CN116307715A - 基于多源数据融合和模型级联的环卫事件监测方法及系统 - Google Patents
基于多源数据融合和模型级联的环卫事件监测方法及系统 Download PDFInfo
- Publication number
- CN116307715A CN116307715A CN202310259657.9A CN202310259657A CN116307715A CN 116307715 A CN116307715 A CN 116307715A CN 202310259657 A CN202310259657 A CN 202310259657A CN 116307715 A CN116307715 A CN 116307715A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- model
- risk
- environmental sanitation
- parameters
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000004927 fusion Effects 0.000 title claims abstract description 25
- 230000007613 environmental effect Effects 0.000 claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 26
- 230000003068 static effect Effects 0.000 claims description 22
- 230000011218 segmentation Effects 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000007789 sealing Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect 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
- 230000003203 everyday effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了基于多源数据融合和模型级联的环卫事件监测方法及系统,包括:采集巡检车辆实时运行数据,并对环卫风险车辆进行AI识别,得到对应的参数;对巡检车辆进行Re‑ID建模得到对应的Re‑ID特征信息,并把Re‑ID特征信息和参数存储在云端;将特征信息和参数按照上传云端的固定时间间隔,构建全域环卫风险车辆动态拓扑图;采集实时交通状况数据,并对实时交通状况数据进行数据初步清洗和加工,同时根据车辆动态拓扑图,构建AI多模型级联生成环卫事件预测模型;通过该模型进行环卫事件监测进而得到环卫风险区域排名。本发明融合多源异构全量数据构建AI多模型级联生成环卫事件预测模型,提高环卫事件发现的及时性和有效性。
Description
技术领域
本发明涉及环卫作业事件的处理技术领域,具体地,涉及一种基于多源数据融合和模型级联的环卫事件监测方法及系统。
背景技术
随着城市化进程的深入,城市规模的不断发展,城市大规模环卫保障是城市正常运转不可或缺的重要基础。但是由于城市大规模运转的耦合性和复杂性,每天会产生大量的突发偶发环卫事件(如道路面出现大规模垃圾丢弃,路面土方积累,交通事故发生时带来的路面脏乱,交通辅道被工业垃圾覆盖等),这些事件都需要纳入到环卫事件监测预测体系,尽快被云端平台捕捉到。
目前环卫行业的常规做法是预先派出大量的路面巡检设备和人员,依照设定的路线进行常态化巡检,来尽可能地发现高危环卫事件;然而,由于巡检路线早已由人工经验制定,人工经验在制定巡检计划时需要对全局路面有清晰准确的认知,若精确性不足,会导致制定的巡检路线不能最大程度地涵盖必要的可疑区域,造成浪费人力物力在低事故风险区域,以致高危环卫事件不能得到及时的预警和监测。而且,由于城市交通流在不断动态变化,如何及时准确识别并监控可能产生环卫事件的高危车辆(如垃圾转运车、土方车和敞篷货车等),并实时分析该高危车辆的过往行进路线,进而给出需要巡检的高危区域路线,并通知到正在按既定路线巡检的人员及设备调整巡检路线,也是一个人工经验调度所远远不能有效解决的问题。
