CN112487894B - 基于人工智能的轨道交通保护区自动巡查方法及装置 - Google Patents
基于人工智能的轨道交通保护区自动巡查方法及装置 Download PDFInfo
- Publication number
- CN112487894B CN112487894B CN202011290381.3A CN202011290381A CN112487894B CN 112487894 B CN112487894 B CN 112487894B CN 202011290381 A CN202011290381 A CN 202011290381A CN 112487894 B CN112487894 B CN 112487894B
- Authority
- CN
- China
- Prior art keywords
- protection area
- area image
- construction event
- construction
- protection
- 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 63
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000010276 construction Methods 0.000 claims abstract description 116
- 230000001483 mobilizing effect Effects 0.000 claims abstract description 8
- 238000010586 diagram Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000004075 alteration Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于人工智能的轨道交通保护区自动巡查方法及装置，其中该方法包括：首先，根据arcmap上的保护区的GPS数据点集合和预先设置的固定飞行高度获取无人机的飞行轨迹；接着，对无人机进行调动，使其沿飞行轨迹进行航拍以获取保护区图像；然后，将获取的保护区图像输入到训练好的施工事件识别模型，以通过施工事件识别模型判断保护区图像是否存在施工事件；最后，如果是，则自动对保护区图像进行登记，并将保护区图像所在位置发送至巡查人员的移动终端，以便巡查人员到现场进行处理；从而实现有效提高巡查效率和准确性，并且实现闭环处理。
Description
技术领域
本发明涉及道路交通技术领域，特别涉及一种基于人工智能的轨道交通保护区自动巡查方法以及一种基于人工智能的轨道交通保护区自动巡查装置。
背景技术
相关技术中，城市轨道交通保护区巡查方法主要是通过无人机进行巡查，并通过人工对无人机的航拍照片进行施工事件判别，并在发现施工事件后进行记录；该方式无法保证保护区范围以全面覆盖保护区，并且通过人工判别的方式容易出现误判的情况，进而影响巡查效率；并且，仅对检查中发现的施工事件进行记录，缺少后续整改方面的操作，导致无法对施工事件进行闭环处理。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种基于人工智能的轨道交通保护区自动巡查方法，能够有效提高巡查效率和准确性，并且实现闭环处理。
本发明的第二个目的在于提出一种基于人工智能的轨道交通保护区自动巡查装置。
为达到上述目的，本发明第一方面实施例提出了一种基于人工智能的轨道交通保护区自动巡查方法，包括以下步骤：根据arcmap上的保护区的GPS数据点集合和预先设置的固定飞行高度获取无人机的飞行轨迹；对所述无人机进行调动，使其沿所述飞行轨迹进行航拍以获取保护区图像；将获取的所述保护区图像输入到训练好的施工事件识别模型，以通过所述施工事件识别模型判断所述保护区图像是否存在施工事件；如果是，则自动对所述保护区图像进行登记，并将所述保护区图像所在位置发送至巡查人员的移动终端，以便所述巡查人员到现场进行处理。
根据本发明实施例的基于人工智能的轨道交通保护区自动巡查方法，首先，根据arcmap上的保护区的GPS数据点集合和预先设置的固定飞行高度获取无人机的飞行轨迹；接着，对无人机进行调动，使其沿飞行轨迹进行航拍以获取保护区图像；然后，将获取的保护区图像输入到训练好的施工事件识别模型，以通过施工事件识别模型判断保护区图像是否存在施工事件；最后，如果是，则自动对保护区图像进行登记，并将保护区图像所在位置发送至巡查人员的移动终端，以便巡查人员到现场进行处理；从而实现有效提高巡查效率和准确性，并且实现闭环处理。
