CN115187949A - 一种隧道出入口的路面状态检测方法、设备及介质 - Google Patents
一种隧道出入口的路面状态检测方法、设备及介质 Download PDFInfo
- Publication number
- CN115187949A CN115187949A CN202211089144.XA CN202211089144A CN115187949A CN 115187949 A CN115187949 A CN 115187949A CN 202211089144 A CN202211089144 A CN 202211089144A CN 115187949 A CN115187949 A CN 115187949A
- Authority
- CN
- China
- Prior art keywords
- road surface
- road
- target area
- image
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000008859 change Effects 0.000 claims abstract description 72
- 238000012544 monitoring process Methods 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000007477 logistic regression Methods 0.000 claims description 10
- 238000013058 risk prediction model Methods 0.000 claims description 7
- 238000013526 transfer learning Methods 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000010202 multivariate logistic regression analysis Methods 0.000 claims 1
- 238000012806 monitoring device Methods 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000001276 controlling effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005358 geomagnetic field Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect 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
- G06V20/50—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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/42—Road-making materials
-
- 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
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种隧道出入口的路面状态检测方法、设备及介质,属于交通控制技术领域,用于解决隧道出入口的路面状态检测准确率低的问题,方法包括:对隧道出入口中目标区域的状态信息进行分析,确定目标区域的第一路面行驶危险系数;若第一路面行驶危险系数高于预设阈值,则联动目标区域的监拍设备;控制监拍设备拍摄目标区域的第一路面图像,并在历史路面图像序列中,获取距离当前时间最近的第二路面图像;根据第二路面图像、第二路面图像的拍摄时间、以及第一路面图像,确定目标区域对应的路面行驶危险变化等级;根据路面行驶危险变化等级,对第一路面行驶危险系数进行补偿,得到目标区域的第二路面行驶危险系数,提高路面状态检测准确率。
Description
技术领域
本申请涉及交通控制技术领域,尤其涉及一种隧道出入口的路面状态检测方法、设备及介质。
背景技术
随着我国公路交通的快速发展,对公路的便捷、舒适、快速、安全性能提出了更高的要求,隧道里程与数量逐年增加。隧道的建设给公路的快速通行提供了便利,但同时给公路交通带来了很多安全隐患,隧道进出口由于路面结霜、结冰、积雪以及能见度不够等引发的交通事故频发,给行驶车辆带来风险,影响安全。
目前,主要通过简单的监测预警模型结合气象信息,对隧道出入口的路面状态进行检测,但是,模型预测精度有限,气象信息也比较单一,因此,存在因为系统精度问题而导致误报现象,从而导致隧道出入口的路面状态检测准确率低。
发明内容
在本申请实施例提供一种隧道出入口的路面状态检测方法、设备及介质,用于解决隧道出入口的路面状态检测准确率低的问题。
本申请实施例采用下述技术方案:
一方面,本申请实施例提供了一种隧道出入口的路面状态检测方法,该方法包括:在预设周期内,获取在隧道出入口中目标区域的状态信息;其中,所述状态信息包括路面温湿度、环境温湿度、能见度、车流量;通过对所述状态信息进行分析,确定所述目标区域的第一路面行驶危险系数;若所述第一路面行驶危险系数高于预设阈值,则联动所述目标区域的监拍设备;控制所述监拍设备拍摄所述目标区域的第一路面图像,并在历史路面图像序列中,获取距离当前时间最近的第二路面图像;其中,所述历史路面图像序列中包括所述目标区域的多帧第二路面图像;根据所述第二路面图像、所述第二路面图像的拍摄时间、以及所述第一路面图像,确定所述目标区域对应的路面行驶危险变化等级;根据所述路面行驶危险变化等级,对所述第一路面行驶危险系数进行补偿,得到所述目标区域的第二路面行驶危险系数;其中,所述补偿的程度与所述路面状态危险变化等级、所述拍摄时间呈正相关;根据所述第二路面行驶危险系数,确定所述目标区域的路面行驶危险等级,以对所述路面状态进行检测。
