CN113239960B - 融合ai视觉算法的道路防护智能预警方法和系统 - Google Patents

融合ai视觉算法的道路防护智能预警方法和系统 Download PDF

Info

Publication number
CN113239960B
CN113239960B CN202110382087.3A CN202110382087A CN113239960B CN 113239960 B CN113239960 B CN 113239960B CN 202110382087 A CN202110382087 A CN 202110382087A CN 113239960 B CN113239960 B CN 113239960B
Authority
CN
China
Prior art keywords
guardrail
pictures
complete
identification model
training
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
Application number
CN202110382087.3A
Other languages
English (en)
Other versions
CN113239960A (zh
Inventor
胡增
汪刚
钟生
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.)
China Applied Technology Co Ltd
Original Assignee
China Applied 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 China Applied Technology Co Ltd filed Critical China Applied Technology Co Ltd
Priority to CN202110382087.3A priority Critical patent/CN113239960B/zh
Publication of CN113239960A publication Critical patent/CN113239960A/zh
Application granted granted Critical
Publication of CN113239960B publication Critical patent/CN113239960B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及道路预警领域，公开了一种融合AI视觉算法的道路防护智能预警方法和系统，包括以下步骤：构建基于AlexNet网络结构模型的护栏识别模型；获取完整护栏图片，选取其中一部分完整护栏图片作为训练集，其余部分作为测试集；对训练集中的完整护栏图片进行预处理后，再基于护栏的一致性和完整性的特性，采用K均值聚类方法对完整护栏图片进行图像分割，将护栏从完整护栏图片中分割出来，并对部分护栏图片进行标注；采用基于一致性正则化和伪标签的方法对护栏识别模型进行自监督学习和训练，并通过包含监督损失项和无监督损失项的损失函数对护栏识别模型进行优化；获取实时的护栏图片，判断护栏是否损坏。

Description

融合AI视觉算法的道路防护智能预警方法和系统
技术领域
本发明涉及道路预警领域，具体涉及一种融合AI视觉算法的道路防护智能预警方法和系统。
背景技术
高速公路护栏是半钢性护栏的主要形式，它是一种以波纹状钢护栏板相互拼接并由主柱支撑的连续结构。护栏遭到车辆碰撞时会吸收碰撞能量，既不容易被撞毁，同时又可对车辆和司乘人员起到很好的保护作用。
高速公路护栏作为重要的道路设施，需要人们去维护，一旦发生损坏或者缺失，会增加道路行驶的不安全因素。传统的做法是人工开车去巡逻，发现有问题的护栏后做出汇报。但是上述做法存在问题，一方面需要人员长时间的巡逻，耗费较多的人力成本；另一方面，一旦出现泥石流、滑坡等自然灾害或者出现交通事故，人们无法第一时间获得护栏的情况，并及时发出预警信息。
发明内容
为解决上述技术问题，本发明提供一种融合AI视觉算法的道路防护智能预警方法和系统。
为解决上述技术问题，本发明采用如下技术方案：
一种融合AI视觉算法的道路防护智能预警方法，包括以下步骤：
步骤一：构建基于AlexNet网络结构模型的护栏识别模型；
步骤二：获取完整护栏图片，选取其中一部分完整护栏图片作为训练集，其余部分作为测试集；
步骤三：对训练集中的完整护栏图片进行预处理后，再基于护栏的一致性和完整性的特性，采用K均值聚类方法对完整护栏图片进行图像分割，将护栏从完整护栏图片中分割出来，并对部分护栏图片进行标注；
步骤四：采用基于一致性正则化和伪标签的方法对护栏识别模型进行自监督学习和训练，并通过包含监督损失项和无监督损失项的损失函数对护栏识别模型进行优化；
步骤五：获取实时的护栏图片，进行预处理后导入护栏识别模型，判断护栏是否损坏。
具体地，步骤二中，选取四分之三的完整护栏图片作为训练集，选取四分之一的完整护栏图片作为测试集。
具体地，步骤三中对完整护栏图片进行预处理以及步骤五中对护栏图片进行预处理时，依次进行灰度化处理、二值化处理以及去噪处理。
具体地，步骤四中采用FixMatch算法对护栏识别模型进行自监督学习和训练，具体包括以下步骤：
步骤41：将已标注的护栏图片导入护栏识别模型进行训练；
步骤42：将未标注的护栏图片进行弱增强后导入护栏识别模型中进行预测，对预测的置信度高于阈值的图片打上标签，形成伪标签图片；
步骤43：对未标注的护栏图片进行强增强后导入护栏识别模型中进行训练；
步骤44：将伪标签图片导入护栏识别模型中进行训练；
步骤45：将已标注的护栏图片和伪标签图片一起导入护栏识别模型中训练。
具体地，步骤42中的弱增强包括反转、翻转、拉伸、缩放、平移以及裁剪。
具体地，步骤43中采用cutout进行数据增强，包括对护栏图片增加噪音、随机擦除、改变亮度、改变对比度、改变饱和度。
具体地，步骤四中的监督损失项无监督损失项所述损失函数的最小化损失为ls+λulu，其中τ为阈值超参数；λu为固定的标量超参数，表示未标记损失的相对权重；α和pm为随机函数；B为护栏图片训练样本的批量大小；pb为预测概率；qb＝pm(y|α(xb))，表示护栏识别模型对训练样本预测的类别分布；y为指示变量,如果该类别和样本的类别相同则y＝1，否则y＝0；μB为未标注的护栏图片的批量大小；u为超参数；H(x)为交叉熵损失函数。
具体地，护栏上安装有碰撞传感器；当碰撞传感器发出信号后，获取对应路段的护栏图像，将护栏图像导入护栏识别模型后，判断护栏是否损坏；如果发生碰撞，护栏损坏，则通过显示装置发出预警信息，同时向移动设备发送预警信息；如果没有发生碰撞，仅为车辆遮挡，则解除预警。
一种融合AI视觉算法的道路防护智能预警系统，包括：
模型构建模块，其构建基于AlexNet网络结构模型的护栏识别模型；
数据集构建模块，其获取完整护栏图片，选取其中一部分完整护栏图片作为训练集，其余部分作为测试集；
图像分割模块，其对训练集中的完整护栏图片进行预处理后，再基于护栏的一致性和完整性的特性，采用K均值聚类方法对完整护栏图片进行图像分割，将护栏从完整护栏图片中分割出来，并对部分护栏图片进行标注；
模型训练模块，其采用基于一致性正则化和伪标签的方法对护栏识别模型进行自监督学习和训练，并通过包含监督损失项和无监督损失项的损失函数对护栏识别模型进行优化；
识别模块，其获取实时的护栏图片，进行预处理后导入护栏识别模型，判断护栏是否损坏。
与现有技术相比，本发明的有益技术效果是：
本发明构建基于AlexNet网络结构的护栏识别模型，并通过FixMatch算法对护栏识别模型进行自监督学习和训练，能够减少人工标注工作量；护栏识别模型能够对护栏是否发生碰撞进行辅助检测，提高碰撞检测准确度，减少误报。
附图说明
图1为本发明预警方法的流程示意图；
图2为本发明FixMatch算法的流程图。
具体实施方式
下面结合附图对本发明的一种优选实施方式作详细的说明。
如图1所示，一种融合AI视觉算法的道路防护智能预警方法，包括以下步骤：
S1：构建基于AlexNet网络结构模型的护栏识别模型。
AlexNet网络结构模型的输入为227*227*3，共包含8个带权重的层，前5层是卷积层，剩下的3层是全连接层；激活函数为ReLU函数：f(x)＝max(0,x)；x为输入神经元的数据。
初始化AlexNet网络结构模型的超参数包括尺寸、步长、填充数等；并同时设置阈值。
S2：获取大量完整护栏图片，选取其中一部分完整护栏图片作为训练集，其余部分作为测试集。
步骤二中，选取四分之三的完整护栏图片作为训练集，选取四分之一的完整护栏图片作为测试集。
S3：对训练集中的完整护栏图片进行预处理后，再基于护栏的一致性和完整性的特性，采用K均值聚类方法对完整护栏图片进行图像分割，将护栏从完整护栏图片中分割出来，并对部分护栏图片进行标注。
具体地，步骤三中对完整护栏图片进行预处理以及步骤五中对护栏图片进行预处理时，依次进行灰度化处理、二值化处理以及去噪处理。
S4：采用基于一致性正则化和伪标签的方法对护栏识别模型进行自监督学习和训练，并通过包含监督损失项和无监督损失项的损失函数对护栏识别模型进行优化。
由于图片数量较多，无法每个图片都进行标注，只标注极小部分的护栏图片；为了解决标注数据不足的问题，本发明提出了一种置信度强化训练机制，采用一致性差异迭代训练的方法，进行自监督学习和训练。
如图2所示，步骤四中采用FixMatch算法对护栏识别模型进行自监督学习和训练，具体包括以下步骤：
步骤41：将已标注的护栏图片导入护栏识别模型进行训练；
步骤42：将未标注的护栏图片进行弱增强后导入护栏识别模型中进行预测，对预测的置信度高于阈值的图片打上标签，形成伪标签图片；
步骤43：对未标注的护栏图片进行强增强后导入护栏识别模型中进行训练；
步骤44：将伪标签图片导入护栏识别模型中进行训练；
步骤45：将已标注的护栏图片和伪标签图片一起导入护栏识别模型中训练。
具体地，步骤42中的弱增强包括反转、翻转、拉伸、缩放、平移以及裁剪。
具体地，步骤43中采用cutout进行数据增强，包括对护栏图片增加噪音、随机擦除、改变亮度、改变对比度、改变饱和度。
具体地，步骤四中的监督损失项无监督损失项所述损失函数的最小化损失为ls+λulu，其中τ为阈值超参数；λu为固定的标量超参数，表示未标记损失的相对权重；α和pm为随机函数；B为护栏图片训练样本的批量大小；pb为预测概率；qb＝pm(y|α(xb))，表示护栏识别模型对训练样本预测的类别分布；y为指示变量,如果该类别和样本的类别相同则y＝1，否则y＝0；μB为未标注的护栏图片的批量大小；u为超参数；H(x)为交叉熵损失函数。
S5：获取实时的护栏图片，进行预处理后导入护栏识别模型，判断护栏是否损坏。
一种融合AI视觉算法的道路防护智能预警系统，包括：
模型构建模块，其构建基于AlexNet网络结构模型的护栏识别模型；
数据集构建模块，其获取完整护栏图片，选取其中一部分完整护栏图片作为训练集，其余部分作为测试集；
图像分割模块，其对训练集中的完整护栏图片进行预处理后，再基于护栏的一致性和完整性的特性，采用K均值聚类方法对完整护栏图片进行图像分割，将护栏从完整护栏图片中分割出来，并对部分护栏图片进行标注；
模型训练模块，其采用基于一致性正则化和伪标签的方法对护栏识别模型进行自监督学习和训练，并通过包含监督损失项和无监督损失项的损失函数对护栏识别模型进行优化；
识别模块，其获取实时的护栏图片，进行预处理后导入护栏识别模型，判断护栏是否损坏。
所述预警系统具体包括：碰撞传感器、监控摄像机、LED显示屏、后台管理系统、移动设备、LORA网关和NB-IOT网络；
碰撞传感器有多个，均匀安装在护栏上，碰撞传感器支持NBIOT通信，支持GPS定位、北斗定位、LBS定位以及WIFI定位，其内置可充电电池或一次性电池，可工作3-5年；
LORA网关用于碰撞传感器的信号发送；
NB-IOT网络用于实现LORA网关和后台管理系统的数据通信；
监控摄像机用于获取道路监控的视频信息；
LED显示屏用于显示预警信息；
后台管理系统运行本发明中的预警方法；
碰撞传感器通过NBIOT通信将检测到的碰撞信息发送给后台管理系统；后台管理系统用于判断碰撞信息是否为误报，并进行预警通知。
当碰撞传感器发出信号，后台管理系统获取对应路段监控摄像机的图像，进行灰度化、二值化后，导入护栏识别模型，判断护栏是否损坏；如果发生碰撞，栏杆损坏，则在LED显示屏发出预警信息，同时也向移动设备发送预警信息；如果没有发生碰撞，只是车辆遮挡，则解除预警。
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囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立技术方案，说明书的这种叙述方式仅仅是为了清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (3)

1.一种融合AI视觉算法的道路防护智能预警方法，包括以下步骤：
步骤一：构建基于AlexNet网络结构模型的护栏识别模型；
步骤二：获取完整护栏图片，选取其中一部分完整护栏图片作为训练集，其余部分作为测试集；
步骤三：对训练集中的完整护栏图片进行预处理后，再基于护栏的一致性和完整性的特性，采用K均值聚类方法对完整护栏图片进行图像分割，将护栏从完整护栏图片中分割出来，并对部分护栏图片进行标注；
步骤四：采用基于一致性正则化和伪标签的方法对护栏识别模型进行自监督学习和训练，并通过包含监督损失项和无监督损失项的损失函数对护栏识别模型进行优化；
步骤五：获取实时的护栏图片，进行预处理后导入护栏识别模型，判断护栏是否损坏；
步骤四中采用FixMatch算法对护栏识别模型进行自监督学习和训练，具体包括以下步骤：
步骤41：将已标注的护栏图片导入护栏识别模型进行训练；
步骤42：将未标注的护栏图片进行弱增强后导入护栏识别模型中进行预测，对预测的置信度高于阈值的护栏图片打上标签，形成伪标签图片；
步骤43：对未标注的护栏图片进行强增强后导入护栏识别模型中进行训练；
步骤44：将伪标签图片导入护栏识别模型中进行训练；
步骤45：将已标注的护栏图片和伪标签图片一起导入护栏识别模型中训练；
护栏上安装有碰撞传感器；当碰撞传感器发出信号后，获取对应路段的护栏图像，将护栏图像导入护栏识别模型后，判断护栏是否损坏；如果发生碰撞，护栏损坏，则通过显示装置发出预警信息，同时向移动设备发送预警信息；如果没有发生碰撞，仅为车辆遮挡，则解除预警；
步骤三中对完整护栏图片进行预处理以及步骤五中对护栏图片进行预处理时，依次进行灰度化处理、二值化处理以及去噪处理；
步骤42中的弱增强包括反转、翻转、拉伸、缩放、平移以及裁剪；
步骤43中采用cut out进行数据增强，包括对护栏图片增加噪音、随机擦除、改变亮度、改变对比度、改变饱和度；
步骤四中的监督损失项无监督损失项所述损失函数的最小化损失为ls+λulu，其中𝜏为阈值超参数；λu为固定的标量超参数，表示未标记损失的相对权重；α和pm为随机函数；B为护栏图片训练样本的批量大小；pb为预测概率；qb＝pm(y|α(xb))，表示护栏识别模型对训练样本预测的类别分布；y为指示变量,如果该类别和样本的类别相同则y＝1，否则y＝0；μB为未标注的护栏图片的批量大小；μ为超参数；H(x)为交叉熵损失函数。
2.根据权利要求1所述的融合AI视觉算法的道路防护智能预警方法，其特征在于：步骤二中，选取四分之三的完整护栏图片作为训练集，选取四分之一的完整护栏图片作为测试集。
3.一种如权利要求1或2所述的融合AI视觉算法的道路防护智能预警方法所构建的系统，其特征在于，包括：
模型构建模块，其构建基于AlexNet网络结构模型的护栏识别模型；
数据集构建模块，其获取完整护栏图片，选取其中一部分完整护栏图片作为训练集，其余部分作为测试集；
图像分割模块，其对训练集中的完整护栏图片进行预处理后，再基于护栏的一致性和完整性的特性，采用K均值聚类方法对完整护栏图片进行图像分割，将护栏从完整护栏图片中分割出来，并对部分护栏图片进行标注；
模型训练模块，其采用基于一致性正则化和伪标签的方法对护栏识别模型进行自监督学习和训练，并通过包含监督损失项和无监督损失项的损失函数对护栏识别模型进行优化；
识别模块，其获取实时的护栏图片，进行预处理后导入护栏识别模型，判断护栏是否损坏。
CN202110382087.3A 2021-04-09 2021-04-09 融合ai视觉算法的道路防护智能预警方法和系统 Active CN113239960B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110382087.3A CN113239960B (zh) 2021-04-09 2021-04-09 融合ai视觉算法的道路防护智能预警方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110382087.3A CN113239960B (zh) 2021-04-09 2021-04-09 融合ai视觉算法的道路防护智能预警方法和系统

Publications (2)

Publication Number Publication Date
CN113239960A CN113239960A (zh) 2021-08-10
CN113239960B true CN113239960B (zh) 2024-05-28

Family

ID=77127884

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110382087.3A Active CN113239960B (zh) 2021-04-09 2021-04-09 融合ai视觉算法的道路防护智能预警方法和系统

Country Status (1)

Country Link
CN (1) CN113239960B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116055675A (zh) * 2022-08-29 2023-05-02 中建八局第三建设有限公司 一种基于卷积神经网络的施工现场安全防护网安装监测方法
CN116659540B (zh) * 2023-08-01 2023-10-27 西安博康硕达网络科技有限公司 一种在自动驾驶过程中的交通护栏识别方法
CN117932384B (zh) * 2024-02-21 2024-08-06 山东大学 面向检测数据缺失路段的路面损坏状况评估方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9704054B1 (en) * 2015-09-30 2017-07-11 Amazon Technologies, Inc. Cluster-trained machine learning for image processing
CN109726627A (zh) * 2018-09-29 2019-05-07 初速度（苏州）科技有限公司 一种神经网络模型训练及通用接地线的检测方法
CN110691224A (zh) * 2019-10-31 2020-01-14 上海电力大学 一种变电站周界视频智能检测系统
CN110796046A (zh) * 2019-10-17 2020-02-14 武汉科技大学 基于卷积神经网络的智能钢渣检测方法和系统
CN110910339A (zh) * 2019-07-10 2020-03-24 研祥智能科技股份有限公司 Logo缺陷检测方法及装置
CN111316288A (zh) * 2019-02-28 2020-06-19 深圳市大疆创新科技有限公司 道路结构信息的提取方法、无人机及自动驾驶系统
CN111860596A (zh) * 2020-06-17 2020-10-30 长安大学 基于深度学习的无监督路面裂缝分类方法及模型建立方法
CN112464914A (zh) * 2020-12-30 2021-03-09 南京积图网络科技有限公司 一种基于卷积神经网络的护栏分割方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170309181A1 (en) * 2016-04-26 2017-10-26 Hyundai Motor Company Apparatus for recognizing following vehicle and method thereof
US11087173B2 (en) * 2018-12-27 2021-08-10 Beijing Didi Infinity Technology And Development Co., Ltd. Using image pre-processing to generate a machine learning model

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9704054B1 (en) * 2015-09-30 2017-07-11 Amazon Technologies, Inc. Cluster-trained machine learning for image processing
CN109726627A (zh) * 2018-09-29 2019-05-07 初速度（苏州）科技有限公司 一种神经网络模型训练及通用接地线的检测方法
CN111316288A (zh) * 2019-02-28 2020-06-19 深圳市大疆创新科技有限公司 道路结构信息的提取方法、无人机及自动驾驶系统
CN110910339A (zh) * 2019-07-10 2020-03-24 研祥智能科技股份有限公司 Logo缺陷检测方法及装置
CN110796046A (zh) * 2019-10-17 2020-02-14 武汉科技大学 基于卷积神经网络的智能钢渣检测方法和系统
CN110691224A (zh) * 2019-10-31 2020-01-14 上海电力大学 一种变电站周界视频智能检测系统
CN111860596A (zh) * 2020-06-17 2020-10-30 长安大学 基于深度学习的无监督路面裂缝分类方法及模型建立方法
CN112464914A (zh) * 2020-12-30 2021-03-09 南京积图网络科技有限公司 一种基于卷积神经网络的护栏分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
fixmatch simplifying semi-supervised learning with consistency and confidence;Kihyuk et al;《NeurIPS 2020》;1-13 *
王宇.《岩体细观结构力学工业CT技术与应用》.冶金工业出版社,2021,114-115. *

Also Published As

Publication number Publication date
CN113239960A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
CN113239960B (zh) 融合ai视觉算法的道路防护智能预警方法和系统
AU2019101142A4 (en) A pedestrian detection method with lightweight backbone based on yolov3 network
CN110364008B (zh) 路况确定方法、装置、计算机设备和存储介质
CN109670404B (zh) 一种基于混合模型的道路积水图像检测预警方法
CN104350510B (zh) 用于将图像的前景对象与背景模型区分开的方法和系统
Ren et al. YOLOv5s-M: A deep learning network model for road pavement damage detection from urban street-view imagery
Soilán et al. Safety assessment on pedestrian crossing environments using MLS data
US20230306573A1 (en) Systems and methods for assessing infrastructure
CN111415533A (zh) 弯道安全预警监控方法、装置以及系统
CN117576073A (zh) 一种基于改进YOLOv8模型的道路缺陷检测方法、装置和介质
CN113807220A (zh) 交通事件检测方法、装置、电子设备和可读存储介质
CN115578693A (zh) 一种基于显著性神经网络模型的施工安全预警方法和装置
CN115546742A (zh) 一种基于单目热红外摄像头的铁轨异物识别方法及系统
Guerrieri et al. Flexible and stone pavements distress detection and measurement by deep learning and low-cost detection devices
CN115909245A (zh) 一种基于深度学习的视觉多任务处理方法
Kumar et al. Moving Vehicles Detection and Tracking on Highways and Transportation System for Smart Cities
Seo et al. Temporary traffic control device detection for road construction projects using deep learning application
Aldoski et al. Impact of traffic sign diversity on autonomous vehicles: a literature review
Utaminingrum et al. Feature selection of gray-level Cooccurrence matrix using genetic algorithm with Extreme learning machine classification for early detection of Pole roads
CN113850995A (zh) 一种基于隧道雷视数据融合的事件检测方法、装置及系统
CN115294774B (zh) 基于深度学习的非机动车道路违停检测方法及装置
CN116229396B (zh) 高速路面病害识别及告警方法
CN117037081A (zh) 基于机器学习的交通监控方法、装置、设备及介质
Yu et al. From sky to road: incorporating the satellite imagery into analysis of freight truck-related crash factors
CN116579608A (zh) 一种道桥工地台风预警期安全防控方法及系统

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