另外，根据本发明上述实施例提出的基于人工智能的轨道交通保护区自动巡查方法还可以具有如下附加的技术特征：
可选地，在判断所述保护区图像为施工事件时，还将所述保护区图像输入到预先训练好的误报模型，以通过所述误报模块判断所述保护区图像存在施工事件是否为误报。
可选地，根据arcmap上的保护区的GPS数据点集合获取无人机的飞行轨迹，包括：获取保护区的施工图，并根据所述施工图在所述arcmap上进行对应标注，以转换成wgs84的坐标点；根据arcmap进行基准点定位，并进行全图转换以生成结构化的GPS数据点集合；根据预先设置的抽取方式在所述GPS数据点集合中进行GPS数据点抽取以获取无人机的飞行轨迹。
可选地，在对所述保护区图像进行登记时，还通过SSIM结构相似性算法对当前保护区图像与上一帧保护区图像进行相似度计算，如果超过预设阈值则不对当前保护区图像进行登记。
可选地，在保护区巡查完成的一段预设时间后，还对所述保护区进行重复巡查，并将重复巡查的保护区图像与之前的保护区图像进行一一对比，以判断之前存在施工事件的保护区图像是否已停止施工，以对所述施工事件进行跟进处理。
为达到上述目的，本发明第二方面实施例提出了一种基于人工智能的轨道交通保护区自动巡查装置，包括：第一获取模块，所述第一获取模块用于根据arcmap上的保护区的GPS数据点集合和预先设置的固定飞行高度获取无人机的飞行轨迹；第二获取模块，所述第二获取模块用于对所述无人机进行调动，使其沿所述飞行轨迹进行航拍以获取保护区图像；施工事件识别模块，所述施工事件识别模块用于将获取的所述保护区图像输入到训练好的施工事件识别模型，以通过所述施工事件识别模型判断所述保护区图像是否存在施工事件，并在所述保护区图像存在施工事件时，自动对所述保护区图像进行登记，并将所述保护区图像所在位置发送至巡查人员的移动终端，以便所述巡查人员到现场进行处理。
根据本发明实施例的基于人工智能的轨道交通保护区自动巡查装置，通过第一获取模块根据arcmap上的保护区的GPS数据点集合和预先设置的固定飞行高度获取无人机的飞行轨迹；再通过第二获取模块对无人机进行调动，使其沿飞行轨迹进行航拍以获取保护区图像；接着通过施工事件识别模块将获取的保护区图像输入到训练好的施工事件识别模型，以通过施工事件识别模型判断保护区图像是否存在施工事件，并在保护区图像存在施工事件时，自动对保护区图像进行登记，并将保护区图像所在位置发送至巡查人员的移动终端，以便巡查人员到现场进行处理；从而实现有效提高巡查效率和准确性，并且实现闭环处理。
另外，根据本发明上述实施例提出的基于人工智能的轨道交通保护区自动巡查装置还可以具有如下附加的技术特征：
可选地，所述施工识别模块还用于在判断所述保护区图像为施工事件时，还将所述保护区图像输入到预先训练好的误报模型，以通过所述误报模块判断所述保护区图像存在施工事件是否为误报。
可选地，所述第一获取模块还用于获取保护区的施工图，并根据所述施工图在所述arcmap上进行对应标注，以转换成wgs84的坐标点；根据arcmap进行基准点定位，并进行全图转换以生成结构化的GPS数据点集合；根据预先设置的抽取方式在所述GPS数据点集合中进行GPS数据点抽取以获取无人机的飞行轨迹。
可选地，所述施工识别模块还用于在对所述保护区图像进行登记时，还通过SSIM结构相似性算法对当前保护区图像与上一帧保护区图像进行相似度计算，如果超过预设阈值则不对当前保护区图像进行登记。
可选地，基于人工智能的轨道交通保护区自动巡查装置还包括：对比模块，所述对比模块用于在保护区巡查完成的一段预设时间后，还对所述保护区进行重复巡查，并将重复巡查的保护区图像与之前的保护区图像进行一一对比，以判断之前存在施工事件的保护区图像是否已停止施工，以对所述施工事件进行跟进处理。
附图说明
图1为根据本发明实施例的基于人工智能的轨道交通保护区自动巡查方法的流程示意图；
图2为根据本发明另一实施例的基于人工智能的轨道交通保护区自动巡查方法的流程示意图
图3为根据本发明实施例的基于人工智能的轨道交通保护区自动巡查装置的方框示意图；