一个示例中,所述根据所述第二路面图像、所述第二路面图像的拍摄时间、以及所述第一路面图像,确定所述目标区域对应的路面行驶危险变化等级,具体包括:确定在所述第一路面图像中,已划分的所述目标区域的多个第一路面子区域;根据预先构建的路面状态识别模型,识别各所述第一路面子区域,以确定具有积雪区域和/或结冰区域的预选路面子区域;通过预先构建的全分辨率残差网络对所述预选路面子区域进行分割,得到所述预选路面子区域的积雪区域和/或结冰区域;在所述第二路面图像中,选取所述预选路面子区域对应的第二路面子区域,并获取所述第二路面子区域;将所述第二路面子区域与所述预选路面子区域进行对比,确定所述第二路面子区域与所述预选路面子区域之间的第一路面状态变化率;根据所述目标区域的多个所述第一路面状态变化率的均值,确定所述目标区域的第二路面状态变化率;根据所述第二路面状态变化率与所述第二路面图像的拍摄时间,确定所述目标区域的路面行驶危险变化等级。
一个示例中,所述根据所述第二路面状态变化率与所述第二路面图像的拍摄时间,确定所述目标区域的路面行驶危险变化等级,具体包括:若所述第二路面图像的拍摄时间与所述第一路面图像的拍摄时间之间的时间差值小于预设阈值,则获取所述隧道出入口在所述第二路面图像的拍摄时间与所述第一路面图像的拍摄时间之间的气象信息;根据所述气象信息,确定所述目标区域的路面状态变化趋势;根据所述第二路面状态变化率与所述路面状态变化趋势,确定所述目标区域的路面行驶危险变化等级。
一个示例中,所述根据所述第二路面状态变化率与所述路面状态变化趋势,确定所述目标区域的路面行驶危险变化等级,具体包括:若所述第二路面状态变化率低于预设变化阈值,则判断所述路面状态变化趋势是否为积雪厚度递增或结冰厚度递增;若是,则确定所述目标区域的路面行驶危险变化等级为高等级;若否,则确定所述目标区域的路面行驶危险变化等级为低等级。
一个示例中,所述根据所述路面行驶危险变化等级,对所述第一路面行驶危险系数进行补偿,得到所述目标区域的第二路面行驶危险系数,具体包括:
若所述路面行驶危险变化等级为高等级,则在预先构建映射表中,检索所述高等级对应的补偿系数;所述补偿系数大于1;根据所述补偿系数,对所述第一路面行驶危险系数进行补偿,得到所述目标区域的第二路面行驶危险系数。
一个示例中,所述根据预先构建的路面状态识别模型,识别各所述路面子区域之前,所述方法还包括:通过迁移学习方法将基于 ImageNet 数据集训练的 Inception V3的网络权重参数作为新建识别网络的初始权重;将所述Inception V3 网络在 ImageNet 数据集上学习到的特征提取层迁移到所述新建识别网络,以提取样本路面数据集的不同状态路面的颜色、纹理和边缘特征;
连接所述新建识别网络的全连接层与分类器,以建立基于迁移学习的路面状态识别模型;通过在样本路面数据集上对所述进行训练,使顶层网络适用于干燥、潮湿、积水、积雪以及结冰的状态路面识别任务,以构建路面状态识别模型。
一个示例中,所述通过对所述状态信息进行分析,确定所述目标区域的第一路面行驶危险系数,具体包括:通过多元逻辑回归分析,建立以样本状态信息为自变量,以样本第一路面行驶危险系数为因变量,建立多元逻辑回归路面行驶危险预测模型;其中,所述状态信息与所述第一路面行驶危险系数为非线性关系;将所述状态信息代入所述多元逻辑回归路面行驶危险预测模型,确定目标区域的第一路面行驶危险系数。
一个示例中,当获取在隧道出入口中目标区域的所述路面温湿度时,具体包括:通过设置在所述目标区域的不同路面位置的温湿度传感器,获取各路面位置的路面温湿度;通过预设修正表达式,对所述各路面位置的路面温湿度进行修正,得到所述各路面位置的修正路面温湿度;对所述各路面位置的修正路面温湿度进行拟合处理,确定所述目标区域的路面温湿度。
另一方面,本申请实施例提供了一种隧道出入口的路面状态检测设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:在预设周期内,获取在隧道出入口中目标区域的状态信息;其中,所述状态信息包括路面温湿度、环境温湿度、能见度、车流量;通过对所述状态信息进行分析,确定所述目标区域的第一路面行驶危险系数;若所述第一路面行驶危险系数高于预设阈值,则联动所述目标区域的监拍设备;控制所述监拍设备拍摄所述目标区域的第一路面图像,并在历史路面图像序列中,获取距离当前时间最近的第二路面图像;其中,所述历史路面图像序列中包括所述目标区域的多帧第二路面图像;根据所述第二路面图像、所述第二路面图像的拍摄时间、以及所述第一路面图像,确定所述目标区域对应的路面行驶危险变化等级;根据所述路面行驶危险变化等级,对所述第一路面行驶危险系数进行补偿,得到所述目标区域的第二路面行驶危险系数;其中,所述补偿的程度与所述路面状态危险变化等级、所述拍摄时间呈正相关;根据所述第二路面行驶危险系数,确定所述目标区域的路面行驶危险等级,以对所述路面状态进行检测。
