CN116612446B - 基于计算机视觉的高速公路路面状况检测系统 - Google Patents
基于计算机视觉的高速公路路面状况检测系统 Download PDFInfo
- Publication number
- CN116612446B CN116612446B CN202310892655.3A CN202310892655A CN116612446B CN 116612446 B CN116612446 B CN 116612446B CN 202310892655 A CN202310892655 A CN 202310892655A CN 116612446 B CN116612446 B CN 116612446B
- Authority
- CN
- China
- Prior art keywords
- road surface
- training
- neural network
- network model
- road
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 105
- 238000003062 neural network model Methods 0.000 claims abstract description 91
- 238000012360 testing method Methods 0.000 claims abstract description 75
- 238000012544 monitoring process Methods 0.000 claims abstract description 52
- 238000013480 data collection Methods 0.000 claims abstract description 22
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 206010039203 Road traffic accident Diseases 0.000 abstract description 3
- 238000010276 construction Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004643 material aging Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06V20/52—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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V10/70—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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (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
本发明公开了基于计算机视觉的高速公路路面状况检测系统,涉及高速公路行车安全技术领域,通过设置历史数据收集模块在测试环境预先收集路面训练数据,设置视觉模型训练模块,基于路面训练数据训练出针对不同的路面类型,判断是否符合每个路面类型的第一神经网络模型以及训练出针对不同的路面类型,预测对应最高行驶速度的第二神经网络模型,设置高速公路实时数据收集模块,在高速公路实际通车时,实时收集待检测路面图片,设置限速提醒模块,在路况检测后台,基于待检测路面图片,获得对应的监控路段的最高行驶速度;提高高速公路的行车安全,减少交通事故的发生率。
Description
技术领域
本发明涉及高速行车公路安全技术领域,具体是基于计算机视觉的高速公路路面状况检测系统。
背景技术
高速公路是现代交通网络中重要的组成部分,承载着大量车辆的高速行驶。然而,高速公路的路况情况常常受到多种因素的影响,如交通流量、天气条件、路面磨损等,这些因素会对驾驶人员的行车安全和行驶舒适性产生重要影响。
