CN116736409A - 汽车安全预警方法、装置、设备及存储介质 - Google Patents

汽车安全预警方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116736409A
CN116736409A CN202310620535.8A CN202310620535A CN116736409A CN 116736409 A CN116736409 A CN 116736409A CN 202310620535 A CN202310620535 A CN 202310620535A CN 116736409 A CN116736409 A CN 116736409A
Authority
CN
China
Prior art keywords
data
meteorological
weather
factor
license plate
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
Application number
CN202310620535.8A
Other languages
English (en)
Inventor
冯晓祥
张小庆
许荣杰
叶亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Polytechnic University
Original Assignee
Wuhan Polytechnic University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Polytechnic University filed Critical Wuhan Polytechnic University
Priority to CN202310620535.8A priority Critical patent/CN116736409A/zh
Publication of CN116736409A publication Critical patent/CN116736409A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R1/00—Optical viewing arrangements; Real-time viewing arrangements for drivers or passengers using optical image capturing systems, e.g. cameras or video systems specially adapted for use in or on vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R1/00—Optical viewing arrangements; Real-time viewing arrangements for drivers or passengers using optical image capturing systems, e.g. cameras or video systems specially adapted for use in or on vehicles
    • B60R1/20—Real-time viewing arrangements for drivers or passengers using optical image capturing systems, e.g. cameras or video systems specially adapted for use in or on vehicles
    • B60R1/22—Real-time viewing arrangements for drivers or passengers using optical image capturing systems, e.g. cameras or video systems specially adapted for use in or on vehicles for viewing an area outside the vehicle, e.g. the exterior of the vehicle
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/04—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Atmospheric Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Mechanical Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明设计汽车安全技术领域，公开了一种汽车安全预警方法、装置、设备及存储介质，该方法包括：采集车辆的车牌图像并进行检测，得到车牌信息；获取各个气象因素的初始气象数据，并对各个气象因素的初始气象数据进行数据清洗以及数据预处理，得到各个气象因素的目标气象数据；基于气象预测模型根据各个气象因素的目标气象数据进行预测，得到气象预测数据；将气象预测数据发送至车牌信息对应的车辆的车载屏进行显示。本发明通过根据不同气象因素的气象数据预测下一时刻的气象数据并显示在车载屏上，解决了天气情况的快速变化导致不能实时、准确地预测气象情况，容易发生安全事故的问题，从而能够准确的预测气象情况，提高了汽车驾驶的出行安全。

Description