另一方面,本申请实施例提供了一种一种隧道出入口的路面状态检测非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:在预设周期内,获取在隧道出入口中目标区域的状态信息;其中,所述状态信息包括路面温湿度、环境温湿度、能见度、车流量;通过对所述状态信息进行分析,确定所述目标区域的第一路面行驶危险系数;若所述第一路面行驶危险系数高于预设阈值,则联动所述目标区域的监拍设备;控制所述监拍设备拍摄所述目标区域的第一路面图像,并在历史路面图像序列中,获取距离当前时间最近的第二路面图像;其中,所述历史路面图像序列中包括所述目标区域的多帧第二路面图像;根据所述第二路面图像、所述第二路面图像的拍摄时间、以及所述第一路面图像,确定所述目标区域对应的路面行驶危险变化等级;根据所述路面行驶危险变化等级,对所述第一路面行驶危险系数进行补偿,得到所述目标区域的第二路面行驶危险系数;其中,所述补偿的程度与所述路面状态危险变化等级、所述拍摄时间呈正相关;根据所述第二路面行驶危险系数,确定所述目标区域的路面行驶危险等级,以对所述路面状态进行检测。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:
在通过状态信息确定目标区域的第一路面行驶危险系数后,在车辆行驶危险程度比较高时,继续通过监拍图像,预估目标区域对应的路面行驶危险变化等级,从而对第一路面行驶危险系数进行补偿,使得路面行驶危险等级更加准确,更能符合车辆行驶的实际危险程度。
附图说明
为了更清楚地说明本申请的技术方案,下面将结合附图来对本申请的部分实施例进行详细说明,附图中:
图1为本申请实施例提供的一种隧道出入口的路面状态检测方法的流程示意图;
图2为本申请实施例提供的隧道出入口的路面状态检测设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合具体实施例及相应的附图对本申请的技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。
下面参照附图来对本申请的一些实施例进行详细说明。
图1为本申请实施例提供的一种隧道出入口的路面状态方法的流程示意图。该流程中的某些输入参数或者中间结果允许人工干预调节,以帮助提高准确性。
本申请实施例涉及的分析方法的实现可以为终端设备,也可以为服务器,本申请对此不作特殊限制。为了方便理解和描述,以下实施例均以服务器为例进行详细描述。
需要说明的是,该服务器可以是单独的一台设备,可以是有多台设备组成的系统,即,分布式服务器,本申请对此不做具体限定。
图1中的流程可以包括以下步骤:
S102:在预设周期内,获取在隧道出入口中目标区域的状态信息。
其中,所述状态信息包括路面温湿度、环境温湿度、能见度、车流量。
在本申请的一些实施例中,利用部署于隧道各个出入口的智能终端将状态信息进行采集。
具体地,预先在隧道出入口的设置车辆检测器,车辆检测器通过测量地磁场强度的变化来获得车流量数据。预先在隧道出入口设置具有环境温度单元检测单元的车道指示器,获取目标区域的环境温湿度数据。预先在在隧道出入口设置能见度检测仪,获取目标区域的能见度数据。
预先在隧道出入口设置多个具有温湿度传感器,由于一般的传感器测得的实际数据与标准数据都是由偏差的,传感器测得数据都是在一个标准的范围内波动。而车辆在相同路面上行驶,随着隧道路表温度的不同,隧道的摩擦系数代表值发生变化,隧道的危险制动距离发生变化。因此我们需要通过测量测试,把真实数据与标准数据进行对比,最后生成一个修正表达式,通过该修正表达式对获取的路面温湿度进行修正,以使路面温湿度数据更加接近真实值。
具体地,通过设置在目标区域的不同路面位置的温湿度传感器,获取各路面位置的路面温湿度。然后通过预设修正表达式,对各路面位置的路面温湿度进行修正,得到各路面位置的修正路面温湿度。最后,对各路面位置的修正路面温湿度进行拟合处理,确定目标区域的路面温湿度。
预设修正表达式,具体包括:
S104:通过对所述状态信息进行分析,确定所述目标区域的第一路面行驶危险系数。
在本申请的一些实施例中,在对状态信息进行分析时,首先通过多元逻辑回归分析,建立以样本状态信息为自变量,以样本路面行驶危险系数为因变量,建立多元逻辑回归路面行驶危险预测模型;其中,状态信息与第一路面行驶危险系数为非线性关系;最后,将状态信息代入多元逻辑回归路面行驶危险预测模型,确定目标区域的第一路面行驶危险系数。
比如,建立多元逻辑回归路面行驶危险预测模型的流程依次为:输入样本状态信息,数据预处理,训练样本集,选择核因数,选择惩罚因子等参数,确定分类超平面,通过最优解来构造决策函数,建立预测模型,输入测试样本集,输出预测结果,性能评价。
S106:若所述第一路面行驶危险系数高于预设阈值,则联动所述目标区域的监拍设备。
在得到第一路面行驶危险系数高于预设阈值时,说明此时车辆行驶目标区域时,比较危险。比如,目标区域具有比较严重的积雪或结冰现象。因此,为了进一步确定车辆在目标区域的行驶危险。则继续联动目标区域的监拍设备。
S108:控制所述监拍设备拍摄所述目标区域的第一路面图像,并在历史路面图像序列中,获取距离当前时间最近的第二路面图像。
其中,在历史路面图像序列中包括目标区域的多帧第二路面图像。需要说明的是,多帧第二路面图像按照时间的先后顺序依次进行排序。
S110:根据所述第二路面图像、所述第二路面图像的拍摄时间、以及所述第一路面图像,确定所述目标区域对应的路面行驶危险变化等级。
在本申请的一些实施例中,对于路面行驶危险最主要的因素大部分是积雪区域或结冰区域,路面抗滑性能变差,因此,继续评估上述两个因素对目标区域的行驶影响程度。
具体地,首先,确定在第一路面图像中,已划分的目标区域的多个第一路面子区域。然后,根据预先构建的路面状态识别模型,识别各第一路面子区域,以确定具有积雪区域和/或结冰区域的预选路面子区域。从而能够先识别出是否具有积雪区域与结冰区域。
