CN113470022B - 基于人工智能和大数据的路政洒水车智能优化方法及系统 - Google Patents

Abstract

本发明涉及基于人工智能和大数据的路政洒水车智能优化方法及系统，属于智慧城市清洁技术领域。方法包括以下步骤：获取目标路段的设定类型数据，判断所述设定类型数据是否满足洒水触发条件；所述设定类型数据包括地表温度数据、扬尘数据和天气数据；若满足，则获取目标路段路面图像，根据目标路段路面图像判断目标路段的光滑程度；根据目标路段的光滑程度控制洒水车的洒水量，所述目标路段的光滑程度与洒水车的洒水量成负相关关系。本发明能够避免洒水量过多导致的路面湿滑程度较大的问题，提高了路面行车的安全性。

Description

基于人工智能和大数据的路政洒水车智能优化方法及系统

技术领域

本发明涉及智慧城市清洁技术领域，具体涉及基于人工智能和大数据的路政洒水车智能优化方法及系统。

背景技术

目前，城市洒水车的洒水时间和洒水量都是固定不变的，这种情况下，给相对光滑的路面增加了很大的安全风险，同时会造成水资源的浪费。针对此问题，现有技术中大多数的解决方法为，通过目标路段设置的温度传感器、湿度传感器或扬尘传感器传感器采集相关数据，根据采集的相关数据智能控制洒水车的洒水量。现有的洒水车智能控制方法并没有考虑洒水车出水量对路面湿滑程度的影响，容易引起安全事故。

发明内容

本发明的目的在于提供一种基于人工智能和大数据的路政洒水车智能优化方法及系统，用于解决现有洒水车智能控制方法存在的没有考虑洒水车出水量对路面湿滑程度的影响，容易引起安全事故的问题。

为了解决上述问题，本发明的一种基于人工智能和大数据的路政洒水车智能优化方法的技术方案，包括以下步骤：

获取目标路段的设定类型数据，判断所述设定类型数据是否满足洒水触发条件；所述设定类型数据包括地表温度数据、扬尘数据和天气数据；

若满足，则获取目标路段路面图像，根据目标路段路面图像判断目标路段的光滑程度；

根据目标路段的光滑程度控制洒水车的洒水量，所述目标路段的光滑程度与洒水车的洒水量成负相关关系；

所述根据目标路段路面图像判断目标路段的光滑程度的方法包括：

根据路面图像得到对应的路面区域图像；

对路面区域图像进行灰度化处理，得到路面区域图像对应的灰度共生矩阵；

根据灰度共生矩阵计算路面的纹理特征指标；

判断路面的纹理特征指标是否小于设定纹理指标阈值，若小于，则根据路面上车道线的磨损缺失面积和车道线边缘的斜率波动次数来判断路面的光滑程度；若不小于，则根据路面上车道线的磨损缺失面积和车道线子块的数量来判断路面的光滑程度。

本发明的一种基于人工智能和大数据的路政洒水车智能优化系统的技术方案，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序以实现上述优化方法。

上述优化方法和优化系统的有益效果是：本发明在判断出需要对目标路段进行洒水之后，还通过获取目标路段路面图像的方式判断了目标路段的光滑程度，并根据路面的光滑程度控制洒水车的洒水量，目标路段的光滑程度越高，控制洒水车的洒水量越少，以避免洒水量过多导致的路面湿滑程度较大的问题，提高了路面行车的安全性。

进一步地，得到路面上车道线的磨损缺失面积的方法包括：

根据路面区域图像，利用连通域分析法得到各车道线对应的区域；

根据各车道线对应的区域中像素点的个数计算各车道线对应的实际面积；

根据各车道线对应的实际面积和对应的车道线完整面积，计算得到各车道线对应的磨损面积。

进一步地，得到车道线边缘的斜率波动次数的方法包括：

根据路面区域图像，利用连通域分析法得到各车道线对应的区域；

通过边缘检测得到车道线的边缘像素点；

根据相邻边缘像素点的坐标计算各边缘像素点的斜率；

遍历各边缘像素点，统计车道线边缘像素点中斜率不等于标准斜率的边缘像素点的总个数，记为车道线边缘的斜率波动次数。

进一步地，所述根据目标路段的光滑程度控制洒水车的洒水量的方法包括：

利用如下公式计算洒水车的洒水量：

其中，

为洒水车的洒水量，m为路面区域图像中车道线的总个数，

为路面区域图像中第z个车道线对应的车道线完整面积，

为路面区域图像中第z个车道线对应的实际面积，

为路面区域图像中第z个车道线对应的车道线边缘的斜率波动次数，

为路面的纹理特征指标，

为设定纹理指标阈值，

为路面区域图像中第z个车道线对应的车道线子块数量，Q为不考虑路面防滑程度时的洒水车最大洒水量，

为归一化函数。

进一步地，所述洒水触发条件为：天气为非雨雪天气，且地表温度大于设定温度阈值；或者天气为非雨雪天气，且扬尘浓度大于设定扬尘浓度阈值。

附图说明

图1是本发明的基于人工智能和大数据的路政洒水车智能优化方法流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更清楚，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介绍。

