CN116758259A - 一种公路资产信息识别方法及系统 - Google Patents

一种公路资产信息识别方法及系统 Download PDF

Info

Publication number
CN116758259A
CN116758259A CN202310467745.8A CN202310467745A CN116758259A CN 116758259 A CN116758259 A CN 116758259A CN 202310467745 A CN202310467745 A CN 202310467745A CN 116758259 A CN116758259 A CN 116758259A
Authority
CN
China
Prior art keywords
information
identification
algorithm
asset information
target
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
CN202310467745.8A
Other languages
English (en)
Inventor
谭瑞梅
李善聚
杜博英
张艳红
尤天舟
仝鑫隆
闫向阳
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.)
Checsc Highway Maintenance And Test Technology Co ltd
China Highway Engineering Consultants Corp
CHECC Data Co Ltd
Original Assignee
Checsc Highway Maintenance And Test Technology Co ltd
China Highway Engineering Consultants Corp
CHECC Data Co Ltd
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 Checsc Highway Maintenance And Test Technology Co ltd, China Highway Engineering Consultants Corp, CHECC Data Co Ltd filed Critical Checsc Highway Maintenance And Test Technology Co ltd
Priority to CN202310467745.8A priority Critical patent/CN116758259A/zh
Publication of CN116758259A publication Critical patent/CN116758259A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G06V10/40—Extraction of image or video 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
    • G06V10/764—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种公路资产信息识别方法及系统，属于数据处理技术领域。本发明方法，包括：将所述目标信息图像放置在预设的文件夹内，并记录所述文件夹的路径信息；对所述识别模型进行初始化，并对所述识别模型下发所述文件夹的路径信息；在所述识别模型根据所述路径信息查找到所述文件夹后，基于所述识别模型遍历文件夹列表，查看所述文件夹内的目标信息图像是否完成识别，若否，则对所述文件夹内的目标信息图像进行识别，并输出识别结果，基于识别结果确定目标公路路段的资产信息。本发明能够准确实时的确定缺失、不规范的公路资产信息，以方便对公路资产进行实时调整，以避免公路资产如标志标牌的缺失和破损导致的交通事故。