其中,在构建的路面状态识别模型时,通过迁移学习方法将基于 ImageNet 数据集训练的 Inception V3 网络的权重参数作为新建识别网络的初始权重。然后,将Inception V3网络在 ImageNet 数据集上学习到的特征提取层迁移到新建识别网络,以提取样本路面数据集的不同状态路面的颜色、纹理和边缘特征。然后,连接新建识别网络的全连接层与分类器,以建立基于迁移学习的路面状态识别模型;最后,通过在样本路面数据集上对进行训练,使顶层网络适用于干燥、潮湿、积水、积雪以及结冰的状态路面识别任务,以构建路面状态识别模型。然后,通过预先构建的全分辨率残差网络对预选路面子区域进行分割,得到预选路面子区域的积雪区域和/或结冰区域。
因此,通过迁移学习的路面状态识别模型,提高网络识别准确率。并且全分辨率残差单元组将以上残差流和池化流相连接,使网络能够同时获得低层和高层特征。FRRN 在没有预训练模型权重的情况下也能在场景分割中显示较强的边界分割优势。从而能够有效分割出积雪区域与结冰区域具体的位置。
然后,在第二路面图像中,选取预选路面子区域对应的第二路面子区域,并获取第二路面子区域。
然后,将第二路面子区域与预选路面子区域进行对比,确定第二路面子区域与预选路面子区域之间的第一路面状态变化率。
需要说明的是,通过预设的映射关系表,确定上述第一路面状态变化率。其中,映射关系表中包括不同的路面状态变化,分别对应的路面状态变化率。比如,第二路面状态为潮湿,第一路面状态为积雪,该路面状态变化的第一路面状态变化率为A%。
然后,根据目标区域的多个第一路面状态变化率的均值,确定目标区域的第二路面状态变化率。
最后,根据第二路面状态变化率与第二路面图像的拍摄时间,确定目标区域的路面行驶危险变化等级。
在本申请的一些实施例中,由于积雪或结冰的厚度不同,将会具有不同的湿滑程度,一般来说,在积雪或者结冰越厚时,车辆行驶越会出现打滑现象,即,行驶的危险越大。因此,需要继续预估第一路面图像中目标区域的积雪或结冰区域。
具体地,在确定目标区域的路面行驶危险变化等级时,考虑到在第二路面图像的拍摄时间距离当前时间比较近时,同时第二路面图像中的目标区域也具有积雪区域或结冰区域时,那么第一路面图像中的目标区域可能存在积雪或结冰区域相比于第二路面图像,更厚或者更薄,因此,需要确定是否为更厚。
因此,若第二路面图像的拍摄时间与第一路面图像的拍摄时间之间的时间差值小于预设阈值,则获取隧道出入口在第二路面图像的拍摄时间与第一路面图像的拍摄时间之间的气象信息。
然后,根据气象信息,确定目标区域的路面状态变化趋势,最后根据第二路面状态变化率与路面状态变化趋势,确定目标区域的路面行驶危险变化等级。
进一步地,当路面状态变化率低于预设变化阈值时,能够确定第二路面图像中的目标区域也具有积雪区域或结冰区域。
因此,若第二路面状态变化率低于预设变化阈值,则判断路面状态变化趋势是否为积雪递增或结冰递增。若是,则确定目标区域的路面行驶危险变化等级为高等级;若否,则确定目标区域的路面行驶危险变化等级为低等级。
其中,在积雪递增或结冰递增时,说明第一路面图像中的目标区域的积雪或结冰区域为更厚,因此,此时路面行驶更加危险。
若第二路面状态变化率高于预设变化阈值,说明确定第二路面图像中的目标区域不具有积雪区域或结冰区域,比如,可能为干燥或者潮湿。因此,可以根据实际高出预设变化阈值的差值,确定目标区域的路面行驶危险变化等级为低等级或中等级。其中,比如,差值高于差值阈值时,由于与积雪区域差别最大的路面状态为干燥状态,因此,此时说明第二路面图像为干燥,故确定目标区域的路面行驶危险变化等级为低等级。
S112:根据所述路面行驶危险变化等级,对所述第一路面行驶危险系数进行补偿,得到所述目标区域的第二路面行驶危险系数;其中,所述补偿的程度与所述路面状态危险变化等级、所述拍摄时间呈正相关。
在本申请的一些实施例中,若路面行驶危险变化等级为高等级,则在预先构建映射表中,检索高等级对应的补偿系数。补偿系数大于1。其中,该映射表中,包括高等级、中等级以及低等级分别对应的补偿系数。
然后,根据补偿系数,对第一路面行驶危险系数进行补偿,得到目标区域的第二路面行驶危险系数。
需要说明的是,若路面行驶危险变化等级为低等级,则在预先构建映射表中,检索高等级对应的补偿系数。补偿系数大于1。
可以理解的是,在多元逻辑回归模型中,无法考虑到积雪或结冰区域的厚度问题,因此本申请实施例首先确定出第一路面图像中目标区域的积雪或结冰区域,然后基于目标区域的路面状态变化趋势,预测积雪或结冰区域的厚度,进而确定路面行驶危险变化等级,能够更加准确地得到目标区域当前的路面行驶的危险严重程度。
S114:根据所述第二路面行驶危险系数,确定所述目标区域的路面行驶危险等级,以对所述路面状态进行检测。
在第一路面行驶危险系数低于预设阈值时,说明此时车辆行驶目标区域时,相对于比较安全,因此,根据第一路面行驶危险系数,确定目标区域的路面行驶危险等级,以对路面状态进行检测。
并且,在各第一路面子区域不具有积雪区域和/或结冰区域的预选路面子区域时,也是直接根据第一路面行驶危险系数,确定目标区域的路面行驶危险等级。
需要说明的是,不同的路面行驶危险系数值,对应不同的路面行驶危险等级,在获取到路面行驶危险等级,可以根据路面行驶危险等级,向驾驶员提供不同的预警信息。比如,车距、车速等。
需要说明的是,虽然本申请实施例是参照图1来对步骤S102至步骤S114依次进行介绍说明的,但这并不代表步骤S102至步骤S114必须按照严格的先后顺序执行。本申请实施例之所以按照图1中所示的顺序对步骤S102至步骤S104依次进行介绍说明,是为了方便本领域技术人员理解本申请实施例的技术方案。换句话说,在本申请实施例中,步骤S102至步骤S104之间的先后顺序可以根据实际需要进行适当调整。
通过图1的方法,在通过状态信息确定目标区域的第一路面行驶危险系数后,在车辆行驶危险程度比较高时,继续通过监拍图像,预估目标区域对应的路面行驶危险变化等级,从而对第一路面行驶危险系数进行补偿,使得路面行驶危险等级更加准确,更能符合车辆行驶的实际危险程度。
基于同样的思路,本申请的一些实施例还提供了上述方法对应的设备和非易失性计算机存储介质。
图2为本申请实施例提供的一种隧道出入口的路面状态检测设备的结构示意图,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
在预设周期内,获取在隧道出入口中目标区域的状态信息;其中,所述状态信息包括路面温湿度、环境温湿度、能见度、车流量;
通过对所述状态信息进行分析,确定所述目标区域的第一路面行驶危险系数;
若所述第一路面行驶危险系数高于预设阈值,则联动所述目标区域的监拍设备;
控制所述监拍设备拍摄所述目标区域的第一路面图像,并在历史路面图像序列中,获取距离当前时间最近的第二路面图像;其中,所述历史路面图像序列中包括所述目标区域的多帧第二路面图像;
根据所述第二路面图像、所述第二路面图像的拍摄时间、以及所述第一路面图像,确定所述目标区域对应的路面行驶危险变化等级;
根据所述路面行驶危险变化等级,对所述第一路面行驶危险系数进行补偿,得到所述目标区域的第二路面行驶危险系数;其中,所述补偿的程度与所述路面状态危险变化等级、所述拍摄时间呈正相关;
根据所述第二路面行驶危险系数,确定所述目标区域的路面行驶危险等级,以对所述路面状态进行检测。
本申请的一些实施例提供的一种隧道出入口的路面状态检测非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
在预设周期内,获取在隧道出入口中目标区域的状态信息;其中,所述状态信息包括路面温湿度、环境温湿度、能见度、车流量;
通过对所述状态信息进行分析,确定所述目标区域的第一路面行驶危险系数;
若所述第一路面行驶危险系数高于预设阈值,则联动所述目标区域的监拍设备;
控制所述监拍设备拍摄所述目标区域的第一路面图像,并在历史路面图像序列中,获取距离当前时间最近的第二路面图像;其中,所述历史路面图像序列中包括所述目标区域的多帧第二路面图像;
根据所述第二路面图像、所述第二路面图像的拍摄时间、以及所述第一路面图像,确定所述目标区域对应的路面行驶危险变化等级;
根据所述路面行驶危险变化等级,对所述第一路面行驶危险系数进行补偿,得到所述目标区域的第二路面行驶危险系数;其中,所述补偿的程度与所述路面状态危险变化等级、所述拍摄时间呈正相关;
根据所述第二路面行驶危险系数,确定所述目标区域的路面行驶危险等级,以对所述路面状态进行检测。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备和介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的,因此,设备和介质也具有与其对应的方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
在一个典型的配置中,计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器 (RAM) 和/或非易失性内存等形式,如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请技术原理之内所作的任何修改、等同替换、改进等,均应落入本申请的保护范围之内。
Claims (10)
1.一种隧道出入口的路面状态检测方法,其特征在于,所述方法包括:
在预设周期内,获取在隧道出入口中目标区域的状态信息;其中,所述状态信息包括路面温湿度、环境温湿度、能见度、车流量;
通过对所述状态信息进行分析,确定所述目标区域的第一路面行驶危险系数;
若所述第一路面行驶危险系数高于预设阈值,则联动所述目标区域的监拍设备;
控制所述监拍设备拍摄所述目标区域的第一路面图像,并在历史路面图像序列中,获取距离当前时间最近的第二路面图像;其中,所述历史路面图像序列中包括所述目标区域的多帧第二路面图像;
根据所述第二路面图像、所述第二路面图像的拍摄时间、以及所述第一路面图像,确定所述目标区域对应的路面行驶危险变化等级;
根据所述路面行驶危险变化等级,对所述第一路面行驶危险系数进行补偿,得到所述目标区域的第二路面行驶危险系数;其中,所述补偿的程度与所述路面状态危险变化等级、所述拍摄时间呈正相关;
根据所述第二路面行驶危险系数,确定所述目标区域的路面行驶危险等级,以对所述路面状态进行检测。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第二路面图像、所述第二路面图像的拍摄时间、以及所述第一路面图像,确定所述目标区域对应的路面行驶危险变化等级,具体包括:
确定在所述第一路面图像中,已划分的所述目标区域的多个第一路面子区域;
根据预先构建的路面状态识别模型,识别各所述第一路面子区域,以确定具有积雪区域和/或结冰区域的预选路面子区域;
通过预先构建的全分辨率残差网络对所述预选路面子区域进行分割,得到所述预选路面子区域的积雪区域和/或结冰区域;
在所述第二路面图像中,选取所述预选路面子区域对应的第二路面子区域,并获取所述第二路面子区域;
将所述第二路面子区域与所述预选路面子区域进行对比,确定所述第二路面子区域与所述预选路面子区域之间的第一路面状态变化率;
根据所述目标区域的多个所述第一路面状态变化率的均值,确定所述目标区域的第二路面状态变化率;