准确评估和监测高速公路的路况状况对于确保交通安全和提升交通效率至关重要。传统的路况监测方法主要依靠人工巡视、定期巡检和传感器设备等手段,这些方法存在一些限制和挑战,如人力资源需求大、监测范围有限、准确性不高等。
为此,本发明提出基于计算机视觉的高速公路路面状况检测系统。
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,本发明提出基于计算机视觉的高速公路路面状况检测系统,该系统提高高速公路的行车安全,减少交通事故的发生率。
为实现上述目的,根据本发明的第一方面的实施例提出基于计算机视觉的高速公路路面状况检测系统,包括历史数据收集模块、视觉模型训练模块、高速公路实时数据收集模块以及限速提醒模块;其中,各个模块之间通过有线和/或无线网络方式连接;
其中,所述历史数据收集模块主要用于在测试环境预先收集路面训练数据;
所述测试环境为由专业测试人员通过在车辆测试场所,建造若干测试用高速公路段,通过主动控制高速公路段的路面状况,从而精确测量出在对应的路面状况下所能行驶的最快速度,并收集最高行驶速度的数据收集环境;
所述路面训练数据包括路面类型集合以及每个路面类型对应的速度预测训练数据;
其中,所述路面类型为在高速公路上,影响车辆安全行驶速度的路况的分类;
所述路面类型对应的速度预测训练数据包括若干组速度预测训练组合;所述速度预测训练组合包括在测试环境中的对应路面类型中,使用图像捕获设备拍摄的测试路面图片以及该测试路面图片对应的最高行驶速度;
所述历史数据收集模块将路面训练数据发送至视觉模型训练模块;
其中,所述视觉模型训练模块主要用于基于路面训练数据训练出针对不同的路面类型,判断是否符合每个路面类型的第一神经网络模型以及训练出针对不同的路面类型,预测对应最高行驶速度的第二神经网络模型;
训练出针对不同的路面类型,判断是否符合每个路面类型的第一神经网络模型的方式为:
将路面类型的编号标记为i;
对于第i个路面类型,将所有测试路面图片合并作为第一训练图片集合,将第一训练图片集合中每张测试路面图片对应的路面类型标签作为测试路面图片的第一标签;需要说明的是,路面类型标签为0或1中的一个,当测试路面图片对应的路面类型为第i个路面类型时,该测试路面图片的路面类型标签为1;当测试路面图片对应的路面类型不是第i个路面类型时,该测试路面图片的路面类型标签为0;
对于第i个路面类型,将第一训练图片集合中,每张测试路面图片作为第一神经网络模型的输入,所述第一神经网络模型以对每张测试路面图片的预测的路面类型标签为输出,以第一训练图片集合中,测试路面图片对应的第一标签为预测目标,以最小化所有测试路面图片的预测误差之和作为训练目标;对第一神经网络模型进行训练,直至预测误差之和达到收敛时停止训练,训练出针对第i个路面类型,根据测试路面图片输出判断是否为第i个路面类型的第一神经网络模型;所述第一神经网络模型是CNN神经网络模型或AlexNet中的任意一个;
训练出针对不同的路面类型,预测最高行驶速度的第二神经网络模型的方式为:
将第i个路面类型的速度预测训练数据中每组速度预测训练组合的编号标记为Yi;
对于第i个路面类型,将每组速度预测训练组合中的测试路面图片作为第二神经网络模型的输入,所述第二神经网络模型以对每张测试路面图片的预测的最高行驶速度为输出,以每组速度预测训练组合,测试路面图片对应的最高行驶速度为预测目标,以最小化所有测试路面图片的预测误差之和作为训练目标;对第二神经网络模型进行训练,直至预测误差之和达到收敛时停止训练,训练出针对第i个路面类型,根据测试路面图片输出预测的最高行驶速度的第二神经网络模型;所述第二神经网络模型是CNN神经网络模型或CNN-GRU神经网络模型中的任意一个;
所述视觉模型训练模块将训练完成的第一神经网络模型以及所有第二神经网络模型发送至限速提醒模块;
其中,所述高速公路实时数据收集模块主要用于在高速公路实际通车时,实时收集待检测路面图片;
在高速公路实际通车时,实时收集路面图片的方式为:
路况检测后台预先获取高速公路上每个监控摄像头的位置,每个监控摄像头所捕获的高速公路的路段作为监控路段;
高速公路上的每个监控摄像头实时捕获对应的监控路段的路面图片,并通过无线网络方式将每个监控路段捕获的路面图片作为待检测路面图片发送至路况检测后台;
限速提醒模块主要用于在路况检测后台,基于待检测路面图片,获得对应的监控路段的最高行驶速度,并通过互联网实时更新所有车辆的网络地图中对应监控路段的最高限速;