图4为根据本发明另一实施例的基于人工智能的轨道交通保护区自动巡查装置的方框示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
图1为基于人工智能的轨道交通保护区自动巡查方法的流程示意图，如图1所示，该基于人工智能的轨道交通保护区自动巡查方法包括以下步骤：
S101，根据arcmap上的保护区的GPS数据点集合和预先设置的固定飞行高度获取无人机的飞行轨迹。
也就是说，通过arcmap上的保护区的GPS数据点集合确定无人机的飞行路径，通过预先设置的固定高度确定无人机的飞行高度，从而根据飞行轨迹和飞行高度确定无人机的飞行轨迹。
其中，通过获取保护区的施工图，并根据施工图在arcmap上进行对应标注，以转换成wgs84的坐标点；根据arcmap进行基准点定位，并进行全图转换以生成结构化的GPS数据点集合；根据预先设置的抽取方式在GPS数据点集合中进行GPS数据点抽取以获取无人机的飞行轨迹。
作为一种示例，通过92厦门坐标系的施工图获取轨道交通保护区的地图，并在arcmap上进行对应标注，转换为wgs84的坐标点，并按照10米一个点进行保存。
根据arcmap，进行基准点定位，定位之后进行全图转换；生成结构化的GPS数据点集合；通过结构化的gps数据点集合，通过d＝111.12cos1/[sinΦAsinΦB十cosΦAcosΦBcos(λB—λA)]；其中A点经度，纬度分别为λA和ΦA；B点的经度、纬度分别为λB和ΦB；d为50；按照顺序计算所有的GPS两点之间的距离，并进行抽取确定飞行轨迹，无人机沿轨道交存；然后按照保护区左边界、地铁线路、保护区右边界对应进行保存。
当需要进行轨道交通保护区巡查的无人机飞行轨迹的规划时候，在地图上划出飞行范围；自动按照范围，规划保护区左边界，升序的序号的GPS点位置，降序的序号保护区右边界的GPS点位置，按照每隔5个点取一个GPS点的方式。取出对应的点，并将其转换为KML格式文件。
S102，对无人机进行调动，使其沿飞行轨迹进行航拍以获取保护区图像。
也就是说，在规划完飞行轨迹后，使无人机根据飞行轨迹进行实时图像拍摄。
作为一个示例，通过沿线固定侧50米范围内飞行，拍摄沿线施工事件；设定无人机飞行高度为100米，拍摄的每个像素点为2.5cm/px，视频分辨率为4727*3078，每帧的一个现实距离为118米*77米的长方形，位于正中心的无人机，沿保护区飞，固定侧是保护区，进行拍摄，以确保保护区被全面覆盖。
S103，将获取的保护区图像输入到训练好的施工事件识别模型，以通过施工事件识别模型判断保护区图像是否存在施工事件。
需要说明的是，通过在轨道巡查中登记施工事件的图像并进行标注以生成数据集，以便通过该数据集对施工事件识别模型进行训练。
作为一个示例，根据无人机飞行轨迹，通过无人机航拍图像，并将航拍的轨道沿线图像输入到卷积神经网络，以输出各种不同高维度的多尺度特征图，然后用预先设定好的长宽比不同的先验框在输出的特征图上进行目标位置和分类的回归预测；并计算相似度，当得出同施工事件识别模型相似度大于70％的结果时，则判定存在施工事件，并自动进行登记，反之当相似度小于70％时，则判定不存在施工事件，不予以记录；重复进行以上操作，直至完成所有图像的识别。
S104，如果是，则自动对保护区图像进行登记，并将保护区图像所在位置发送至巡查人员的移动终端，以便巡查人员到现场进行处理。
也就是说，如果判断该保护图像存在施工事件时，自动对该保护区图像进行登记，并将保护区图像所在位置发送至巡查人员的移动终端，以便巡查人员到现场进行处理。
作为一个示例，巡查人员通过打开移动终端的管理系统APP以接收保护区内有施工事件的指令；然后通过GPS导航获取事件图像所在位置；以便巡查人员根据该位置到达现场进行问题处理，并在问题处理完成后，通过移动终端将处理结果进行线上上报。
另外，在判断保护区图像为施工事件时，还将该保护区图像输入到预先训练好的误报模型，以通过误报模块判断保护区图像存在施工事件是否为误报。
也就是说，如果确定该保护区图像存在施工事件后，还将该保护区图像输入到预先训练好的误报模块，以便通过该误报模型判断该保护区图像存在施工事件是否为误报事件。
需要说明的是，在巡查过程中识别判断为误报的数据，通过建立二次过滤数据集以对误报数据进行分类以建立误报模型，从而通过该误报模块自动对判断结果进一步审查，以便进一步降低误判概率。
另外，在对保护区图像进行登记时，还通过SSIM结构相似性算法对当前保护区图像与上一帧保护区图像进行相似度计算，如果超过预设阈值则不对当前保护区图像进行登记。
