CN113221642A - 一种违章抓拍图像ai识别系统 - Google Patents

一种违章抓拍图像ai识别系统 Download PDF

Info

Publication number
CN113221642A
CN113221642A CN202110362536.8A CN202110362536A CN113221642A CN 113221642 A CN113221642 A CN 113221642A CN 202110362536 A CN202110362536 A CN 202110362536A CN 113221642 A CN113221642 A CN 113221642A
Authority
CN
China
Prior art keywords
module
image
neural network
network model
output
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.)
Granted
Application number
CN202110362536.8A
Other languages
English (en)
Other versions
CN113221642B (zh
Inventor
杨亚宁
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.)
Pengbopuhua Technology Co ltd
Original Assignee
Pengbopuhua Technology 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 Pengbopuhua Technology Co ltd filed Critical Pengbopuhua Technology Co ltd
Priority to CN202110362536.8A priority Critical patent/CN113221642B/zh
Publication of CN113221642A publication Critical patent/CN113221642A/zh
Application granted granted Critical
Publication of CN113221642B publication Critical patent/CN113221642B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种违章抓拍图像AI识别系统，属于人工智能技术领域，包括待识别图像输入模块，所述待识别图像输入模块的输出端连接有图像预处理模块，所述图像预处理模块的输出端连接有神经网络模型模块，所述神经网络模型模块的输入端连接有神经网络模型建立模块，所述神经网络模型模块的输出端连接有识别结果输出模块；所述神经网络模型模块包括图像分配模块和若干个神经网络模型识别模块；本发明设置待识别图像输入模块、神经网络模型建立模块、神经网络模型模块和识别结果输出模块，能够通过神经网络模型实现违章图像的AI智能识别，无需人工审核，减轻工作人员的工作量，同时提高审核的精准度。