Description

一种公路资产信息识别方法及系统
技术领域
本发明涉及数据处理技术领域，并且更具体地，涉及一种公路资产信息识别方法及系统。
背景技术
近年来，随着经济和社会的快速发展，汽车数量呈快速上升趋势，全国公路的总里程数也在迅速增加。我国高速公路通车总里程已在2001年居世界第二位，经十二年建设，至2013年底，全国高速公路通车里程已达10.4万公里，跃居世界第一。高速公路发展迅速，有力地促进了国民经济的快速发展，使交通问题日趋严峻，交通事故的发生显著提高。与此同时，道路上的不文明行为以及自然灾害等引起的道路以及配套设施损害情况也日益凸显，给道路养护人员造成了巨大压力。标志标牌的缺失和破损也易误导司机，导致司机不能及时做出正确的判断，而发生交通事故。
发明内容
针对上述问题，本发明提出了一种公路资产信息识别方法，包括：
采集目标公路路段的信息图像，并将所述信息图像的数据格式转换为统一的数据格式，以得到用于公路资产信息识别的目标信息图像，并将所述目标信息图像放置在预设的文件夹内，并记录所述文件夹的路径信息；
根据目标公路路段信息，对预先搭建的识别模型的检测算法权重进行配置，配置完成后，对所述识别模型进行初始化，并对所述识别模型下发所述文件夹的路径信息；
在所述识别模型根据所述路径信息查找到所述文件夹后，基于所述识别模型遍历文件夹列表，查看所述文件夹内的目标信息图像是否完成识别，若否，则对所述文件夹内的目标信息图像进行识别，并输出识别结果，基于识别结果确定目标公路路段的资产信息。
可选的，预先搭建的识别模型的检测算法为深度学习算法，所述深度学习算法包括如下中的至少一种：卡尔曼滤波算法和匈牙利算法。
可选的，预先搭建识别模型的过程包括：
选定任一包括全部类别资产信息的公路路段作为试验路段，采集试验路段的信息图像，对所述信息图像进行清洗，以剔除不规范的信息图像，并生成用于搭建识别模型的信息图像集，并对信息图像集以预设的比例进行分割，生成训练集和验证集；
选择轻量级检测网络YOLO作为用于搭建识别模型的检测网络，将所述YOLO内置的检测算法，替换为卡尔曼滤波算法和匈牙利算法，以得到改进的YOLO；
将所述训练集输入至所述改进的YOLO，同时使用卡尔曼滤波算法和匈牙利算法对训练集中信息图像的资产信息特征进行提取，并根据提取的资产信息特征，按照资产信息类别进行标注，以输出所述信息图像中，各类别资产信息的掩码矩阵，对所述掩码矩阵进行可视化处理，以将所述掩码矩阵转化为使用颜色标示资产信息的颜色图，将所述颜色图作为识别结果以进行输出；
确定所述卡尔曼滤波算法和匈牙利算法，输出识别结果的效率，选择效率高的卡尔曼滤波算法或匈牙利算法，作为识别对应类别资产信息优先使用的算法，并生成初始识别模型；
使用验证集对所述初始识别模型进行验证，若验证结果满足预设的识别要求，则将所述初始识别模型作为识别模型，若所述验证结果不满足预设的识别要求，则对所述初始识别模型的参数进行调整，并再次使用验证集，对调整后的初始识别模型进行验证，直到验证结果满足预设的识别要求。
可选的，对所述文件夹内的目标信息图像进行识别，并输出识别结果，基于识别结果确定目标公路路段的资产信息，包括：
对目标信息图像中的资产信息特征进行提取，并根据提取的资产信息特征，按照资产信息类别进行标注，以输出所述目标信息图像中，各类别资产信息的掩码矩阵，对所述掩码矩阵进行可视化处理，以将所述掩码矩阵转化为使用颜色标示资产信息的颜色图，将所述颜色图作为识别结果，根据识别结果和预先确定的图例，确定目标公路路段的资产信息。
再一方面，本发明还提出了一种公路资产信息识别系统，包括：
采集单元，用于采集目标公路路段的信息图像，并将所述信息图像的数据格式转换为统一的数据格式，以得到用于公路资产信息识别的目标信息图像，并将所述目标信息图像放置在预设的文件夹内，并记录所述文件夹的路径信息；
模型初始化单元，用于根据目标公路路段信息，对预先搭建的识别模型的检测算法权重进行配置，配置完成后，对所述识别模型进行初始化，并对所述识别模型下发所述文件夹的路径信息；
识别单元，用于在所述识别模型根据所述路径信息查找到所述文件夹后，基于所述识别模型遍历文件夹列表，查看所述文件夹内的目标信息图像是否完成识别，若否，则对所述文件夹内的目标信息图像进行识别，并输出识别结果，基于识别结果确定目标公路路段的资产信息。
可选的，预先搭建的识别模型的检测算法为深度学习算法，所述深度学习算法包括如下中的至少一种：卡尔曼滤波算法和匈牙利算法。
可选的，预先搭建识别模型的过程包括：
选定任一包括全部类别资产信息的公路路段作为试验路段，采集试验路段的信息图像，对所述信息图像进行清洗，以剔除不规范的信息图像，并生成用于搭建识别模型的信息图像集，并对信息图像集以预设的比例进行分割，生成训练集和验证集；
选择轻量级检测网络YOLO作为用于搭建识别模型的检测网络，将所述YOLO内置的检测算法，替换为卡尔曼滤波算法和匈牙利算法，以得到改进的YOLO；
