1x1x256的卷积层和一层3x3x512/1的卷积层组成;
第七层由一层1x1x256的卷积层、一层3x3x512的卷积层和2x2/2的池化层组成;
第八层由四层全连接层组成。
9.一种交通事故处理设备,其特征在于,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
将获取的图像数据输入到预先训练的交通事故检测模型,确定出所述图像数据对应的检测结果;
根据所述图像数据对应的检测结果,判断所述图像数据对应地点是否发生交通事故;
在判断出所述图像数据对应地点发生交通事故,生成交通事故数据,并将所述交通事故数据发送至监控节点,以便监控节点根据所述交通事故数据做出对应处理。
10.一种交通事故处理介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:
将获取的图像数据输入到预先训练的交通事故检测模型,确定出所述图像数据对应的检测结果;
根据所述图像数据对应的检测结果,判断所述图像数据对应地点是否发生交通事故;
在判断出所述图像数据对应地点发生交通事故,生成交通事故数据,并将所述交通事故数据发送至监控节点,以便监控节点根据所述交通事故数据做出对应处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010450688.9A CN111753662A (zh) | 2020-05-25 | 2020-05-25 | 一种交通事故处理方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010450688.9A CN111753662A (zh) | 2020-05-25 | 2020-05-25 | 一种交通事故处理方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111753662A true CN111753662A (zh) | 2020-10-09 |
Family
ID=72674106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010450688.9A Pending CN111753662A (zh) | 2020-05-25 | 2020-05-25 | 一种交通事故处理方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111753662A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329853A (zh) * | 2020-11-05 | 2021-02-05 | 湖南省沅江市安沅水利水电建设有限公司 | 基于影像融合的交通事故检测方法、装置、设备及介质 |
CN112396839A (zh) * | 2020-11-17 | 2021-02-23 | 珠海大横琴科技发展有限公司 | 一种数据处理的方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077913A (zh) * | 2013-03-27 | 2014-10-01 | 上海市城市建设设计研究总院 | 融合多视角图像信息的交通事件监测方法及其装置 |
CN109493613A (zh) * | 2018-12-27 | 2019-03-19 | 江苏中科智能系统有限公司 | 交通事件监测系统 |
CN110287940A (zh) * | 2019-07-03 | 2019-09-27 | 山东浪潮人工智能研究院有限公司 | 一种基于人工智能的掌纹识别方法及系统 |
CN110598800A (zh) * | 2019-09-23 | 2019-12-20 | 山东浪潮人工智能研究院有限公司 | 一种基于人工智能的垃圾分类识别方法 |
CN111105396A (zh) * | 2019-12-12 | 2020-05-05 | 山东浪潮人工智能研究院有限公司 | 一种基于人工智能的印刷品质量检测方法及系统 |
-
2020
- 2020-05-25 CN CN202010450688.9A patent/CN111753662A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077913A (zh) * | 2013-03-27 | 2014-10-01 | 上海市城市建设设计研究总院 | 融合多视角图像信息的交通事件监测方法及其装置 |
CN109493613A (zh) * | 2018-12-27 | 2019-03-19 | 江苏中科智能系统有限公司 | 交通事件监测系统 |
CN110287940A (zh) * | 2019-07-03 | 2019-09-27 | 山东浪潮人工智能研究院有限公司 | 一种基于人工智能的掌纹识别方法及系统 |
CN110598800A (zh) * | 2019-09-23 | 2019-12-20 | 山东浪潮人工智能研究院有限公司 | 一种基于人工智能的垃圾分类识别方法 |
CN111105396A (zh) * | 2019-12-12 | 2020-05-05 | 山东浪潮人工智能研究院有限公司 | 一种基于人工智能的印刷品质量检测方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329853A (zh) * | 2020-11-05 | 2021-02-05 | 湖南省沅江市安沅水利水电建设有限公司 | 基于影像融合的交通事故检测方法、装置、设备及介质 |
CN112396839A (zh) * | 2020-11-17 | 2021-02-23 | 珠海大横琴科技发展有限公司 | 一种数据处理的方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107358157B (zh) | 一种人脸活体检测方法、装置以及电子设备 | |
CN108334892B (zh) | 一种基于卷积神经网络的车型识别方法、装置及设备 | |
CN107808098B (zh) | 一种模型安全检测方法、装置以及电子设备 | |
CN112732585A (zh) | 一种仿真测试的方法及装置 | |
CN111753662A (zh) | 一种交通事故处理方法、设备及介质 | |
CN114943307A (zh) | 一种模型训练的方法、装置、存储介质以及电子设备 | |
CN112836751A (zh) | 一种目标检测方法和装置 | |
CN110532755B (zh) | 一种计算机实现的风险识别的方法及装置 | |
CN110650531B (zh) | 一种基站坐标标定方法、系统、存储介质及设备 | |
CN110008252B (zh) | 数据核对方法及装置 | |
CN116189109A (zh) | 模型训练方法、道路事件检测方法、装置及相关设备 | |
CN115830690A (zh) | 一种交通图像脱敏方法及设备 | |
CN115758141A (zh) | 一种模型训练和业务风控的方法及装置 | |
CN111539962A (zh) | 一种目标图像分类方法、装置以及介质 | |
CN115600090A (zh) | 一种模型的所有权验证方法、装置、存储介质及电子设备 | |
CN115018866A (zh) | 一种边界确定方法、装置、存储介质及电子设备 | |
CN111753661B (zh) | 一种基于神经网路的目标识别方法、设备及介质 | |
CN111539961A (zh) | 一种目标分割方法、装置以及设备 | |
CN114627436A (zh) | 一种智能交通巡检方法、装置、设备及介质 | |
CN109325127B (zh) | 一种风险识别方法和装置 | |
CN109903165B (zh) | 一种模型合并方法和装置 | |
CN111899264A (zh) | 一种目标图像分割方法、设备及介质 | |
CN109146395B (zh) | 一种数据处理的方法、装置及设备 | |
CN108628615B (zh) | 一种废弃代码检测方法、装置以及设备 | |
CN111652052A (zh) | 一种疫情防控方法、设备及介质 |
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: 20201009 |
|
RJ01 | Rejection of invention patent application after publication |