因此,目前市场上急需一种融合多源异构全量数据的环卫事件监测预测方法及系统。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于多源数据融合和模型级联的环卫事件监测方法及系统。
根据本发明提供的一种基于多源数据融合和模型级联的环卫事件监测方法,包括:
步骤S1:采集巡检车辆实时运行数据,并对环卫风险车辆进行AI识别,得到对应的参数;
步骤S2:对巡检车辆进行Re-ID建模得到对应的Re-ID特征信息,并把所述Re-ID特征信息和所述参数存储在云端;
步骤S3:将所述特征信息和所述参数按照上传云端的固定时间间隔,构建全域环卫风险车辆动态拓扑图;
步骤S4:采集实时交通状况数据,并对所述实时交通状况数据进行数据初步清洗和加工,同时根据所述车辆动态拓扑图,构建AI多模型级联,生成环卫事件预测模型;
步骤S5:通过所述环卫事件预测模型进行环卫事件监测,进而得到环卫风险区域排名。
优选地,所述参数包括车辆实时状态参数、高危车辆及所述高危车辆的静态参数;
所述车辆实时状态参数包括车辆行驶速度、行驶轨迹、行驶车道、行驶方向和行驶位姿;
所述高危车辆是指会造成环卫事件的车辆,通过预先制定的白名单来进行确认;
所述静态参数包括车型、车牌和环卫风险特征。
优选地,所述AI多模型级联包括车辆Re-ID模型、状态判别模型和轨迹预测模型;
所述车辆Re-ID模型用来关联车端侧和无人机侧的车辆信息;
所述状态判别模型用来判定车辆的行驶异常,所述异常与环卫事件发生相关,包括车体抖动和车体封闭不严;
所述轨迹预测模型用来通过多个传感侧信息关联,识别车辆的一致性轨迹。
优选地,步骤S2包括:
步骤S2.1:读取环卫云业务图像采集库中的车辆图像,并对所述车辆图像进行预处理;
步骤S2.2:标注预处理后的车辆图像中的关键点;
步骤S2.3:通过定位所述关键点和区域分割方法,将当前车辆分为四个面,分别为前面、背面、左面和右面;
步骤S2.4:基于所述四个面生成对应的区域掩码,并将所述区域掩码均与所述关键点进行关联,同时所述关联关系至少存在1对且互相不重叠;
步骤S2.5:利用CNN卷积神经网络对多个区域分割结果提取区域特征向量;
步骤S2.6:将所述区域特征向量与全局特征向量融合;
步骤S2.7:对融合后的特征向量进行车辆重识别和检索,得到对应的特征信息。
优选地,所述步骤S5包括将选取的监测区域中所监测到的车辆实时状态数据和采集的高危车辆静态参数进行匹配,基于所述匹配后的综合数据结算当前区域的风险值,计算公式如下:
其中,ai表示辆车的当前风险值,mt表示当前时间段的路段权重占比,Pt表示当前时间段设置的风险预估阈值,f(t+Δt)表示当前区域后续预测风险系数。
根据本发明提供的一种基于多源数据融合和模型级联的环卫事件监测系统,包括:
模块M1:采集巡检车辆实时运行数据,并对环卫风险车辆进行AI识别,得到对应的参数;
模块M2:对巡检车辆进行Re-ID建模得到对应的Re-ID特征信息,并把所述Re-ID特征信息和所述参数存储在云端;
模块M3:将所述特征信息和所述参数按照上传云端的固定时间间隔,构建全域环卫风险车辆动态拓扑图;
模块M4:采集实时交通状况数据,并对所述实时交通状况数据进行数据初步清洗和加工,同时根据所述车辆动态拓扑图,构建AI多模型级联,生成环卫事件预测模型;
模块M5:通过所述环卫事件预测模型进行环卫事件监测,进而得到环卫风险区域排名。
优选地,所述参数包括车辆实时状态参数、高危车辆及所述高危车辆的静态参数;
所述车辆实时状态参数包括车辆行驶速度、行驶轨迹、行驶车道、行驶方向和行驶位姿;
所述高危车辆是指会造成环卫事件的车辆,通过预先制定的白名单来进行确认;
所述静态参数包括车型、车牌和环卫风险特征。
优选地,所述AI多模型级联包括车辆Re-ID模型、状态判别模型和轨迹预测模型;
所述车辆Re-ID模型用来关联车端侧和无人机侧的车辆信息;
所述状态判别模型用来判定车辆的行驶异常,所述异常与环卫事件发生相关,包括车体抖动和车体封闭不严;
所述轨迹预测模型用来通过多个传感侧信息关联,识别车辆的一致性轨迹。
优选地,模块M2包括:
模块M2.1:读取环卫云业务图像采集库中的车辆图像,并对所述车辆图像进行预处理;
模块M2.2:标注预处理后的车辆图像中的关键点;
模块M2.3:通过定位所述关键点和区域分割方法,将当前车辆分为四个面,分别为前面、背面、左面和右面;
模块M2.4:基于所述四个面生成对应的区域掩码,并将所述区域掩码均与所述关键点进行关联,同时所述关联关系至少存在1对且互相不重叠;
模块M2.5:利用CNN卷积神经网络对多个区域分割结果提取区域特征向量;
模块M2.6:将所述区域特征向量与全局特征向量融合;
模块M2.7:对融合后的特征向量进行车辆重识别和检索,得到对应的特征信息。
优选地,所述模块M5包括:所述步骤S5包括将选取的监测区域中所监测到的车辆实时状态数据和采集的高危车辆静态参数进行匹配,基于所述匹配后的综合数据结算当前区域的风险值,计算公式如下:
其中,ai表示辆车的当前风险值,mt表示当前时间段的路段权重占比,Pt表示当前时间段设置的风险预估阈值,f(t+Δt)表示当前区域后续预测风险系数。
与现有技术相比,本发明具有如下的有益效果:
本发明融合多源异构全量数据AI建模,充分考虑了实时交通流的影响,通过AI算法列出环卫高危区域,构建AI多模型级联生成环卫事件预测模型,提高环卫事件发现的及时性和有效性,把人力物力和分配做到智能化的准实时调度,提高决策的准确性和预见性。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明的工作流程示意图。
图2为本发明中通过Re-ID模型得到对应特征信息的流程示意图。
图3为本发明中通过定位关键点和区域分割将车辆分为四个面的效果示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例一
根据本发明提供的一种基于多源数据融合和模型级联的环卫事件监测方法,如图1所示包括:
步骤S1:采集巡检车辆实时运行数据,并对环卫风险车辆进行AI识别,得到对应的参数。其中,该参数包括车辆实时状态参数、高危车辆及高危车辆的静态参数。车辆实时状态参数包括车辆行驶速度、行驶轨迹、行驶车道、行驶方向和行驶位姿。高危车辆是指可能会造成环卫事件的车辆,例如垃圾转运车、土方车、敞篷货车等,通过预先制定的白名单来进行确认。静态参数包括车型、车牌和环卫风险特征。
具体地,根据巡检车在道路区域进行作业过程中,巡检车群体作为数据采集源头,采集大量的实时动态视频帧/点云帧数据,并通过AI算法模型识别出车辆实时可变状态参数,也就是车辆实时状态参数。同步地,通过AI模型,也识别出高危车辆及其静态参数。
步骤S2:对巡检车辆进行Re-ID建模得到对应的Re-ID特征信息,并把所述Re-ID特征信息和所述参数持久化存储在云端。该步骤旨在对于路面上可能造成环卫事件的车辆而言,能够捕捉车辆不同位姿、不同背景下的准确特征。
具体地,如图2所示,步骤S2包括:
步骤S2.1:读取环卫云业务图像采集库中的车辆图像,并对所述车辆图像进行预处理。所述预处理包括将环卫云业务图像采集库中的车辆图像导出,导出时进行时间、类别和图像质量相关指标过滤。
步骤S2.2:标注预处理后的车辆图像中的关键点。车辆在不同角度所拍摄出来的图片展示的主体内容存在区别,因此表达出的局部特征内容也存在差异,所以在图片训练集制作时需要标注当前图片的关键点,以此排除在模型训练时的大量噪音。
步骤S2.3:通过定位所述关键点和区域分割方法,将当前车辆分为四个面,分别为前面、背面、左面和右面。如图3所示,从方向上将车辆分成四个面,分别为前面、背面、左面和右面。每个面都关注多个特定区域的局部描述,所述局部描述不是直接预测边界点或角点,而是选择这些关键点作为一些判别位置或一些主要车辆部件,例如车轮、车灯、标志、后视镜、车牌,最终每张车辆图像会标记出多个关键点,实现目标车辆在多个区域的分割结果。就如图3中标号1至标号20的关键点。
步骤S2.4:基于所述四个面生成对应的区域掩码,并将所述区域掩码均与所述关键点进行关联,同时所述关联关系至少存在1对且互相不重叠。