将所述训练集输入至所述改进的YOLO，同时使用卡尔曼滤波算法和匈牙利算法对训练集中信息图像的资产信息特征进行提取，并根据提取的资产信息特征，按照资产信息类别进行标注，以输出所述信息图像中，各类别资产信息的掩码矩阵，对所述掩码矩阵进行可视化处理，以将所述掩码矩阵转化为使用颜色标示资产信息的颜色图，将所述颜色图作为识别结果以进行输出；
确定所述卡尔曼滤波算法和匈牙利算法，输出识别结果的效率，选择效率高的卡尔曼滤波算法或匈牙利算法，作为识别对应类别资产信息优先使用的算法，并生成初始识别模型；
使用验证集对所述初始识别模型进行验证，若验证结果满足预设的识别要求，则将所述初始识别模型作为识别模型，若所述验证结果不满足预设的识别要求，则对所述初始识别模型的参数进行调整，并再次使用验证集，对调整后的初始识别模型进行验证，直到验证结果满足预设的识别要求。
可选的，对所述文件夹内的目标信息图像进行识别，并输出识别结果，基于识别结果确定目标公路路段的资产信息，包括：
对目标信息图像中的资产信息特征进行提取，并根据提取的资产信息特征，按照资产信息类别进行标注，以输出所述目标信息图像中，各类别资产信息的掩码矩阵，对所述掩码矩阵进行可视化处理，以将所述掩码矩阵转化为使用颜色标示资产信息的颜色图，将所述颜色图作为识别结果，根据识别结果和预先确定的图例，确定目标公路路段的资产信息。
再一方面，本发明还提供了一种计算设备，包括：一个或多个处理器；
处理器，用于执行一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，实现如上述所述的方法。
再一方面，本发明还提供了一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现如上述所述的方法。
与现有技术相比，本发明的有益效果为：
本发明提出了一种公路资产信息识别方法，包括：采集目标公路路段的信息图像，并将所述信息图像的数据格式转换为统一的数据格式，以得到用于公路资产信息识别的目标信息图像，并将所述目标信息图像放置在预设的文件夹内，并记录所述文件夹的路径信息；根据目标公路路段信息，对预先搭建的识别模型的检测算法权重进行配置，配置完成后，对所述识别模型进行初始化，并对所述识别模型下发所述文件夹的路径信息；在所述识别模型根据所述路径信息查找到所述文件夹后，基于所述识别模型遍历文件夹列表，查看所述文件夹内的目标信息图像是否完成识别，若否，则对所述文件夹内的目标信息图像进行识别，并输出识别结果，基于识别结果确定目标公路路段的资产信息。本发明通过预设的识别模型对公路资产信息进行识别，能够准确实时的确定缺失、不规范的公路资产信息，以方便对公路资产进行实时调整，以避免公路资产如标志标牌的缺失和破损导致的交通事故。
附图说明
图1为本发明方法的流程图；
图2为本发明系统的结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
实施例1：
本发明提出了一种公路资产信息识别方法，如图1所示，包括：
步骤1、采集目标公路路段的信息图像，并将所述信息图像的数据格式转换为统一的数据格式，以得到用于公路资产信息识别的目标信息图像，并将所述目标信息图像放置在预设的文件夹内，并记录所述文件夹的路径信息；
步骤2、根据目标公路路段信息，对预先搭建的识别模型的检测算法权重进行配置，配置完成后，对所述识别模型进行初始化，并对所述识别模型下发所述文件夹的路径信息；
步骤3、在所述识别模型根据所述路径信息查找到所述文件夹后，基于所述识别模型遍历文件夹列表，查看所述文件夹内的目标信息图像是否完成识别，若否，则对所述文件夹内的目标信息图像进行识别，并输出识别结果，基于识别结果确定目标公路路段的资产信息。
其中，预先搭建的识别模型的检测算法为深度学习算法，所述深度学习算法包括如下中的至少一种：卡尔曼滤波算法和匈牙利算法。
卡尔曼滤波算法是DeepSORT目标跟踪算法(即深度学习算法)的核心算法之一，其作用主要是根据目标的运动状态准确预测跟踪目标位置。卡尔曼滤波是一种算法，它根据输入数据建立描述目标状态的运动方程，以实现对整体系统状态的最优估计。
目标模型是指将目标的标识信息传输到下一帧的运动模型，DeepSORT使用线性等速模型，该模型独立于其他目标和相机移动，近似每个对象从当前帧到下一帧的位移，并使用8维空间矢量按如下方式刻录目标模型。
DeepSORT算法使用匈牙利语算法来匹配预测目标和检测目标。匈牙利算法，也称为KM算法，是用于解决最优任务分配问题的算法。卡尔曼滤波算法获得目标状态的最优估计值，生成目标的预测边界框，并将检测算法得到的检测目标与卡尔曼滤波算法得到的目标的预测边界框进行匹配。匹配过程分为两个步骤。
首先，计算成本矩阵，即计算预测和检测目标之间IOU距离和外观相似性距离的加权值。