获得对应的监控路段的综合最高行驶速度的方式为:
将监控路段的编号标记为j;
路况检测后台将第j个监控路段捕获的待检测路面图片输入至每个路面类型对应的第一神经网络模型中,获得每个第一神经网络模型的输出,将第i个路面类型对应的第一神经网络模型的输出标记为Oji;
为第j个监控路段预设路面类型集合Hj;若第i个输出Oji=1,将第i个路面类型的编号添加至路面类型集合Hj中,将路面类型集合Hj中的路面类型编号标记为i1;
路况检测后台读取路面类型集合Hj中每个路面类型对应的第二神经网络模型,并将待检测路面图片输入每个第二神经网络模型中,获得第二神经网络模型输出的在对应路面类型下的最高行驶速度,将第i1个路面类型对应的第二神经网络模型输出的最高行驶速度标记为Vi1;
计算第j个监控路段的综合最高行驶速度Zj,其中,综合最高行驶速度Zj的计算公式为;其中,/>为路面类型集合Hj中各个路面类型对应的最高行驶速度的最小值,e为自然常数,b和c为预设的调节系数;
与现有技术相比,本发明的有益效果是:
本发明通过预先在测试环境预先收集路面训练数据,再基于路面训练数据,训练出针对不同的路面类型,判断是否符合每个路面类型的第一神经网络模型、训练出针对不同的路面类型,预测对应最高行驶速度的第二神经网络模型,在高速公路实际通车时,实时收集待检测路面图片,在路况检测后台,基于待检测路面图片,获得对应的监控路段的最高行驶速度,并通过互联网实时更新所有车辆的网络地图中对应监控路段的最高限速;从而针对不同的高速公路路况,智能化的为驾驶人员预先设置不同的行车安全车速,提高高速公路的行车安全,减少交通事故的发生率。
附图说明
图1为本发明的基于计算机视觉的高速公路路面状况检测系统的模块连接关系图。
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所示,基于计算机视觉的高速公路路面状况检测系统,用于路况检测后台中,包括历史数据收集模块、视觉模型训练模块、高速公路实时数据收集模块以及限速提醒模块;其中,各个模块之间通过有线和/或无线网络方式连接;
其中,所述历史数据收集模块主要用于在测试环境预先收集路面训练数据;
所述测试环境为由专业测试人员通过在车辆测试场所,建造若干测试用高速公路段,通过主动控制高速公路段的路面状况,从而精确测量出在对应的路面状况下所能行驶的最快速度,以准确收集最高行驶速度的数据收集环境,以保证训练数据的准确性和可控性;
进一步的,所述路面训练数据包括路面类型集合以及每个路面类型对应的速度预测训练数据;
其中,所述路面类型为在高速公路上,影响车辆安全行驶速度的路况的分类;可以理解的是,在高速公路上,部分路段可能会设置最高时速,但也存在一些路段的因天气原因或道路未及时维修的情况,导致使用该最高时速依然较为危险;
在一个优选的实施例中,所述路面类型包括但不限于:平整路面、坑洼路面、裂缝路面、齿状路面、施工区域、雨天路面、雪天路面以及雾天路面等;
平整路面:指路面平整,没有明显的凸起或凹陷,适合行车;
坑洼路面:指路面出现凹陷或凸起的区域,可能由于路面老化、车辆磨损或路基沉降等原因导致;
裂缝路面:指路面出现线状的裂缝,可能由于温度变化、路基变形或材料老化等原因导致;
齿状路面:指路面出现周期性的凸起或凹陷,可能由于铺设材料不均匀或施工工艺不当等原因导致;
施工区域:指在高速公路上进行维修、改造或新建等施工活动的区域;
雨天路面、雪天路面以及雾天路面分别对应在雨天、雪天以及雾天的天气下,高速公路的路面;
所述路面类型对应的速度预测训练数据包括若干组速度预测训练组合;所述速度预测训练组合包括在测试环境中的对应路面类型中,使用图像捕获设备拍摄的测试路面图片以及该测试路面图片对应的最高行驶速度;需要说明的是,所述对应的最高行驶速度是在测试环境中经过测试获得的经验数据;
所述历史数据收集模块将路面训练数据发送至视觉模型训练模块;
其中,所述视觉模型训练模块主要用于基于路面训练数据训练出针对不同的路面类型,判断是否符合每个路面类型的第一神经网络模型以及训练出针对不同的路面类型,预测对应最高行驶速度的第二神经网络模型;
在一个优选的实施例中,训练出针对不同的路面类型,判断是否符合每个路面类型的第一神经网络模型的方式为:
将路面类型的编号标记为i;