步骤S2.5:利用CNN卷积神经网络对多个区域分割结果提取区域特征向量。
步骤S2.6:将所述区域特征向量与全局特征向量融合。先对局部进行全连接处理,配合softmax激活后而得到一组权重系数,权重系数和局部特征进行对应的加权计算,之后在与全局特征向量连接,通过最终的全连接层打平得到目标车辆的固定格式的外观特征向量输出。
步骤S2.7:对融合后的特征向量进行车辆重识别和检索,得到对应的特征信息。得到的车辆外观特征可以直接与不同车辆图像中的车辆外观特征进行对比,解决了不同车辆之间不同区域无法区分的问题。
步骤S3:将所述特征信息和所述参数按照上传云端的固定时间间隔,构建全域环卫风险车辆动态拓扑图。该步骤旨在便于后续服务于AI多模型的级联运算。
步骤S4:采集实时交通状况数据,并对所述实时交通状况数据进行数据初步清洗和加工,同时根据所述车辆动态拓扑图,构建AI多模型级联,生成环卫事件预测模型。所述AI多模型级联包括车辆Re-ID模型、状态判别模型和轨迹预测模型。所述车辆Re-ID模型用来关联车端侧和无人机侧的车辆信息。所述状态判别模型用来判定车辆的行驶异常,所述异常与环卫事件发生相关,包括车体抖动和车体封闭不严。所述轨迹预测模型用来通过多个传感侧信息关联,识别车辆的一致性轨迹。
具体地,采集实时交通状况数据的方式包括通过多个无人机群体捕捉实时交通状况数据,例如视频帧、点云、车况等。
步骤S5:通过所述环卫事件预测模型进行环卫事件监测,进而得到环卫风险区域排名。所述步骤S5包括将选取的监测区域中所监测到的车辆实时状态数据和采集的高危车辆静态参数进行匹配,基于所述匹配后的综合数据结算当前区域的风险值,计算公式如下:
其中,ai表示辆车的当前风险值,mt表示当前时间段的路段权重占比,Pt表示当前时间段设置的风险预估阈值,f(t+Δt)表示当前区域后续预测风险系数。
需要说明的是,风险区域排名就是基于下述的数据结果进行结算,所述数据包括基于网格地图的业务加工数据、车辆Re-ID模型实现车辆身份识别和车辆轨迹预测数据和高危车辆静态参数收集的数据。
进一步地,对于基于网格地图的业务加工数据说明如下:现有的地图数据在区域粒度上较弱的,会有市、区和街道的信息,这些区域都是地理空间上有明确联系的网格组合,因此在灵活度无法满足业务自定义的需求。所以提供出人工自定义区域的功能,可以通过框选的形式在网格地图上随意的划分区域范围,同时对于每一个区域范围初始化一系列参数,比如风险预估阈值、区域监察时间区间、路口道路检查比重等。
对于车辆Re-ID模型实现车辆身份识别和车辆轨迹预测数据说明如下:通过在步骤S2中的训练出的车辆重识别模型,经过车辆采集源获取到所有车辆图片使用充实别模型进行判别,对于是相同车辆的对象,采用时空一体化的存储方式将车辆被捕捉时图像状态、地理位置、精确时间、车辆实时状态数据保存到云端。云端可以对车辆此时的速度数据、道路拥堵情况、道路拓扑信息进行车辆后续的轨迹预测。
对于高危车辆静态参数收集数据说明如下:无人机群体捕捉的内容主要是环卫异常事件,比如某区域突然出现多辆从工地开出的渣土车,从某路到某垃圾处理厂。此类环卫高危数据会被无人机群体上传云端,云端会根据回传数据匹配上述车辆Re-ID模型实现车辆身份识别和车辆轨迹预测中的时空数据,匹配完成后会对原先的时空一体化数据进行相应的丰富。
本发明旨在通过多数据融合,结合车辆实时动态参数与高危车辆的静态参数的车辆Re-ID建模动态更新,并基于环卫风险车辆AI多模型级联,即车辆Re-ID模型、状态判断模型和轨迹预测模型导出的环卫风险区域排名。从而提高环卫事件发现的及时性和有效性,把人力物力和分配做到智能化的准实时调度,以及提高决策的准确性和预见性。
实施例二
本发明还提供了一种基于多源数据融合和模型级联的环卫事件监测系统,本领域技术人员可以通过执行所述基于多源数据融合和模型级联的环卫事件监测方法的步骤流程实现所述基于多源数据融合和模型级联的环卫事件监测系统,即可以将所述基于多源数据融合和模型级联的环卫事件监测方法理解为所述基于多源数据融合和模型级联的环卫事件监测系统的优选实施方式。
根据本发明提供的一种基于多源数据融合和模型级联的环卫事件监测系统,包括:
模块M1:采集巡检车辆实时运行数据,并对环卫风险车辆进行AI识别,得到对应的参数。所述参数包括车辆实时状态参数、高危车辆及所述高危车辆的静态参数。所述车辆实时状态参数包括车辆行驶速度、行驶轨迹、行驶车道、行驶方向和行驶位姿。所述高危车辆是指会造成环卫事件的车辆,通过预先制定的白名单来进行确认。所述静态参数包括车型、车牌和环卫风险特征。
模块M2:对巡检车辆进行Re-ID建模得到对应的Re-ID特征信息,并把所述Re-ID特征信息和所述参数存储在云端。所述AI多模型级联包括车辆Re-ID模型、状态判别模型和轨迹预测模型。所述车辆Re-ID模型用来关联车端侧和无人机侧的车辆信息。所述状态判别模型用来判定车辆的行驶异常,所述异常与环卫事件发生相关,包括车体抖动和车体封闭不严。所述轨迹预测模型用来通过多个传感侧信息关联,识别车辆的一致性轨迹。
具体地,模块M2包括:模块M2.1:读取环卫云业务图像采集库中的车辆图像,并对所述车辆图像进行预处理。模块M2.2:标注预处理后的车辆图像中的关键点。模块M2.3:通过定位所述关键点和区域分割方法,将当前车辆分为四个面,分别为前面、背面、左面和右面。模块M2.4:基于所述四个面生成对应的区域掩码,并将所述区域掩码均与所述关键点进行关联,同时所述关联关系至少存在1对且互相不重叠。模块M2.5:利用CNN卷积神经网络对多个区域分割结果提取区域特征向量。模块M2.6:将所述区域特征向量与全局特征向量融合。模块M2.7:对融合后的特征向量进行车辆重识别和检索,得到对应的特征信息。
模块M3:将所述特征信息和所述参数按照上传云端的固定时间间隔,构建全域环卫风险车辆动态拓扑图。
模块M4:采集实时交通状况数据,并对所述实时交通状况数据进行数据初步清洗和加工,同时根据所述车辆动态拓扑图,构建AI多模型级联,生成环卫事件预测模型。
模块M5:通过所述环卫事件预测模型进行环卫事件监测,进而得到环卫风险区域排名。所述模块M5包括:所述步骤S5包括将选取的监测区域中所监测到的车辆实时状态数据和采集的高危车辆静态参数进行匹配,基于所述匹配后的综合数据结算当前区域的风险值,计算公式如下:
其中,ai表示辆车的当前风险值,mt表示当前时间段的路段权重占比,Pt表示当前时间段设置的风险预估阈值,f(t+Δt)表示当前区域后续预测风险系数。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
在本申请的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于多源数据融合和模型级联的环卫事件监测方法,其特征在于,包括:
步骤S1:采集巡检车辆实时运行数据,并对环卫风险车辆进行AI识别,得到对应的参数;
步骤S2:对巡检车辆进行Re-ID建模得到对应的Re-ID特征信息,并把所述Re-ID特征信息和所述参数存储在云端;
步骤S3:将所述特征信息和所述参数按照上传云端的固定时间间隔,构建全域环卫风险车辆动态拓扑图;
步骤S4:采集实时交通状况数据,并对所述实时交通状况数据进行数据初步清洗和加工,同时根据所述车辆动态拓扑图,构建AI多模型级联,生成环卫事件预测模型;
步骤S5:通过所述环卫事件预测模型进行环卫事件监测,进而得到环卫风险区域排名。
2.根据权利要求1所述的基于多源数据融合和模型级联的环卫事件监测方法,其特征在于,所述参数包括车辆实时状态参数、高危车辆及所述高危车辆的静态参数;
所述车辆实时状态参数包括车辆行驶速度、行驶轨迹、行驶车道、行驶方向和行驶位姿;
所述高危车辆是指会造成环卫事件的车辆,通过预先制定的白名单来进行确认;
所述静态参数包括车型、车牌和环卫风险特征。
3.根据权利要求1所述的基于多源数据融合和模型级联的环卫事件监测方法,其特征在于,所述AI多模型级联包括车辆Re-ID模型、状态判别模型和轨迹预测模型;
所述车辆Re-ID模型用来关联车端侧和无人机侧的车辆信息;
所述状态判别模型用来判定车辆的行驶异常,所述异常与环卫事件发生相关,包括车体抖动和车体封闭不严;
所述轨迹预测模型用来通过多个传感侧信息关联,识别车辆的一致性轨迹。
4.根据权利要求3所述的基于多源数据融合和模型级联的环卫事件监测方法,其特征在于,步骤S2包括:
步骤S2.1:读取环卫云业务图像采集库中的车辆图像,并对所述车辆图像进行预处理;
步骤S2.2:标注预处理后的车辆图像中的关键点;
步骤S2.3:通过定位所述关键点和区域分割方法,将当前车辆分为四个面,分别为前面、背面、左面和右面;
步骤S2.4:基于所述四个面生成对应的区域掩码,并将所述区域掩码均与所述关键点进行关联,同时所述关联关系至少存在1对且互相不重叠;
步骤S2.5:利用CNN卷积神经网络对多个区域分割结果提取区域特征向量;
步骤S2.6:将所述区域特征向量与全局特征向量融合;
步骤S2.7:对融合后的特征向量进行车辆重识别和检索,得到对应的特征信息。
6.一种基于多源数据融合和模型级联的环卫事件监测系统,其特征在于,包括:
模块M1:采集巡检车辆实时运行数据,并对环卫风险车辆进行AI识别,得到对应的参数;
模块M2:对巡检车辆进行Re-ID建模得到对应的Re-ID特征信息,并把所述Re-ID特征信息和所述参数存储在云端;
模块M3:将所述特征信息和所述参数按照上传云端的固定时间间隔,构建全域环卫风险车辆动态拓扑图;
模块M4:采集实时交通状况数据,并对所述实时交通状况数据进行数据初步清洗和加工,同时根据所述车辆动态拓扑图,构建AI多模型级联,生成环卫事件预测模型;
模块M5:通过所述环卫事件预测模型进行环卫事件监测,进而得到环卫风险区域排名。
7.根据权利要求6所述的基于多源数据融合和模型级联的环卫事件监测系统,其特征在于,所述参数包括车辆实时状态参数、高危车辆及所述高危车辆的静态参数;
所述车辆实时状态参数包括车辆行驶速度、行驶轨迹、行驶车道、行驶方向和行驶位姿;
所述高危车辆是指会造成环卫事件的车辆,通过预先制定的白名单来进行确认;
所述静态参数包括车型、车牌和环卫风险特征。
8.根据权利要求6所述的基于多源数据融合和模型级联的环卫事件监测系统,其特征在于,所述AI多模型级联包括车辆Re-ID模型、状态判别模型和轨迹预测模型;
所述车辆Re-ID模型用来关联车端侧和无人机侧的车辆信息;
所述状态判别模型用来判定车辆的行驶异常,所述异常与环卫事件发生相关,包括车体抖动和车体封闭不严;
所述轨迹预测模型用来通过多个传感侧信息关联,识别车辆的一致性轨迹。
9.根据权利要求8所述的基于多源数据融合和模型级联的环卫事件监测系统,其特征在于,模块M2包括:
模块M2.1:读取环卫云业务图像采集库中的车辆图像,并对所述车辆图像进行预处理;
模块M2.2:标注预处理后的车辆图像中的关键点;
模块M2.3:通过定位所述关键点和区域分割方法,将当前车辆分为四个面,分别为前面、背面、左面和右面;
模块M2.4:基于所述四个面生成对应的区域掩码,并将所述区域掩码均与所述关键点进行关联,同时所述关联关系至少存在1对且互相不重叠;
模块M2.5:利用CNN卷积神经网络对多个区域分割结果提取区域特征向量;
模块M2.6:将所述区域特征向量与全局特征向量融合;
模块M2.7:对融合后的特征向量进行车辆重识别和检索,得到对应的特征信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310259657.9A CN116307715A (zh) | 2023-03-14 | 2023-03-14 | 基于多源数据融合和模型级联的环卫事件监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310259657.9A CN116307715A (zh) | 2023-03-14 | 2023-03-14 | 基于多源数据融合和模型级联的环卫事件监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116307715A true CN116307715A (zh) | 2023-06-23 |
Family
ID=86779358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310259657.9A Pending CN116307715A (zh) | 2023-03-14 | 2023-03-14 | 基于多源数据融合和模型级联的环卫事件监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307715A (zh) |
-
2023
- 2023-03-14 CN CN202310259657.9A patent/CN116307715A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Moers et al. | The exid dataset: A real-world trajectory dataset of highly interactive highway scenarios in germany | |
Wu et al. | Automatic lane identification using the roadside LiDAR sensors | |
CN111583639B (zh) | 一种道路交通拥堵预警方法及系统 | |
CN107782564A (zh) | 一种自动驾驶车辆测评系统及方法 | |
CN111429726B (zh) | 一种监控视频违停车辆检测、管理方法及对应的系统 | |
CN113705636B (zh) | 一种自动驾驶车辆轨迹预测方法、装置及电子设备 | |
CN114970321A (zh) | 一种基于动态轨迹流的场景流数字孪生方法及系统 | |
CN109448365A (zh) | 一种跨尺度空基平台区域道路交通系统综合监视方法 | |
CN114489122B (zh) | 一种基于uav及配套机场的高速公路自动巡检方法及系统 | |
WO2021237768A1 (zh) | 一种基于数据驱动的实现预测模型自动化迭代的系统 | |
US20220146277A1 (en) | Architecture for map change detection in autonomous vehicles | |
CN113450573A (zh) | 基于无人机图像识别的交通监测方法和交通监测系统 | |
CN115239219B (zh) | 一种基于物联网的智慧城市渣土车管理方法和系统 | |
DE102023111485A1 (de) | Nachverfolgungssegmentbereinigung nachverfolgter objekte | |
Růžička et al. | Big data application for urban transport solutions | |
CN113409194A (zh) | 泊车信息获取方法及装置、泊车方法及装置 | |
CN117575349A (zh) | 一种基于城市数据模型的交通影响评价方法及系统 | |
Bäumler et al. | Generating representative test scenarios: The fuse for representativity (Fuse4Rep) process model for collecting and analysing traffic observation data | |
CN116307715A (zh) | 基于多源数据融合和模型级联的环卫事件监测方法及系统 | |
CN114913447A (zh) | 基于场景识别的警务智慧指挥室系统及方法 | |
CN114979204A (zh) | 一种高速公路运营管理数字化管控平台 | |
CN116434525A (zh) | 一种高速公路智能管理预警系统 | |
CN115630056A (zh) | 一种基于gps轨迹定位的道路巡查量化考核系统及方法 | |
Koetsier et al. | Trajectory extraction for analysis of unsafe driving behaviour | |
Ode et al. | Ai-Based Traffic Controller Using Computer Vision |
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 |