匈牙利语算法的Munkres版本用于最小化总匹配成本，并返回一个匹配矩阵，其中包含已匹配的预测和检测到的目标的标志，以及未匹配的预测或检测到的目标的标志。该算法通过找到赋值二分图的最优解来对最优匹配问题进行建模。其原理是，如果任何相等的子图具有完美匹配，则此完美匹配是相应赋值二分图的最大权重完美匹配，即使匹配成本是最小的匹配结果，也可以推导出预测和检测目标之间的最优匹配。
其中，预先搭建识别模型的过程包括：
选定任一包括全部类别资产信息的公路路段作为试验路段，采集试验路段的信息图像，对所述信息图像进行清洗，以剔除不规范的信息图像，并生成用于搭建识别模型的信息图像集，并对信息图像集以预设的比例进行分割，生成训练集和验证集；
选择轻量级检测网络YOLO作为用于搭建识别模型的检测网络，将所述YOLO内置的检测算法，替换为卡尔曼滤波算法和匈牙利算法，以得到改进的YOLO；
将所述训练集输入至所述改进的YOLO，同时使用卡尔曼滤波算法和匈牙利算法对训练集中信息图像的资产信息特征进行提取，并根据提取的资产信息特征，按照资产信息类别进行标注，以输出所述信息图像中，各类别资产信息的掩码矩阵，对所述掩码矩阵进行可视化处理，以将所述掩码矩阵转化为使用颜色标示资产信息的颜色图，将所述颜色图作为识别结果以进行输出；
确定所述卡尔曼滤波算法和匈牙利算法，输出识别结果的效率，选择效率高的卡尔曼滤波算法或匈牙利算法，作为识别对应类别资产信息优先使用的算法，并生成初始识别模型；
使用验证集对所述初始识别模型进行验证，若验证结果满足预设的识别要求，则将所述初始识别模型作为识别模型，若所述验证结果不满足预设的识别要求，则对所述初始识别模型的参数进行调整，并再次使用验证集，对调整后的初始识别模型进行验证，直到验证结果满足预设的识别要求。
本发明中使用的YOLO网络为YOLOv5网络，是基于YOLOv3(一种轻量级检测网络)改进得到的，本发明中采用YOLOv5作为检测器，代替原有的FasterR-CNN算法。
其中，对所述文件夹内的目标信息图像进行识别，并输出识别结果，基于识别结果确定目标公路路段的资产信息，包括：
对目标信息图像中的资产信息特征进行提取，并根据提取的资产信息特征，按照资产信息类别进行标注，以输出所述目标信息图像中，各类别资产信息的掩码矩阵，对所述掩码矩阵进行可视化处理，以将所述掩码矩阵转化为使用颜色标示资产信息的颜色图，将所述颜色图作为识别结果，根据识别结果和预先确定的图例，确定目标公路路段的资产信息。
本发明得到识别结果，结合图像信息文件，可用于生成检测报告，检测报告中，通过对采集的图像信息文件进行解码，分别获得每张图像的结构化信息，再结合识别结果一并写入Excel报告中。
其中输出报告信息分别包括每10米图像的识别结果信息、每100米路段的汇总信息和每1公里(桩号)的汇总信息。
其中10米图像的识别结果信息中包含以下几个方面的结构化信息：1、图像名称；2、是否检测到护栏；3、是否检测到遮光板；4、交安设施个数；5、是否检测到龙门架；6、帧率；7、曝光时间；8、拍摄时间；9、经度；10、纬度；11、当前车速；12、桩号；13、距桩号起始点的距离；14、公里数；15、原图存放路径；16、结果图像存放路径。
本发明采集了广东省广州市广河高速增城段的前向路况图像作为算法准确率的验证集进行准确率测试，该路段路面状况良好，具有大量的龙门架和交通标志信息，同时道路两侧的护栏、遮光板充足，符合验证算法准确率的数据要求。
从准确率统计，对四类公路资产设施进行了分类别统计，所采集的图像中遮光板共出现267次，错检或漏检20次，综合准确率为92.51％；护栏共出现791次，错检或漏检80次，综合准确率89.89％；交通标志共出现901次，错检或漏检86次，综合准确率90.46％；龙门架共吹按263次，错检或漏检42，综合准确率84.03％。四类公路资产识别的准确率均满足项目要求。
实施例2：
本发明还提出了一种公路资产信息识别系统200，如图1所示，包括：
采集单元201，用于采集目标公路路段的信息图像，并将所述信息图像的数据格式转换为统一的数据格式，以得到用于公路资产信息识别的目标信息图像，并将所述目标信息图像放置在预设的文件夹内，并记录所述文件夹的路径信息；
模型初始化单元202，用于根据目标公路路段信息，对预先搭建的识别模型的检测算法权重进行配置，配置完成后，对所述识别模型进行初始化，并对所述识别模型下发所述文件夹的路径信息；
识别单元203，用于在所述识别模型根据所述路径信息查找到所述文件夹后，基于所述识别模型遍历文件夹列表，查看所述文件夹内的目标信息图像是否完成识别，若否，则对所述文件夹内的目标信息图像进行识别，并输出识别结果，基于识别结果确定目标公路路段的资产信息。
其中，预先搭建的识别模型的检测算法为深度学习算法，所述深度学习算法包括如下中的至少一种：卡尔曼滤波算法和匈牙利算法。
其中，预先搭建识别模型的过程包括：