基于人工智能和大数据的路政洒水车智能优化方法实施例

本实施例旨在解决现有洒水车智能控制方法存在的没有考虑洒水车出水量对路面湿滑程度的影响，容易引起安全事故的问题，如图1所示，本实施例的基于人工智能和大数据的路政洒水车智能优化方法包括以下步骤：

1）获取目标路段的设定类型数据，判断所述设定类型数据是否满足洒水触发条件；所述设定类型数据包括地表温度数据、扬尘数据和天气数据；

本实施例中设定类型数据信息包括地表温度数据、扬尘数据和天气数据，智慧城市内在各路段安装有温度传感器、扬尘传感器，本实施例通过目标路段安装的温度传感器和扬尘传感器即可获取目标路段的地表温度和扬尘数据，相关的天气信息可以通过联网的方式得到。上述设定的洒水触发条件为：获取的天气为非雨雪天气，且获取的地表温度大于设定温度阈值；或者获取的天气为非雨雪天气，且获取的扬尘浓度大于设定扬尘浓度阈值；当判断出不能满足洒水触发条件时，不进行洒水；本实施例中设定温度阈值为

摄氏度，设定扬尘浓度阈值为

，作为其它实施方式，阈值的设定可以根据实际需要进行修改。

2）若满足，则获取目标路段路面图像，根据目标路段路面图像判断目标路段的光滑程度；

当判断出满足洒水触发条件时，进行洒水，但是，为了避免洒水量过多造成路面湿滑程度较高的情况，本实施例具体通过目标路段对应的光滑程度来控制目标路段的洒水量，具体计算目标路段对应的光滑程度的过程如下：

本实施例通过目标路段安装的高清监控摄像头来获取目标路段的路面图像，获取到目标路段的路面图像后，对路面图像进行预处理，排除噪声的影响，提高图像对比度，预处理方法一般为中值滤波去噪、直方图均衡化，对图像进行预处理的方法为现有技术，此处不再赘述。

对于预处理后的路面图像，通过图像语义分割网络得到路面区域图像，本实施例对图像语义分割网络的具体训练过程如下：将采集到的含有路面区域的路面图像作为训练数据集，对数据集进行标注，路面区域像素标记为1，其他区域图像标记为0，将标记后的图像输入语义分割编码器和语义分割解码器，最终输出路面区域的分割图像，本实施例中损失函数具体为交叉熵损失函数。

为了采集完整路面图像，应在路面不存在车辆的情况下进行路面图像采集，也就是说，本实施例中获取的路面图像并不是在满足洒水触发条件后才利用目标路段设置的高清摄像头采集的，而是利用目标路段设置的高清摄像头提前采集的；为避免目标路段的路面的光滑程度在短时间内发生较大变化，因此，本实施例利用满足洒水触发条件之前短时间内采集的路面图像对路面光滑程度进行判断也是合理的。置于具体图像采集时间，可根据路面光流信息进行触发，当路面区域图像上不存在光流信息点时，即图像只存在静止像素点时触发图像采集，获取路面图像。光流信息获取采用稀疏光流法获得，此为公知技术，不再详细描述。

在得到了路面区域图像之后，根据路面区域图像计算路面光滑程度，过程如下：

对路面区域图像进行灰度化处理，获取路面区域图像对应的灰度共生矩阵，灰度共生矩阵的获取步骤如下：

首先，通过灰度图像获取所有像素点的灰度值，构成灰度矩阵。采用

的滑动窗口来获取路面图像中较细的纹理信息。为了方便计算，将图像中256的灰度级压缩为16灰度级。

然后，设置初始步长为1进行窗口滑动，获取窗口中的像素点和4邻域内相邻像素点构建的像素点对；

统计滑窗内像素点对出现的次数，根据像素点对的频数进行归一化处理得到发生的概率

，其中

表示像素点对出现的频数，

表示像素点对的总个数；

通过像素点对的概率构成灰度共生矩阵，灰度共生矩阵对角线上数值越大，说明纹理变化较快，反之变化越小。由于同一路段下，路面图像相差不大，所以根据第一处的监控图像中得到的纹理信息来调整后续同一路段的监控图像的滑窗搜索步长，当像素点对的二维直方图概率值满足均匀分布，则扩大步长，提高灰度共生矩阵输出速度，步长根据均匀分布的大小进行倍数增长。当纹理较粗时，更倾向于对角方向上的高斯分布，可采用动态步长来自适应调节灰度共生矩阵的输出速度，步长更新可变为先小后大再小的高斯波动，波动系数根据整体纹理分布规则和大小来设定，此处步长变化为经验值2。

