CN113343905A - 道路异常智能识别模型训练、道路异常识别的方法及系统 - Google Patents
道路异常智能识别模型训练、道路异常识别的方法及系统 Download PDFInfo
- Publication number
- CN113343905A CN113343905A CN202110721863.8A CN202110721863A CN113343905A CN 113343905 A CN113343905 A CN 113343905A CN 202110721863 A CN202110721863 A CN 202110721863A CN 113343905 A CN113343905 A CN 113343905A
- Authority
- CN
- China
- Prior art keywords
- road
- vehicle
- training
- abnormal
- identification
- 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
Links
Images
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了道路异常智能识别模型训练、道路异常识别的方法及系统,涉及道路识别技术领域,解决了现有道路异常情况识别存在一定的误差,且识别精度有待进一步提升的问题,其技术方案要点是:获取多个处于异常状态的道路图像作为训练样本图像;提取各个训练样本图像中异常特征和车辆驾驶位特征,得到训练样本集;将训练样本集输入深度学习神经网络模型进行训练,得到道路异常智能识别模型。发明通过依据异常特征对车辆驾驶位特征的影响相关性进行模型训练,能够依据车辆密度分布信息、车辆驾驶方位信息的细节差异性表征精准、可靠的识别出道路异常的具体类型和具体情况,道路异常识别的误差较小。
Description
技术领域
本发明涉及道路识别技术领域,更具体地说,它涉及道路异常智能识别模型训练、道路异常识别的方法及系统。
背景技术
随着我国居民生活水平的不断提高,汽车现存量不断提升,伴随而来的是道路拥堵也日益严重。道路拥堵主要是由车流量突发性增加、道路施工占道、道路损坏影响车速、交通事故占道以及坑洞、裂缝、补绽等道路病害一系列因素导致的,用户获取道路状态目前主要是通过实时地图显示、车载广播获取,但其主要是从大范围获知道路拥堵情况,对于道路拥堵具体详情并不能及时获知,也就无法为用户面对道路拥堵情况快速做出合理决策提供信息支撑。因此,对道路异常情况进行识别对于有效应对道路拥堵和防止道路拥堵进一步加深具有重大意义。
目前,对于道路异常情况的识别主要是通过神经网络模型对待识别的道路图像进行模型训练后提取异常特征,而其神经网络模型建立过程中主要是依据正常道路图像和异常图像进行训练的。然而,现有道路异常识别模型在训练提取异常特征时并未考虑的道路异常对驾驶车辆行驶状态影响的相关性,从而导致现有道路异常情况识别存在一定的误差,且识别精度有待进一步提升,导致现有道路异常情况识别无法应用到局部细节的道路拥堵管理,其主要是应用于宏观上的道路异常管理。
因此,如何研究设计一种道路异常智能识别模型训练、道路异常识别的方法及系统是我们目前急需解决的问题。
发明内容
为解决现有技术中的不足,本发明的目的是提供道路异常智能识别模型训练、道路异常识别的方法及系统过,本发明考虑了异常特征对车辆密度分布信息、车辆驾驶方位信息的影响相关性进行模型训练,能够精准、可靠的识别出道路异常的具体类型和具体情况,道路异常识别的误差较小,不仅可以为用户获知道路拥堵情况、道路工况提供了基础信息,还可实现智能道路巡查工作,且无需设置专用道路巡查车辆即可实现道路全面巡查工作,适用范围广,推广应用成本低。
本发明的上述技术目的是通过以下技术方案得以实现的:
第一方面,提供了道路异常智能识别模型训练方法,包括以下步骤:
获取多个处于异常状态的道路图像作为训练样本图像;
提取各个训练样本图像中异常特征和车辆驾驶位特征,得到训练样本集;
将训练样本集输入深度学习神经网络模型进行训练,得到道路异常智能识别模型。
进一步的,所述异常特征包括异常区域形态信息以及异常区域的行驶道站位信息。
进一步的,所述车辆驾驶位特征包括车辆密度分布信息和车辆驾驶方位信息。
进一步的,所述车辆密度分布信息的获取过程具体为:
提取预设像素区域内的车辆数量;
根据预设像素区域的像素值、车辆数量计算得到车辆平均分布密度;
根据预设像素区域内的像素占空率计算得到各个子区域的车辆实际分布密度;
根据预设像素区域内各个车辆所处子区域的车辆实际分布密度、对应车辆距离异常区域的像素值计算得到由异常密度影响值集成的车辆密度分布信息。
进一步的,所述异常密度影响值与车辆实际分布密度呈正相关,且与对应车辆距离异常区域的像素值呈反相关。
进一步的,所述异常密度影响值参与模型训练的频率根据异常密度影响值、车辆平均分布密度之间的比值计算得到。
进一步的,所述车辆驾驶方位信息根据车辆驾驶方向相对于行驶道标注方向的偏移值确定。
进一步的,所述异常状态包括道路拥堵、道路施工、交通事故、道路损坏。