选定任一包括全部类别资产信息的公路路段作为试验路段，采集试验路段的信息图像，对所述信息图像进行清洗，以剔除不规范的信息图像，并生成用于搭建识别模型的信息图像集，并对信息图像集以预设的比例进行分割，生成训练集和验证集；
选择轻量级检测网络YOLO作为用于搭建识别模型的检测网络，将所述YOLO内置的检测算法，替换为卡尔曼滤波算法和匈牙利算法，以得到改进的YOLO；
将所述训练集输入至所述改进的YOLO，同时使用卡尔曼滤波算法和匈牙利算法对训练集中信息图像的资产信息特征进行提取，并根据提取的资产信息特征，按照资产信息类别进行标注，以输出所述信息图像中，各类别资产信息的掩码矩阵，对所述掩码矩阵进行可视化处理，以将所述掩码矩阵转化为使用颜色标示资产信息的颜色图，将所述颜色图作为识别结果以进行输出；
确定所述卡尔曼滤波算法和匈牙利算法，输出识别结果的效率，选择效率高的卡尔曼滤波算法或匈牙利算法，作为识别对应类别资产信息优先使用的算法，并生成初始识别模型；
使用验证集对所述初始识别模型进行验证，若验证结果满足预设的识别要求，则将所述初始识别模型作为识别模型，若所述验证结果不满足预设的识别要求，则对所述初始识别模型的参数进行调整，并再次使用验证集，对调整后的初始识别模型进行验证，直到验证结果满足预设的识别要求。
其中，对所述文件夹内的目标信息图像进行识别，并输出识别结果，基于识别结果确定目标公路路段的资产信息，包括：
对目标信息图像中的资产信息特征进行提取，并根据提取的资产信息特征，按照资产信息类别进行标注，以输出所述目标信息图像中，各类别资产信息的掩码矩阵，对所述掩码矩阵进行可视化处理，以将所述掩码矩阵转化为使用颜色标示资产信息的颜色图，将所述颜色图作为识别结果，根据识别结果和预先确定的图例，确定目标公路路段的资产信息。
本发明通过预设的识别模型对公路资产信息进行识别，能够准确实时的确定缺失、不规范的公路资产信息，以方便对公路资产进行实时调整，以避免公路资产如标志标牌的缺失和破损导致的交通事故。
实施例3：
基于同一种发明构思，本发明还提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能，以实现上述实施例中方法的步骤。
实施例4：
基于同一种发明构思，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中方法的步骤。
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。本发明实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
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。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种公路资产信息识别方法，其特征在于，所述方法包括：
采集目标公路路段的信息图像，并将所述信息图像的数据格式转换为统一的数据格式，以得到用于公路资产信息识别的目标信息图像，并将所述目标信息图像放置在预设的文件夹内，并记录所述文件夹的路径信息；
根据目标公路路段信息，对预先搭建的识别模型的检测算法权重进行配置，配置完成后，对所述识别模型进行初始化，并对所述识别模型下发所述文件夹的路径信息；
在所述识别模型根据所述路径信息查找到所述文件夹后，基于所述识别模型遍历文件夹列表，查看所述文件夹内的目标信息图像是否完成识别，若否，则对所述文件夹内的目标信息图像进行识别，并输出识别结果，基于识别结果确定目标公路路段的资产信息。
2.根据权利要求1所述的方法，其特征在于，所述预先搭建的识别模型的检测算法为深度学习算法，所述深度学习算法包括如下中的至少一种：卡尔曼滤波算法和匈牙利算法。
3.根据权利要求1所述的方法，其特征在于，所述预先搭建识别模型的过程包括：
选定任一包括全部类别资产信息的公路路段作为试验路段，采集试验路段的信息图像，对所述信息图像进行清洗，以剔除不规范的信息图像，并生成用于搭建识别模型的信息图像集，并对信息图像集以预设的比例进行分割，生成训练集和验证集；
选择轻量级检测网络YOLO作为用于搭建识别模型的检测网络，将所述YOLO内置的检测算法，替换为卡尔曼滤波算法和匈牙利算法，以得到改进的YOLO；
将所述训练集输入至所述改进的YOLO，同时使用卡尔曼滤波算法和匈牙利算法对训练集中信息图像的资产信息特征进行提取，并根据提取的资产信息特征，按照资产信息类别进行标注，以输出所述信息图像中，各类别资产信息的掩码矩阵，对所述掩码矩阵进行可视化处理，以将所述掩码矩阵转化为使用颜色标示资产信息的颜色图，将所述颜色图作为识别结果以进行输出；
确定所述卡尔曼滤波算法和匈牙利算法，输出识别结果的效率，选择效率高的卡尔曼滤波算法或匈牙利算法，作为识别对应类别资产信息优先使用的算法，并生成初始识别模型；
