CN114202730A - 一种基于深度学习和多传感器数据融合的高速列车车型动态识别控制系统 - Google Patents
一种基于深度学习和多传感器数据融合的高速列车车型动态识别控制系统 Download PDFInfo
- Publication number
- CN114202730A CN114202730A CN202210016792.6A CN202210016792A CN114202730A CN 114202730 A CN114202730 A CN 114202730A CN 202210016792 A CN202210016792 A CN 202210016792A CN 114202730 A CN114202730 A CN 114202730A
- Authority
- CN
- China
- Prior art keywords
- train
- network
- control system
- type
- control
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 230000004927 fusion Effects 0.000 title claims abstract description 9
- 239000013589 supplement Substances 0.000 claims abstract description 9
- 230000009471 action Effects 0.000 claims abstract description 4
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 10
- 238000009434 installation Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/867—Combination of radar systems with cameras
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
一种基于深度学习和多传感器数据融合的列车车型动态识别控制系统，实现高速列车的车型识别及设备的实时智能联动控制。一种基于机器视觉和多传感器数据融合的列车车型动态识别控制系统，其特征在于：系统由网络摄像机、微波雷达传感器、视频分析服务器和交换机、LED红外补光灯及4G网络模块组成；当视频分析服务器检测到第一个微波雷达传感器发来的速度帧数据中含有预先设定的合理速度信号时，启动基于深度学习的卷积神经网络列车识别算法，对网络摄像机发来的视频进行逐帧识别，并记录每帧中识别到的火车类型的数量；当列车信号消失后，根据累加的火车类型数据进行车型综合判断识别，并记录列车经过的状态；在第二个雷达接收列车的速度信号时，发送预先存储的信号控制方案到控制设执行相应的控制动作，完成根据列车车型实现控制设备的智能化控制任务。
Description
技术领域
本发明属于人工智能自动化控制技术领域，提供一种基于深度学习和多传感器数据融合的高速列车车型动态识别控制系统，实现高速列车的车型识别及设备的实时智能联动控制。
背景技术
在高速列车达到指定的识别范围时，需要针对不同的列车车型，对设备进行控制。如隧道内仅针对旅客列车的景观照明、防疫消杀等设备控制等。由于这些设备功率巨大，如果长时间运行，不但能耗大，而且会增加设备故障率，缩短设备使用寿命。因此需要在检测到指定车型时，才启动相应的设备，达到节能减排、延长设备寿命等作用。如果通过铁路系统内部的列车行车控制系统提供列车出发时间及车型的信号，需要修改现有控制系统，给出对应的软件接口信息。这种方法虽然原理简单，但是实际使用中存在以下不足：1、铁路系统内部使用的列车行车控制系统的具备极高的安全性，对外修改软件、提供信息控制接口，可能会对现有系统带来潜在安全隐患，形成安全漏洞；2、铁路内部系统协调多级部门，协调难度大，周期长，很难通过审批；3、即使通过审批，后期无论是项目控制系统升级或行车控制系统升级，均需要协调第三方进行配套升级，系统独立性低，维护困难；4、只能知道是否有列车从车站出发，无法知道列车到达的准确时间。如果项目控制设备提前或推迟打开，可能会对列车司机造成干扰，影响行车安全。因此需要设计一套独立的、不依赖于铁路系统内部运行的列车控制系统，并能够克服列车抖动、机头前灯强光干扰、环境光线、接触网高压电磁干扰等复杂环境的影响，快速、准确的识别出高速运行的列车车型的列车车型识别及控制系统。近年随着机器视觉、深度学习等人工智能技术和传感器技术的发展，为动态识别列车车型提供了技术可能。
发明内容
本发明的目的在于提供一种基于深度学习和多传感器数据融合的高速列车车型动态识别控制系统，实现列车车型的动态识别检测和控制相应设备运行的功能。
本发明技术方案如下：
一种基于机器视觉和多传感器数据融合的列车车型动态识别控制系统，其特征在于：系统由网络摄像机、微波雷达传感器、视频分析服务器和交换机、LED红外补光灯及4G网络模块组成；当服务器检测到第一个微波雷达传感器发来的速度数据中含有预先设定的合理速度范围内时，启动列车识别AI算法，对网络摄像机发来的视频进行逐帧识别，并记录每帧中识别到的列车类型的数量；当列车信号消失后，根据累加的列车类型数据进行车型综合判断识别，并记录列车经过的状态；在第二个雷达接收列车的速度信号时，发送预先存储的信号控制方案到控制设执行相应的控制动作，完成根据列车车型实现控制设备的智能化控制任务。
本发明使用基于深度学习的人工智能算法来实现列车车型的识别：由于列车经过的现场光线环境复杂，存在火车机头大灯照射、客车车窗灯光投射、伴有振动、粉尘、飞蛾虫子等异物遮挡等不利情况，使用传统的机器视觉分析识别车型，算法开发难度大，环境适应性低，因此采用深度神经网络来学习列车对象的特征，让深度神经网络具备识别列车车型的能力。通过采集不同列车车型在不同时间点的视频，并根据列车速度，抽取适当的帧图像，作为对深度神经网络进行训练学习的图片素材。训练用途的图片素材经过人工进行识别和标注后，用模型训练工具进行训练，得到所需的模型文件，用适当的推理引擎实现模型的部署。把视频帧图像逐一输入部署好的模型中，得到返回的数据。对返回数据做解析后，即可得到视频帧图像中所得到的列车种类、数量及位置坐标。
所述的能够在列车经过后立即对一整列列车经过的所有视频帧内识别的车型数据进行车型识别。由于列车在高速运行中，有可能出现某些帧图像中的列车没有检测到或识别错误的情况，因此采用对一整列列车的图像进行综合计算，当列车经过后，再对列车的类型做判断的方法来实现列车车型的准确识别，具体为：当视频分析服务器检测到第一个雷达具有正常的列车速度信号后，立即调用推理引擎，使用预先训练好的模型逐帧进行图像的识别，并累加记录下每一帧中的列车类型，如客车机头、货车机头、客车车厢、货车车厢的数量。当第一个雷达探测不到列车的速度时，认为列车已经经过第一个雷达，视频分析服务器立即开始对记录的各种车型的总数量进行车型判断。具体判断的规则可以根据实际情况做预先设定。
所述的视频分析服务器能够仅保存列车经过时的录像。由于铁路项目的特殊性，对人员及设备进入铁路线路审批严格，很难取得大量的原始视频图像，对深度神经网络进行充分的训练。因此需要在系统安装后，持续采集列车经过的视频用于深度神经网络的识别模型训练。现场往往受条件限制，仅能使用4G网络进行通讯。如果不加以区分进行视频的存储和网络传输，会消耗掉大量的网络带宽与流量。因此必须对视频数据进行清洗。具体方法为：视频分析服务器检测到第一个雷达的列车速度信号时，开始进行录像，当列车离开第一个雷达以后，终止录像，并把录像的大小、时间等信息存储到日志数据库中。这样存储下来的录像是全部有列车的视频，节省了存储空间和4G网络传输带宽及流量。
所述的第一个雷达安装在列车首先经过的位置，且雷达波主瓣指向列车到来的方位，并平行于轨道方向上。列车具有的金属属性对雷达微波具备极好的反射特性，且列车速度快、前进方向与雷达探测最灵敏的方向最接近，因此这样安装方式具备极高的准确性，误报极低，可以在较远的距离上提前探测到列车，可以给高速运动的列车提供较多的视频识别时间。且较远距离位置上高速运动的巨大金属列车反射的雷达回波信号强度要远远大于列车受电弓与高压接触网之间产生的电磁干扰，可以有效避免雷达的误报。
所述的第二个雷达安装在沿列车行驶方向的第一个雷达之后的适当位置，且让雷达微波主瓣的方向垂直于列车前进方向。当列车通过第一个雷达并被识别出车型以后，如果是预先设定的车型，当第二个雷达检测到合理的雷达速度以后，系统立即向控制设备发送预定义的控制信号，控制设备做出相应的控制执行动作。把雷达探测方向垂直于列车前进方向安装时，仅在列车与第二个雷达之间的位置达到相互距离最小时，雷达才会探测到列车的速度。有效避免了外在环境、列车速度、列车长度、列车金属外形等不确定因素导致的探测时间不一致的问题。这在需要精确控制某些设备的开启关闭的项目中至关重要。
所述的视频分析服务器能够根据雷达的速度信号发出控制信号控制红外补光灯开灯进行补光，并在列车经过以后关闭红外补光灯。LED红外灯上装有光敏电阻控制器，只有当夜间且收到视频分析服务器发来的开灯控制信号时，才会打开LED红外补光灯。既节省了大功率红外灯的能耗，又延长了设备的使用寿命。
所述的视频分析服务器，能够通过4G网络，从云端下载经过深度学习训练好的模型文件，对系统进行升级。由于列车的车型会随着时代的发展而不断更新，因此本发明设计了通过更新模型文件实现新车型识别的升级功能。只要有列车被第一个雷达探测到，但视频服务器没有识别出相应的车型，则认为是有新型号的列车经过。此时视频服务器自动上传该列车经过时段的短视频到云端服务器。系统维护人员收到短视频并确认是新型列车后，抽取出该视频中的关键帧，对模型进行增量训练。由于增量训练是在原有模型的基础上对新增的图像素材进行训练，因此图像标注的工作量小，且模型训练时间短、效率高。增量训练好的识别模型通过4G网络下载覆盖视频分析服务器中的上一版模型文件后，视频分析服务器完成升级，可以识别新型号的列车。
本发明的有益效果为：（1）使用基于深度神经网络的方式实现列车车型的动态识别，避免了开发复杂的机器视觉识别算法；（2）、利用本发明所述的网络摄像机采集的视频对列车识别模型进行训练，由于是在同一个位置、同等环境下采集的视频图像素材训练的深度神经网络识别模型，对同一个位置下的列车目标进行识别，因此识别效果极好，能有效避免不良天气、不同速度等环境因素对识别效果的影响；（3）通过安装两台微波雷达传感器和视频分析服务的视频服务器，实现多传感器的数据融合，提高了系统的可靠性，降低了对存储空间的要求，减少了网络带宽及网络流量使用，降低了系统的综合成本；（4）通过视频服务器对大功率红外补光灯的智能控制，使LED红外灯仅在列车经过的较短时间段内工作，减少了用电量，降低了设备故障率，延长了设备的使用寿命；（5）视频分析服务器充分利用雷达信号与图像识别的结果，实现新车型的判断并录像上传云服务器，进行深度神经网络识别模型的增量训练，实现了新车型的识别升级，能够适应列车车型的不断更新，提高了系统的适应性，降低了系统的维护使用成本。
本发明在2021年12月正式通车的中国至老挝铁路的友谊隧道的国界景观项目中得到使用并取得良好的社会效益和经济效益。为便于掌握一定专业知识的同业人员理解掌握本发明的设计思路和技术实现方法，下面结合中老铁路友谊隧道的景观灯智能控制项目的实施做展开介绍。
中老铁路作为连接中国和老挝的国际铁路，两国的国界界碑位于友谊隧道内。为了让国际列车在通过国界这一特殊的构筑物时感受到不一样的视觉效果，需要对长达600米的景观灯进行控制：当有旅客列车经过时，播放预定义的时光隧道等景观节目。但由于铁路安全规定规则对列车司机看到的红色灯光有极为严格的规定。因此需要尽量减少列车司机看到的红色灯的时间，在高速运行的火车机头几乎经过第一盏景观灯时，才开启灯光，并在列车离开景观灯区域时，关闭所有灯具。由于中国和老挝两边的系统完全相同，因此以中国境内磨憨段的项目实施做介绍。
具体实施方式：1：在磨憨车站站房内安装所述的视频分析服务器、4G网络模块、光纤收发器及网络交换机等网络设备；2、在友谊隧道的入口处安装第一台微波雷达传感器和网络摄像机。微波雷达传感器的探测方向与铁路线路接近平行，尽可能指向列车驶来的方向；3、在隧道内靠国内方向距离第一盏景观灯的位置安装第二个微波雷达传感器，且微波雷达传感器的方向垂直于列车行驶方向。旅客列车的设计行车速度为160公里，微波雷达选择深圳安锐科技有限公司生产的24G的毫米波雷达，探测距离为250米，探测速度范围为10公里至300公里。摄像机选用深圳安锐科技有限公司生产的200万像素60帧的星光级网络摄像机。两台微波探测雷达与网络摄像机通过光纤与磨憨站机房内的设备组成局域网；4、深度神经网络的目标检测器框架选择使用YOLO ；5、推理引擎选用OpenVINO；6、设备安装完毕后启动系统，开始采集安装测试阶段经过的所有类型的列车，如客车机头、货车机头、客运列车和货运列车的短视频；7、从所述的短视频，根据列车速度及环境等因素，抽取了各个时段包含客车机头、货车机头、客运列车和货运列车及不包含任何列车的背景图片做深度神经网络的目标检测器的模型训练素材。结合微波雷达探测器信号获取到的精准列车类型图像，在深度神经网络模型训练过程中拟合收敛很快，迭代训练2000次的模型测试验证结果已经可以满足算法精度的要求了。经过训练的深度神经网络模型的召回率与准确率测试结果见附图3；8、深度学习卷积神经网络模型训练完毕后，需要进行模型剪枝优化，并转化为OpenVINO推理引擎所支持的格式；9、启动视频分析服务器按照预定的逻辑开始工作；10、探测到旅客列车后，视频分析服务器通过网络发送预定的场景界面代码给灯光控制主机，完成控制任务。
实际使用时，可以根据实际项目需求，使用其他任何一种能够实现目标分类检测的深度神经网络框架和推理引擎实现模型的部署。可根据识别目标的种类、速度、外形、材质等特征选用合适的微波雷达传感器。本发明未尽事宜为公知技术。
上述实施例以一个使用了本发明的技术，在现场完成部署实施了的项目为例，说明本发明的技术构思、实现方法及特点。其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。无论使用何种神经卷积网络与何种推理引擎，通过何种具体的传感器，凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。
附图说明