Description

一种违章抓拍图像AI识别系统
技术领域
本发明属于人工智能技术领域，具体涉及一种违章抓拍图像AI识别系统。
背景技术
某城市每天交通卡口图像约70万张，计划未来每天交通卡口图像约140万张，而目前的交通卡口图像均通过人工审核再上报交通云，不仅工作量繁重，而且颇难精准审核。
为此需要设计一种违章抓拍图像AI识别系统，以便于解决上述中提出的问题。
发明内容
为解决上述背景技术中提出的问题。本发明提供了一种违章抓拍图像AI识别系统，具有减轻工作人员工作量，同时提高审核精准度的特点。
为实现上述目的，本发明提供如下技术方案：一种违章抓拍图像AI识别系统，包括待识别图像输入模块，所述待识别图像输入模块的输出端连接有图像预处理模块，所述图像预处理模块的输出端连接有神经网络模型模块，所述神经网络模型模块的输入端连接有神经网络模型建立模块，所述神经网络模型模块的输出端连接有识别结果输出模块；
所述神经网络模型模块包括图像分配模块和若干个神经网络模型识别模块，所述图像分配模块的输入端与图像预处理模块连接，所述图像分配模块的输出端连接有若干个神经网络模型识别模块，若干个所述神经网络模型识别模块的输出端与识别结果输出模块连接。
本发明中进一步的，所述图像预处理模块包括图像灰度化处理模块、图像二值化处理模块、图像去噪处理模块、图像分割处理模块和图像输出模块，所述图像灰度化处理模块的输入端与待识别图像输入模块连接，所述图像灰度化处理模块的输出端连接有图像二值化处理模块，所述图像二值化处理模块的输出端连接有图像去噪处理模块，所述图像去噪处理模块的输出端连接有图像分割处理模块，所述图像分割处理模块的输出端连接有图像输出模块，所述图像输出模块的输出端与图像分配模块连接。
本发明中进一步的，所述神经网络模型建立模块包括训练图像样本输入模块、神经网络模型生成模块、神经网络模型保存模块和神经网络模型输出模块，所述训练图像样本输入模块的输出端连接有神经网络模型生成模块，所述神经网络模型生成模块的输出端连接有神经网络模型保存模块，所述神经网络模型保存模块的输出端连接有神经网络模型输出模块，所述神经网络模型输出模块的输出端与若干个神经网络模型识别模块连接。
本发明中进一步的，所述神经网络模型识别模块的数量可根据实际识别情况进行扩容。
本发明中进一步的，若干个所述神经网络模型识别模块的输出端连接有违章图像存储库，所述待识别图像输入模块的输入端和输出端连接有图像重合度对比模块，所述图像重合度对比模块的输入端和输出端与违章图像存储库连接，所述图像重合度对比模块的输出端与识别结果输出模块连接。
与现有技术相比，本发明的有益效果是：
1、本发明设置待识别图像输入模块、神经网络模型建立模块、神经网络模型模块和识别结果输出模块，能够通过神经网络模型实现违章图像的AI智能识别，无需人工审核，减轻工作人员的工作量，同时提高审核的精准度。
2、本发明神经网络模型模块由图像分配模块和神经网络模型识别模块构成，图像分配模块能够根据图像输出模块输出的图像数量进行分配，将图像均匀的分配至不同的神经网络模型识别模块进行识别处理，不同的神经网络模型识别模块将识别结果反馈至识别结果输出模块，从而能够避免识别拥堵，提高神经网络模型的验证速度。
3、本发明设置图像预处理模块，图像预处理模块由图像灰度化处理模块、图像二值化处理模块、图像去噪处理模块、图像分割处理模块和图像输出模块构成，能够对抓拍的图片分别进行灰度化、二值化、去操以及分割处理，方便神经网络模型识别模块进行识别，提高系统的识别精准度。
4、本发明设置图像重合度对比模块和违章图像存储库，同时图像重合度对比模块分别与待识别图像输入模块、违章图像存储库以及识别结果输出模块连接，能够在神经网络模型识别前先对图像进行对比处理，在与违章图像存储库内的违章图像重合率达标的情况下直接判定为违章，并将结果反馈至识别结果输出模块，能够减小神经网络模型模块的判别强度。
5、本发明违章图像存储库与若干个神经网络模型识别模块连接，能够实现违章图像存储库内违章图像的实时更新，从而逐步提高图像重合度对比模块的对比范围。
附图说明
图1为本发明违章抓拍图像AI识别系统的框架图；
图2为本发明图像预处理模块的框架图；
图3为本发明神经网络模型建立模块的框架图；
图4为本发明神经网络模型模块的框架图；
图中：1、待识别图像输入模块；2、违章图像存储库；3、图像重合度对比模块；4、图像预处理模块；41、图像灰度化处理模块；42、图像二值化处理模块；43、图像去噪处理模块；44、图像分割处理模块；45、图像输出模块；5、神经网络模型建立模块；51、训练图像样本输入模块；52、神经网络模型生成模块；53、神经网络模型保存模块；54、神经网络模型输出模块；6、神经网络模型模块；61、图像分配模块；62、神经网络模型识别模块；7、识别结果输出模块。
具体实施待识别图像输入模块方式
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。
实施例1
请参阅图1-4，本发明提供以下技术方案：一种违章抓拍图像AI识别系统，包括待识别图像输入模块1，待识别图像输入模块1的输出端连接有图像预处理模块4，图像预处理模块4的输出端连接有神经网络模型模块6，神经网络模型模块6的输入端连接有神经网络模型建立模块5，神经网络模型模块6的输出端连接有识别结果输出模块7；
神经网络模型模块6包括图像分配模块61和若干个神经网络模型识别模块62，图像分配模块61的输入端与图像预处理模块4连接，图像分配模块61的输出端连接有若干个神经网络模型识别模块62，若干个神经网络模型识别模块62的输出端与识别结果输出模块7连接。
具体的，图像预处理模块4包括图像灰度化处理模块41、图像二值化处理模块42、图像去噪处理模块43、图像分割处理模块44和图像输出模块45，图像灰度化处理模块41的输入端与待识别图像输入模块1连接，图像灰度化处理模块41的输出端连接有图像二值化处理模块42，图像二值化处理模块42的输出端连接有图像去噪处理模块43，图像去噪处理模块43的输出端连接有图像分割处理模块44，图像分割处理模块44的输出端连接有图像输出模块45，图像输出模块45的输出端与图像分配模块61连接。
具体的，神经网络模型建立模块5包括训练图像样本输入模块51、神经网络模型生成模块52、神经网络模型保存模块53和神经网络模型输出模块54，训练图像样本输入模块51的输出端连接有神经网络模型生成模块52，神经网络模型生成模块52的输出端连接有神经网络模型保存模块53，神经网络模型保存模块53的输出端连接有神经网络模型输出模块54，神经网络模型输出模块54的输出端与若干个神经网络模型识别模块62连接。
具体的，神经网络模型识别模块62的数量可根据实际识别情况进行扩容。
本实施例的工作原理：通过神经网络模型建立模块5建立神经网络模型：通过训练图像样本输入模块51输入训练图像样本，直至神经网络模型生成模块52生成神经网络模型，神经网络模型保存模块53保存生成的神经网络模型，神经网络模型输出模块54将神经网络模型分别输入神经网络模型识别模块62；
待识别图像输入模块1将待识别的图像输入图像预处理模块4内，图像预处理模块4对待识别的图像进行预处理，预处理后的图像输入神经网络模型模块6，神经网络模型模块6对图像进行识别，判别图像是否违章，并将判别结果反馈至识别结果输出模块7，识别结果输出模块7输出识别结果，判别结束；
图像预处理模块4的预处理步骤：图像灰度化处理模块41对图像进行灰度化处理，图像二值化处理模块42对图像进行二值化处理，图像去噪处理模块43对图像进行去噪处理，图像分割处理模块44对图像进行分割处理，图像输出模块45对预处理后的图像进行输出；
神经网络模型模块6的处理步骤：图像分配模块61根据图像输出模块45输出的图像数量进行分配，将图像均匀的分配至不同的神经网络模型识别模块62进行识别处理，不同的神经网络模型识别模块62将识别结果反馈至识别结果输出模块7。
实施例2
本实施例较实施例1的不同之处在于：
具体的，若干个神经网络模型识别模块62的输出端连接有违章图像存储库2，待识别图像输入模块1的输入端和输出端连接有图像重合度对比模块3，图像重合度对比模块3的输入端和输出端与违章图像存储库2连接，图像重合度对比模块3的输出端与识别结果输出模块7连接。
本实施例的工作原理：在通过神经网络模型模块6进行判别前，待识别图像输入模块1将待识别的图像输入图像重合度对比模块3内，图像重合度对比模块3将待识别的图像与违章图像存储库2内的图像进行对比，若待识别的图像与违章图像存储库2内的任一图像重合度高于90％，则图像重合度对比模块3直接判定待识别的图像为违章，并将判别结果直接反馈至识别结果输出模块7，识别结果输出模块7输出识别结果，判别结束，无需经过神经网络模型模块6进行判别，减小神经网络模型模块6的判别强度，若待识别的图像与违章图像存储库2内的图像重合度均低于90％，则图像重合度对比模块3将对比结果反馈至待识别图像输入模块1，待识别图像输入模块1再将待识别的图像输入神经网络模型模块6进行判别，神经网络模型模块6判别为违章的图像会反馈至违章图像存储库2，丰富违章图像存储库2内的数据。
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 (5)

1.一种违章抓拍图像AI识别系统，包括待识别图像输入模块(1)，其特征在于：所述待识别图像输入模块(1)的输出端连接有图像预处理模块(4)，所述图像预处理模块(4)的输出端连接有神经网络模型模块(6)，所述神经网络模型模块(6)的输入端连接有神经网络模型建立模块(5)，所述神经网络模型模块(6)的输出端连接有识别结果输出模块(7)；
所述神经网络模型模块(6)包括图像分配模块(61)和若干个神经网络模型识别模块(62)，所述图像分配模块(61)的输入端与图像预处理模块(4)连接，所述图像分配模块(61)的输出端连接有若干个神经网络模型识别模块(62)，若干个所述神经网络模型识别模块(62)的输出端与识别结果输出模块(7)连接。
2.根据权利要求1所述的一种违章抓拍图像AI识别系统，其特征在于：所述图像预处理模块(4)包括图像灰度化处理模块(41)、图像二值化处理模块(42)、图像去噪处理模块(43)、图像分割处理模块(44)和图像输出模块(45)，所述图像灰度化处理模块(41)的输入端与待识别图像输入模块(1)连接，所述图像灰度化处理模块(41)的输出端连接有图像二值化处理模块(42)，所述图像二值化处理模块(42)的输出端连接有图像去噪处理模块(43)，所述图像去噪处理模块(43)的输出端连接有图像分割处理模块(44)，所述图像分割处理模块(44)的输出端连接有图像输出模块(45)，所述图像输出模块(45)的输出端与图像分配模块(61)连接。
3.根据权利要求1所述的一种违章抓拍图像AI识别系统，其特征在于：所述神经网络模型建立模块(5)包括训练图像样本输入模块(51)、神经网络模型生成模块(52)、神经网络模型保存模块(53)和神经网络模型输出模块(54)，所述训练图像样本输入模块(51)的输出端连接有神经网络模型生成模块(52)，所述神经网络模型生成模块(52)的输出端连接有神经网络模型保存模块(53)，所述神经网络模型保存模块(53)的输出端连接有神经网络模型输出模块(54)，所述神经网络模型输出模块(54)的输出端与若干个神经网络模型识别模块(62)连接。
4.根据权利要求1所述的一种违章抓拍图像AI识别系统，其特征在于：所述神经网络模型识别模块(62)的数量可根据实际识别情况进行扩容。
5.根据权利要求1所述的一种违章抓拍图像AI识别系统，其特征在于：若干个所述神经网络模型识别模块(62)的输出端连接有违章图像存储库(2)，所述待识别图像输入模块(1)的输入端和输出端连接有图像重合度对比模块(3)，所述图像重合度对比模块(3)的输入端和输出端与违章图像存储库(2)连接，所述图像重合度对比模块(3)的输出端与识别结果输出模块(7)连接。
CN202110362536.8A 2021-04-02 2021-04-02 一种违章抓拍图像ai识别系统 Active CN113221642B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110362536.8A CN113221642B (zh) 2021-04-02 2021-04-02 一种违章抓拍图像ai识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110362536.8A CN113221642B (zh) 2021-04-02 2021-04-02 一种违章抓拍图像ai识别系统

Publications (2)

Publication Number Publication Date
CN113221642A true CN113221642A (zh) 2021-08-06
CN113221642B CN113221642B (zh) 2024-04-05

Family

ID=77086376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110362536.8A Active CN113221642B (zh) 2021-04-02 2021-04-02 一种违章抓拍图像ai识别系统

Country Status (1)

Country Link
CN (1) CN113221642B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113831377A (zh) * 2021-09-30 2021-12-24 江苏正济药业股份有限公司 一种Molnupiravir有关物质及其制备方法和应用

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109118779A (zh) * 2018-10-12 2019-01-01 东软集团股份有限公司 交通违章信息识别方法、设备及可读存储介质
CN109272109A (zh) * 2018-10-30 2019-01-25 北京地平线机器人技术研发有限公司 神经网络模型的指令调度方法及装置
CN111008640A (zh) * 2019-10-17 2020-04-14 平安科技（深圳）有限公司 图像识别模型训练及图像识别方法、装置、终端及介质
CN111626357A (zh) * 2020-05-27 2020-09-04 北京微智信业科技有限公司 一种基于神经网络模型的图像识别方法
WO2020186914A1 (zh) * 2019-03-20 2020-09-24 北京沃东天骏信息技术有限公司 行人再识别方法、装置及存储介质
CN112016487A (zh) * 2020-09-01 2020-12-01 北京爱索创新科技有限公司 一种智能识别方法及设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109118779A (zh) * 2018-10-12 2019-01-01 东软集团股份有限公司 交通违章信息识别方法、设备及可读存储介质
CN109272109A (zh) * 2018-10-30 2019-01-25 北京地平线机器人技术研发有限公司 神经网络模型的指令调度方法及装置
WO2020186914A1 (zh) * 2019-03-20 2020-09-24 北京沃东天骏信息技术有限公司 行人再识别方法、装置及存储介质
CN111008640A (zh) * 2019-10-17 2020-04-14 平安科技（深圳）有限公司 图像识别模型训练及图像识别方法、装置、终端及介质
CN111626357A (zh) * 2020-05-27 2020-09-04 北京微智信业科技有限公司 一种基于神经网络模型的图像识别方法
CN112016487A (zh) * 2020-09-01 2020-12-01 北京爱索创新科技有限公司 一种智能识别方法及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘思雨;薛劲松;景栋盛;: "基于分阶段深度神经网络的施工违章识别", 软件工程, no. 09 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113831377A (zh) * 2021-09-30 2021-12-24 江苏正济药业股份有限公司 一种Molnupiravir有关物质及其制备方法和应用

Also Published As

Publication number Publication date
CN113221642B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN111352971A (zh) 银行系统监控数据异常检测方法及系统
CN113221642A (zh) 一种违章抓拍图像ai识别系统
CN114495498B (zh) 一种交通数据分布有效性判别方法及装置
CN109242165A (zh) 一种模型训练及基于模型训练的预测方法及装置
CN115170988A (zh) 基于深度学习的电网线路故障识别方法及系统
CN115187932A (zh) 一种基于人工智能的道路拥堵分析系统
CN114612011A (zh) 一种风险防控决策方法及装置
CN114358464A (zh) 作业风险评估方法及装置、电子设备和存储介质
CN114139931A (zh) 企业数据评估方法、装置、计算机设备及存储介质
CN113759974A (zh) 一种面向输电杆塔精细化巡检的航线生成方法
CN109377436A (zh) 一种环境精准监管方法与装置、终端设备及存储介质
CN113095511A (zh) 一种在自动化主站实现操作到位的判断方法及装置
CN110287114B (zh) 一种数据库脚本性能测试的方法及装置
CN115392710A (zh) 一种基于数据过滤的风电机组运行决策方法及系统
CN115564276A (zh) 项目统计储备管理系统、方法及存储介质
CN115375965A (zh) 一种目标场景识别的预处理方法、目标场景识别方法
CN114912854A (zh) 地铁列车运行调整方法、装置、电子设备及存储介质
CN113870052A (zh) 基于多输入lstm-cnn的工作票安全措施识别方法及终端
CN112905329A (zh) 一种提高数据标准落标率的全生命周期管控方法
CN114332876A (zh) 一种基于区块链技术的医疗票据图像识别方法
Zhang et al. Freeway travel time prediction research based on a deep learning approach
CN115018607B (zh) 基于人工智能的会计数据处理方法及系统
Wang et al. Research on a risk control model based on selective ensemble algorithm of hierarchical clustering and simulated annealing
CN115001941A (zh) 一种通信网管故障的确定方法及装置
CN114637849B (zh) 基于人工智能的法律关系认知方法及系统

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