使用验证集对所述初始识别模型进行验证，若验证结果满足预设的识别要求，则将所述初始识别模型作为识别模型，若所述验证结果不满足预设的识别要求，则对所述初始识别模型的参数进行调整，并再次使用验证集，对调整后的初始识别模型进行验证，直到验证结果满足预设的识别要求。
4.根据权利要求1所述的方法，其特征在于，所述对所述文件夹内的目标信息图像进行识别，并输出识别结果，基于识别结果确定目标公路路段的资产信息，包括：
对目标信息图像中的资产信息特征进行提取，并根据提取的资产信息特征，按照资产信息类别进行标注，以输出所述目标信息图像中，各类别资产信息的掩码矩阵，对所述掩码矩阵进行可视化处理，以将所述掩码矩阵转化为使用颜色标示资产信息的颜色图，将所述颜色图作为识别结果，根据识别结果和预先确定的图例，确定目标公路路段的资产信息。
5.一种公路资产信息识别系统，其特征在于，所述系统包括：
采集单元，用于采集目标公路路段的信息图像，并将所述信息图像的数据格式转换为统一的数据格式，以得到用于公路资产信息识别的目标信息图像，并将所述目标信息图像放置在预设的文件夹内，并记录所述文件夹的路径信息；
模型初始化单元，用于根据目标公路路段信息，对预先搭建的识别模型的检测算法权重进行配置，配置完成后，对所述识别模型进行初始化，并对所述识别模型下发所述文件夹的路径信息；
识别单元，用于在所述识别模型根据所述路径信息查找到所述文件夹后，基于所述识别模型遍历文件夹列表，查看所述文件夹内的目标信息图像是否完成识别，若否，则对所述文件夹内的目标信息图像进行识别，并输出识别结果，基于识别结果确定目标公路路段的资产信息。
6.根据权利要求5所述的系统，其特征在于，所述预先搭建的识别模型的检测算法为深度学习算法，所述深度学习算法包括如下中的至少一种：卡尔曼滤波算法和匈牙利算法。
7.根据权利要求5所述的系统，其特征在于，所述预先搭建识别模型的过程包括：
选定任一包括全部类别资产信息的公路路段作为试验路段，采集试验路段的信息图像，对所述信息图像进行清洗，以剔除不规范的信息图像，并生成用于搭建识别模型的信息图像集，并对信息图像集以预设的比例进行分割，生成训练集和验证集；
选择轻量级检测网络YOLO作为用于搭建识别模型的检测网络，将所述YOLO内置的检测算法，替换为卡尔曼滤波算法和匈牙利算法，以得到改进的YOLO；
将所述训练集输入至所述改进的YOLO，同时使用卡尔曼滤波算法和匈牙利算法对训练集中信息图像的资产信息特征进行提取，并根据提取的资产信息特征，按照资产信息类别进行标注，以输出所述信息图像中，各类别资产信息的掩码矩阵，对所述掩码矩阵进行可视化处理，以将所述掩码矩阵转化为使用颜色标示资产信息的颜色图，将所述颜色图作为识别结果以进行输出；
确定所述卡尔曼滤波算法和匈牙利算法，输出识别结果的效率，选择效率高的卡尔曼滤波算法或匈牙利算法，作为识别对应类别资产信息优先使用的算法，并生成初始识别模型；
使用验证集对所述初始识别模型进行验证，若验证结果满足预设的识别要求，则将所述初始识别模型作为识别模型，若所述验证结果不满足预设的识别要求，则对所述初始识别模型的参数进行调整，并再次使用验证集，对调整后的初始识别模型进行验证，直到验证结果满足预设的识别要求。
8.根据权利要求5所述的系统，其特征在于，所述对所述文件夹内的目标信息图像进行识别，并输出识别结果，基于识别结果确定目标公路路段的资产信息，包括：
对目标信息图像中的资产信息特征进行提取，并根据提取的资产信息特征，按照资产信息类别进行标注，以输出所述目标信息图像中，各类别资产信息的掩码矩阵，对所述掩码矩阵进行可视化处理，以将所述掩码矩阵转化为使用颜色标示资产信息的颜色图，将所述颜色图作为识别结果，根据识别结果和预先确定的图例，确定目标公路路段的资产信息。
9.一种计算机设备，其特征在于，包括：
一个或多个处理器；
处理器，用于执行一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，实现如权利要求1-4中任一所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存有计算机程序，所述计算机程序被执行时，实现如权利要求1-4中任一所述的方法。
CN202310467745.8A 2023-04-26 2023-04-26 一种公路资产信息识别方法及系统 Pending CN116758259A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310467745.8A CN116758259A (zh) 2023-04-26 2023-04-26 一种公路资产信息识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310467745.8A CN116758259A (zh) 2023-04-26 2023-04-26 一种公路资产信息识别方法及系统