作为一个具体实施例，通过SSIM(structural similarity index)结构相似性算法降低相同问题的重复登记，通过将当前图像帧与上一帧图像进行比较，如果相似度达到70％以上则说明当前图像帧与上一帧图像存在重复登记，不进行目标检测，从而增加性能并有效减少重复检测。
其中，如图2所示，还包括：
S105，在保护区巡查完成的一段预设时间后，还对保护区进行重复巡查，并将重复巡查的保护区图像与之前的保护区图像进行一一对比，以判断之前存在施工事件的保护区图像是否已停止施工，以对施工事件进行跟进处理。
作为一个具体实施例，无人机每天在同一飞行轨迹拍摄图像，设定拍摄区间，例如每50米拍摄1个像素图片，将前一天的图像和第二天拍摄的图像进行对比，拍摄施工事件图像时，根据对比结果，查看是否已停止施工，以对施工事件进行跟进。
综上所述，根据本发明实施例的基于人工智能的轨道交通保护区自动巡查方法，首先，根据arcmap上的保护区的GPS数据点集合和预先设置的固定飞行高度获取无人机的飞行轨迹；接着，对无人机进行调动，使其沿飞行轨迹进行航拍以获取保护区图像；然后，将获取的保护区图像输入到训练好的施工事件识别模型，以通过施工事件识别模型判断保护区图像是否存在施工事件；最后，如果是，则自动对保护区图像进行登记，并将保护区图像所在位置发送至巡查人员的移动终端，以便巡查人员到现场进行处理；从而实现有效提高巡查效率和准确性，并且实现闭环处理。
为了实现上述实施例，本发明实施例还提出了一种基于人工智能的轨道交通保护区自动巡查装置，如图3所示，该基于人工智能的轨道交通保护区自动巡查装置包括：第一获取模块10、第二获取模块20和施工事件识别模块30。
其中，第一获取模块10用于根据arcmap上的保护区的GPS数据点集合和预先设置的固定飞行高度获取无人机的飞行轨迹。
第二获取模块20用于对无人机进行调动，使其沿飞行轨迹进行航拍以获取保护区图像。
施工事件识别模块30用于将获取的保护区图像输入到训练好的施工事件识别模型，以通过施工事件识别模型判断保护区图像是否存在施工事件，并在保护区图像存在施工事件时，自动对保护区图像进行登记，并将保护区图像所在位置发送至巡查人员的移动终端，以便巡查人员到现场进行处理。
在一些实施例中，为了进一步提高安全区巡查的准确性，在判断保护区图像为施工事件时，还将保护区图像输入到预先训练好的误报模型，以通过误报模块判断保护区图像存在施工事件是否为误报。
在一些实施例中，第一获取模块10还用于获取保护区的施工图，并根据施工图在arcmap上进行对应标注，以转换成wgs84的坐标点；根据arcmap进行基准点定位，并进行全图转换以生成结构化的GPS数据点集合；根据预先设置的抽取方式在GPS数据点集合中进行GPS数据点抽取以获取无人机的飞行轨迹。
在一些实施例中，施工识别模块30还用于在对保护区图像进行登记时，还通过SSIM结构相似性算法对当前保护区图像与上一帧保护区图像进行相似度计算，如果超过预设阈值则不对当前保护区图像进行登记，以增加性能并有效减少重复登记。
如图4所示，在一些实施例中，基于人工智能的轨道交通保护区自动巡查装置还包括：对比模块40，对比模块40用于在保护区巡查完成的一段预设时间后，还对保护区进行重复巡查，并将重复巡查的保护区图像与之前的保护区图像进行一一对比，以判断之前存在施工事件的保护区图像是否已停止施工，以对施工事件进行跟进处理。
需要说明的是，上述关于图1中基于人工智能的轨道交通保护区自动巡查方法的描述同样适用于该基于人工智能的轨道交通保护区自动巡查装置，在此不做赘述。
综上所述，根据本发明实施例的基于人工智能的轨道交通保护区自动巡查装置，通过第一获取模块根据arcmap上的保护区的GPS数据点集合和预先设置的固定飞行高度获取无人机的飞行轨迹；再通过第二获取模块对无人机进行调动，使其沿飞行轨迹进行航拍以获取保护区图像；接着通过施工事件识别模块将获取的保护区图像输入到训练好的施工事件识别模型，以通过施工事件识别模型判断保护区图像是否存在施工事件，并在保护区图像存在施工事件时，自动对保护区图像进行登记，并将保护区图像所在位置发送至巡查人员的移动终端，以便巡查人员到现场进行处理；从而实现有效提高巡查效率和准确性，并且实现闭环处理。
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。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
在本发明的描述中，需要理解的是，术语“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或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；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或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种基于人工智能的轨道交通保护区自动巡查方法，其特征在于，包括以下步骤：
根据arcmap上的保护区的GPS数据点集合和预先设置的固定飞行高度获取无人机的飞行轨迹；
对所述无人机进行调动，使其沿所述飞行轨迹进行航拍以获取保护区图像；
将获取的所述保护区图像输入到训练好的施工事件识别模型，以通过所述施工事件识别模型判断所述保护区图像是否存在施工事件；
如果是，则自动对所述保护区图像进行登记，并将所述保护区图像所在位置发送至巡查人员的移动终端，以便所述巡查人员到现场进行处理；
在判断所述保护区图像为施工事件时，还将所述保护区图像输入到预先训练好的误报模型，以通过所述误报模型判断所述保护区图像存在施工事件是否为误报，所述误报模型由通过在巡查过程中识别判断为误报的数据建立得到的二次过滤数据集训练得到；
所述施工事件识别模型判断所述保护区图像是否存在施工事件，包括：
将所述保护区图像输入至卷积神经网络，以使所述卷积神经网络输出不同高维度的多尺度特征图；采用预先设定的长宽比不同的先验框在所述多尺度特征图上进行目标位置和分类的回归预测，并计算相似度，当相似度大于阈值时，判定存在施工事件，反之，则判定不存在施工事件。
2.如权利要求1所述的基于人工智能的轨道交通保护区自动巡查方法，其特征在于，根据arcmap上的保护区的GPS数据点集合获取无人机的飞行轨迹，包括：
获取保护区的施工图，并根据所述施工图在所述arcmap上进行对应标注，以转换成wgs84的坐标点；
根据arcmap进行基准点定位，并进行全图转换以生成结构化的GPS数据点集合；
根据预先设置的抽取方式在所述GPS数据点集合中进行GPS数据点抽取以获取无人机的飞行轨迹。
3.如权利要求1所述的基于人工智能的轨道交通保护区自动巡查方法，其特征在于，还包括：
在对所述保护区图像进行登记时，还通过SSIM结构相似性算法对当前保护区图像与上一帧保护区图像进行相似度计算，如果超过预设阈值则不对当前保护区图像进行登记。
4.如权利要求1所述的基于人工智能的轨道交通保护区自动巡查方法，其特征在于，还包括：
在保护区巡查完成的一段预设时间后，还对所述保护区进行重复巡查，并将重复巡查的保护区图像与之前的保护区图像进行一一对比，以判断之前存在施工事件的保护区图像是否已停止施工，以对所述施工事件进行跟进处理。
5.一种基于人工智能的轨道交通保护区自动巡查装置，其特征在于，包括：
第一获取模块，所述第一获取模块用于根据arcmap上的保护区的GPS数据点集合和预先设置的固定飞行高度获取无人机的飞行轨迹；
第二获取模块，所述第二获取模块用于对所述无人机进行调动，使其沿所述飞行轨迹进行航拍以获取保护区图像；
施工事件识别模块，所述施工事件识别模块用于将获取的所述保护区图像输入到训练好的施工事件识别模型，以通过所述施工事件识别模型判断所述保护区图像是否存在施工事件，并在所述保护区图像存在施工事件时，自动对所述保护区图像进行登记，并将所述保护区图像所在位置发送至巡查人员的移动终端，以便所述巡查人员到现场进行处理；
所述施工事件识别模块还用于在判断所述保护区图像为施工事件时，还将所述保护区图像输入到预先训练好的误报模型，以通过所述误报模块判断所述保护区图像存在施工事件是否为误报，所述误报模型由通过在巡查过程中识别判断为误报的数据建立得到的二次过滤数据集训练得到；
所述施工事件识别模型判断所述保护区图像是否存在施工事件，包括：
将所述保护区图像输入至卷积神经网络，以使所述卷积神经网络输出不同高维度的多尺度特征图；采用预先设定的长宽比不同的先验框在所述多尺度特征图上进行目标位置和分类的回归预测，并计算相似度，当相似度大于阈值时，判定存在施工事件，反之，则判定不存在施工事件。