对于第i个路面类型,将所有测试路面图片合并作为第一训练图片集合,将第一训练图片集合中每张测试路面图片对应的路面类型标签作为测试路面图片的第一标签;需要说明的是,路面类型标签为0或1中的一个,当测试路面图片对应的路面类型为第i个路面类型时,该测试路面图片的路面类型标签为1;当测试路面图片对应的路面类型不是第i个路面类型时,该测试路面图片的路面类型标签为0;
对于第i个路面类型,将第一训练图片集合中,每张测试路面图片作为第一神经网络模型的输入,所述第一神经网络模型以对每张测试路面图片的预测的路面类型标签为输出,以第一训练图片集合中,测试路面图片对应的第一标签为预测目标,以最小化所有测试路面图片的预测误差之和作为训练目标;对第一神经网络模型进行训练,直至预测误差之和达到收敛时停止训练,训练出针对第i个路面类型,根据测试路面图片输出判断是否为第i个路面类型的第一神经网络模型;优选的,所述第一神经网络模型是CNN神经网络模型或AlexNet中的任意一个;
在一个优选的实施例中,训练出针对不同的路面类型,预测最高行驶速度的第二神经网络模型的方式为:
将第i个路面类型的速度预测训练数据中每组速度预测训练组合的编号标记为Yi;
对于第i个路面类型,将每组速度预测训练组合中的测试路面图片作为第二神经网络模型的输入,所述第二神经网络模型以对每张测试路面图片的预测的最高行驶速度为输出,以每组速度预测训练组合,测试路面图片对应的最高行驶速度为预测目标,以最小化所有测试路面图片的预测误差之和作为训练目标;对第二神经网络模型进行训练,直至预测误差之和达到收敛时停止训练,训练出针对第i个路面类型,根据测试路面图片输出预测的最高行驶速度的第二神经网络模型;优选的,所述第二神经网络模型是CNN神经网络模型或CNN-GRU神经网络模型中的任意一个;
预测误差的计算公式为:,其中,/>为特征数据的编号,/>为预测误差,/>为第/>组特征数据对应的预测的状态值,/>为第/>组训练数据对应的实际的状态值;
例如,对于第一神经网络模型,特征数据即为测试路面图片,状态值即为路面类型标签;对于第二神经网络模型,特征数据即为测试路面图片,状态值即为最高行驶速度;
所述视觉模型训练模块将训练完成的第一神经网络模型以及所有第二神经网络模型发送至限速提醒模块;
其中,所述高速公路实时数据收集模块主要用于在高速公路实际通车时,实时收集待检测路面图片;
在一个优选的实施例中,在高速公路实际通车时,实时收集路面图片的方式为:
路况检测后台预先获取高速公路上每个监控摄像头的位置,每个监控摄像头所捕获的高速公路的路段作为监控路段;
高速公路上的每个监控摄像头实时捕获对应的监控路段的路面图片,并通过无线网络方式将每个监控路段捕获的路面图片作为待检测路面图片发送至路况检测后台;
限速提醒模块主要用于在路况检测后台,基于待检测路面图片,获得对应的监控路段的最高行驶速度,并通过互联网实时更新所有车辆的网络地图中对应监控路段的最高限速;
在一个优选的实施例中,获得对应的监控路段的综合最高行驶速度的方式为:
将监控路段的编号标记为j;
路况检测后台将第j个监控路段捕获的待检测路面图片输入至每个路面类型对应的第一神经网络模型中,获得每个第一神经网络模型的输出,将第i个路面类型对应的第一神经网络模型的输出标记为Oji;
为第j个监控路段预设路面类型集合Hj;若第i个输出Oji=1,将第i个路面类型的编号添加至路面类型集合Hj中,将路面类型集合Hj中的路面类型编号标记为i1;
路况检测后台读取路面类型集合Hj中每个路面类型对应的第二神经网络模型,并将待检测路面图片输入每个第二神经网络模型中,获得第二神经网络模型输出的在对应路面类型下的最高行驶速度,将第i1个路面类型对应的第二神经网络模型输出的最高行驶速度标记为Vi1;
可以理解的是,当监控路段中符合多种路面类型时,对车辆行车的危险性要远远高于同一种路面类型,因此,需要更为严格的速度限制;
计算第j个监控路段的综合最高行驶速度Zj,其中,综合最高行驶速度Zj的计算公式为;其中,/>为路面类型集合Hj中各个路面类型对应的最高行驶速度的最小值,e为自然常数,b和c为预设的调节系数;
可以理解的是,当监控路段中符合多种路面类型时,需要保证Zj小于Vjmin,而对于任意的i1,均小于1;进一步的,当Vi1越大,说明其危险性越低,而越大,因此对综合最高行驶速度Zj的降低幅度有限;
需要说明的是,随着网络地图技术的发展,通过互联网实时更新车辆网络地图中对应监控路段的最高限速为常规技术手段,本发明在此不再赘述。