Publications (1)

Publication Number Publication Date
CN116758259A true CN116758259A (zh) 2023-09-15

Family

ID=87954004

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310467745.8A Pending CN116758259A (zh) 2023-04-26 2023-04-26 一种公路资产信息识别方法及系统

Country Status (1)

Country Link
CN (1) CN116758259A (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111667512A (zh) * 2020-05-28 2020-09-15 浙江树人学院（浙江树人大学） 基于改进卡尔曼滤波的多目标车辆轨迹预测方法
CN112101433A (zh) * 2020-09-04 2020-12-18 东南大学 一种基于YOLO V4和DeepSORT的分车道车辆自动计数方法
US20210118144A1 (en) * 2018-09-15 2021-04-22 Beijing Sensetime Technology Development Co., Ltd. Image processing method, electronic device, and storage medium
CN113255524A (zh) * 2021-05-27 2021-08-13 山东省交通规划设计院集团有限公司 一种基于YOLO v4的路面信息识别方法及系统
CN113947108A (zh) * 2021-10-15 2022-01-18 福州大学 一种基于yolo v5的球员追踪检测方法
CN114120138A (zh) * 2021-11-02 2022-03-01 中山大学·深圳 一种遥感影像目标检测识别方法、装置、设备及介质
CN114170580A (zh) * 2021-12-01 2022-03-11 连云港杰瑞电子有限公司 一种面向高速公路的异常事件检测方法
WO2022063321A1 (zh) * 2020-09-28 2022-03-31 影石创新科技股份有限公司 图像处理方法、装置、设备及存储介质
CN114663479A (zh) * 2022-04-13 2022-06-24 中国电子科技集团公司第五十八研究所 一种基于计算机视觉的智能监控预警方法及系统
CN114783211A (zh) * 2022-03-22 2022-07-22 南京莱斯信息技术股份有限公司 一种基于视频数据融合的场面目标监视增强系统及方法
CN115248813A (zh) * 2022-08-29 2022-10-28 智道网联科技(北京)有限公司 高精地图路牌更新方法、装置、设备及存储介质
CN115273017A (zh) * 2022-04-29 2022-11-01 桂林电子科技大学 基于Yolov5交通标志检测识别模型训练方法及系统
CN115372958A (zh) * 2022-08-17 2022-11-22 苏州广目汽车科技有限公司 一种基于毫米波雷达和单目视觉融合的目标检测和跟踪方法
WO2023277907A1 (en) * 2021-06-30 2023-01-05 Hewlett-Packard Development Company, L.P. Synthetic images for object detection
CN115830416A (zh) * 2022-12-20 2023-03-21 北京云星宇交通科技股份有限公司 一种用于高速公路设备设施识别与预警的方法及系统