根据所述第二路面状态变化率与所述第二路面图像的拍摄时间,确定所述目标区域的路面行驶危险变化等级。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第二路面状态变化率与所述第二路面图像的拍摄时间,确定所述目标区域的路面行驶危险变化等级,具体包括:
若所述第二路面图像的拍摄时间与所述第一路面图像的拍摄时间之间的时间差值小于预设阈值,则获取所述隧道出入口在所述第二路面图像的拍摄时间与所述第一路面图像的拍摄时间之间的气象信息;
根据所述气象信息,确定所述目标区域的路面状态变化趋势;
根据所述第二路面状态变化率与所述路面状态变化趋势,确定所述目标区域的路面行驶危险变化等级。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第二路面状态变化率与所述路面状态变化趋势,确定所述目标区域的路面行驶危险变化等级,具体包括:
若所述第二路面状态变化率低于预设变化阈值,则判断所述路面状态变化趋势是否为积雪厚度递增或结冰厚度递增;
若是,则确定所述目标区域的路面行驶危险变化等级为高等级;
若否,则确定所述目标区域的路面行驶危险变化等级为低等级。
5.根据权利要求4所述的方法,其特征在于,所述根据所述路面行驶危险变化等级,对所述第一路面行驶危险系数进行补偿,得到所述目标区域的第二路面行驶危险系数,具体包括:
若所述路面行驶危险变化等级为高等级,则在预先构建映射表中,检索所述高等级对应的补偿系数;所述补偿系数大于1;
根据所述补偿系数,对所述第一路面行驶危险系数进行补偿,得到所述目标区域的第二路面行驶危险系数。
6.根据权利要求2所述的方法,其特征在于,所述根据预先构建的路面状态识别模型,识别各所述路面子区域之前,所述方法还包括:
通过迁移学习方法将基于 ImageNet 数据集训练的 Inception V3 网络的权重参数作为新建识别网络的初始权重;
将所述Inception V3网络在 ImageNet 数据集上学习到的特征提取层迁移到所述新建识别网络,以提取样本路面数据集的不同状态路面的颜色、纹理和边缘特征;
连接所述新建识别网络的全连接层与分类器,以建立基于迁移学习的路面状态识别模型;
通过在样本路面数据集上对所述进行训练,使顶层网络适用于干燥、潮湿、积水、积雪以及结冰的状态路面识别任务,以构建路面状态识别模型。
7.根据权利要求1所述的方法,其特征在于,所述通过对所述状态信息进行分析,确定所述目标区域的第一路面行驶危险系数,具体包括:
通过多元逻辑回归分析,建立以样本状态信息为自变量,以样本路面行驶危险系数为因变量,建立多元逻辑回归路面行驶危险预测模型;其中,所述状态信息与所述第一路面行驶危险系数为非线性关系;
将所述状态信息代入所述多元逻辑回归路面行驶危险预测模型,确定目标区域的第一路面行驶危险系数。
8.根据权利要求1所述的方法,其特征在于,当获取在隧道出入口中目标区域的所述路面温湿度时,具体包括:
通过设置在所述目标区域的不同路面位置的温湿度传感器,获取各路面位置的路面温湿度;
通过预设修正表达式,对所述各路面位置的路面温湿度进行修正,得到所述各路面位置的修正路面温湿度;
对所述各路面位置的修正路面温湿度进行拟合处理,确定所述目标区域的路面温湿度。
9.一种隧道出入口的路面状态检测设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
在预设周期内,获取在隧道出入口中目标区域的状态信息;其中,所述状态信息包括路面温湿度、环境温湿度、能见度、车流量;
通过对所述状态信息进行分析,确定所述目标区域的第一路面行驶危险系数;
若所述第一路面行驶危险系数高于预设阈值,则联动所述目标区域的监拍设备;
控制所述监拍设备拍摄所述目标区域的第一路面图像,并在历史路面图像序列中,获取距离当前时间最近的第二路面图像;其中,所述历史路面图像序列中包括所述目标区域的多帧第二路面图像;
根据所述第二路面图像、所述第二路面图像的拍摄时间、以及所述第一路面图像,确定所述目标区域对应的路面行驶危险变化等级;
根据所述路面行驶危险变化等级,对所述第一路面行驶危险系数进行补偿,得到所述目标区域的第二路面行驶危险系数;其中,所述补偿的程度与所述路面状态危险变化等级、所述拍摄时间呈正相关;
根据所述第二路面行驶危险系数,确定所述目标区域的路面行驶危险等级,以对所述路面状态进行检测。
10.一种隧道出入口的路面状态检测非易失性计算机存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:
在预设周期内,获取在隧道出入口中目标区域的状态信息;其中,所述状态信息包括路面温湿度、环境温湿度、能见度、车流量;
通过对所述状态信息进行分析,确定所述目标区域的第一路面行驶危险系数;
若所述第一路面行驶危险系数高于预设阈值,则联动所述目标区域的监拍设备;
控制所述监拍设备拍摄所述目标区域的第一路面图像,并在历史路面图像序列中,获取距离当前时间最近的第二路面图像;其中,所述历史路面图像序列中包括所述目标区域的多帧第二路面图像;
根据所述第二路面图像、所述第二路面图像的拍摄时间、以及所述第一路面图像,确定所述目标区域对应的路面行驶危险变化等级;
根据所述路面行驶危险变化等级,对所述第一路面行驶危险系数进行补偿,得到所述目标区域的第二路面行驶危险系数;其中,所述补偿的程度与所述路面状态危险变化等级、所述拍摄时间呈正相关;