第二方面,提供了道路异常识别方法,包括以下步骤:
通过至少一个车载终端随机采集待检测的道路识别图像;
根据车载终端的定位信息匹配本地服务器,建联后将道路识别图像上传至本地服务器;
通过本地服务器内储存的如权利要求1-8任意一项所述的道路异常智能识别模型对道路识别图像进行图像识别,得到道路识别图像中的异常状态信息;
通过本地服务器将异常状态信息反馈至所属定位区域内所有的车载终端。
第三方面,提供了道路异常识别系统,包括:
至少一个车载终端,用于随机采集待检测的道路识别图像,并根据车载终端的定位信息匹配本地服务器,以及建联后将道路识别图像上传至本地服务器;
至少一个本地服务器,用于以储存的如权利要求1-8任意一项所述的道路异常智能识别模型对道路识别图像进行图像识别后得到道路识别图像中的异常状态信息,并将异常状态信息反馈至所属定位区域内所有的车载终端。
与现有技术相比,本发明具有以下有益效果:
1、本发明通过依据异常特征对车辆密度分布信息、车辆驾驶方位信息的影响相关性进行模型训练,能够依据车辆密度分布信息、车辆驾驶方位信息的细节差异性表征精准、可靠的识别出道路异常的具体类型和具体情况,道路异常识别的误差较小;
2、本发明依据车辆平均分布密度、表示距离的像素值计算得到由异常密度影响值,并通过对应异常密度影响在整个道路图像中的比重确定异常密度影响值参与模型训练的频率,有效削弱了不同车辆驾驶目的所引起驾驶状态变化对道路异常识别的影响;
3、本发明通过车载终端上传的道路识别图像和定位信息自动匹配本地服务器,本地服务器依据内置道路异常智能识别模型完成识别后能够及时将识别结果反馈给车载终端,整个过程及时性较强,且通过车载终端、道路监控装置等图像采集设备进行多次图像采集,不仅图像清晰度、覆盖面广,也无需重新部署网络架构,整个技术实现成本相对较低。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1是本发明实施例中道路异常智能识别模型训练的流程图;
图2是本发明实施例中道路异常识别的流程图;
图3是本发明实施例中道路异常识别的系统架构图。
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白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1:道路异常智能识别模型训练方法,如图1所示,包括以下步骤:
S1:获取多个处于异常状态的道路图像作为训练样本图像;异常状态包括道路拥堵、道路施工、交通事故、道路损坏;
S2:提取各个训练样本图像中异常特征和车辆驾驶位特征,得到训练样本集;异常特征包括异常区域形态信息以及异常区域的行驶道站位信息;车辆驾驶位特征包括车辆密度分布信息和车辆驾驶方位信息;
S3:将训练样本集输入深度学习神经网络模型进行训练,得到道路异常智能识别模型。
需要说明的是,本实施例中所采用的深度学习神经网络模型为现有技术,在此不作过多解释。
车辆密度分布信息的获取过程具体为:
S201:提取预设像素区域内的车辆数量;
S202:根据预设像素区域的像素值、车辆数量计算得到车辆平均分布密度;像素值的选取可以根据需求灵活设置;
S203:根据预设像素区域内的像素占空率计算得到各个子区域的车辆实际分布密度;
S204:根据预设像素区域内各个车辆所处子区域的车辆实际分布密度、对应车辆距离异常区域的像素值计算得到由异常密度影响值集成的车辆密度分布信息。
异常密度影响值与车辆实际分布密度呈正相关,且与对应车辆距离异常区域的像素值呈反相关。例如,异常密度影响值计算公式具体为:
其中,δ表示异常密度影响值;ρ表示车辆实际分布密度;L表示对应车辆距离异常区域的像素值;k表示变化系数,为常值。
异常密度影响值参与模型训练的频率根据异常密度影响值、车辆平均分布密度之间的比值计算得到。
车辆驾驶方位信息根据车辆驾驶方向相对于行驶道标注方向的偏移值确定,偏移值可以理解为偏移向量。
本发明通过创造性的依据异常特征对车辆密度分布信息、车辆驾驶方位信息的影响相关性进行模型训练,能够依据车辆密度分布信息、车辆驾驶方位信息的细节差异性表征精准、可靠的识别出道路异常的具体类型和具体情况,道路异常识别的误差较小。
实施例2:道路异常识别方法,如图2所示,包括以下步骤:
S11:通过至少一个车载终端随机采集待检测的道路识别图像;
S12:根据车载终端的定位信息匹配本地服务器,建联后将道路识别图像上传至本地服务器;
S13:通过本地服务器内储存的如权利要求1-8任意一项所述的道路异常智能识别模型对道路识别图像进行图像识别,得到道路识别图像中的异常状态信息;
S14:通过本地服务器将异常状态信息反馈至所属定位区域内所有的车载终端。
需要说明的是,为保证道路识别图像的完整性,当车载终端采集图像视线受阻碍时,道路识别图像可通过多个分布在不同位置的车载终端所采集图像融合得到。
实施例3:道路异常识别系统,如图3所示,包括至少一个车载终端以及至少一个本地服务器。车载终端,用于随机采集待检测的道路识别图像,并根据车载终端的定位信息匹配本地服务器,以及建联后将道路识别图像上传至本地服务器。本地服务器,用于以储存的如实施例1记载的道路异常智能识别模型对道路识别图像进行图像识别后得到道路识别图像中的异常状态信息,并将异常状态信息反馈至所属定位区域内所有的车载终端。
需要说明的是,作为道路识别图像发送端的车载终端还可替换为其他图像采集设备。作为异常状态信息接收端的车载终端,还可替换为其他移动终端,例如智能手机。
另外,本地服务器的位置布置可以根据路段、道路类型、位置覆盖面等多重因素进行综合考虑。
本发明通过车载终端上传的道路识别图像和定位信息自动匹配本地服务器,本地服务器依据内置道路异常智能识别模型完成识别后能够及时将识别结果反馈给车载终端,整个过程及时性较强,且通过车载终端、道路监控装置等图像采集设备进行多次图像采集,不仅图像清晰度、覆盖面广,也无需重新部署网络架构,整个技术实现成本相对较低。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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。
以上的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,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。
Claims (10)
1.道路异常智能识别模型训练方法,其特征是,包括以下步骤:
获取多个处于异常状态的道路图像作为训练样本图像;
提取各个训练样本图像中异常特征和车辆驾驶位特征,得到训练样本集;
将训练样本集输入深度学习神经网络模型进行训练,得到道路异常智能识别模型。
2.根据权利要求1所述的道路异常智能识别模型训练方法,其特征是,所述异常特征包括异常区域形态信息以及异常区域的行驶道站位信息。
3.根据权利要求1所述的道路异常智能识别模型训练方法,其特征是,所述车辆驾驶位特征包括车辆密度分布信息和车辆驾驶方位信息。
4.根据权利要求3所述的道路异常智能识别模型训练方法,其特征是,所述车辆密度分布信息的获取过程具体为:
提取预设像素区域内的车辆数量;
根据预设像素区域的像素值、车辆数量计算得到车辆平均分布密度;
根据预设像素区域内的像素占空率计算得到各个子区域的车辆实际分布密度;
根据预设像素区域内各个车辆所处子区域的车辆实际分布密度、对应车辆距离异常区域的像素值计算得到由异常密度影响值集成的车辆密度分布信息。
5.根据权利要求4所述的道路异常智能识别模型训练方法,其特征是,所述异常密度影响值与车辆实际分布密度呈正相关,且与对应车辆距离异常区域的像素值呈反相关。
6.根据权利要求4所述的道路异常智能识别模型训练方法,其特征是,所述异常密度影响值参与模型训练的频率根据异常密度影响值、车辆平均分布密度之间的比值计算得到。
7.根据权利要求3所述的道路异常智能识别模型训练方法,其特征是,所述车辆驾驶方位信息根据车辆驾驶方向相对于行驶道标注方向的偏移值确定。
8.根据权利要求1所述的道路异常智能识别模型训练方法,其特征是,所述异常状态包括道路拥堵、道路施工、交通事故、道路损坏。
9.道路异常识别方法,其特征是,包括以下步骤:
通过至少一个车载终端随机采集待检测的道路识别图像;
根据车载终端的定位信息匹配本地服务器,建联后将道路识别图像上传至本地服务器;
通过本地服务器内储存的如权利要求1-8任意一项所述的道路异常智能识别模型对道路识别图像进行图像识别,得到道路识别图像中的异常状态信息;
通过本地服务器将异常状态信息反馈至所属定位区域内所有的车载终端。
10.道路异常识别系统,其特征是,包括:
至少一个车载终端,用于随机采集待检测的道路识别图像,并根据车载终端的定位信息匹配本地服务器,以及建联后将道路识别图像上传至本地服务器;
至少一个本地服务器,用于以储存的如权利要求1-8任意一项所述的道路异常智能识别模型对道路识别图像进行图像识别后得到道路识别图像中的异常状态信息,并将异常状态信息反馈至所属定位区域内所有的车载终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110721863.8A CN113343905B (zh) | 2021-06-28 | 2021-06-28 | 道路异常智能识别模型训练、道路异常识别的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110721863.8A CN113343905B (zh) | 2021-06-28 | 2021-06-28 | 道路异常智能识别模型训练、道路异常识别的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113343905A true CN113343905A (zh) | 2021-09-03 |
CN113343905B CN113343905B (zh) | 2022-06-14 |
Family
ID=77479235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110721863.8A Active CN113343905B (zh) | 2021-06-28 | 2021-06-28 | 道路异常智能识别模型训练、道路异常识别的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113343905B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114592411A (zh) * | 2022-03-29 | 2022-06-07 | 中国矿业大学 | 一种载体寄生式公路损坏智能巡查方法 |
CN116910629A (zh) * | 2023-09-13 | 2023-10-20 | 四川公路桥梁建设集团有限公司 | 一种基于大数据的路面检测方法及装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106557814A (zh) * | 2016-11-15 | 2017-04-05 | 成都通甲优博科技有限责任公司 | 一种道路车辆密度评估方法及装置 |
CN106650913A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种基于深度卷积神经网络的车流密度估计方法 |
CN107705560A (zh) * | 2017-10-30 | 2018-02-16 | 福州大学 | 一种融合视觉特征和卷积神经网络的道路拥堵检测方法 |
CN108510739A (zh) * | 2018-04-28 | 2018-09-07 | 重庆交通大学 | 一种道路交通状态识别方法、系统及存储介质 |
CN109147331A (zh) * | 2018-10-11 | 2019-01-04 | 青岛大学 | 一种基于计算机视觉的道路拥堵状态检测方法 |
CN109643485A (zh) * | 2016-12-30 | 2019-04-16 | 同济大学 | 一种城市道路交通异常检测方法 |
CN109993969A (zh) * | 2019-03-08 | 2019-07-09 | 腾讯大地通途(北京)科技有限公司 | 一种路况判定信息获取方法、装置及设备 |
CN110135261A (zh) * | 2019-04-15 | 2019-08-16 | 北京易华录信息技术股份有限公司 | 一种训练道路异常识别模型、道路异常识别的方法及系统 |
CN110364008A (zh) * | 2019-08-16 | 2019-10-22 | 腾讯科技(深圳)有限公司 | 路况确定方法、装置、计算机设备和存储介质 |
CN111767904A (zh) * | 2020-09-01 | 2020-10-13 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种交通事件检测方法、装置、终端及存储介质 |
CN111862605A (zh) * | 2020-07-20 | 2020-10-30 | 腾讯科技(深圳)有限公司 | 路况检测方法、装置、电子设备及可读存储介质 |
CN111899514A (zh) * | 2020-08-19 | 2020-11-06 | 陇东学院 | 一种人工智能的拥堵检测系统 |
CN112069944A (zh) * | 2020-08-25 | 2020-12-11 | 青岛海信网络科技股份有限公司 | 一种道路拥堵等级确定方法 |
-
2021
- 2021-06-28 CN CN202110721863.8A patent/CN113343905B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106557814A (zh) * | 2016-11-15 | 2017-04-05 | 成都通甲优博科技有限责任公司 | 一种道路车辆密度评估方法及装置 |
CN109643485A (zh) * | 2016-12-30 | 2019-04-16 | 同济大学 | 一种城市道路交通异常检测方法 |
CN106650913A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种基于深度卷积神经网络的车流密度估计方法 |
CN107705560A (zh) * | 2017-10-30 | 2018-02-16 | 福州大学 | 一种融合视觉特征和卷积神经网络的道路拥堵检测方法 |
CN108510739A (zh) * | 2018-04-28 | 2018-09-07 | 重庆交通大学 | 一种道路交通状态识别方法、系统及存储介质 |
CN109147331A (zh) * | 2018-10-11 | 2019-01-04 | 青岛大学 | 一种基于计算机视觉的道路拥堵状态检测方法 |
CN109993969A (zh) * | 2019-03-08 | 2019-07-09 | 腾讯大地通途(北京)科技有限公司 | 一种路况判定信息获取方法、装置及设备 |