图1：系统结构示意图
图2：系统流程图
图3：深度神经网络模型的召回率与准确率示意图。
Claims (10)
1.一种基于深度学习和多传感器数据融合的列车车型动态识别控制系统，其特征在于：系统由网络摄像机、微波雷达传感器、视频分析服务器和交换机、LED红外补光灯及4G网络模块组成；当视频分析服务器检测到第一个微波雷达传感器发来的速度数据中在预先设定的合理速度范围内时，启动基于深度学习的卷积神经网络列车识别算法，对网络摄像机发来的视频进行逐帧识别，并记录每帧中识别到的火车类型的数量；当列车信号消失后，根据累加的火车类型数据进行车型综合判断识别，并记录列车经过的状态；在第二个雷达接收列车的速度信号时，发送预先存储的信号控制方案到控制设执行相应的控制动作，完成根据列车车型实现控制设备的智能化控制任务。
2.按照权利要求1所述的列车车型动态识别控制系统，其特征在于：网络摄像机、微波雷达传感器、视频分析服务器和交换机、LED红外补光灯及4G网络模块通过网络交换机及网络线路组成同一个局域网，并通过4G网络模块实现与Internet互联网的连接。
3.按照权利要求1所述的列车车型动态识别控制系统，其特征在于：能够通过调用预先经过深度学习训练好的模型识别出视频帧图像中的列车车型，并累加每帧中的车型数量。
4.按照权利要求1所述的微波雷达传感器，其特征在于：沿着列车前进方向的不同位置安装两台微波雷达传感器，分别提供列车到达的速度信号和经过时间。
5.按照权利要求4所述的微波雷达传感器，其特征在于：第一台微波雷达传感器安装方向平行于列车前进方向；第二台雷达垂直于列车前进方向。
6.按照权利要求1所述的列车车型动态识别控制系统，其特征在于：能够根据雷达的速度信号和摄像机的图像识别出有列车在夜间通过，控制红外补光灯开灯照射列车进行补光，并在列车经过以后关闭红外补光灯。
7.按照权利要求1所述的列车车型动态识别控制系统，其特征在于：每次列车经过之后，立即根据权利要求3所述的每帧中列车类型的累加数量，按照预设的车型判断方案，实现列车车型的综合判断，并据此向控制设备发出是否有指定车型的列车经过第一个雷达的控制信号。
8.按照权利要求1所述的列车车型动态识别控制系统，其特征在于：在接收到权利要求5所述的所述的第二个雷达发来的数据帧中检测到合理的列车速度信号后，如是此时识别出的车型是预先设定的车型，立即向控制设备发出列车经过第二个雷达的控制信号。
9.按照权利要求1所述的列车车型动态识别控制系统，能够通过4G网络，实现经过深度学习训练好的模型文件的升级。
10.按照权利要求1所述的列车车型动态识别控制系统，能够把所有列车经过时的视频保存为视频文件，便于根据这些文件进一步训练深度神经网络目标识别模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210016792.6A CN114202730A (zh) | 2022-01-08 | 2022-01-08 | 一种基于深度学习和多传感器数据融合的高速列车车型动态识别控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210016792.6A CN114202730A (zh) | 2022-01-08 | 2022-01-08 | 一种基于深度学习和多传感器数据融合的高速列车车型动态识别控制系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114202730A true CN114202730A (zh) | 2022-03-18 |
Family
ID=80658214
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210016792.6A Pending CN114202730A (zh) | 2022-01-08 | 2022-01-08 | 一种基于深度学习和多传感器数据融合的高速列车车型动态识别控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114202730A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002074421A (ja) * | 2000-08-31 | 2002-03-15 | Mitsubishi Heavy Ind Ltd | 移動物体の検知方法及び車両検知装置 |
| CN109615870A (zh) * | 2018-12-29 | 2019-04-12 | 南京慧尔视智能科技有限公司 | 一种基于毫米波雷达和视频的交通检测系统 |
| CN109816997A (zh) * | 2017-11-21 | 2019-05-28 | 重庆瑞升康博电气有限公司 | 具有多传感器信息融合技术的车流量自动检测系统 |
| CN112508034A (zh) * | 2020-11-03 | 2021-03-16 | 精英数智科技股份有限公司 | 货运列车故障检测方法、装置及电子设备 |
| CN113378646A (zh) * | 2021-05-18 | 2021-09-10 | 上海平奥供应链管理有限公司 | 一种货运列车信息识别系统及识别方法 |
-
2022
- 2022-01-08 CN CN202210016792.6A patent/CN114202730A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002074421A (ja) * | 2000-08-31 | 2002-03-15 | Mitsubishi Heavy Ind Ltd | 移動物体の検知方法及び車両検知装置 |
| CN109816997A (zh) * | 2017-11-21 | 2019-05-28 | 重庆瑞升康博电气有限公司 | 具有多传感器信息融合技术的车流量自动检测系统 |
| CN109615870A (zh) * | 2018-12-29 | 2019-04-12 | 南京慧尔视智能科技有限公司 | 一种基于毫米波雷达和视频的交通检测系统 |
| CN112508034A (zh) * | 2020-11-03 | 2021-03-16 | 精英数智科技股份有限公司 | 货运列车故障检测方法、装置及电子设备 |
| CN113378646A (zh) * | 2021-05-18 | 2021-09-10 | 上海平奥供应链管理有限公司 | 一种货运列车信息识别系统及识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108922188B (zh) | 雷达跟踪定位的四维实景交通路况感知预警监控管理系统 | |
| CN109212514B (zh) | 一种雷达检测设备对运动以及静止目标持续跟踪关联方法 | |
| CN109213126B (zh) | 自动驾驶汽车测试系统和方法 | |
| CN109285376B (zh) | 一种基于深度学习的公交车客流统计分析系统 | |
| EP2174117B1 (en) | Pantograph damage and wear monitoring system | |
| CN102521983B (zh) | 一种基于高清视频技术的车辆违章检测系统及方法 | |
| CN103021186B (zh) | 一种车辆监控的方法及系统 | |
| CN108491758A (zh) | 一种轨道检测方法及机器人 | |
| CN204557612U (zh) | 一种基于机器视觉的公交客流统计系统 | |
| CN104157138A (zh) | 一种城市道路视频监控系统 | |
| CN102496285A (zh) | 基于视频检测的路口车辆闯红灯判别方法与信号控制系统 | |
| CN107527506A (zh) | 嵌入式雷达监测复合仪、以及雷达监测抓拍系统和方法 | |
| CN103287464A (zh) | 铁路道口智能视频监控系统及其实现方法 | |
| CN113788051A (zh) | 列车在站运行状态监测分析系统 | |
| CN106710253B (zh) | 一种高可靠性智能路口交通控制系统及控制方法 | |
| CN209225052U (zh) | 一种带有可变前照灯的无人驾驶汽车行驶控制系统 | |
| CN114360256A (zh) | 嵌入式雷达监测复合仪以及车流量雷达信息系统 | |
| CN114387785A (zh) | 一种基于智慧公路的安全管控方法、系统及可存储介质 | |
| CN204305214U (zh) | 铁路货车装载状态高清图像系统 | |
| CN111862621B (zh) | 多类型适配的黑烟车智能抓拍系统 | |
| CN114202730A (zh) | 一种基于深度学习和多传感器数据融合的高速列车车型动态识别控制系统 | |
| CN117213621A (zh) | 一种接触网振动定点监测系统及监测方法 | |
| KR102596183B1 (ko) | 레이더센서모듈 및 카메라모듈을 이용한 선로내 열차진입 감지시스템 및 감지방법 | |
| CN110379173A (zh) | 一种基于共享单车多模态数据的非机动车交通违规行为识别方法 | |
| CN207909340U (zh) | 嵌入式雷达监测复合仪、以及雷达监测抓拍系统 |
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 |