根据所述第二路面行驶危险系数,确定所述目标区域的路面行驶危险等级,以对所述路面状态进行检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211089144.XA CN115187949B (zh) | 2022-09-07 | 2022-09-07 | 一种隧道出入口的路面状态检测方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211089144.XA CN115187949B (zh) | 2022-09-07 | 2022-09-07 | 一种隧道出入口的路面状态检测方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115187949A true CN115187949A (zh) | 2022-10-14 |
CN115187949B CN115187949B (zh) | 2023-01-20 |
Family
ID=83522653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211089144.XA Active CN115187949B (zh) | 2022-09-07 | 2022-09-07 | 一种隧道出入口的路面状态检测方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115187949B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115393363A (zh) * | 2022-10-31 | 2022-11-25 | 山东金帝精密机械科技股份有限公司 | 一种轴承保持器的生产预警方法、设备及介质 |
CN115797877A (zh) * | 2023-02-13 | 2023-03-14 | 山东鸿德电力科技有限公司 | 一种电力传输设备的智能监控方法、系统及介质 |
CN116188440A (zh) * | 2023-02-28 | 2023-05-30 | 聊城市红日机械配件厂 | 一种轴承保持架的生产分析优化方法、设备及介质 |
CN116884226A (zh) * | 2023-09-07 | 2023-10-13 | 山东金宇信息科技集团有限公司 | 一种用于道路维护的生态监控预警方法、设备及介质 |
CN117612115A (zh) * | 2024-01-24 | 2024-02-27 | 山东高速信息集团有限公司 | 一种基于高速公路的车辆识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020197815A (ja) * | 2019-05-31 | 2020-12-10 | 株式会社Jvcケンウッド | 警告システム、及び、警告方法 |
CN114821425A (zh) * | 2022-04-29 | 2022-07-29 | 山东金宇信息科技集团有限公司 | 一种针对隧道内事故的设备联动处理方法、设备及介质 |
CN114999179A (zh) * | 2022-07-20 | 2022-09-02 | 山东金宇信息科技集团有限公司 | 一种隧道安全行车方法、设备及介质 |
CN115009292A (zh) * | 2022-06-24 | 2022-09-06 | 阿波罗智能技术(北京)有限公司 | 用于自动驾驶车辆的风险提示方法、装置及自动驾驶车辆 |
-
2022
- 2022-09-07 CN CN202211089144.XA patent/CN115187949B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020197815A (ja) * | 2019-05-31 | 2020-12-10 | 株式会社Jvcケンウッド | 警告システム、及び、警告方法 |
CN114821425A (zh) * | 2022-04-29 | 2022-07-29 | 山东金宇信息科技集团有限公司 | 一种针对隧道内事故的设备联动处理方法、设备及介质 |
CN115009292A (zh) * | 2022-06-24 | 2022-09-06 | 阿波罗智能技术(北京)有限公司 | 用于自动驾驶车辆的风险提示方法、装置及自动驾驶车辆 |
CN114999179A (zh) * | 2022-07-20 | 2022-09-02 | 山东金宇信息科技集团有限公司 | 一种隧道安全行车方法、设备及介质 |
Non-Patent Citations (4)
Title |
---|
CIRO CALIENDO ET AL.: "Quantitative Risk Analysis on the Transport of Dangerous Goods Through a Bi-", 《RISK ANALYSIS》 * |
I. BENEKOS ET AL.: "On risk assessment and risk acceptance of dangerous goods", 《SAFETY SCIENCE》 * |
钟宇健等: "隧道进出口路面结冰积雪和", 《公路》 * |
高尚等: "基于马尔科夫链在科特迪瓦某工程沥青混凝土路面", 《研究成果》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115393363A (zh) * | 2022-10-31 | 2022-11-25 | 山东金帝精密机械科技股份有限公司 | 一种轴承保持器的生产预警方法、设备及介质 |
CN115797877A (zh) * | 2023-02-13 | 2023-03-14 | 山东鸿德电力科技有限公司 | 一种电力传输设备的智能监控方法、系统及介质 |