由于灰度共生矩阵数据量较大，通过构建统计量来反映纹理特征：

对比度

，

表示像素点的位置坐标；对比度主要反映图像纹理的沟纹深浅，对比度越大，说明路面纹理的沟纹越深，纹理波动越大；

差熵

，

表示像素点的位置坐标；差熵主要反映图像的复杂程度，差熵越大，说明路面纹理越复杂，纹理周围灰度分布不均，不规则。

通过上述的路面对比度

和差熵

，对路面的纹理特征进行评估，得到路面对应的纹理特征指标

。

当路面对应的纹理特征指标相对较小时，也即路面对应的纹理特征指标小于设定纹理指标阈值

时，意味着路面纹理的沟纹较少也较浅，路面较为完整，常见于修葺年限相对较短的路面；设定纹理指标阈值的大小与路面的类型有关，可以根据需要或者经验值设定；对于这种路面，车道线会随着修葺年限的增加出现缺失，缺失越严重，意味着路面磨损程度也越大，路面也更加光滑，相同洒水量导致的路面湿滑程度也越高；在这种情况下，本实施例通过判断路面上车道线的磨损缺失面积和车道线边缘的斜率来判断路面的光滑程度，具体过程如下：

基于获取的路面区域RGB图像，通过色彩和连通域分析获取当前路面车道线的缺失区域，将RGB图像进行HSV色彩空间转换，V通道的值接近于1的像素点即为车道线像素点，将此类像素点进行聚类得到车道线的连通域，聚类采用常用的DBSCAN聚类算法，DBSCAN聚类算法为公知技术，不再赘述。

通过像素点求和获取车道线的面积

，其中m为车道线像素点的总个数，

为第i个车道像素点的面积；然后通过Canny边缘检测获取车道线的边缘像素点，根据相邻边缘像素点的坐标计算各边缘像素点的斜率

，也即通过相邻边缘像素点的纵坐标之差除以对应的横坐标之差来计算对应边缘像素点的斜率，统计车道线边缘像素点的斜率波动次数

，从图像中最靠近监控区域的车道线边缘像素点开始统计，遍历各边缘像素点，当出现斜率

时，也即

时，即为出现一次波动,

，

为完整车道线边缘的斜率，即标准斜率，该完整车道线边缘的斜率可以通过道路出现磨损前的路面区域图像得到。

斜率变化次数

表征的是车道线边缘像素点中斜率不等于

的边缘像素点的总个数，也即车道线边缘出现缺失的程度。根据车道线缺失区域图像边缘和缺失面积来反映车道线的磨损程度，由于车道线磨损程度越大，路面越光滑，因此，本实施例基于车道线缺失区域图像边缘和缺失面积获得当前道路的光滑程度，通过数学建模的方法拟合得到当前路面的光滑程度

，其中，m为路面区域图像中车道线的总个数，

为路面区域图像中第z个车道线对应的车道线完整面积，

为路面区域图像中第z个车道线对应的车道线对应的车道线的实际面积，

为路面区域图像中第z个车道线对应的车道线对应的车道线边缘的斜率波动次数，

为路面的纹理特征指标。

当路面对应的纹理特征指标相对较大时，也即路面对应的纹理特征指标大于等于设定纹理指标阈值

时，意味着路面纹理的沟纹较多也较深，路面已出现较大裂纹或者路面已被碾压粉碎成块，常见于修葺年限相对较长的路面；对于这种路面，车道线会随着修葺年限的增加出现缺失，缺失越严重，意味着路面磨损程度也越大，路面也更加粗糙，相同洒水量导致的路面湿滑程度也越低；在这种情况下，本实施例通过判断路面上车道线的磨损缺失面积和车道线子块的数量来判断路面的光滑程度，具体过程如下：

按照上述获取车道线类似的方法得到路面车道线面积S，计算完整车道线面积

与路面车道线面积S之间的差值

，即车道线缺失面积为

。按照边缘检测算法，获取车道线内部的裂纹边缘，裂纹边缘会将车道线分解成密集的很多子块，根据连通域分析法得到车道线子块数量

。最终，通过数学建模的方法拟合得到当前路面的光滑程度

，其中

为路面区域图像中第z个车道线对应的车道线子块数量。

3）根据目标路段的光滑程度控制洒水车的洒水量。

目标路段的光滑程度与洒水车的洒水量成负相关关系，当路面的光滑程度较大时，相同洒水量更容易引起路面的湿滑程度也越高，也就是说，在洒水量一定的情况下，路面的光滑程度与路面的湿滑程度成正相关关系；本实施例为了避免由于洒水车洒水量过多造成的路面湿滑程度高的情况，本实施例通过数学建模的方式拟合得到在满足路面的湿滑程度满足要求时的洒水车洒水量与路面的光滑程度之间的关系如下：

其中，

为洒水车的洒水量，m为路面区域图像中车道线的总个数，

为路面区域图像中第z个车道线对应的车道线完整面积，

为路面区域图像中第z个车道线对应的车道线对应的车道线的实际面积，

为路面区域图像中第z个车道线对应的车道线对应的车道线边缘的斜率波动次数，

为路面的纹理特征指标，

为设定纹理指标阈值，

为路面区域图像中第z个车道线对应的车道线子块数量，Q为不考虑路面防滑程度时的洒水车最大洒水量,

为归一化函数。

本实施例在判断出需要对目标路段进行洒水之后，还通过获取目标路段路面图像的方式判断了目标路段的光滑程度，并根据路面的光滑程度控制洒水车的洒水量，目标路段的光滑程度越高，控制洒水车的洒水量越少，以避免洒水量过多导致的路面湿滑程度较大的问题，提高了路面行车的安全性。

基于人工智能和大数据的路政洒水车智能优化系统实施例

本实施例的基于人工智能和大数据的路政洒水车智能优化系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如基于人工智能和大数据的路政洒水车智能优化方法实施例所描述的基于人工智能和大数据的路政洒水车智能优化方法。

由于基于人工智能和大数据的路政洒水车智能优化方法实施例中已经对基于人工智能和大数据的路政洒水车智能优化方法进行了说明，此处就不再赘述。

需要说明的是，尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

Claims (6)

1.一种基于人工智能和大数据的路政洒水车智能优化方法，其特征在于，包括以下步骤：

获取目标路段的设定类型数据，判断所述设定类型数据是否满足洒水触发条件；所述设定类型数据包括地表温度数据、扬尘数据和天气数据；

若满足，则获取目标路段路面图像，根据目标路段路面图像判断目标路段的光滑程度；

根据目标路段的光滑程度控制洒水车的洒水量，所述目标路段的光滑程度与洒水车的洒水量成负相关关系；所述根据目标路段路面图像判断目标路段的光滑程度的方法包括：

根据路面图像得到对应的路面区域图像；

对路面区域图像进行灰度化处理，得到路面区域图像对应的灰度共生矩阵；

根据灰度共生矩阵计算路面的纹理特征指标；

判断路面的纹理特征指标是否小于设定纹理指标阈值，若小于，则根据路面上车道线的磨损缺失面积和车道线边缘的斜率波动次数来判断路面的光滑程度；若不小于，则根据路面上车道线的磨损缺失面积和车道线子块的数量来判断路面的光滑程度。

2.根据权利要求1所述的基于人工智能和大数据的路政洒水车智能优化方法，其特征在于，得到路面上车道线的磨损缺失面积的方法包括：

根据路面区域图像，利用连通域分析法得到各车道线对应的区域；

根据各车道线对应的区域中像素点的个数计算各车道线对应的实际面积；

根据各车道线对应的实际面积和对应的车道线完整面积，计算得到各车道线对应的磨损面积。

3.根据权利要求1所述的基于人工智能和大数据的路政洒水车智能优化方法，其特征在于，得到车道线边缘的斜率波动次数的方法包括：

根据路面区域图像，利用连通域分析法得到各车道线对应的区域；

通过边缘检测得到车道线的边缘像素点；

根据相邻边缘像素点的坐标计算各边缘像素点的斜率；

遍历各边缘像素点，统计车道线边缘像素点中斜率不等于标准斜率的边缘像素点的总个数，记为车道线边缘的斜率波动次数。

4.根据权利要求1所述的基于人工智能和大数据的路政洒水车智能优化方法，其特征在于，所述根据目标路段的光滑程度控制洒水车的洒水量的方法包括：

利用如下公式计算洒水车的洒水量：

其中，

为洒水车的洒水量，m为路面区域图像中车道线的总个数，

为路面区域图像中第z个车道线对应的车道线完整面积，

为路面区域图像中第z个车道线对应的实际面积，

为路面区域图像中第z个车道线对应的车道线边缘的斜率波动次数，

为路面的纹理特征指标，

为设定纹理指标阈值，

为路面区域图像中第z个车道线对应的车道线子块数量，Q为不考虑路面防滑程度时的洒水车最大洒水量，

为归一化函数。

5.根据权利要求1所述的基于人工智能和大数据的路政洒水车智能优化方法，其特征在于，所述洒水触发条件为：天气为非雨雪天气，且地表温度大于设定温度阈值；或者天气为非雨雪天气，且扬尘浓度大于设定扬尘浓度阈值。

6.一种基于人工智能和大数据的路政洒水车智能优化系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序以实现如权利要求1-5任一项所述的基于人工智能和大数据的路政洒水车智能优化方法。

Images