汽车安全预警方法、装置、设备及存储介质
技术领域
本发明涉及汽车安全技术领域，尤其涉及一种汽车安全预警方法、装置、设备及存储介质。
背景技术
汽车是人类生活中的重要代步工具，据统计大约39％的道路交通事故都是由各种极端天气条件造成的，且当汽车行驶于高速公路等室外环境中，汽车当前所处环境的天气类型是变化的。
当前，随着城市化进程的不断加快，城市道路交通越来越拥堵，交通安全问题也日益凸显。此外，天气情况和车辆信息的快速变化也给交通管理带来了更高的挑战，不能实时地、准确地预测气象情况，亦不能并基于预测的气象情况，获得相关预警信息，容易造成安全事故，从而降低了汽车驾驶的安全性。
发明内容
本发明的主要目的在于提供一种汽车安全预警方法、装置、设备及存储介质，旨在解决现有技术天气情况的快速变化导致不能实时地、准确地预测气象情况，容易发生安全事故的技术问题。
为实现上述目的，本发明提供了一种汽车安全预警方法，所述方法包括以下步骤：
采集车辆的车牌图像并对所述车牌图像进行检测，得到车牌信息；
获取各个气象因素的初始气象数据，并对所述各个气象因素的初始气象数据进行数据清洗以及数据预处理，得到各个气象因素的目标气象数据；
基于气象预测模型根据所述各个气象因素的目标气象数据进行预测，得到气象预测数据，其中，所述气象预测模型是基于卷积神经网络以及长短期记忆网络建立的；
将所述气象预测数据发送至所述车牌信息对应的车辆的车载屏进行显示。
可选地，所述获取各个气象因素的初始气象数据，并对所述各个气象因素的初始气象数据进行数据清洗以及数据预处理，得到各个气象因素的目标气象数据，包括：
通过气象传感器分别对各个气象因素进行预设周期的数据采集直至采集次数达到预设值，得到各个气象因素的初始气象数据；
去除所述各个气象因素的初始气象数据中含有缺失值、无穷值、Nan值以及重复的数据，并对剩余数据进行时间格式统一化，得到各个气象因素的数据清洗后的气象数据；
对所述各个气象因素的数据清洗后的气象数据进行归一化，得到各个气象因素的目标气象数据。
可选地，所述对所述各个气象因素的数据清洗后的气象数据进行归一化，得到各个气象因素的目标气象数据，包括：
获取各个气象因素的历史最小值数据和历史最大值数据；
根据所述各个气象因素的历史最小值数据和历史最大值数据将所述各个气象因素的数据清洗后的气象数据归一化到预设区间内，得到各个气象因素的目标气象数据。
可选地，基于气象预测模型根据所述各个气象因素的目标气象数据进行预测，得到气象预测数据，包括：
将所述各个气象因素的目标气象数据输入至卷积神经网络进行特征提取，得到目标特征矩阵，其中，所述卷积神经网络包括与各个气象因素对应的卷积模块，每个卷积模块包括第一卷积层、第二卷积层、第一池化层以及第二池化层；
将所述目标特征矩阵输入至所述长短期记忆网络对下一时间的气象数据进行预测，得到气象预测数据。
可选地，所述将所述各个气象因素的目标气象数据输入至卷积神经网络进行特征提取，得到目标特征矩阵，包括：
将所述各个气象因素的目标气象数据输入至对应的卷积模块；
通过第一卷积层对所述各个气象因素的目标气象数据进行卷积，得到各个气象因素的初始特征矩阵；
通过所述第一池化层对所述各个气象因素的初始特征进行下采样，得到各个气象因素的池化特征矩阵；
通过所述第二卷积层对所述各个气象因素的池化特征进行卷积，得到各个气象因素的中间特征矩阵；
通过所述第二池化层对所述各个气象因素的中间特征进行下采样，得到各个气象因素的最终特征矩阵；
将所述各个气象因素的最终特征矩阵进行预设维度的拼接，得到目标特征矩阵。
可选地，所述基于气象预测模型根据所述各个气象因素的目标气象数据进行预测，得到气象预测数据之前，还包括：
获取各个气象因素的气象数据，并根据所述各个气象因素的气象数据得到数据集；
将所述数据集根据预设比较划分为训练集与测试集；
根据所述训练集对所述气象预测模型进行训练，得到训练中的气象预测数据；
根据所述训练中的气象预测数据与对应的实际数据进行计算，得到交叉熵损失函数；
通过所述交叉熵损失函数更新所述气象预测模型的参数；
通过所述测试集对所述气象预测模型进行测试并计算性能参数；
当所述性能参数达到预设阈值时，停止训练并执行所述基于气象预测模型根据所述各个气象因素的目标气象数据进行预测，得到气象预测数据的步骤。
可选地，所述采集车辆的车牌图像并对所述车牌图像进行检测，得到车牌信息，包括：
采集车辆的车牌图像，对所述车牌图像进行数据预处理，得到预处理后的车牌图像，其中，所述数据预处理包括灰度化、剪裁、缩放以及归一化中的至少一项；
将所述数据增强后的车牌图像输入至车牌检测模型中进行目标检测，得到车牌信息，其中，所述车牌检测模型是基于卷积神经网络模型建立的。
此外，为实现上述目的，本发明还提出一种汽车安全预警装置，所述汽车安全预警装置包括：
检测模块，用于采集车辆的车牌图像并对所述车牌图像进行检测，得到车牌信息；
获取模块，用于获取各个气象因素的初始气象数据，并对所述各个气象因素的初始气象数据进行数据清洗以及数据预处理，得到各个气象因素的目标气象数据；
预测模块，用于基于气象预测模型根据所述各个气象因素的目标气象数据进行预测，得到气象预测数据，其中，所述气象预测模型是基于卷积神经网络以及长短期记忆网络建立的；
显示模块，用于将所述气象预测数据发送至所述车牌信息对应的车辆的车载屏进行显示。
此外，为实现上述目的，本发明还提出一种汽车安全预警设备，所述汽车安全预警设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的汽车安全预警程序，所述汽车安全预警程序配置为实现如上文所述的汽车安全预警方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有汽车安全预警程序，所述汽车安全预警程序被处理器执行时实现如上文所述的汽车安全预警方法的步骤。
本发明通过采集车辆的车牌图像并对车牌图像进行检测，得到车牌信息；获取各个气象因素的初始气象数据，并对各个气象因素的初始气象数据进行数据清洗以及数据预处理，得到各个气象因素的目标气象数据；基于气象预测模型根据各个气象因素的目标气象数据进行预测，得到气象预测数据；将气象预测数据发送至车牌信息对应的车辆的车载屏进行显示。通过上述方法，根据不同气象因素的气象数据预测下一时刻的气象数据并显示在车载屏上，解决了天气情况的快速变化导致不能实时地、准确地预测气象情况，容易发生安全事故的问题，从而能够准确的预测气象情况，提高了汽车驾驶的出行安全。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的汽车安全预警设备的结构示意图；
图2为本发明汽车安全预警方法第一实施例的流程示意图；
图3为本发明汽车安全预警方法一实施例中的汽车安全预警系统结构图；
图4为本发明汽车安全预警方法一实施例中的物联网平台架构图；
图5为本发明汽车安全预警方法第二实施例的流程示意图；
图6为本发明汽车安全预警装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的汽车安全预警设备结构示意图。
如图1所示，该汽车安全预警设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对汽车安全预警设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及汽车安全预警程序。
在图1所示的汽车安全预警设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明汽车安全预警设备中的处理器1001、存储器1005可以设置在汽车安全预警设备中，所述汽车安全预警设备通过处理器1001调用存储器1005中存储的汽车安全预警程序，并执行本发明实施例提供的汽车安全预警方法。
本发明实施例提供了一种汽车安全预警方法，参照图2，图2为本发明汽车安全预警方法第一实施例的流程示意图。
本实施例中，所述汽车安全预警方法包括以下步骤：
步骤S10：采集车辆的车牌图像并对所述车牌图像进行检测，得到车牌信息。
需要说明的是，本实施例的执行主体为汽车安全预警设备，还可为其他可实现相同或相似功能的设备，本实施例对此不加以限定，本实施例以汽车安全预警设备为例进行说明，所述汽车安全预警设备中包括汽车安全预警系统。
可以理解的是，所述汽车安全预警系统包括STM32F微控制器、探测模块、GPS定位模块、车牌识别模块、供电模块、物联网远程监控和巡检模块、通信模块以及传感器模块，所述STM32F微控制器与探测模块、传感器模块、物联网远程监控和巡检模块、供电模块、通信模块连接，所述探测模块包括摄像头和多普勒雷达，所述供电模块包括太阳能充电板和蓄电池，所述传感器模块包括温度传感器、湿度传感器、风速风向传感器、能见度传感器、雨量传感器以及超声波雪深传感器，所述通信模块可以为BC95模块，所述摄像头可以为OV5640模块，本实施例对不作具体限制，如图3所示，图3为本实施例汽车安全预警方法中的汽车安全预警系统结构图。
值得说明的是，探测模块用于进行车牌检测，GPS定位模块用于进行定位车辆的具体位置，供电模块用于保证汽车安全警卫系统正常供电。
在具体实现中，通过多普勒雷达与OV5640摄像头相结合，当多普勒雷达检测到行驶车辆时，将检测信号传输给STM32F微控制器，启动OV5640摄像头拍摄图片，基于车牌检测模型对车辆图像进行车牌识别，得到车牌信息。
进一步地，当车辆遇到突发情况时，GPS定位模块可以定位车辆的具体位置，方便管理人员快速到达现场处理。
在具体实现中，GPS定位模块连接STM32F微控制器，GPS定位模块的TX接口连接STM32F微控制器的RX引脚，GPS定位模块的RX接口连接STM32F微控制器的TX引脚，GPS定位模块的电源VCC接口连接STM32F微控制器的3.3V电源引脚，GPS定位模块的GND引脚连接STM32F微控制器的GND引脚。GPS定位模块通过串口通信向STM32F微控制器发送GPS数据实现与STM32F微控制器通信，STM32F微控制器接收并解析所述GPS数据，从而提取车辆的具体位置，并将车辆的具体位置显示在OLED屏幕上，同时通过BC95模块传到云端，以方便道路监管人员查看。
值得说明的是，STM32F微控制器使用NMEA协议解析GPS数据，NMEA协议是一种通用的GPS协议，NMEA协议的数据格式为：$GPGGA，192658.00，2239.786，N，11401.354，E，1，09，0.9，2.4，M，8.3，M，0000，0000*6D。其中，$GPGGA代表语句的头部，192658.00为UTC时间，2239.786为纬度，N为南纬或北纬，11401.354为经度，E为东经或西经，1为定位质量指示，09为使用卫星的数量，0.9为水平精度因子，2.4为天线离海平面的高度，M为高度单位，8.3为大地水准面和WGS84椭球面之间的高度差，M为差值单位，0000为差分GPS数据期限(如果未进行差分定位，则为“0000”)，0000后面的*6D是最后一个校验位。STM32F微控制器将解析后的GPS数据保存到FLASH存储器中。
进一步地，所述步骤S10包括：采集车辆的车牌图像，对所述车牌图像进行数据预处理，得到预处理后的车牌图像，其中，所述数据预处理包括灰度化、剪裁、缩放以及归一化中的至少一项；将所述数据增强后的车牌图像输入至车牌检测模型中进行目标检测，得到车牌信息，其中，所述车牌检测模型是基于卷积神经网络模型建立的。
需要说明的是，当多普勒雷达检测到行驶车辆时，将检测信号传输给STM32F微控制器，启动OV5640摄像头拍摄图片，得到车牌图像，对车牌图像进行灰度化、剪裁、缩放以及归一化，得到预处理后的车牌图像。
可以理解的是，灰度化是指使用图像处理技术将彩色车牌图像转化为单通道灰度图像；裁剪是指根据车牌定位算法得到的车牌区域，对车牌图像进行裁剪操作，截取出车牌区域，也可以利用OCR技术对文字进行定位；缩放是指对裁剪后的车牌图像进行缩放，采用统一成固定大小，便于车牌检测模型进行处理；归一化是指采用Z-score标准化方法将像素值转换到[0,1]的范围内。
在具体实现中，所述车牌检测模型是基于卷积神经网络(CNN)模型建立的，所述车牌检测模型包括：输入层、卷积层、ReLU激活层、池化层、全连接层以及输出层，输入层用于输入灰度图像数据，卷积层用于使用3x3大小的卷积核，在每个位置上提取特征，ReLU激活层用于对卷积层的输出进行非线性激活，增加模型的表达能力，池化层用于使用2x2大小的最大池化将特征图下采样，降低计算量并提高模型的鲁棒性，全连接层用于将池化后的特征图展开成一维向量，并通过多个全连接层来实现分类，设置多个全连接层来逐步缩小特征空间，并输出预测结果，输出层用于采用Softmax函数将CNN的输出转换为概率分布，选择概率最大的类别作为该字符的识别结果。
进一步地，所述将所述数据增强后的车牌图像输入至车牌检测模型中进行目标检测，得到车牌信息之前，还包括：获取车牌图像数据集，并将所述车牌图像数据集划分为训练集、验证集和测试集；通过训练集对所述车牌检测模型进行批量训练；每个批次训练完成后通过验证集对车牌检测模型进行评估，保持预测精度最高的模型；通过测试集对车牌检测模型进行测试，并根据测试结果计算车牌检测模型准确率和召回率；当准确率和召回率达到预设阈值时停止训练，并计算损失函数，通过损失函数计算神经网络权重，通过优化器根据神经网络权重更新车牌检测模型参数。
需要说明的是，收集车牌图像1600张，并标注出每个车牌字符区域，得到车牌图像数据集，对车牌检测模型进行训练时，所述数据预处理还包括数据增强，通过翻转、旋转、变形数据增强技术来扩充数据集，增加模型的鲁棒性和泛化能力。
值得说明的是，将车牌图像数据集划分为训练集、验证集和测试集，其中用于训练模型的数据量是总数据集大小的70％，本实施例对此不作具体限制。
在具体实现中，所述车牌检测模型的损失函数为交叉熵损失函数，如下
式1：
其中，L为车牌检测模型的交叉熵损失函数，y为真实标签，为预测标签，n为类别总数，采用Softmax输出层激活函数，使得/>可以被解释为各个类别的概率。
将随机梯度下降(SGD)作为优化器，通过反向传播算法计算损失函数关于神经网络权重的梯度，并使用SGD对模型的神经网络权重进行更新,如下
式2：
其中，α为学习率，是损失函数关于权重的导数。
步骤S20：获取各个气象因素的初始气象数据，并对所述各个气象因素的初始气象数据进行数据清洗以及数据预处理，得到各个气象因素的目标气象数据。
需要说明的是，通过传感器模块获取各个气象因素的初始气象数据，所述传感器模块包括温度传感器、湿度传感器、风速风向传感器、能见度传感器、雨量传感器以及超声波雪深传感器，所述温度传感器、湿度传感器、风速风向传感器、能见度传感器、雨量传感器以及超声波雪深传感器均连接在STM32F微控制器上，STM32F微控制器将获取的实时数据通过BC95通信模块传输到云平台，进行数据收集。
在具体实现中，所述温度传感器、湿度传感器、风速风向传感器、能见度传感器、雨量传感器以及超声波雪深传感器均连接在STM32F微控制器上，例如：雨量传感器的VCC引脚连接STM32F微控制器的3.3V引脚，雨量传感器的GND引脚连接STM32F微控制器的GND引脚，雨量传感器的DO引脚连接STM32F微控制器的GPIO引脚；温度传感器的VCC引脚连接STM32F微控制器的3.3V引脚，温度传感器的GND引脚连接GND引脚，温度传感器的SCL引脚连接STM32F微控制器的GPIO引脚，温度传感器的SDA引脚连接STM32FF微控制器的GPIO引脚。
需要说明的是，通信模块采用移远的NB-IOT模组BC95，用于连接NB-IOT基站，支持多种协议(UDP/TCP/CoAP/LWM2M/MQTT)将数据上传至云平台(中国移动OneNET、中国电信IoT平台、华为云、阿里云等)，所述汽车安全预警系统基于MQTT协议(消息队列遥测传输)向阿里云发布/订阅信息，如图4所示，图4为本实施例汽车安全预警方法中的物联网平台架构图。
在具体实现中，STM32F微控制器分别与温度传感器、湿度传感器、风速、风向传感器、能见度传感器、雨量传感器以及超声波雪深传感器连接，将STM32F定时器定时为60分钟，以便每隔一个小时读取传感器的气象数据，通过STM32F微控制器的编写驱动程序对温度、湿度和气压等气象数据进行校正、转换和标准化，以确保数据的准确性和可用性，在阿里云物联网平台上创建产品和设备，并获取设备的ProductKey、DeviceName和DeviceSecret，以确保云端能够安全地接收和存储气象数据，通过连接移远的NB-IoT模组BC95对接阿里云物联网平台，并订阅相应主题(已创建的产品和设备)，将接收到的STM32F上的气象数据转发给MQTT服务器，使用MQTT协议发布到指定主题，通过MQTT客户端从物联网平台上订阅指定主题，获取并处理STM32F上传的气象数据。
进一步地，所述步骤S20包括：通过气象传感器分别对各个气象因素进行预设周期的数据采集直至采集次数达到预设值，得到各个气象因素的初始气象数据；去除所述各个气象因素的初始气象数据中含有缺失值、无穷值、Nan值以及重复的数据，并对剩余数据进行时间格式统一化，得到各个气象因素的数据清洗后的气象数据；对所述各个气象因素的数据清洗后的气象数据进行归一化，得到各个气象因素的目标气象数据。
需要说明的是，气象传感器包括温度传感器、湿度传感器、风速风向传感器、能见度传感器、雨量传感器以及超声波雪深传感器，气象因素包括温度、湿度、风速风向、能见度、雨量以及雪深，通过温度传感器、湿度传感器、风速风向传感器、能见度传感器、雨量传感器以及超声波雪深传感器分别对温度、湿度、风速风向、能见度、雨量以及雪深等气象因素进行数据采集，所述预设周期可以为一小时，所述预设值可以为168，本实施例对此不作具体限制。
可以理解的是，通过各类气象传感器每一个小时收集一组数据(温度、湿度、风速风向、能见度、雨量以及雪深等)，统计7天的数据(168组)。
值得说明的是，缺失值是指粗糙数据中由于缺少信息而造成的数据的聚类、分组、删失或截断，它指的是现有数据集中某个或某些属性的值是不完全的。NaN值(Not aNumber，非数)是计算机科学中数值数据类型的一类值，表示未定义或不可表示的值。
进一步地，所述对所述各个气象因素的数据清洗后的气象数据进行归一化，得到各个气象因素的目标气象数据，包括：获取各个气象因素的历史最小值数据和历史最大值数据；根据所述各个气象因素的历史最小值数据和历史最大值数据将所述各个气象因素的数据清洗后的气象数据归一化到预设区间内，得到各个气象因素的目标气象数据。
在具体实现中，根据每个气象因素的安全标准划分出相应的安全区间，将清洗后的气象数据归一化到[0,1]区间内，如下式3：
其中，Xnorm为各个气象因素的目标气象数据，x为清洗后的气象数据，xmin和xmax分别为该气象因素在历史上出现过的最小值和最大值。
步骤S30：基于气象预测模型根据所述各个气象因素的目标气象数据进行预测，得到气象预测数据，其中，所述气象预测模型是基于卷积神经网络以及长短期记忆网络建立的。
需要说明的是，气象预测模型是基于卷积神经网络以及长短期记忆网络建立的。
可以理解的是，各个气象因素的目标气象数据分别包括温度、湿度、风速风向、能见度、雨量以及雪深的目标气象数据，将温度、湿度、风速风向、能见度、雨量以及雪深的数据作为一个通道，形成一个六维的张量，即输入数据。
在具体实现中，将输入数据输入至气象预测模型中，通过卷积神经网络进行特征提取，使用多个不同的卷积核，分别对每个因素的通道进行卷积计算。通过多个卷积层的堆叠和池化操作，可以得到每个因素的抽象表示，有效挖掘不同气象因素之间的非线性关系，将多个因素的抽象表示拼接成一个整体的特征矩阵，并输入到LSTM中进行时序预测。通过将时间轴上不同时刻的特征矩阵输入到LSTM中，可以得到一个针对未来时刻的预测结果，当预测的气象预测数据大于预设阈值时，判断道路存在安全隐患时，通过LED灯闪烁、蜂鸣器等方式设置警报来提醒车辆和行人注意道路安全。
进一步地，所述步骤S30之前，还包括：获取各个气象因素的气象数据，并根据所述各个气象因素的气象数据得到数据集；将所述数据集根据预设比较划分为训练集与测试集；根据所述训练集对所述气象预测模型进行训练，得到训练中的气象预测数据；根据所述训练中的气象预测数据与对应的实际数据进行计算，得到交叉熵损失函数；通过所述交叉熵损失函数更新所述气象预测模型的参数；通过所述测试集对所述气象预测模型进行测试并计算性能参数；当所述性能参数达到预设阈值时，停止训练并执行所述基于气象预测模型根据所述各个气象因素的目标气象数据进行预测，得到气象预测数据的步骤。
需要说明的是，通过训练集对气象预测模型进行训练，如，以前7天每隔一个小时检测的气象数据作为输入(即168组数据)，以第8天的数据作为输出，按照滑动窗口的方式生成多组样本。其中，设置窗口大小为16条数据，输入时间步数为8条数据，表示每接收到8条数据后就将这个窗口内的数据作为一个整体输入到模型中进行训练。输出时间步数设置为1，表示每个时间点只输出一个结果。
可以理解的是，在训练过程中，采用交叉熵损失函数进行优化。具体地，计算每个时间步t的预测值与真实值yt之间的误差，并使用损失函数来更新模型参数，如下式4：
其中，L为交叉熵损失函数，yt真实值，为模型预测值，log为自然对数函数。
值得说明的是，性能参数可以为平均绝对误差(MAE)、均方根误差(RMSE)、相对平均误差(MAPE)、准确度和召回率等，本实施例对此不作具体限制。
步骤S40：将所述气象预测数据发送至所述车牌信息对应的车辆的车载屏进行显示。
需要说明的是，气象预测数据通过BC95模块发送到物联网终端，再通过大数据平台发送给车牌信息对应的车辆的车联网系统，通过车联网系统，将气象预测数据显示在车载屏上，以提示前方路段的实时路况。
本实施例通过采集车辆的车牌图像并对车牌图像进行检测，得到车牌信息；获取各个气象因素的初始气象数据，并对各个气象因素的初始气象数据进行数据清洗以及数据预处理，得到各个气象因素的目标气象数据；基于气象预测模型根据各个气象因素的目标气象数据进行预测，得到气象预测数据；将气象预测数据发送至车牌信息对应的车辆的车载屏进行显示。通过上述方法，根据不同气象因素的气象数据预测下一时刻的气象数据并显示在车载屏上，解决了天气情况的快速变化导致不能实时地、准确地预测气象情况，容易发生安全事故的问题，从而能够准确的预测气象情况，提高了汽车驾驶的出行安全。
参考图5，图5为本发明汽车安全预警方法第二实施例的流程示意图。
基于上述第一实施例，本实施例汽车安全预警方法中所述步骤S30，包括：
步骤S301：将所述各个气象因素的目标气象数据输入至卷积神经网络进行特征提取，得到目标特征矩阵，其中，所述卷积神经网络包括与各个气象因素对应的卷积模块，每个卷积模块包括第一卷积层、第二卷积层、第一池化层以及第二池化层。
需要说明的是，卷积神经网络包括与各个气象因素对应的卷积模块，每个卷积模块包括第一卷积层、第二卷积层、第一池化层以及第二池化层，卷积层用于进行特征提取，池化层用于进行下采样。
可以理解的是，为加快卷积神经网络模型的收敛速度，将损失函数降到最低，采用Adam优化算法，利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率，其计算过程为：通过目标函数当前的梯度计算出梯度的一阶矩和二阶矩；对一阶矩与二阶矩进行矫正；根据求得的偏置矫正、期望、学习率来更新参数，如下式5：
其中，gt为当前参数的梯度，β1为一阶矩衰减系数，即梯度gt的期望，β2为二阶矩衰减系数，即梯度的期望，mt为梯度gt的一阶矩，vt为梯度gt的二阶矩，/>为mt的偏置矫正，/>为vt的偏置矫正，θt+1为要求解(更新)的参数，α为学习率，ε＝10-8，t为更新的步数。
进一步地，所述步骤S301包括：将所述各个气象因素的目标气象数据输入至对应的卷积模块；通过第一卷积层对所述各个气象因素的目标气象数据进行卷积，得到各个气象因素的初始特征矩阵；通过所述第一池化层对所述各个气象因素的初始特征进行下采样，得到各个气象因素的池化特征矩阵；通过所述第二卷积层对所述各个气象因素的池化特征进行卷积，得到各个气象因素的中间特征矩阵；通过所述第二池化层对所述各个气象因素的中间特征进行下采样，得到各个气象因素的最终特征矩阵；将所述各个气象因素的最终特征矩阵进行预设维度的拼接，得到目标特征矩阵。
需要说明的是，采用两层卷积层加池化层的结构进行特征提取和下采样，第一卷积层的卷积核大小为k1×k1，滑动步长为s1,输出通道数为c1，激活函数选择ReLU；第一池化层：池化核大小为p1×p1，步长为q1，池化方式选择最大池化；第二卷积层的卷积核大小为k2×k2，滑动步长为s2,输出通道数为c2，激活函数选择ReLU；第二池化层：池化核大小为p2×p2，步长为q2，池化方式选择最大池化。
可以理解的是，所述第一卷积层与第二卷积层的卷积核可以相同，也可以不同，k1×k1可以为3×3、2×2等，k2×k2可以为3×3、2×2等，第一卷积层与第二卷积层的滑动步长为c1、c2可以为1、2等，本实施例对此不作具体限制，当卷积核大小为3×3，滑动步长为1时，奇数的卷积核可以产生对称的padding，可以保持输入和输出的特征图尺寸一致，而步长为1可以更细致地捕捉输入的特征。
在具体实现中，通过卷积层进行卷积，如下式6：
其中，x为输入张量，h为卷积核，b为偏置项，*代表卷积操作。
最大池化公式，如下式7：
其中，x为输入特征图，(i，j)表示池化窗口在特征图上的位置，k表示通道数，最大池化会在池化窗口内找到最大值并作为输出值。
对于第i个气象因素，其CNN模块输出的特征矩阵Fi大小为ni×mi×c2，其中，ni和mi分别代表该气象因素采集点的数量和时间序列长度，c2为第二卷积层的通道数，将每种气象因素的特征矩阵按照时间序列顺序，沿预设维度进行拼接，得到目标特征矩阵，如下式8：
F＝[F1,F2,…,Fk] (式8)
其中，F为目标特征矩阵，k为总共的气象因素数目。
步骤S302：将所述目标特征矩阵输入至所述长短期记忆网络对下一时间的气象数据进行预测，得到气象预测数据。
需要说明的是，将目标特征矩阵输入至所述长短期记忆网络(LSTM)，通过长短期记忆网络进行时序预测，在时序预测任务中进行序列建模，设输入序列为x1：T，输出序列为y1：T，将时间序列的每个时间步作为序列中的一个元素，构成一个完整的序列，即输入序列为x1：T＝(x1,x2,…,xT),对应输出序列y1：T＝(y1,y2,…,yT)。
可以理解的是，LSTM通过更新规则实时更新输入的数据，更新规则如下式9：
其中，i、f、o、g分别为不同的门(输入门inputgate、遗忘门forgetgate、输出门outputgate、输入调制门inputmodulationgate)，σ为激活函数，tanh为双曲正切函数，ct为记忆，ht为主线输出。
LSTM的状态转移函数如下式10：
ht'＝f(ht-1',xt)＝LSTM(ht-1',Ft) (式10)
其中，xt为t时刻的特征向量，ht-1′为t-1时刻LSTM状态的隐藏向量，ht′为t时刻LSTM状态的隐藏向量，Ft为t时刻的拼接后的目标特征矩阵。
将ht′作为全连接层的输入，预测t+1时刻的气象数据，如下式11：
其中，为预测的t+1时刻的气象数据，ht′为t时刻LSTM状态的隐藏向量，g表示全连接层的输出函数。
本实施例通过将所述各个气象因素的目标气象数据输入至卷积神经网络进行特征提取，得到目标特征矩阵，其中，所述卷积神经网络包括与各个气象因素对应的卷积模块，每个卷积模块包括第一卷积层、第二卷积层、第一池化层以及第二池化层；将所述目标特征矩阵输入至所述长短期记忆网络对下一时间的气象数据进行预测，得到气象预测数据。通过上述方式，通过两层卷积层加池化层的结构进行特征提取和下采样，得到目标特征矩阵，根据目标特征矩阵进行预测，得到气象预测数据，提高了预测模型的准确性。
参照图6，图6为本发明汽车安全预警装置第一实施例的结构框图。
如图6所示，本发明实施例提出的汽车安全预警装置包括：
检测模块10，用于采集车辆的车牌图像并对所述车牌图像进行检测，得到车牌信息；
获取模块20，用于获取各个气象因素的初始气象数据，并对所述各个气象因素的初始气象数据进行数据清洗以及数据预处理，得到各个气象因素的目标气象数据；
预测模块30，用于基于气象预测模型根据所述各个气象因素的目标气象数据进行预测，得到气象预测数据，其中，所述气象预测模型是基于卷积神经网络以及长短期记忆网络建立的；
显示模块40，用于将所述气象预测数据发送至所述车牌信息对应的车辆的车载屏进行显示。
此外，为实现上述目的，本发明还提出一种汽车安全预警设备，所述汽车安全预警设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的汽车安全预警程序，所述汽车安全预警程序配置为实现如上文所述的汽车安全预警方法的步骤。
由于本汽车安全预警设备采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有汽车安全预警程序，所述汽车安全预警程序被处理器执行时实现如上文所述的汽车安全预警方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的汽车安全预警方法，此处不再赘述。
此外，需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(ReadOnlyMemory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种汽车安全预警方法，其特征在于，所述方法包括：
采集车辆的车牌图像并对所述车牌图像进行检测，得到车牌信息；
获取各个气象因素的初始气象数据，并对所述各个气象因素的初始气象数据进行数据清洗以及数据预处理，得到各个气象因素的目标气象数据；
基于气象预测模型根据所述各个气象因素的目标气象数据进行预测，得到气象预测数据，其中，所述气象预测模型是基于卷积神经网络以及长短期记忆网络建立的；
将所述气象预测数据发送至所述车牌信息对应的车辆的车载屏进行显示。
2.如权利要求1所述的方法，其特征在于，所述获取各个气象因素的初始气象数据，并对所述各个气象因素的初始气象数据进行数据清洗以及数据预处理，得到各个气象因素的目标气象数据，包括：
通过气象传感器分别对各个气象因素进行预设周期的数据采集直至采集次数达到预设值，得到各个气象因素的初始气象数据；
去除所述各个气象因素的初始气象数据中含有缺失值、无穷值、Nan值以及重复的数据，并对剩余数据进行时间格式统一化，得到各个气象因素的数据清洗后的气象数据；
对所述各个气象因素的数据清洗后的气象数据进行归一化，得到各个气象因素的目标气象数据。
3.如权利要求2所述的方法，其特征在于，所述对所述各个气象因素的数据清洗后的气象数据进行归一化，得到各个气象因素的目标气象数据，包括：
获取各个气象因素的历史最小值数据和历史最大值数据；
根据所述各个气象因素的历史最小值数据和历史最大值数据将所述各个气象因素的数据清洗后的气象数据归一化到预设区间内，得到各个气象因素的目标气象数据。
4.如权利要求3所述的方法，其特征在于，基于气象预测模型根据所述各个气象因素的目标气象数据进行预测，得到气象预测数据，包括：
将所述各个气象因素的目标气象数据输入至卷积神经网络进行特征提取，得到目标特征矩阵，其中，所述卷积神经网络包括与各个气象因素对应的卷积模块，每个卷积模块包括第一卷积层、第二卷积层、第一池化层以及第二池化层；
将所述目标特征矩阵输入至所述长短期记忆网络对下一时间的气象数据进行预测，得到气象预测数据。
5.如权利要求4所述的方法，其特征在于，所述将所述各个气象因素的目标气象数据输入至卷积神经网络进行特征提取，得到目标特征矩阵，包括：
将所述各个气象因素的目标气象数据输入至对应的卷积模块；
通过第一卷积层对所述各个气象因素的目标气象数据进行卷积，得到各个气象因素的初始特征矩阵；
通过所述第一池化层对所述各个气象因素的初始特征进行下采样，得到各个气象因素的池化特征矩阵；
通过所述第二卷积层对所述各个气象因素的池化特征进行卷积，得到各个气象因素的中间特征矩阵；
通过所述第二池化层对所述各个气象因素的中间特征进行下采样，得到各个气象因素的最终特征矩阵；
将所述各个气象因素的最终特征矩阵进行预设维度的拼接，得到目标特征矩阵。
6.如权利要求1所述的方法，其特征在于，所述基于气象预测模型根据所述各个气象因素的目标气象数据进行预测，得到气象预测数据之前，还包括：
获取各个气象因素的气象数据，并根据所述各个气象因素的气象数据得到数据集；
将所述数据集根据预设比较划分为训练集与测试集；
根据所述训练集对所述气象预测模型进行训练，得到训练中的气象预测数据；
根据所述训练中的气象预测数据与对应的实际数据进行计算，得到交叉熵损失函数；
通过所述交叉熵损失函数更新所述气象预测模型的参数；
通过所述测试集对所述气象预测模型进行测试并计算性能参数；
当所述性能参数达到预设阈值时，停止训练并执行所述基于气象预测模型根据所述各个气象因素的目标气象数据进行预测，得到气象预测数据的步骤。
7.如权利要求1所述的方法，其特征在于，所述采集车辆的车牌图像并对所述车牌图像进行检测，得到车牌信息，包括：
采集车辆的车牌图像，对所述车牌图像进行数据预处理，得到预处理后的车牌图像，其中，所述数据预处理包括灰度化、剪裁、缩放以及归一化中的至少一项；
将所述数据增强后的车牌图像输入至车牌检测模型中进行目标检测，得到车牌信息，其中，所述车牌检测模型是基于卷积神经网络模型建立的。
8.一种汽车安全预警装置，其特征在于，所述汽车安全预警装置包括：
检测模块，用于采集车辆的车牌图像并对所述车牌图像进行检测，得到车牌信息；
获取模块，用于获取各个气象因素的初始气象数据，并对所述各个气象因素的初始气象数据进行数据清洗以及数据预处理，得到各个气象因素的目标气象数据；
预测模块，用于基于气象预测模型根据所述各个气象因素的目标气象数据进行预测，得到气象预测数据，其中，所述气象预测模型是基于卷积神经网络以及长短期记忆网络建立的；
显示模块，用于将所述气象预测数据发送至所述车牌信息对应的车辆的车载屏进行显示。
9.一种汽车安全预警设备，其特征在于，所述汽车安全预警设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的汽车安全预警程序，所述汽车安全预警程序配置为实现如权利要求1至7中任一项所述的汽车安全预警方法。
10.一种存储介质，其特征在于，所述存储介质上存储有汽车安全预警程序，所述汽车安全预警程序被处理器执行时实现如权利要求1至7中任一项所述的汽车安全预警方法。
CN202310620535.8A 2023-05-29 2023-05-29 汽车安全预警方法、装置、设备及存储介质 Pending CN116736409A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310620535.8A CN116736409A (zh) 2023-05-29 2023-05-29 汽车安全预警方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310620535.8A CN116736409A (zh) 2023-05-29 2023-05-29 汽车安全预警方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116736409A true CN116736409A (zh) 2023-09-12

Family

ID=87912538

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310620535.8A Pending CN116736409A (zh) 2023-05-29 2023-05-29 汽车安全预警方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116736409A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117471575A (zh) * 2023-12-28 2024-01-30 河海大学 基于bo-lstm神经网络模型的台风浪波高预报方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117471575A (zh) * 2023-12-28 2024-01-30 河海大学 基于bo-lstm神经网络模型的台风浪波高预报方法
CN117471575B (zh) * 2023-12-28 2024-03-08 河海大学 基于bo-lstm神经网络模型的台风浪波高预报方法

Similar Documents

Publication Publication Date Title
CN111415533B (zh) 弯道安全预警监控方法、装置以及系统
CN116901975B (zh) 一种车载ai安防监控系统及其方法
CN110838230B (zh) 一种移动视频监控方法、监控中心及系统
CN116736409A (zh) 汽车安全预警方法、装置、设备及存储介质
US11748664B1 (en) Systems for creating training data for determining vehicle following distance
CN110889444A (zh) 一种基于卷积神经网络的驾驶轨迹特征分类方法
JP2024020616A (ja) ナビゲーション中に難しい操縦についての追加の命令を提供すること
CN112434260A (zh) 一种公路的交通状态检测方法、装置、存储介质及终端
CN114067142A (zh) 一种实现场景结构预测、目标检测和车道级定位的方法
EP4256477A1 (en) Nowcasting using generative neural networks
CN118470974A (zh) 一种基于车联网的行车安全预警系统及方法
CN117929703A (zh) 基于人脸检测功能的酒精浓度快速检测棒监测预警系统
CN112926415A (zh) 一种行人避让系统和行人监测方法
CN115272412B (zh) 一种基于边缘计算的低小慢目标检测方法及跟踪系统
CN116363088A (zh) 基于无人机的高速公路混凝土路面裂缝检测方法、电子设备及存储介质
CN114592411A (zh) 一种载体寄生式公路损坏智能巡查方法
CN112733728A (zh) 一种能见度边缘计算方法、装置、电子设备及存储介质
CN115994985B (zh) 一种汽车域控制器及通勤道路上车辆自动建图和定位方法
CN111894046B (zh) 路堑施工监控系统
US11989949B1 (en) Systems for detecting vehicle following distance
CN112906742B (zh) 基于5g+v2x移动终端及高精度地图的二轮车识别系统与方法
CN115661751B (zh) 一种基于注意力变换网络的公路低能见度检测方法和系统
EP4447001A1 (en) Systems and methods for detecting vehicle following distance
US20240331175A1 (en) Systems for determining and reporting vehicle following distance
US20240331399A1 (en) Systems and methods for identifying tailgating

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