CN116188440A (zh) * | 2023-02-28 | 2023-05-30 | 聊城市红日机械配件厂 | 一种轴承保持架的生产分析优化方法、设备及介质 |
CN116188440B (zh) * | 2023-02-28 | 2023-08-29 | 聊城市红日机械配件厂 | 一种轴承保持架的生产分析优化方法、设备及介质 |
CN116884226A (zh) * | 2023-09-07 | 2023-10-13 | 山东金宇信息科技集团有限公司 | 一种用于道路维护的生态监控预警方法、设备及介质 |
CN116884226B (zh) * | 2023-09-07 | 2023-11-21 | 山东金宇信息科技集团有限公司 | 一种用于道路维护的生态监控预警方法、设备及介质 |
CN117612115A (zh) * | 2024-01-24 | 2024-02-27 | 山东高速信息集团有限公司 | 一种基于高速公路的车辆识别方法 |
CN117612115B (zh) * | 2024-01-24 | 2024-05-03 | 山东高速信息集团有限公司 | 一种基于高速公路的车辆识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115187949B (zh) | 2023-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115187949B (zh) | 一种隧道出入口的路面状态检测方法、设备及介质 | |
EP2118818B1 (en) | Video-based road departure warning | |
US6807473B1 (en) | Road recognition system | |
CN100545867C (zh) | 航拍交通视频车辆快速检测方法 | |
US10467482B2 (en) | Method and arrangement for assessing the roadway surface being driven on by a vehicle | |
CN106652468A (zh) | 车辆道路前车违规检测和自车违规预警提醒装置及方法 | |
CN108091137B (zh) | 一种信号灯控制方案的评价方法及装置 | |
KR101858339B1 (ko) | 카메라를 이용한 기상관측 장치 및 이를 제어하는 방법 | |
CN112740295B (zh) | 检测车辆行驶场景的复杂度的方法和装置 | |
CN111160270A (zh) | 一种基于智能视频识别的桥梁监测方法 | |
CN110826412A (zh) | 高速公路能见度检测系统和方法 | |
US10977933B2 (en) | Method and apparatus for predicting road conditions based on big data | |
CN112990293A (zh) | 一种点云标注方法、装置和电子设备 | |
CN110660141B (zh) | 路面状况检测方法、装置、电子设备及可读存储介质 | |
CN110399664B (zh) | 一种驾驶速度的确定方法及装置 | |
Kaddah et al. | Automatic darkest filament detection (ADFD): a new algorithm for crack extraction on two-dimensional pavement images | |
Vaibhav et al. | Real-time fog visibility range estimation for autonomous driving applications | |
CN113689505B (zh) | 一种基于定位信息调整车载摄像头曝光参数的方法及装置 | |
KR102528991B1 (ko) | 인공지능 기반 스마트 도시 침수 예측 시스템 | |
CN110515081A (zh) | 一种雷达回波零度层亮带智能识别预警方法 | |
NO20210870A1 (en) | Fog detection device using coordinate system, and method therefor | |
CN114973681A (zh) | 一种在途车辆感知方法及设备 | |
CN113919571A (zh) | 基于边缘计算的危化品运输保费预估方法 | |
CN117268424B (zh) | 一种多传感器融合的自动驾驶寻线方法及装置 | |
CN110341716B (zh) | 车速计算方法、装置、自动驾驶系统及存储介质 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A road condition detection method, equipment, and medium for tunnel entrances and exits Granted publication date: 20230120 Pledgee: Ji'nan rural commercial bank Limited by Share Ltd. high tech branch Pledgor: Shandong Jinyu Information Technology Group Co.,Ltd. Registration number: Y2024980000280 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |