CN112738960B - 一种人工智能的路灯控制系统 - Google Patents
一种人工智能的路灯控制系统 Download PDFInfo
- Publication number
- CN112738960B CN112738960B CN202011609774.6A CN202011609774A CN112738960B CN 112738960 B CN112738960 B CN 112738960B CN 202011609774 A CN202011609774 A CN 202011609774A CN 112738960 B CN112738960 B CN 112738960B
- Authority
- CN
- China
- Prior art keywords
- light sensor
- ambient light
- street lamp
- vehicle
- distance
- 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
Images
Classifications
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
- H05B47/105—Controlling the light source in response to determined parameters
- H05B47/11—Controlling the light source in response to determined parameters by determining the brightness or colour temperature of ambient light
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
- H05B47/105—Controlling the light source in response to determined parameters
- H05B47/115—Controlling the light source in response to determined parameters by determining the presence or movement of objects or living beings
- H05B47/125—Controlling the light source in response to determined parameters by determining the presence or movement of objects or living beings by using cameras
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
- H05B47/16—Controlling the light source by timing means
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
- H05B47/165—Controlling the light source following a pre-assigned programmed sequence; Logic control [LC]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Abstract
本发明公开了一种人工智能的路灯控制系统,本发明属于人工智能领域,涉及路灯控制技术;用于解决现有路灯控制系统不能通过车速以及车灯亮度进行学习调节的问题;通过获取驶出环境光传感器的数据,使得路灯在调节光照强度时,可以根据汽车的行驶速度进行调节,避免车速过快而引起的光线过敏反应;同时也可以代替传统的摄像头测速,使得在驾驶时可以全程监测车速,提高驾驶的安全性;通过权重调节系数,使得本发明可以在使用时,可以对驾驶车辆的灯光强度进行检测,进而在调节路灯光照强度时可以结合车辆自身光照强度进行调节,避免车灯光线过于强烈造成路面漫反射从而引发车辆事故。
Description
技术领域
本发明属于人工智能领域,涉及路灯控制技术,具体是一种人工智能的路灯控制系统。
背景技术
人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来,理论和技术日益成熟,应用领域也不断扩大,可以设想,未来人工智能带来的科技产品,将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能,但能像人那样思考、也可能超过人的智能。
如今,为构建自适应照明系统,提升道路设施的智能化。凭借高速连接和低延迟的5G网络,人工智能算法可以自动化收集各种数据,包括车流量,人流量,车的速度,环境的光照强度,且算法可以自适应的更新路灯控制方法,提升控制效率。
发明内容
本发明的目的在于提供一种人工智能的路灯控制系统,用于解决现有路灯控制系统不能通过车速以及车灯亮度进行学习调节的问题。
本发明的目的可以通过以下技术方案实现:
一种人工智能的路灯控制系统,包括人工智能模块、采集模块、光强度模块、电路调节模块以及时间模块;
所述采集模块包括光照强度采集单元、车辆采集单元以及车道采集单元;
所述光照强度采集单元用于采集路段内的光照变化;所述车辆采集单元用于采集路段内的车辆信息;所述车道采集单元用于采集路段内的车辆的行驶道路;
所述光强度模块用与对光照变化进行变换预测并同时将预测结果与真实结果发送至人工智能模块进行深度学习;
所述电路调节模块用于接收人工智能模块的调整指令,进而对路灯进行调节;
其中,所述光强度模块用与对光照变化进行变换预测,具体包括以下步骤:
S2:将光照强度调整值ldqd标记为预测结果,并将预测结果发送至人工智能模块;
S4:将真实结果zdqd标记为真实结果,并发送至人工智能模块。
进一步地,所述光照强度采集单元用于采集路段内的光照变化,具体为:
步骤一:沿路段的起始端开始等距间隔设置若干个环境光线传感器直至路段的结束端为止;
步骤二:所述路段的起始端至路段的结束端等距安装有若干个路灯,若干个所述路灯内均安装有路灯光线传感器;
其中,所述环境光线传感器的采集方向与车道方向相同;所述路灯光线传感器采集方向与路灯光照方向相同;
步骤三:将相邻两路灯之间的路段内的环境光线传感器进行划分,具体为:
A31:将相邻两路灯分别标记为第一路灯与第二路灯,其中,第一路灯到第二路灯的方向为路段内车辆的行驶方向;
A32:将第一路灯到第二路灯之间的距离标记为M;其中,距离具体为第一路灯到第二路灯之间的路段距离,需要注意的是,并非直线距离;
A33:第一路灯到第二路灯距离内的环境光线传感器标记为驶出环境光传感器;第一路灯到第二路灯至距离内的环境光线传感器标记为车灯环境光传感器;第一路灯到第二路灯至M距离内的环境光线传感器标记为验证环境光传感器;
步骤四:获取驶出环境光传感器的数据,并通过公式得出车辆的驶出速度,式中,i1为第一个驶出环境光传感器监测到光线变化的时间,i2为第二个驶出环境光传感器监测到光线变化的时间……iN为第N个驶出环境光传感器监测到光线变化的时间;M(2-1)max第一个驶出环境光传感器与第二个驶出环境光传感器之间的距离,……M(N-(N-1))max为第(N-1)个驶出环境光传感器与第N个驶出环境光传感器之间的距离;N为驶出环境光传感器的个数;
其中,所述驶出环境光传感器为等距安装,M(2-1)max、M(3-2)max……M(N-(N-1))max均相等;
当M(2-1)max、M(3-2)max……、M(N-(N-1))max中出现异常数据时,将产生异常数据对应的环境光传感器标记为异常传感器;
其中,异常数据为超过标准距离值10%或小于标准距离值10%的距离数据;
步骤五:获取车灯环境光传感器数据,并通过公式得出车灯光照强度;式中,c1为第一个车灯环境光传感器数据、c2为第二个车灯环境光传感器数据……cn为第n个车灯环境光传感器数据;n为车灯环境光传感器的个数;ν为权重调节系数;
所述灯环境光传感器数据具体为车灯光照强度值;
步骤六:获取验证环境光传感器数据,通过公式获得车辆的驶入速度;式中,r1为第一个验证环境光传感器监测到光线变化的时间,r2为第二个验证环境光传感器监测到光线变化的时间……rN为第N个验证环境光传感器监测到光线变化的时间;T(2-1)max第一个验证环境光传感器与第二个验证环境光传感器之间的距离,……T(T-(T-1))max为第(T-1)个验证环境光传感器与第T个验证环境光传感器之间的距离;T为驶出环境光传感器的个数;
进一步地,所述车辆采集单元用于对车辆进行采集,具体为,通过交通摄像头对车辆驾驶员进行记录。
进一步地,所述车道采集单元用于采集路段内的车辆的行驶道路,具体为,通过交通摄像头对车道内行驶的车辆进行正逆行判断。
进一步地,所述人工智能模块通过若干组光照强度调整值ldqd与真实结果zdqd的比值获得学习系数,并将学习系数与车辆驾驶员相匹配。
进一步地,所述人工智能模块通过公式光照强度调整值ldqd乘以学习系数得到调整指令。
进一步地,所述时间模块用于对时间进行标记进,具体为,对第一个驶出环境光传感器监测到光线变化的时间、第二个驶出环境光传感器监测到光线变化的时间、第N个驶出环境光传感器监测到光线变化的时间、第一个验证环境光传感器监测到光线变化的时间、第二个验证环境光传感器监测到光线变化的时间以及第N个验证环境光传感器监测到光线变化的时间进行记录。
进一步地,所述权重调节系数,具体为,路灯光线传感器感知光照强度乘以距离车灯环境光传感器的距离衰减率;
其中,所述距离衰减率为固定系数,随着距离而变化;车灯环境光传感器距离路灯光线传感器的距离为第一个车灯环境光传感器与路灯光线传感器之间的距离。
进一步地,所述人工智能模块通过公式光照强度调整值ldqd乘以学习系数得到调整指令具体为,
W1、构建比较结构,所述比较结构为训练网络,此训练网络包括三个卷积层、两个池化层和一个输出层;其中:第一层是卷积层,采用Relu激活函数,卷积方式为带边卷积;
第二层是池化层,按照最大值池化;
第三层是卷积层,采用Relu激活函数,卷积方式为带边卷积;
第四层是卷积层,采用Relu激活函数,卷积方式为带边卷积;
第五层是池化层,采用Relu激活函数;
第六层是输出层,采用Softmax激活函数;
W2、将样本集送入步骤S1建立的训练网络中进行识别训练,训练完成后得到比较结构;
W3、用测试程序把得到的比较结构对未知样本集进行分类识别,再辅以人工矫正,进行迭代训练,得到新的比较结构;
W4、重复步骤S3,根据反向梯度算法中的梯度变化动态调整学习率,学习率逐步减小至预设的值,直到梯度变化在一定时间内变化小于阈值,那么系统将自行停止训练,得到最终的比较结构。
进一步地,所述样本集为真实结果zdqd与预测结果ldqd。
与现有技术相比,本发明的有益效果是:
(1)通过获取驶出环境光传感器的数据,并通过公式得出车辆的驶出速度,式中,i1为第一个驶出环境光传感器监测到光线变化的时间,i2为第二个驶出环境光传感器监测到光线变化的时间……iN为第N个驶出环境光传感器监测到光线变化的时间;M(2-1)max第一个驶出环境光传感器与第二个驶出环境光传感器之间的距离,……M(N-(N-1))max为第(N-1)个驶出环境光传感器与第N个驶出环境光传感器之间的距离;N为驶出环境光传感器的个数可以获得车辆的行驶速度,使得路灯在调节光照强度时,可以根据汽车的行驶速度进行调节,避免车速过快而引起的光线过敏反应;同时也可以代替传统的摄像头测速,使得在驾驶时可以全程监测车速,提高驾驶的安全性;
(2)通过公式得出车灯光照强度;式中,c1为第一个车灯环境光传感器数据、c2为第二个车灯环境光传感器数据……cn为第n个车灯环境光传感器数据;n为车灯环境光传感器的个数;ν为权重调节系数,使得本发明可以在使用时,可以对驾驶车辆的灯光强度进行检测,进而在调节路灯光照强度时可以结合车辆自身光照强度进行调节,避免车灯光线过于强烈造成路面漫反射从而引发车辆事故;
(3)通过公式获得车辆的驶入速度;式中,r1为第一个验证环境光传感器监测到光线变化的时间,r2为第二个验证环境光传感器监测到光线变化的时间……rN为第N个验证环境光传感器监测到光线变化的时间;T(2-1)max第一个验证环境光传感器与第二个验证环境光传感器之间的距离,……T(T-(T-1))max为第(T-1)个验证环境光传感器与第T个验证环境光传感器之间的距离;T为驶出环境光传感器的个数;
通过公式得出验证车灯光照强度,式中,qn为最后一个验证环境光传感器;qn-1为qn前一个验证环境光传感器获得实际数据,在将实际数据发送至人工智能模块,通过构建比较结构,所述比较结构为训练网络,此训练网络包括三个卷积层、两个池化层和一个输出层;其中:第一层是卷积层,采用Relu激活函数,卷积方式为带边卷积;第二层是池化层,按照最大值池化;第三层是卷积层,采用Relu激活函数,卷积方式为带边卷积;第四层是卷积层,采用Relu激活函数,卷积方式为带边卷积;第五层是池化层,采用Relu激活函数;第六层是输出层,采用Softmax激活函数;将样本集送入步骤S1建立的训练网络中进行识别训练,训练完成后得到比较结构;用测试程序把得到的比较结构对未知样本集进行分类识别,再辅以人工矫正,进行迭代训练,得到新的比较结构;根据反向梯度算法中的梯度变化动态调整学习率,学习率逐步减小至预设的值,直到梯度变化在一定时间内变化小于阈值,那么系统将自行停止训练,得到最终的比较结构,进而获得驾驶人在驾驶过路灯时的驾驶习惯,进而更加智能的对路灯进行调节。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明原理框图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
因此,在下述附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。
如图1所示,一种人工智能的路灯控制系统,包括人工智能模块、采集模块、光强度模块、电路调节模块以及时间模块;
采集模块包括光照强度采集单元、车辆采集单元以及车道采集单元;
光照强度采集单元用于采集路段内的光照变化,具体的:
步骤一:沿路段的起始端开始等距间隔设置若干个环境光线传感器直至路段的结束端为止;
步骤二:路段的起始端至路段的结束端等距安装有若干个路灯,若干个路灯内均安装有路灯光线传感器;
其中,环境光线传感器的采集方向与车道方向相同;路灯光线传感器采集方向与路灯光照方向相同;
步骤三:将相邻两路灯之间的路段内的环境光线传感器进行划分,具体为:
A31:将相邻两路灯分别标记为第一路灯与第二路灯,其中,第一路灯到第二路灯的方向为路段内车辆的行驶方向;
A32:将第一路灯到第二路灯之间的距离标记为M;其中,距离具体为第一路灯到第二路灯之间的路段距离,需要注意的是,并非直线距离;
A33:第一路灯到第二路灯距离内的环境光线传感器标记为驶出环境光传感器;第一路灯到第二路灯至距离内的环境光线传感器标记为车灯环境光传感器;第一路灯到第二路灯至M距离内的环境光线传感器标记为验证环境光传感器;
步骤四:获取驶出环境光传感器的数据,并通过公式得出车辆的驶出速度,式中,i1为第一个驶出环境光传感器监测到光线变化的时间,i2为第二个驶出环境光传感器监测到光线变化的时间……iN为第N个驶出环境光传感器监测到光线变化的时间;M(2-1)max第一个驶出环境光传感器与第二个驶出环境光传感器之间的距离,……M(N-(N-1))max为第(N-1)个驶出环境光传感器与第N个驶出环境光传感器之间的距离;N为驶出环境光传感器的个数;
其中,驶出环境光传感器为等距安装,M(2-1)max、M(3-2)max……M(N-(N-1))max均相等;
当M(2-1)max、M(3-2)max……、M(N-(N-1))max中出现异常数据时,将产生异常数据对应的环境光传感器标记为异常传感器;
其中,异常数据为超过标准距离值10%或小于标准距离值10%的距离数据;
步骤五:获取车灯环境光传感器数据,并通过公式得出车灯光照强度;式中,c1为第一个车灯环境光传感器数据、c2为第二个车灯环境光传感器数据……cn为第n个车灯环境光传感器数据;n为车灯环境光传感器的个数;ν为权重调节系数;
在本发明具体实施中,权重调节系数,具体为,路灯光线传感器感知光照强度乘以距离车灯环境光传感器的距离衰减率;
其中,距离衰减率为固定系数,随着距离而变化;车灯环境光传感器距离路灯光线传感器的距离为第一个车灯环境光传感器与路灯光线传感器之间的距离;
灯环境光传感器数据具体为车灯光照强度值;
步骤六:获取验证环境光传感器数据,通过公式获得车辆的驶入速度;式中,r1为第一个验证环境光传感器监测到光线变化的时间,r2为第二个验证环境光传感器监测到光线变化的时间……rN为第N个验证环境光传感器监测到光线变化的时间;T(2-1)max第一个验证环境光传感器与第二个验证环境光传感器之间的距离,……T(T-(T-1))max为第(T-1)个验证环境光传感器与第T个验证环境光传感器之间的距离;T为驶出环境光传感器的个数;
车辆采集单元用于采集路段内的车辆信息,具体为,通过交通摄像头对车辆驾驶员进行记录;车道采集单元用于采集路段内的车辆的行驶道路,具体为,通过交通摄像头对车道内行驶的车辆进行正逆行判断,在本发明具体实施时,当有车辆逆行时,由于与传感器预测采集相反,所以采集不到逆行车辆的信息,进而不会对路灯进行调节;
光强度模块用与对光照变化进行变换预测并同时将预测结果与真实结果发送至人工智能模块进行深度学习;
电路调节模块用于接收人工智能模块的调整指令,进而对路灯进行调节;
其中,光强度模块用与对光照变化进行变换预测,具体包括以下步骤:
S2:将光照强度调整值ldqd标记为预测结果,并将预测结果发送至人工智能模块;
S4:将真实结果zdqd标记为真实结果,并发送至人工智能模块;
人工智能模块通过若干组光照强度调整值ldqd与真实结果zdqd的比值获得学习系数,并将学习系数与车辆驾驶员相匹配,人工智能模块通过公式光照强度调整值ldqd乘以学习系数得到调整指令;
在本发明具体实施时,人工智能模块通过公式光照强度调整值ldqd乘以学习系数得到调整指令具体为,
W1、构建比较结构,比较结构为训练网络,此训练网络包括三个卷积层、两个池化层和一个输出层;其中:第一层是卷积层,采用Relu激活函数,卷积方式为带边卷积;
第二层是池化层,按照最大值池化;
第三层是卷积层,采用Relu激活函数,卷积方式为带边卷积;
第四层是卷积层,采用Relu激活函数,卷积方式为带边卷积;
第五层是池化层,采用Relu激活函数;
第六层是输出层,采用Softmax激活函数;
W2、将样本集送入步骤S1建立的训练网络中进行识别训练,训练完成后得到比较结构;
W3、用测试程序把得到的比较结构对未知样本集进行分类识别,再辅以人工矫正,进行迭代训练,得到新的比较结构;
W4、重复步骤S3,根据反向梯度算法中的梯度变化动态调整学习率,学习率逐步减小至预设的值,直到梯度变化在一定时间内变化小于阈值,那么系统将自行停止训练,得到最终的比较结构。
更进一步地,样本集为真实结果zdqd与预测结果ldqd。
时间模块用于对时间进行标记进,具体为,对第一个驶出环境光传感器监测到光线变化的时间、第二个驶出环境光传感器监测到光线变化的时间、第N个驶出环境光传感器监测到光线变化的时间、第一个验证环境光传感器监测到光线变化的时间、第二个验证环境光传感器监测到光线变化的时间以及第N个验证环境光传感器监测到光线变化的时间进行记录。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。
在本发明所提供的实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式;所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方法的目的。
另对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (9)
1.一种人工智能的路灯控制系统,其特征在于,包括人工智能模块、采集模块、光强度模块、电路调节模块以及时间模块;
所述采集模块包括光照强度采集单元、车辆采集单元以及车道采集单元;
所述光照强度采集单元用于采集路段内的光照变化;所述车辆采集单元用于采集路段内的车辆信息;所述车道采集单元用于采集路段内的车辆的行驶道路;
所述光强度模块用与对光照变化进行变换预测并同时将预测结果与真实结果发送至人工智能模块进行深度学习;
所述电路调节模块用于接收人工智能模块的调整指令,进而对路灯进行调节;
其中,所述光强度模块用与对光照变化进行变换预测,具体包括以下步骤:
S2:将光照强度调整值ldqd标记为预测结果,并将预测结果发送至人工智能模块;
S4:将真实结果zdqd标记为真实结果,并发送至人工智能模块;
所述光照强度采集单元用于采集路段内的光照变化,具体为:
步骤一:沿路段的起始端开始等距间隔设置若干个环境光线传感器直至路段的结束端为止;
步骤二:所述路段的起始端至路段的结束端等距安装有若干个路灯,若干个所述路灯内均安装有路灯光线传感器;
其中,所述环境光线传感器的采集方向与车道方向相同;所述路灯光线传感器采集方向与路灯光照方向相同;
步骤三:将相邻两路灯之间的路段内的环境光线传感器进行划分,具体为:
A31:将相邻两路灯分别标记为第一路灯与第二路灯,其中,第一路灯到第二路灯的方向为路段内车辆的行驶方向;
A32:将第一路灯到第二路灯之间的距离标记为M;其中,距离具体为第一路灯到第二路灯之间的路段距离,需要注意的是,并非直线距离;
A33:第一路灯到第二路灯距离内的环境光线传感器标记为驶出环境光传感器;第一路灯到第二路灯至距离内的环境光线传感器标记为车灯环境光传感器;第一路灯到第二路灯至M距离内的环境光线传感器标记为验证环境光传感器;
步骤四:获取驶出环境光传感器的数据,并通过公式得出车辆的驶出速度,式中,i1为第一个驶出环境光传感器监测到光线变化的时间,i2为第二个驶出环境光传感器监测到光线变化的时间……iN为第N个驶出环境光传感器监测到光线变化的时间;M(2-1)max第一个驶出环境光传感器与第二个驶出环境光传感器之间的距离,……M(N-(N-1))max为第(N-1)个驶出环境光传感器与第N个驶出环境光传感器之间的距离;N为驶出环境光传感器的个数;
其中,所述驶出环境光传感器为等距安装,M(2-1)max、M(3-2)max……M(N-(N-1))max均相等;
当M(2-1)max、M(3-2)max……、M(N-(N-1))max中出现异常数据时,将产生异常数据对应的环境光传感器标记为异常传感器;
其中,异常数据为超过标准距离值10%或小于标准距离值10%的距离数据;
步骤五:获取车灯环境光传感器数据,并通过公式得出车灯光照强度;式中,c1为第一个车灯环境光传感器数据、c2为第二个车灯环境光传感器数据……cn为第n个车灯环境光传感器数据;n为车灯环境光传感器的个数;ν为权重调节系数;
所述车灯环境光传感器数据具体为车灯光照强度值;
步骤六:获取验证环境光传感器数据,通过公式获得车辆的驶入速度;式中,r1为第一个验证环境光传感器监测到光线变化的时间,r2为第二个验证环境光传感器监测到光线变化的时间……rN为第N个验证环境光传感器监测到光线变化的时间;T(2-1)max第一个验证环境光传感器与第二个验证环境光传感器之间的距离,……T(T-(T-1))max为第(T-1)个验证环境光传感器与第T个验证环境光传感器之间的距离;T为驶出环境光传感器的个数;
2.根据权利要求1所述的一种人工智能的路灯控制系统,其特征在于,所述车辆采集单元用于对车辆进行采集,具体为,通过交通摄像头对车辆驾驶员进行记录。
3.根据权利要求1所述的一种人工智能的路灯控制系统,其特征在于,所述车道采集单元用于采集路段内的车辆的行驶道路,具体为,通过交通摄像头对车道内行驶的车辆进行正逆行判断。
4.根据权利要求1所述的一种人工智能的路灯控制系统,其特征在于,所述人工智能模块通过若干组光照强度调整值ldqd与真实结果zdqd的比值获得学习系数,并将学习系数与车辆驾驶员相匹配。
5.根据权利要求1所述的一种人工智能的路灯控制系统,其特征在于,所述人工智能模块通过公式光照强度调整值ldqd乘以学习系数得到调整指令。
6.根据权利要求1所述的一种人工智能的路灯控制系统,其特征在于,所述时间模块用于对时间进行标记进,具体为,对第一个驶出环境光传感器监测到光线变化的时间、第二个驶出环境光传感器监测到光线变化的时间、第N个驶出环境光传感器监测到光线变化的时间、第一个验证环境光传感器监测到光线变化的时间、第二个验证环境光传感器监测到光线变化的时间以及第N个验证环境光传感器监测到光线变化的时间进行记录。
7.根据权利要求1所述的一种人工智能的路灯控制系统,其特征在于,所述权重调节系数,具体为,路灯光线传感器感知光照强度乘以距离车灯环境光传感器的距离衰减率;
其中,所述距离衰减率为固定系数,随着距离而变化;车灯环境光传感器距离路灯光线传感器的距离为第一个车灯环境光传感器与路灯光线传感器之间的距离。
8.根据权利要求1所述的一种人工智能的路灯控制系统,其特征在于,所述人工智能模块通过公式光照强度调整值ldqd乘以学习系数得到调整指令具体为:
W1、构建比较结构,所述比较结构为训练网络,此训练网络包括三个卷积层、两个池化层和一个输出层;其中:第一层是卷积层,采用Relu激活函数,卷积方式为带边卷积;
第二层是池化层,按照最大值池化;
第三层是卷积层,采用Relu激活函数,卷积方式为带边卷积;
第四层是卷积层,采用Relu激活函数,卷积方式为带边卷积;
第五层是池化层,采用Relu激活函数;
第六层是输出层,采用Softmax激活函数;
W2、将样本集送入步骤S1建立的训练网络中进行识别训练,训练完成后得到比较结构;
W3、用测试程序把得到的比较结构对未知样本集进行分类识别,再辅以人工矫正,进行迭代训练,得到新的比较结构;
W4、重复步骤S3,根据反向梯度算法中的梯度变化动态调整学习率,学习率逐步减小至预设的值,直到梯度变化在一定时间内变化小于阈值,那么系统将自行停止训练,得到最终的比较结构。
9.根据权利要求8所述的一种人工智能的路灯控制系统,其特征在于,所述样本集为真实结果zdqd与预测结果ldqd。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011609774.6A CN112738960B (zh) | 2020-12-30 | 2020-12-30 | 一种人工智能的路灯控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011609774.6A CN112738960B (zh) | 2020-12-30 | 2020-12-30 | 一种人工智能的路灯控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112738960A CN112738960A (zh) | 2021-04-30 |
CN112738960B true CN112738960B (zh) | 2022-06-14 |
Family
ID=75610240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011609774.6A Active CN112738960B (zh) | 2020-12-30 | 2020-12-30 | 一种人工智能的路灯控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112738960B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109905952A (zh) * | 2019-04-03 | 2019-06-18 | 北京百度网讯科技有限公司 | 路灯控制装置和方法 |
CN111439193A (zh) * | 2020-03-31 | 2020-07-24 | 东风汽车集团有限公司 | 基于大灯控制的驾驶辅助控制系统及方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107529250B (zh) * | 2017-07-17 | 2019-02-15 | 电子科技大学 | 一种led路灯调控装置及调控方法 |
BR102017019865A2 (pt) * | 2017-09-15 | 2019-04-16 | Velsis Sistemas E Tecnologia Viaria S/A | Sistema preditivo, integrado e inteligente para controle de tempos em semáforos de trânsito |
CN110088643B (zh) * | 2018-08-31 | 2021-12-07 | 深圳迈睿智能科技有限公司 | 人体存在探测器及其人体存在探测方法 |
CN109246907A (zh) * | 2018-09-25 | 2019-01-18 | 新克科技有限公司 | 一种基于路灯控制的车辆安全防护方法 |
CN109152185A (zh) * | 2018-10-19 | 2019-01-04 | 中国科学院重庆绿色智能技术研究院 | 一种多源感知路灯智能控制系统 |
CN111629501B (zh) * | 2020-05-27 | 2021-07-09 | 华南农业大学 | 智能路灯控制系统 |
CN111556629A (zh) * | 2020-06-18 | 2020-08-18 | 厦门市闽力安建设有限公司 | 一种智能路灯控制系统及其控制方法 |
-
2020
- 2020-12-30 CN CN202011609774.6A patent/CN112738960B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109905952A (zh) * | 2019-04-03 | 2019-06-18 | 北京百度网讯科技有限公司 | 路灯控制装置和方法 |
CN111439193A (zh) * | 2020-03-31 | 2020-07-24 | 东风汽车集团有限公司 | 基于大灯控制的驾驶辅助控制系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112738960A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112651973B (zh) | 基于特征金字塔注意力和混合注意力级联的语义分割方法 | |
CN112925309A (zh) | 智能网联汽车数据交互方法及交互系统 | |
CN110991523A (zh) | 一种面向无人驾驶车辆检测算法性能的可解释性评估方法 | |
CN108333959A (zh) | 一种基于卷积神经网络模型的机车节能操纵方法 | |
CN115291515A (zh) | 一种基于数字孪生的自动驾驶仿真测试系统及评价方法 | |
CN212009589U (zh) | 一种基于深度学习的视频识别行车车轨迹获取装置 | |
CN112738960B (zh) | 一种人工智能的路灯控制系统 | |
CN113469425A (zh) | 深度交通拥堵预测方法 | |
CN116824542A (zh) | 一种基于深度学习的轻量级雾天车辆检测方法 | |
CN113486711A (zh) | 交通标志识别模型训练方法及系统 | |
CN110816531B (zh) | 一种无人驾驶汽车车辆间安全距离的控制系统及控制方法 | |
CN112381376A (zh) | 一种驾驶能力过程性评价的方法及装置 | |
CN114613144B (zh) | 一种基于Embedding-CNN的混合车群运动演化规律的刻画方法 | |
CN111932829B (zh) | 一种预防疲劳驾驶设施效用测试方法及系统 | |
Feng et al. | Predicting vacant parking space availability zone-wisely: a densely connected ConvLSTM method | |
CN115358942A (zh) | 一种课程学习与师生学习相结合的图像去雾方法 | |
CN115691165A (zh) | 一种交通信号灯调度方法、装置、设备及可读存储介质 | |
CN114881308A (zh) | 基于元学习的网联车辆速度预测方法 | |
CN113313466A (zh) | 一种基于表征信息的公路隧道光环境构建系统和方法 | |
CN113260128A (zh) | 一种景观灯光智能控制方法及系统 | |
Xue et al. | An Intelligent Dimming Algorithm of Streetlight Based on Fuzzy Neural Network | |
CN111723739A (zh) | 基于卷积神经网络的公交车内拥挤状态监测方法 | |
CN112100836B (zh) | 车辆边界参数的获取方法和装置 | |
CN113147782B (zh) | 智能驾驶车辆自车参考轨迹筛选方法和筛选系统 | |
CN116347718B (zh) | 隧道自动调光系统 |
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 |