在本发明的另一个优选的实施例中,所述高速公路实时数据收集模块实时收集待检测路面图片的方式还可以是:
路况检测后台预先为每个路面类型设置数据更新周期,获取第j个监控路段对应的实时的路面类型集合Hj中最小的数据更新周期,作为该监控路段的参考通信周期,将第j个监控路段的参考通信时长周期标记为Kj;
第j个监控路段对应的监控摄像头每隔时长,通过无线网络广播发送路面图像捕获信号,第j个监控路段的来往车辆接收到图像捕获信号后,通过车载图像捕获设备实时捕获路面图像,并将车辆位置以及实时捕获路面图像通过无线方式发送回第j个监控路段对应的监控摄像头;第j个监控路段对应的监控摄像头将实时捕获的路面图像作为待检测路面图片;/>为第j个监控路段对应的原始限速;所述原始限速为第j个监控路段所在的完整高速公路上的由相关部门规定的最高时速。
以上的预设的参数或预设的阈值均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。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (4)
1.基于计算机视觉的高速公路路面状况检测系统,其特征在于,包括历史数据收集模块、视觉模型训练模块、高速公路实时数据收集模块以及限速提醒模块;其中,各个模块之间通过有线和/或无线网络方式连接;
历史数据收集模块,在测试环境预先收集路面训练数据;并将路面训练数据发送至视觉模型训练模块;
视觉模型训练模块,基于路面训练数据训练出针对不同的路面类型,判断是否符合每个路面类型的第一神经网络模型以及训练出针对不同的路面类型,预测对应最高行驶速度的第二神经网络模型,并将训练完成的第一神经网络模型以及所有第二神经网络模型发送至限速提醒模块;
高速公路实时数据收集模块,在高速公路实际通车时,实时收集待检测路面图片,并将待检测路面图片发送至路况检测后台;
限速提醒模块,在路况检测后台,基于待检测路面图片,获得对应的监控路段的最高行驶速度,并通过互联网实时更新所有车辆的网络地图中对应监控路段的最高限速;
所述路面训练数据包括路面类型集合以及每个路面类型对应的速度预测训练数据;
其中,所述路面类型为在高速公路上,影响车辆安全行驶速度的路况的分类;
所述路面类型对应的速度预测训练数据包括若干组速度预测训练组合;所述速度预测训练组合包括在测试环境中的对应路面类型中,使用图像捕获设备拍摄的测试路面图片以及该测试路面图片对应的最高行驶速度;
训练出针对不同的路面类型,判断是否符合每个路面类型的第一神经网络模型的方式为:
将路面类型的编号标记为i;
对于第i个路面类型,将所有测试路面图片合并作为第一训练图片集合,将第一训练图片集合中每张测试路面图片对应的路面类型标签作为测试路面图片的第一标签;需要说明的是,路面类型标签为0或1中的一个,当测试路面图片对应的路面类型为第i个路面类型时,该测试路面图片的路面类型标签为1;当测试路面图片对应的路面类型不是第i个路面类型时,该测试路面图片的路面类型标签为0;
对于第i个路面类型,将第一训练图片集合中,每张测试路面图片作为第一神经网络模型的输入,所述第一神经网络模型以对每张测试路面图片的预测的路面类型标签为输出,以第一训练图片集合中,测试路面图片对应的第一标签为预测目标,以最小化所有测试路面图片的预测误差之和作为训练目标;对第一神经网络模型进行训练,直至预测误差之和达到收敛时停止训练,训练出针对第i个路面类型,根据测试路面图片输出判断是否为第i个路面类型的第一神经网络模型;所述第一神经网络模型是CNN神经网络模型或AlexNet中的任意一个;
训练出针对不同的路面类型,预测最高行驶速度的第二神经网络模型的方式为:
将第i个路面类型的速度预测训练数据中每组速度预测训练组合的编号标记为Yi;
对于第i个路面类型,将每组速度预测训练组合中的测试路面图片作为第二神经网络模型的输入,所述第二神经网络模型以对每张测试路面图片的预测的最高行驶速度为输出,以每组速度预测训练组合,测试路面图片对应的最高行驶速度为预测目标,以最小化所有测试路面图片的预测误差之和作为训练目标;对第二神经网络模型进行训练,直至预测误差之和达到收敛时停止训练,训练出针对第i个路面类型,根据测试路面图片输出预测的最高行驶速度的第二神经网络模型;所述第二神经网络模型是CNN神经网络模型或CNN-GRU神经网络模型中的任意一个。
