CN115171013A - 一种基于智慧交通事故施救的车辆调度系统及方法 - Google Patents
一种基于智慧交通事故施救的车辆调度系统及方法 Download PDFInfo
- Publication number
- CN115171013A CN115171013A CN202210760501.4A CN202210760501A CN115171013A CN 115171013 A CN115171013 A CN 115171013A CN 202210760501 A CN202210760501 A CN 202210760501A CN 115171013 A CN115171013 A CN 115171013A
- Authority
- CN
- China
- Prior art keywords
- dispatching
- traffic
- accident
- traffic accident
- video
- 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
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000010276 construction Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 22
- 238000012544 monitoring process Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000013468 resource allocation Methods 0.000 abstract description 5
- 238000007726 management method Methods 0.000 abstract description 4
- 230000007306 turnover Effects 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/44—Event detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于智慧交通事故施救的车辆调度系统及方法,涉及城市交通技术领域,包括模型构建模块、视频分析模块以及调度指挥模块;模型构建模块用于构建交通事故检测模型;视频分析模块用于逐帧获取交通视频信息中的图像,并将图像输入到交通事故检测模型中进行交通事故识别并获取识别结果;当识别出交通事故时,视频分析模块用于根据预先设置的报警规则进行报警,以提醒调度中心的管理人员进行处理,提高救援效率;调度指挥模块接收到事故调度信号后调取事故发生点周边的交通视频信息进行分析,并根据调度系数DT分配对应数量的救援车辆,为调度中心的管理人员安排救援提供依据,有效提高调度效率,实现资源分配利用最大化。
Description
技术领域
本发明涉及城市交通技术领域,具体是一种基于智慧交通事故施救的车辆调度系统及方法。
背景技术
在城市交通运输道路系统中,由于现有的拥有汽车的人越来越多,而且用车时间段、行车方向相对集中,容易在早、晚高峰,节假日出行时间段由于车辆突然大量的涌入,以及由交通事故引起道路通行不畅,导致道路发生拥堵,不仅浪费时间,增加交通事故的发生率,影响人身安全。
目前,当交通事故和车辆故障发生后,驾驶员需要拨打交警、保险公司、拖车等多个电话。当交警、保险公司等处理方收到报警信息后,也仅仅通过人工电话安排处理人员,调度效率较低。这些问题往往会造成交通事故和故障车辆无法迅速处理且占用道路,正常行驶车辆所用道路减少,现场比较拥堵,甚至导致道路瘫痪堵塞,严重影响正常道路交通同行、耽搁了周围车辆上人员的较多时间。基于以上不足,本发明提出一种基于智慧交通事故施救的车辆调度系统及方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种基于智慧交通事故施救的车辆调度系统及方法。
为实现上述目的,根据本发明的第一方面的实施例提出一种基于智慧交通事故施救的车辆调度系统,包括模型构建模块、调度中心、视频采集模块、视频分析模块以及调度指挥模块;
所述模型构建模块用于收集交通事故监控视频作为视频测试集和图片训练集,构建交通事故检测模型并反馈至调度中心;
所述视频采集模块为分布于道路各方向上摄像头,用于采集道路上的交通视频信息并将采集的交通视频信息上传至视频分析模块;
所述视频分析模块与调度中心相连接,用于逐帧获取交通视频信息中的图像,并将图像输入到交通事故检测模型中进行交通事故识别并获取识别结果;当识别出交通事故时,所述视频分析模块用于根据预先设置的报警规则进行报警,并发送事故调度信号至调度中心;
所述调度中心用于将事故调度信号发送至调度指挥模块;所述调度指挥模块接收到事故调度信号后调取事故发生点周边的交通视频信息进行分析,并根据调度系数DT分配对应数量的救援车辆进行疏散救援工作。
进一步地,所述模型构建模块的具体构建步骤为:
S1:收集交通事故监控视频作为视频测试集和图片训练集,利用视频处理库OpenCV将视频处理成帧序列,提取交通事故帧图片与非交通事故帧图片,分为accidents与no-accidents两类,对应于交通事故类和非交通事故类;使用LabelImg对accidents类图片标注类别标签,处理出ResNet-50图片数据集;
S2:搭建ResNet-50深度卷积神经网络模型;其中,ResNet-50深度卷积神经网络模型至少包括一层隐含层;
S3:将ResNet-50图片数据集按照设定比例划分为训练集、测试集和校验集,通过训练集、测试集和校验集对ResNet-50深度卷积神经网络模型进行训练、测试和校验,将完成训练的ResNet-50深度卷积神经网络模型标记为交通事故检测模型。
进一步地,其中,标签分为5类:Damage、CarDump、TwoWheelDump、PersonDump以及Fire,对应车辆损坏、翻车、非机动车翻车、人员伤亡以及失火5类交通事故场景。
进一步地,其中ResNet-50图片数据集的具体获取方法为:
搜集监控视频200个,视频长度在0-3分钟之间,每个视频内容包含事故发生前、事故发生中、和事故发生后的场景;
取20%监控视频作为视频测试输入,剩余80%进行视频转帧序列处理,并过滤出667张accidents类图片与646张no-accidents类图片,组成ResNet-50图片数据集,用于训练与测试ResNet-50模型。
进一步地,所述调度指挥模块的具体分析步骤为:
D1:调度指挥模块接收到事故调度信号后,根据交通事故识别结果确定事故类型;所述事故类型包括车辆损坏、翻车、非机动车翻车、人员伤亡以及失火;设定该事故类型的危险等级为C1;
D2:调取事故发生点周边的交通视频信息并进行分析,确定此时行人和车辆数量并标记为待疏散数量R1;利用公式DT=C1×g1+R1×g2计算得到调度系数DT,其中g1、g2为系数因子。
进一步地,该系统还包括数据库,数据库内存储有事故类型与危险等级的对照表。
进一步地,所述调度指挥模块还包括:
根据调度系数DT确定救援车辆的数量为L1,具体为:数据库内存储有调度系数范围与救援车辆数量的对照表;所述调度指挥模块用于将救援车辆数量L1反馈至调度中心,为调度中心的管理人员安排救援提供依据。
进一步地,一种基于智慧交通事故施救的车辆调度方法,包括:
步骤一:通过模型构建模块收集交通事故监控视频作为视频测试集和图片训练集,构建交通事故检测模型;
步骤二:采集道路上的交通视频信息并上传至视频分析模块;视频分析模块用于逐帧获取交通视频信息中的图像,并将图像输入到交通事故检测模型中进行交通事故识别并获取识别结果;
步骤三:当识别出交通事故时,所述视频分析模块用于根据预先设置的报警规则进行报警,并发送事故调度信号至调度中心;
步骤四:调度中心利用调度指挥模块调取事故发生点周边的交通视频信息进行分析,计算得到调度系数DT,并根据调度系数DT确定救援车辆的数量为L1;为调度中心的管理人员安排救援提供依据。
与现有技术相比,本发明的有益效果是:
1、本发明中所述模型构建模块用于收集交通事故监控视频作为视频测试集和图片训练集,构建交通事故检测模型;所述视频分析模块用于逐帧获取交通视频信息中的图像,并将图像输入到交通事故检测模型中进行交通事故识别并获取识别结果;当识别出交通事故时,所述视频分析模块用于根据预先设置的报警规则进行报警,以提醒调度中心的管理人员进行处理,提高交通事故救援效率;
2、本发明中调度指挥模块接收到事故调度信号后调取事故发生点周边的交通视频信息进行分析;根据交通事故识别结果确定事故类型,设定该事故类型的危险等级为C1;调取事故发生点周边的交通视频信息并进行分析,确定此时行人和车辆数量并标记为待疏散数量R1;利用公式DT=C1×g1+R1×g2计算得到调度系数DT,根据调度系数DT确定救援车辆的数量为L1;数据库内存储有调度系数范围与救援车辆数量的对照表;为调度中心的管理人员安排救援提供依据,有效提高调度效率,实现资源分配利用最大化。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种基于智慧交通事故施救的车辆调度系统的系统框图。
图2为本发明一种基于智慧交通事故施救的车辆调度方法的流程框图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1至图2所示,一种基于智慧交通事故施救的车辆调度系统,包括模型构建模块、调度中心、视频采集模块、视频分析模块、数据库以及调度指挥模块;
模型构建模块用于构建交通事故检测模型并将构建成功的交通事故检测模型反馈至调度中心;具体构建步骤为:
S1:收集交通事故监控视频作为视频测试集和图片训练集,利用视频处理库OpenCV将视频处理成帧序列,提取交通事故帧图片与非交通事故帧图片,分为accidents与no-accidents两类,对应于交通事故类和非交通事故类;使用LabelImg对accidents类图片标注类别标签,处理出ResNet-50图片数据集;
其中,标签分为5类:Damage、CarDump、TwoWheelDump、PersonDump以及Fire,对应车辆损坏、翻车、非机动车翻车、人员伤亡、失火5类交通事故场景;
其中ResNet-50图片数据集的具体获取方法为:
搜集监控视频200个,视频长度在0-3分钟之间,每个视频内容包含事故发生前、事故发生中、和事故发生后的场景;
取20%监控视频作为视频测试输入,剩余80%进行视频转帧序列处理,并过滤出667张accidents类图片与646张no-accidents类图片,组成ResNet-50图片数据集,用于训练与测试ResNet-50模型;
S2:搭建ResNet-50深度卷积神经网络模型;其中,ResNet-50深度卷积神经网络模型至少包括一层隐含层;
S3:将ResNet-50图片数据集按照设定比例划分为训练集、测试集和校验集,通过训练集、测试集和校验集对ResNet-50深度卷积神经网络模型进行训练、测试和校验,将完成训练的ResNet-50深度卷积神经网络模型标记为交通事故检测模型;
视频采集模块为分布于道路各方向上摄像头,用于采集道路上的交通视频信息并将采集的交通视频信息上传至视频分析模块;
视频分析模块与调度中心相连接,用于逐帧获取交通视频信息中的图像,并将图像输入到交通事故检测模型中进行交通事故识别并获取识别结果;
当识别出交通事故时,视频分析模块用于根据预先设置的报警规则进行报警,以提醒调度中心的管理人员进行处理;并发送事故调度信号至调度中心;
调度中心用于将事故调度信号发送至调度指挥模块;调度指挥模块接收到事故调度信号后调取事故发生点周边的交通视频信息进行分析,并分配对应数量的救援车辆进行行人和车辆的疏散救援工作,具体为:
D1:调度指挥模块接收到事故调度信号后,根据交通事故识别结果确定事故类型;所述事故类型包括车辆损坏、翻车、非机动车翻车、人员伤亡以及失火;设定该事故类型的危险等级为C1;数据库内存储有事故类型与危险等级的对照表;
D2:调取事故发生点周边的交通视频信息并进行分析,确定此时行人和车辆数量并标记为待疏散数量R1;利用公式DT=C1×g1+R1×g2计算得到调度系数DT,其中g1、g2为系数因子;
D3:根据调度系数DT确定救援车辆的数量为L1,具体为:数据库内存储有调度系数范围与救援车辆数量的对照表;
调度指挥模块用于将救援车辆数量L1反馈至调度中心,为调度中心的管理人员安排救援提供依据,有效提高调度效率,实现资源分配利用最大化。
一种基于智慧交通事故施救的车辆调度方法,应用于上述车辆调度系统,包括如下步骤:
步骤一:通过模型构建模块收集交通事故监控视频作为视频测试集和图片训练集,构建交通事故检测模型;
步骤二:采集道路上的交通视频信息并上传至视频分析模块;视频分析模块用于逐帧获取交通视频信息中的图像,并将图像输入到交通事故检测模型中进行交通事故识别并获取识别结果;
步骤三:当识别出交通事故时,视频分析模块用于根据预先设置的报警规则进行报警,并发送事故调度信号至调度中心;
步骤四:调度中心利用调度指挥模块调取事故发生点周边的交通视频信息进行分析,计算得到调度系数DT,根据调度系数DT确定救援车辆的数量为L1;为调度中心的管理人员安排救援提供依据,有效提高调度效率,实现资源分配利用最大化。
上述公式均是去除量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
本发明的工作原理:
一种基于智慧交通事故施救的车辆调度系及方法,在工作时,模型构建模块用于收集交通事故监控视频作为视频测试集和图片训练集,构建交通事故检测模型并将构建成功的交通事故检测模型反馈至调度中心;视频采集模块用于采集道路上的交通视频信息并将采集的交通视频信息上传至视频分析模块;视频分析模块用于逐帧获取交通视频信息中的图像,并将图像输入到交通事故检测模型中进行交通事故识别并获取识别结果;当识别出交通事故时,视频分析模块用于根据预先设置的报警规则进行报警,以提醒调度中心的管理人员进行处理;
调度中心用于将事故调度信号发送至调度指挥模块;调度指挥模块接收到事故调度信号后调取事故发生点周边的交通视频信息进行分析;根据交通事故识别结果确定事故类型,设定该事故类型的危险等级为C1;调取事故发生点周边的交通视频信息并进行分析,确定此时行人和车辆数量并标记为待疏散数量R1;利用公式DT=C1×g1+R1×g2计算得到调度系数DT,根据调度系数DT确定救援车辆的数量为L1;数据库内存储有调度系数范围与救援车辆数量的对照表;为调度中心的管理人员安排救援提供依据,有效提高调度效率,实现资源分配利用最大化。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (8)
1.一种基于智慧交通事故施救的车辆调度系统,其特征在于,包括模型构建模块、调度中心、视频采集模块、视频分析模块以及调度指挥模块;
所述模型构建模块用于收集交通事故监控视频作为视频测试集和图片训练集,构建交通事故检测模型并反馈至调度中心;
所述视频采集模块为分布于道路各方向上摄像头,用于采集道路上的交通视频信息并将采集的交通视频信息上传至视频分析模块;
所述视频分析模块与调度中心相连接,用于逐帧获取交通视频信息中的图像,并将图像输入到交通事故检测模型中进行交通事故识别并获取识别结果;当识别出交通事故时,所述视频分析模块用于根据预先设置的报警规则进行报警,并发送事故调度信号至调度中心;
所述调度中心用于将事故调度信号发送至调度指挥模块;所述调度指挥模块接收到事故调度信号后调取事故发生点周边的交通视频信息进行分析,并根据调度系数DT分配对应数量的救援车辆进行疏散救援工作。
2.根据权利要求1所述的一种基于智慧交通事故施救的车辆调度系统,其特征在于,所述模型构建模块的具体构建步骤为:
S1:收集交通事故监控视频作为视频测试集和图片训练集,利用视频处理库OpenCV将视频处理成帧序列,提取交通事故帧图片与非交通事故帧图片,分为accidents与no-accidents两类,对应于交通事故类和非交通事故类;使用LabelImg对accidents类图片标注类别标签,处理出ResNet-50图片数据集;
S2:搭建ResNet-50深度卷积神经网络模型;其中,ResNet-50深度卷积神经网络模型至少包括一层隐含层;
S3:将ResNet-50图片数据集按照设定比例划分为训练集、测试集和校验集,通过训练集、测试集和校验集对ResNet-50深度卷积神经网络模型进行训练、测试和校验,将完成训练的ResNet-50深度卷积神经网络模型标记为交通事故检测模型。
3.根据权利要求2所述的一种基于智慧交通事故施救的车辆调度系统,其特征在于,其中,标签分为5类:Damage、CarDump、TwoWheelDump、PersonDump以及Fire,对应车辆损坏、翻车、非机动车翻车、人员伤亡以及失火5类交通事故场景。
4.根据权利要求2所述的一种基于智慧交通事故施救的车辆调度系统,其特征在于,其中ResNet-50图片数据集的具体获取方法为:
搜集监控视频200个,视频长度在0-3分钟之间,每个视频内容包含事故发生前、事故发生中、和事故发生后的场景;
取20%监控视频作为视频测试输入,剩余80%进行视频转帧序列处理,并过滤出667张accidents类图片与646张no-accidents类图片,组成ResNet-50图片数据集,用于训练与测试ResNet-50模型。
5.根据权利要求3所述的一种基于智慧交通事故施救的车辆调度系统,其特征在于,所述调度指挥模块的具体分析步骤为:
D1:调度指挥模块接收到事故调度信号后,根据交通事故识别结果确定事故类型;所述事故类型包括车辆损坏、翻车、非机动车翻车、人员伤亡以及失火;设定该事故类型的危险等级为C1;
D2:调取事故发生点周边的交通视频信息并进行分析,确定此时行人和车辆数量并标记为待疏散数量R1;利用公式DT=C1×g1+R1×g2计算得到调度系数DT,其中g1、g2为系数因子。
6.根据权利要求5所述的一种基于智慧交通事故施救的车辆调度系统,其特征在于,该系统还包括数据库,数据库内存储有事故类型与危险等级的对照表。
7.根据权利要求6所述的一种基于智慧交通事故施救的车辆调度系统,其特征在于,所述调度指挥模块还包括:
根据调度系数DT确定救援车辆的数量为L1,具体为:数据库内存储有调度系数范围与救援车辆数量的对照表;所述调度指挥模块用于将救援车辆数量L1反馈至调度中心,为调度中心的管理人员安排救援提供依据。
8.一种基于智慧交通事故施救的车辆调度方法,应用于如权利要求1-7任一所述的一种基于智慧交通事故施救的车辆调度系统,其特征在于,包括如下步骤:
步骤一:通过模型构建模块收集交通事故监控视频作为视频测试集和图片训练集,构建交通事故检测模型;
步骤二:采集道路上的交通视频信息并上传至视频分析模块;视频分析模块用于逐帧获取交通视频信息中的图像,并将图像输入到交通事故检测模型中进行交通事故识别并获取识别结果;
步骤三:当识别出交通事故时,所述视频分析模块用于根据预先设置的报警规则进行报警,并发送事故调度信号至调度中心;
步骤四:调度中心利用调度指挥模块调取事故发生点周边的交通视频信息进行分析,计算得到调度系数DT,并根据调度系数DT确定救援车辆的数量为L1;为调度中心的管理人员安排救援提供依据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210760501.4A CN115171013A (zh) | 2022-06-29 | 2022-06-29 | 一种基于智慧交通事故施救的车辆调度系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210760501.4A CN115171013A (zh) | 2022-06-29 | 2022-06-29 | 一种基于智慧交通事故施救的车辆调度系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115171013A true CN115171013A (zh) | 2022-10-11 |
Family
ID=83490147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210760501.4A Pending CN115171013A (zh) | 2022-06-29 | 2022-06-29 | 一种基于智慧交通事故施救的车辆调度系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115171013A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116863708A (zh) * | 2023-09-04 | 2023-10-10 | 成都市青羊大数据有限责任公司 | 一种智慧城市调度分配系统 |
CN116866631A (zh) * | 2023-07-05 | 2023-10-10 | 山东省交通运输监测与应急处置中心 | 一种综合交通视频集成管理方法及系统 |
-
2022
- 2022-06-29 CN CN202210760501.4A patent/CN115171013A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116866631A (zh) * | 2023-07-05 | 2023-10-10 | 山东省交通运输监测与应急处置中心 | 一种综合交通视频集成管理方法及系统 |
CN116866631B (zh) * | 2023-07-05 | 2024-05-28 | 山东省交通运输监测与应急处置中心 | 一种综合交通视频集成管理方法及系统 |
CN116863708A (zh) * | 2023-09-04 | 2023-10-10 | 成都市青羊大数据有限责任公司 | 一种智慧城市调度分配系统 |
CN116863708B (zh) * | 2023-09-04 | 2024-01-12 | 成都市青羊大数据有限责任公司 | 一种智慧城市调度分配系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115171013A (zh) | 一种基于智慧交通事故施救的车辆调度系统及方法 | |
CN110378824B (zh) | 一种公安交管数据大脑及构建方法 | |
DE112013001858B4 (de) | Mehrfachhinweis-Objekterkennung und -Analyse | |
CN116863708B (zh) | 一种智慧城市调度分配系统 | |
CN110838230B (zh) | 一种移动视频监控方法、监控中心及系统 | |
CN112309068B (zh) | 一种基于深度学习的森林火灾预警方法 | |
CN111833598A (zh) | 一种高速公路无人机交通事件自动监测方法及系统 | |
CN111629181A (zh) | 消防生命通道监控系统及方法 | |
CN111738336A (zh) | 基于多尺度特征融合的图像检测方法 | |
CN112819068A (zh) | 一种基于深度学习的船舶作业违章行为实时侦测方法 | |
CN113905215B (zh) | 一种公交安全驾驶监控系统 | |
CN112991130A (zh) | 基于人工智能的城市治理事件处理方法及装置 | |
CN114913447B (zh) | 基于场景识别的警务智慧指挥室系统及方法 | |
CN115035439A (zh) | 一种基于深度网络学习的校园异常事件监控系统 | |
CN117391894A (zh) | 一种巡逻机器人协同违章取证方法、系统及介质 | |
CN116229396B (zh) | 高速路面病害识别及告警方法 | |
CN112818814A (zh) | 入侵检测方法及装置、电子设备和计算机可读存储介质 | |
CN110008957B (zh) | 基于车牌识别和图像方差算法的小区违停告警方法 | |
CN110909641A (zh) | 一种检测摩托车超载的方法、装置及系统 | |
CN115966079A (zh) | 一种基于数据分析的交通道路安全运行监测管理平台 | |
CN116403162A (zh) | 一种机场场面目标行为识别方法、系统及电子设备 | |
CN115272924A (zh) | 一种基于模块化视频智能分析引擎的治理系统 | |
CN113593256B (zh) | 基于城市管理的无人机智能驱离控制方法、系统及云平台 | |
CN115225680A (zh) | 一种基于边缘计算的城市大脑道路维护系统 | |
CN114973664A (zh) | 一种基于机器视觉的城市交通在线智能监测预警管理系统 |
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 |