CN110135261A (zh) * | 2019-04-15 | 2019-08-16 | 北京易华录信息技术股份有限公司 | 一种训练道路异常识别模型、道路异常识别的方法及系统 |
CN110364008A (zh) * | 2019-08-16 | 2019-10-22 | 腾讯科技(深圳)有限公司 | 路况确定方法、装置、计算机设备和存储介质 |
CN111862605A (zh) * | 2020-07-20 | 2020-10-30 | 腾讯科技(深圳)有限公司 | 路况检测方法、装置、电子设备及可读存储介质 |
CN111899514A (zh) * | 2020-08-19 | 2020-11-06 | 陇东学院 | 一种人工智能的拥堵检测系统 |
CN112069944A (zh) * | 2020-08-25 | 2020-12-11 | 青岛海信网络科技股份有限公司 | 一种道路拥堵等级确定方法 |
CN111767904A (zh) * | 2020-09-01 | 2020-10-13 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种交通事件检测方法、装置、终端及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114592411A (zh) * | 2022-03-29 | 2022-06-07 | 中国矿业大学 | 一种载体寄生式公路损坏智能巡查方法 |
CN114592411B (zh) * | 2022-03-29 | 2023-05-23 | 中国矿业大学 | 一种载体寄生式公路损坏智能巡查方法 |
CN116910629A (zh) * | 2023-09-13 | 2023-10-20 | 四川公路桥梁建设集团有限公司 | 一种基于大数据的路面检测方法及装置 |
CN116910629B (zh) * | 2023-09-13 | 2023-12-15 | 四川公路桥梁建设集团有限公司 | 一种基于大数据的路面检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113343905B (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9365217B2 (en) | Mobile pothole detection system and method | |
CN113343905B (zh) | 道路异常智能识别模型训练、道路异常识别的方法及系统 | |
CN105761495A (zh) | 一种基于双频基站的套牌车辆识别与稽查系统及方法 | |
CN104065920A (zh) | 一种车辆监控跟踪方法、系统及服务器 | |
CN114446059A (zh) | 一种车载监测路侧停车车辆的系统及方法 | |
CN113269042B (zh) | 基于行驶车辆违章识别的智能交通管理方法及系统 | |
CN111222375A (zh) | 车辆行驶轨迹生成方法、系统及服务器 | |
CN111243185A (zh) | 充电车位占用判定方法、设备及介质 | |
CN112562330A (zh) | 评估道路运行指数的方法和装置、电子设备、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 | |
CN108304852B (zh) | 道路路段类型的确定方法、装置以及存储介质、电子装置 | |
CN112071066A (zh) | 自动驾驶车辆测试方法、判断方法及装置 | |
CN103761879B (zh) | 一种车辆套牌识别方法及系统 | |
CN106297301A (zh) | 一种车辆套牌检查方法及使用该方法的车辆套牌检测系统 | |
CN111507269B (zh) | 车位状态的识别方法及装置、存储介质和电子装置 | |
CN110866441B (zh) | 一种车辆识别、延续追踪方法、装置和路侧系统 | |
CN112735143A (zh) | 一种实时车辆布控实现方法、装置及存储介质 | |
CN112201044A (zh) | 道路违规车辆识别方法及系统、存储介质及终端 | |
CN112287842A (zh) | 一种车道线的识别方法、装置及电子设备 | |
CN116168541A (zh) | 一种获取道路通行状态的数据处理系统 | |
CN112164226B (zh) | 信息的存储方法及装置、存储介质和电子装置 | |
CN114495028A (zh) | 一种车辆套牌的识别方法、装置、电子设备及存储介质 | |
CN103886771A (zh) | 一种校车的行车管理方法和系统 | |
CN114023078B (zh) | 一种追踪违法车辆的方法、系统、设备及计算机存储介质 | |
CN113085861A (zh) | 自动驾驶车辆的控制方法及装置、自动驾驶车辆 |
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 |