2.根据权利要求1所述的基于计算机视觉的高速公路路面状况检测系统,其特征在于,所述测试环境为由专业测试人员通过在车辆测试场所,建造若干测试用高速公路段,通过主动控制高速公路段的路面状况,从而精确测量出在对应的路面状况下所能行驶的最快速度,并收集最高行驶速度的数据收集环境。
3.根据权利要求1所述的基于计算机视觉的高速公路路面状况检测系统,其特征在于,在高速公路实际通车时,实时收集路面图片的方式为:
路况检测后台预先获取高速公路上每个监控摄像头的位置,每个监控摄像头所捕获的高速公路的路段作为监控路段;
高速公路上的每个监控摄像头实时捕获对应的监控路段的路面图片,并通过无线网络方式将每个监控路段捕获的路面图片作为待检测路面图片。
4.根据权利要求1所述的基于计算机视觉的高速公路路面状况检测系统,其特征在于,获得对应的监控路段的综合最高行驶速度的方式为:
将监控路段的编号标记为j;
路况检测后台将第j个监控路段捕获的待检测路面图片输入至每个路面类型对应的第一神经网络模型中,获得每个第一神经网络模型的输出,将第i个路面类型对应的第一神经网络模型的输出标记为Oji;
为第j个监控路段预设路面类型集合Hj;若第i个输出Oji=1,将第i个路面类型的编号添加至路面类型集合Hj中,将路面类型集合Hj中的路面类型编号标记为i1;
路况检测后台读取路面类型集合Hj中每个路面类型对应的第二神经网络模型,并将待检测路面图片输入每个第二神经网络模型中,获得第二神经网络模型输出的在对应路面类型下的最高行驶速度,将第i1个路面类型对应的第二神经网络模型输出的最高行驶速度标记为Vi1;
计算第j个监控路段的综合最高行驶速度Zj,其中,综合最高行驶速度Zj的计算公式为;其中,/>为路面类型集合Hj中各个路面类型对应的最高行驶速度的最小值,e为自然常数,b和c为预设的调节系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310892655.3A CN116612446B (zh) | 2023-07-20 | 2023-07-20 | 基于计算机视觉的高速公路路面状况检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310892655.3A CN116612446B (zh) | 2023-07-20 | 2023-07-20 | 基于计算机视觉的高速公路路面状况检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116612446A CN116612446A (zh) | 2023-08-18 |
CN116612446B true CN116612446B (zh) | 2023-09-22 |
Family
ID=87685794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310892655.3A Active CN116612446B (zh) | 2023-07-20 | 2023-07-20 | 基于计算机视觉的高速公路路面状况检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116612446B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110610260A (zh) * | 2019-08-21 | 2019-12-24 | 南京航空航天大学 | 行车能耗预测系统、方法、存储介质和设备 |
CN114495519A (zh) * | 2022-02-09 | 2022-05-13 | 郑州汉威光电股份有限公司 | 一种高速公路智慧可视化展示系统 |
WO2022193008A1 (en) * | 2021-03-15 | 2022-09-22 | Iris R&D Group Inc. | System and method for automatic monitoring of pavement condition |
-
2023
- 2023-07-20 CN CN202310892655.3A patent/CN116612446B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110610260A (zh) * | 2019-08-21 | 2019-12-24 | 南京航空航天大学 | 行车能耗预测系统、方法、存储介质和设备 |
WO2022193008A1 (en) * | 2021-03-15 | 2022-09-22 | Iris R&D Group Inc. | System and method for automatic monitoring of pavement condition |
CN114495519A (zh) * | 2022-02-09 | 2022-05-13 | 郑州汉威光电股份有限公司 | 一种高速公路智慧可视化展示系统 |
Non-Patent Citations (1)
Title |
---|
基于BP神经网络的高速公路路面性能预测;谢峰;;公路交通科技(应用技术版)(09);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116612446A (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109085823B (zh) | 一种园区场景下基于视觉的自动循迹行驶方法 | |
US20240167962A1 (en) | System and method for automatic monitoring of pavement condition | |
CN116448773B (zh) | 一种图像-振动特征融合的路面病害检测方法及系统 | |
CN112349109B (zh) | 一种基于车辆震感的道路监管方法和系统 | |
CN116168356B (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
CN115527364B (zh) | 一种基于雷视数据融合的交通事故溯源方法及系统 | |
CN111610191B (zh) | 一种道路检测与修复系统 | |
CN116612446B (zh) | 基于计算机视觉的高速公路路面状况检测系统 | |
CN116631187B (zh) | 一种案件现场勘查信息智能采集分析系统 | |
CN117198057A (zh) | 一种面向路侧感知轨迹数据质量检评的实验方法及系统 | |
CN113638294A (zh) | 道路养护病害智慧检测系统技术 | |
CN117253367A (zh) | 一种轨迹数据驱动的高速公路抛洒物检测及避让预警方法 | |
CN114612731B (zh) | 一种用于道路平整度检测的智能识别方法及系统 | |
CN113450565B (zh) | 一种减小沥青路面噪音的方法及系统 | |
CN112729366B (zh) | 自动驾驶场地测试的天气模拟设备测试评价方法及装置 | |
CN116409325A (zh) | 车辆底盘控制方法、装置、车辆及计算机存储介质 | |
CN111583670B (zh) | 一种利用无人机监测超速行车的方法、监测系统及无人机 | |
CN112633055A (zh) | 一种基于路面病害检测的通用自动驾驶导航系统 | |
CN114187758B (zh) | 基于智能道路边缘计算网关的车辆检测方法和系统 | |
CN116386344B (zh) | 一种基于摄像头模组的道路交通监控系统 | |
Ferguson et al. | Automated detection and classification of cracking in road pavements (RoadcrackTM) | |
CN115249270B (zh) | 一种雷视一体机自动重标注方法及系统 | |
CN116818397B (zh) | 基于机器视觉的中小跨径桥梁快速荷载试验方法及系统 | |
CN116824864B (zh) | 一种灵活配置可视化接入的政务数据处理系统 | |
CN117994983A (zh) | 一种基于物联网的高速路网态势感知方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |