CN113283539A - 一种基于深度学习的违规渣土车检测的方法及系统 - Google Patents
一种基于深度学习的违规渣土车检测的方法及系统 Download PDFInfo
- Publication number
- CN113283539A CN113283539A CN202110659667.2A CN202110659667A CN113283539A CN 113283539 A CN113283539 A CN 113283539A CN 202110659667 A CN202110659667 A CN 202110659667A CN 113283539 A CN113283539 A CN 113283539A
- Authority
- CN
- China
- Prior art keywords
- muck
- vehicle
- illegal
- truck
- information
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
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)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于深度学习的违规渣土车检测方法,包括以下具体步骤:S1、采集道路上摄像头的数据信息,并在电子地图上对摄像头的地理位置信息进行定位,获取摄像头抓拍到的车辆信息A;S2、对车辆信息A进行分类识别,得到渣土车信息集B;S3、对渣土车信息集B中的各个渣车进行分类;S4、根据渣土车被抓拍的时间以及定位地点,对渣土车的行驶路线以及是否违规倒渣土进行预测;S5、若预测渣土车具有违规倾倒渣土的意向,则进行报警提醒并将预警信息发送至处理人员的移动终端。本发明还提出了基于深度学习的违规渣土车检测系统。本发明能代替人工高效准确的完成违规渣土车检测,杜绝渣土车违规倾倒渣土事件的发生。
Description
技术领域
本发明涉及计算机深度学习技术领域,尤其涉及一种基于深度学习的违规渣土车检测方法及系统。
背景技术
近几年随着文明城市的建设,各地都在不断完善建筑垃圾消纳场所建设,但是,仍有人怀着侥幸心里随意倾倒建筑垃圾,破坏城市良好形象,而通过人工检测违规渣土车不仅费时费力效率低下,而且效果也不理想,仍有不少漏网之鱼。
现有的绝大部渣土车管控办法主要通过对施工工地的渣土车安装定位装置进行管理,这种方法对于本地施工的渣土车具有一定的约束效果;但是外来偷倒渣土的渣土车,因为不在本地登记备案,所以无法对其进行管控;而事实上对环境进行破坏的往往是这些外来的渣土车,因此如何能够对这些外来的且在本地无备案的渣土车进行有效管控就变得尤为重要。
发明内容
(一)发明目的
为解决背景技术中存在的技术问题,本发明提出一种基于深度学习的违规渣土车检测方法及系统,本发明能代替人工高效准确的完成违规渣土车检测,杜绝渣土车违规倾倒渣土事件的发生。
(二)技术方案
本发明提供了一种基于深度学习的违规渣土车检测方法,包括以下具体步骤:
S1、采集道路上摄像头的数据信息,并在电子地图上对摄像头的地理位置信息进行定位,获取摄像头抓拍到的车辆信息A;
S2、对车辆信息A进行分类识别,得到渣土车信息集B;
S3、按照渣土车是否满载、空载以及是否铺盖防尘布对渣土车信息集B中的各个渣车进行分类;
S4、根据渣土车被抓拍的时间以及定位地点,对渣土车的行驶路线以及是否违规倒渣土进行预测;
S5、若预测渣土车具有违规倾倒渣土的意向,则进行报警提醒并将预警信息发送至处理人员的移动终端。
优选的,车辆信息A包括车辆的返回时间、地点、车牌、车型以及车身颜色。
优选的,车辆信息A分类的方法包括基础分类法和AI模型分类法;
基础分类法是指根据车辆的基本属性进行分类;车辆的基本属性包括车身颜色、车牌颜色、车型以及车牌号码。
优选的,S5中对预测渣土车具有违规倾倒渣土的意向后,根据违规评分机制对违规严重程度进行等级划分,不同严重程度的违规采用与之相对应的处置策略。
本发明还提供了一种基于深度学习的违规渣土车检测系统,包括
车辆抓拍模块,用于抓拍道路上的车辆,得到车辆信息A;
数据采集模块,用于采集车辆抓拍模块的地理位置信息以及车辆信息A;
车辆分类识别模块,用于采用基础分类法和AI模型分类法对车辆信息A进行分类识别,得到渣土车信息集B;
渣土车分类模块,用于按照渣土车是否满载、空载以及是否铺盖防尘布对渣土车信息集B中的各个渣车进行分类;
渣土车预测模块,用于预测渣土车是否具有违规倾倒渣土的意向;
渣土车预警模块,用于进行报警提醒并将预警信息发送至处理人员的移动终端。
优选的,车辆分类识别模块包括修正处置单元;修正处置单元用于采用大数据对历史确认过的车辆信息进行车辆标签化,通过标签化的车辆信息对再次出现的车辆识别结果进行修正处理。
优选的,渣土车预测模块包括
线路预测单元,用于预测渣土车的行驶路线;
倒渣土预测单元,用于预测渣土车是否有倾倒渣土的意向。
与现有技术相比,本发明的上述技术方案具有如下有益的技术效果:
本发明提供的基于深度学习的违规渣土车检测方法简单易行,通过在高速及公路等关键出入口布置网络摄像头;获取各网络摄像头的地理位置定位信息,根据各网络摄像头抓拍到的车辆返回的时间、地点以及车牌等数据信息;对获得的数据信息中的车辆进行分类,最终识别出获取数据中的渣土车;再对按照渣土车是否满载、空载以及是否铺盖防尘布对渣土车进行分类,根据渣土车的行车时间和地点对渣土车是否具有违规倾倒渣土的意向进行预测,预测渣土车具有违规倾倒渣土的意向,则进行报警提醒并将预警信息发送至处理人员的移动终端,工作人员及时对渣土车存在的违规行为进行制止,能代替人工高效准确的完成违规渣土车检测,进而能有效的维护城市的良好形象。
附图说明
图1为本发明提出的一种基于深度学习的违规渣土车检测方法的流程图。
图2为本发明提出的一种基于深度学习的违规渣土车检测系统的原理框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
实施例1
如图1所示,本发明提出的一种基于深度学习的违规渣土车检测方法,包括以下具体步骤:
S1、采集道路上摄像头的数据信息,并在电子地图上对摄像头的地理位置信息进行定位,获取摄像头抓拍到的车辆信息A;
其中,采集到的摄像头的信息包括但不限于摄像头的类型信息、使用信息、维护信息以及摄像头定位在地图上的经纬度信息;明确抓拍信息来源的摄像头和地图经纬度,实时把接入的信息进行信息传输及信息存储,通过实时的数据流传输保证数据对接的时效性;
S2、对车辆信息A进行分类识别,得到渣土车信息集B;
S3、按照渣土车是否满载、空载以及是否铺盖防尘布对渣土车信息集B中的各个渣车进行分类;
S4、根据渣土车被抓拍的时间以及定位地点,对渣土车的行驶路线以及是否违规倒渣土进行预测,根据摄像头拍摄到的数据信息,根据车辆行驶的先后时间以及出现的地点顺序计算车辆行驶路径,进一步的通过路径及大数据模型对违规倒渣土进行预测;
S5、若预测渣土车具有违规倾倒渣土的意向,则进行报警提醒并将预警信息发送至处理人员的移动终端;
若预测渣土车没有违规倾倒渣土的意向,则继续对渣土车进行监测;
进一步的,移动终端包括电脑端和智能手机端。
在一个可选的实施例中,车辆信息A包括车辆的返回时间、地点、车牌、车型以及车身颜色。
在一个可选的实施例中,车辆信息A分类的方法包括基础分类法和AI模型分类法;
基础分类法是指根据车辆的基本属性进行分类;车辆的基本属性包括车身颜色、车牌颜色、车型以及车牌号码;
在基础分类法的基础上结合AI模型分类法;AI模型分类法采用AI深度学习的算法,能对车辆是否是渣土车进行识别,基础分类法与AI模型分类法相结合的分类模式能够更加有效的提升渣土车识别准确率。
在一个可选的实施例中,S5中对预测渣土车具有违规倾倒渣土的意向后,根据违规评分机制对违规严重程度进行等级划分,不同严重程度的违规采用与之相对应的处置策略,甚至一定程度上实现自动处罚,大幅度提升系统的业务可用性和时效性。
实施例2
如图2所示,本发明提出的一种基于深度学习的违规渣土车检测系统,包括
车辆抓拍模块,用于抓拍道路上的车辆,得到车辆信息A;
需要说明的是,车辆抓拍模块包括摄像头信息录入与维护、摄像头定位管理、摄像头图片数据对接、数据转发和数据存储,其中摄像头信息录入与维护主要完成摄像头基础信息的录入及相应的信息变更维护,摄像头定位管理主要完成摄像头在地图上的经纬度定位,将摄像头的实际位置与电子地图上的位置一一对应,数据对接主要完成摄像头车辆图片的获取,该对接主要通过VPN内网传输机制实现。数据转发是把获取的车辆图片信息实时转发至车辆识别模块,而转发的同时,车辆图片信息写入数据库服务器,实现数据库存储;
数据采集模块,用于采集车辆抓拍模块的地理位置信息以及车辆信息A;
车辆分类识别模块,用于采用基础分类法和AI模型分类法对车辆信息A进行分类识别,得到渣土车信息集B;
渣土车分类模块,用于按照渣土车是否满载、空载以及是否铺盖防尘布对渣土车信息集B中的各个渣车进行分类;
需要说明的是,渣土车的分类主要包括但不限于是否满载、空载以及是否铺盖防尘布等类型,不同类别标注不同的分类标签;
渣土车预测模块,用于预测渣土车是否具有违规倾倒渣土的意向;
渣土车预警模块,用于进行报警提醒并将预警信息发送至处理人员的移动终端。
在一个可选的实施例中,车辆分类识别模块包括修正处置单元;修正处置单元用于采用大数据对历史确认过的车辆信息进行车辆标签化,通过标签化的车辆信息对再次出现的车辆识别结果进行修正处理。
在一个可选的实施例中,渣土车预测模块包括
线路预测单元,用于预测渣土车的行驶路线;
倒渣土预测单元,用于预测渣土车是否有倾倒渣土的意向。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (7)
1.一种基于深度学习的违规渣土车检测方法,其特征在于,包括以下具体步骤:
S1、采集道路上摄像头的数据信息,并在电子地图上对摄像头的地理位置信息进行定位,获取摄像头抓拍到的车辆信息A;
S2、对车辆信息A进行分类识别,得到渣土车信息集B;
S3、按照渣土车是否满载、空载以及是否铺盖防尘布对渣土车信息集B中的各个渣车进行分类;
S4、根据渣土车被抓拍的时间以及定位地点,对渣土车的行驶路线以及是否违规倒渣土进行预测;
S5、若预测渣土车具有违规倾倒渣土的意向,则进行报警提醒并将预警信息发送至处理人员的移动终端。
2.根据权利要求1所述的一种基于深度学习的违规渣土车检测方法,其特征在于,车辆信息A包括车辆的返回时间、地点、车牌、车型以及车身颜色。
3.根据权利要求1所述的一种基于深度学习的违规渣土车检测方法,其特征在于,车辆信息A分类的方法包括基础分类法和AI模型分类法;
基础分类法是指根据车辆的基本属性进行分类;车辆的基本属性包括车身颜色、车牌颜色、车型以及车牌号码。
4.根据权利要求1所述的一种基于深度学习的违规渣土车检测方法,其特征在于,S5中对预测渣土车具有违规倾倒渣土的意向后,根据违规评分机制对违规严重程度进行等级划分,不同严重程度的违规采用与之相对应的处置策略。
5.一种基于深度学习的违规渣土车检测系统,其特征在于,包括
车辆抓拍模块,用于抓拍道路上的车辆,得到车辆信息A;
数据采集模块,用于采集车辆抓拍模块的地理位置信息以及车辆信息A;
车辆分类识别模块,用于采用基础分类法和AI模型分类法对车辆信息A进行分类识别,得到渣土车信息集B;
渣土车分类模块,用于按照渣土车是否满载、空载以及是否铺盖防尘布对渣土车信息集B中的各个渣车进行分类;
渣土车预测模块,用于预测渣土车是否具有违规倾倒渣土的意向;
渣土车预警模块,用于进行报警提醒并将预警信息发送至处理人员的移动终端。
6.根据权利要求5所述的一种基于深度学习的违规渣土车检测系统,其特征在于,车辆分类识别模块包括修正处置单元;修正处置单元用于采用大数据对历史确认过的车辆信息进行车辆标签化,通过标签化的车辆信息对再次出现的车辆识别结果进行修正处理。
7.根据权利要求5所述的一种基于深度学习的违规渣土车检测系统,其特征在于,渣土车预测模块包括
线路预测单元,用于预测渣土车的行驶路线;
倒渣土预测单元,用于预测渣土车是否有倾倒渣土的意向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110659667.2A CN113283539A (zh) | 2021-06-15 | 2021-06-15 | 一种基于深度学习的违规渣土车检测的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110659667.2A CN113283539A (zh) | 2021-06-15 | 2021-06-15 | 一种基于深度学习的违规渣土车检测的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113283539A true CN113283539A (zh) | 2021-08-20 |
Family
ID=77284468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110659667.2A Pending CN113283539A (zh) | 2021-06-15 | 2021-06-15 | 一种基于深度学习的违规渣土车检测的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283539A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113611123A (zh) * | 2021-10-09 | 2021-11-05 | 智广海联(天津)大数据技术有限公司 | 渣土车辅助研判治理方法和系统 |
CN114141012A (zh) * | 2021-11-24 | 2022-03-04 | 南京精筑智慧科技有限公司 | 一种基于nlp算法的不按路线行驶预警处理方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107229680A (zh) * | 2017-05-08 | 2017-10-03 | 武汉依迅北斗空间技术有限公司 | 一种渣土车违规作业追溯方法和系统 |
CN108921151A (zh) * | 2018-05-31 | 2018-11-30 | 四川物联亿达科技有限公司 | 一种基于深度学习的普通摄像头全车牌识别系统 |
WO2020192122A1 (zh) * | 2019-03-27 | 2020-10-01 | 江苏智通交通科技有限公司 | 一种闯红灯车辆的非现场执法图片智能审核方法和系统 |
CN112749674A (zh) * | 2021-01-20 | 2021-05-04 | 青岛以萨数据技术有限公司 | 一种渣土车预警方法、设备、系统及存储介质 |
-
2021
- 2021-06-15 CN CN202110659667.2A patent/CN113283539A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107229680A (zh) * | 2017-05-08 | 2017-10-03 | 武汉依迅北斗空间技术有限公司 | 一种渣土车违规作业追溯方法和系统 |
CN108921151A (zh) * | 2018-05-31 | 2018-11-30 | 四川物联亿达科技有限公司 | 一种基于深度学习的普通摄像头全车牌识别系统 |
WO2020192122A1 (zh) * | 2019-03-27 | 2020-10-01 | 江苏智通交通科技有限公司 | 一种闯红灯车辆的非现场执法图片智能审核方法和系统 |
CN112749674A (zh) * | 2021-01-20 | 2021-05-04 | 青岛以萨数据技术有限公司 | 一种渣土车预警方法、设备、系统及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113611123A (zh) * | 2021-10-09 | 2021-11-05 | 智广海联(天津)大数据技术有限公司 | 渣土车辅助研判治理方法和系统 |
CN113611123B (zh) * | 2021-10-09 | 2021-12-17 | 智广海联(天津)大数据技术有限公司 | 渣土车辅助研判治理方法和系统 |
CN114141012A (zh) * | 2021-11-24 | 2022-03-04 | 南京精筑智慧科技有限公司 | 一种基于nlp算法的不按路线行驶预警处理方法和系统 |
CN114141012B (zh) * | 2021-11-24 | 2022-11-15 | 南京精筑智慧科技有限公司 | 一种基于nlp算法的不按路线行驶预警处理方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11481991B2 (en) | System and method for detecting and transmitting incidents of interest of a roadway to a remote server | |
US20240034327A1 (en) | Road abnormality detection apparatus, road abnormality detection method and road abnormality detection program | |
CN113283539A (zh) | 一种基于深度学习的违规渣土车检测的方法及系统 | |
CN111127897A (zh) | 车辆状态检测方法、装置、服务器及稽查系统 | |
CN111739308B (zh) | 面向车路协同的道路异常移动物联监控系统及方法 | |
CN102254429A (zh) | 一种基于视频识别的违章车辆检测装置和方法 | |
Mikami et al. | Deepcounter: Using deep learning to count garbage bags | |
CN112381014A (zh) | 一种基于城市道路的违停车辆检测及管理方法及系统 | |
TWI501196B (zh) | 車輛資料處理系統、車輛資料處理方法、車輛資料處理裝置、程式及記錄媒體 | |
CN113487877A (zh) | 一种道路车辆违规停车监控方法 | |
CN114510826A (zh) | 车辆排放结构分解方法、装置、电子设备及存储介质 | |
CN113888869B (zh) | 一种套牌渣土车联网定位方法、系统及云平台 | |
CN111368626B (zh) | 车辆识别方法、装置、电子设备和存储介质 | |
WO2012082700A1 (en) | Automated automobile management system | |
CN115631420B (zh) | 一种隧道积水识别方法、装置、存储介质及电子装置 | |
CN114724356B (zh) | 基于气象数据整合的gis高速公路事故预警的方法及系统 | |
US20220335730A1 (en) | System and method for traffic signage inspection through collection, processing and transmission of data | |
CN112215038A (zh) | 特定车辆识别系统、方法及存储介质 | |
Ranjan et al. | City scale monitoring of on-street parking violations with streethawk | |
JP7293174B2 (ja) | 道路周辺物監視装置、道路周辺物監視プログラム | |
Babu et al. | Smart Transport System for Passenger Comfort using IoT | |
WO2023166555A1 (ja) | 路面標示劣化分析装置、方法、及びコンピュータ可読媒体 | |
EP4300442A1 (en) | System and method for traffic signage inspection through collection, processing and transmission of data | |
CN115861935A (zh) | 渣土车的监控管理方法 | |
CN115420298A (zh) | 一种基于机器学习实现垃圾清运车辆异常行驶的检测方法 |
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 |