6.如权利要求5所述的基于人工智能的轨道交通保护区自动巡查装置，其特征在于，所述第一获取模块还用于获取保护区的施工图，并根据所述施工图在所述arcmap上进行对应标注，以转换成wgs84的坐标点；根据arcmap进行基准点定位，并进行全图转换以生成结构化的GPS数据点集合；根据预先设置的抽取方式在所述GPS数据点集合中进行GPS数据点抽取以获取无人机的飞行轨迹。
7.如权利要求5所述的基于人工智能的轨道交通保护区自动巡查装置，其特征在于，所述施工事件识别模块还用于在对所述保护区图像进行登记时，还通过SSIM结构相似性算法对当前保护区图像与上一帧保护区图像进行相似度计算，如果超过预设阈值则不对当前保护区图像进行登记。
8.如权利要求5所述的基于人工智能的轨道交通保护区自动巡查装置，其特征在于，还包括：
对比模块，所述对比模块用于在保护区巡查完成的一段预设时间后，还对所述保护区进行重复巡查，并将重复巡查的保护区图像与之前的保护区图像进行一一对比，以判断之前存在施工事件的保护区图像是否已停止施工，以对所述施工事件进行跟进处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011290381.3A CN112487894B (zh) | 2020-11-17 | 2020-11-17 | 基于人工智能的轨道交通保护区自动巡查方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011290381.3A CN112487894B (zh) | 2020-11-17 | 2020-11-17 | 基于人工智能的轨道交通保护区自动巡查方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112487894A CN112487894A (zh) | 2021-03-12 |
| CN112487894B true CN112487894B (zh) | 2024-04-23 |
Family
ID=74931285
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011290381.3A Active CN112487894B (zh) | 2020-11-17 | 2020-11-17 | 基于人工智能的轨道交通保护区自动巡查方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112487894B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113381511B (zh) * | 2021-06-02 | 2022-12-27 | 深圳市莱达四维信息科技有限公司 | 变电站在线智能巡视系统 |
| CN115755978B (zh) * | 2022-12-08 | 2023-07-14 | 贵州省山地资源研究所 | 一种基于多旋翼无人机的矿区排水沟渠快速智能巡查方法 |
| CN116320970B (zh) * | 2023-02-22 | 2024-05-28 | 北京城建勘测设计研究院有限责任公司 | 一种移动定位终端及实现方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107703971A (zh) * | 2017-11-20 | 2018-02-16 | 唐菲菲 | 巡查区域的无人机调动方法及系统 |
| CN111898563A (zh) * | 2020-08-04 | 2020-11-06 | 上海同岩土木工程科技股份有限公司 | 一种保护区安全综合监护装备与监护方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10685229B2 (en) * | 2017-12-21 | 2020-06-16 | Wing Aviation Llc | Image based localization for unmanned aerial vehicles, and associated systems and methods |
-
2020
- 2020-11-17 CN CN202011290381.3A patent/CN112487894B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107703971A (zh) * | 2017-11-20 | 2018-02-16 | 唐菲菲 | 巡查区域的无人机调动方法及系统 |
| CN111898563A (zh) * | 2020-08-04 | 2020-11-06 | 上海同岩土木工程科技股份有限公司 | 一种保护区安全综合监护装备与监护方法 |
Non-Patent Citations (2)
| Title |
|---|
| 中国城市科学研究会数字专业委员会轨道交通学组.《智慧城市与轨道交通 2017》.中央民族大学出版社,2017,454-456. * |
| 聂鑫路.无人机遥感技术在城市轨道交通巡查中的应用.《现代城市轨道交通》.2017,58-61. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112487894A (zh) | 2021-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112487894B (zh) | 基于人工智能的轨道交通保护区自动巡查方法及装置 | |
| US11144786B2 (en) | Information processing apparatus, method for controlling information processing apparatus, and storage medium | |
| CN111145545B (zh) | 基于深度学习的道路交通行为无人机监测系统及方法 | |
| JP6904614B2 (ja) | 対象物検出装置、予測モデル作成装置、対象物検出方法及びプログラム | |
| CN108109437B (zh) | 一种基于地图特征的无人机自主航线提取生成方法 | |
| CN103359020B (zh) | 一种机动车驾驶培训或考试监控方法和系统 | |
| CN108701396B (zh) | 一种车前积雪与结冰的检测报警方法、存储介质和服务器 | |
| CN107992819B (zh) | 一种车辆属性结构化特征的确定方法与装置 | |
| CN104239867A (zh) | 车牌定位方法及系统 | |
| CN111444798B (zh) | 电动自行车驾驶行为的识别方法、装置和计算机设备 | |
| JP2016218760A (ja) | 物体検出システム、物体検出方法、ｐｏｉ情報作成システム、警告システム、及び誘導システム | |
| CN103679674A (zh) | 一种无人飞行器实时图像拼接方法及系统 | |
| CN111127520B (zh) | 一种基于视频分析的车辆跟踪方法和系统 | |
| CN109740479A (zh) | 一种车辆重识别方法、装置、设备及可读存储介质 | |
| KR102015945B1 (ko) | 자율주행을 위한 학습대상 이미지 패키징 장치 및 방법 | |
| CN108717789A (zh) | 一种车辆样本的采集标注方法及装置 | |
| CN112836683A (zh) | 用于便携式摄像设备的车牌识别方法、装置、设备和介质 | |
| CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
| KR20220112590A (ko) | 인공지능 기반 수계오염원 모니터링 시스템 및 방법 | |
| CN112836657A (zh) | 一种基于轻量化YOLOv3的行人检测方法及系统 | |
| CN111881984A (zh) | 一种基于深度学习的目标检测方法和装置 | |
| CN106960027B (zh) | 空间信息辅助的无人机视频大数据多时相关联分析方法 | |
| CN103605960B (zh) | 一种基于不同焦距视频图像融合的交通状态识别方法 | |
| Kamenetsky et al. | Aerial car detection and urban understanding | |
| JP6916975B2 (ja) | 標識位置特定システム及びプログラム |
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 |