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210118144A1 (en) * 2018-09-15 2021-04-22 Beijing Sensetime Technology Development Co., Ltd. Image processing method, electronic device, and storage medium
CN111667512A (zh) * 2020-05-28 2020-09-15 浙江树人学院（浙江树人大学） 基于改进卡尔曼滤波的多目标车辆轨迹预测方法
CN112101433A (zh) * 2020-09-04 2020-12-18 东南大学 一种基于YOLO V4和DeepSORT的分车道车辆自动计数方法
WO2022063321A1 (zh) * 2020-09-28 2022-03-31 影石创新科技股份有限公司 图像处理方法、装置、设备及存储介质
CN113255524A (zh) * 2021-05-27 2021-08-13 山东省交通规划设计院集团有限公司 一种基于YOLO v4的路面信息识别方法及系统
WO2023277907A1 (en) * 2021-06-30 2023-01-05 Hewlett-Packard Development Company, L.P. Synthetic images for object detection
CN113947108A (zh) * 2021-10-15 2022-01-18 福州大学 一种基于yolo v5的球员追踪检测方法
CN114120138A (zh) * 2021-11-02 2022-03-01 中山大学·深圳 一种遥感影像目标检测识别方法、装置、设备及介质
CN114170580A (zh) * 2021-12-01 2022-03-11 连云港杰瑞电子有限公司 一种面向高速公路的异常事件检测方法
CN114783211A (zh) * 2022-03-22 2022-07-22 南京莱斯信息技术股份有限公司 一种基于视频数据融合的场面目标监视增强系统及方法
CN114663479A (zh) * 2022-04-13 2022-06-24 中国电子科技集团公司第五十八研究所 一种基于计算机视觉的智能监控预警方法及系统
CN115273017A (zh) * 2022-04-29 2022-11-01 桂林电子科技大学 基于Yolov5交通标志检测识别模型训练方法及系统
CN115372958A (zh) * 2022-08-17 2022-11-22 苏州广目汽车科技有限公司 一种基于毫米波雷达和单目视觉融合的目标检测和跟踪方法
CN115248813A (zh) * 2022-08-29 2022-10-28 智道网联科技(北京)有限公司 高精地图路牌更新方法、装置、设备及存储介质
CN115830416A (zh) * 2022-12-20 2023-03-21 北京云星宇交通科技股份有限公司 一种用于高速公路设备设施识别与预警的方法及系统

Similar Documents

Publication Publication Date Title
Ukhwah et al. Asphalt pavement pothole detection using deep learning method based on YOLO neural network
Tian et al. An automatic car accident detection method based on cooperative vehicle infrastructure systems
CN108986465B (zh) 一种车流量检测的方法、系统及终端设备
CN101930668B (zh) 车牌识别的道路交通od信息采集系统的处理方法
CN109815997A (zh) 基于深度学习的识别车辆损伤的方法和相关装置
CN110807924A (zh) 基于全量全样实时交通数据的多参数融合方法及系统
KR102308456B1 (ko) 라이다 및 카메라 수집정보 기반 수종탐지 시스템 및 이를 이용한 수종탐지방법, 수종탐지방법을 수행하는 프로그램이 수록된 기록매체
CN111369801B (zh) 车辆识别方法、装置、设备和存储介质
CN113505638B (zh) 车流量的监测方法、监测装置及计算机可读存储介质
EP4020428A1 (en) Method and apparatus for recognizing lane, and computing device
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
CN104298832A (zh) 一种基于rfid技术的路网交通流分析方法
CN110796230A (zh) 卷积神经网络的训练及使用方法、设备及存储介质
Fernández et al. Robust Real‐Time Traffic Surveillance with Deep Learning
CN114973659A (zh) 一种高速公路的间接事件检测的方法、装置及系统
Deepa et al. Pothole detection using roboflow convolutional neural networks
Bhattacharyya et al. JUVDsi v1: developing and benchmarking a new still image database in Indian scenario for automatic vehicle detection
Darapaneni et al. Pothole detection using advanced neural networks
Qin et al. A vehicle path tracking system with cooperative recognition of license plates and traffic network big data
CN116758259A (zh) 一种公路资产信息识别方法及系统
CN116524210A (zh) 自动驾驶数据筛选方法、系统、电子设备和存储介质
Khan Vehicle and pedestrian detection using YOLOv3 and YOLOv4 for self-driving cars
CN115203354A (zh) 一种车码轨迹预关联方法、装置、计算机设备及存储介质
Špaňhel et al. Detection of traffic violations of road users based on convolutional neural networks
CN114119953A (zh) 快速车牌定位和矫正方法、存储介质及设备

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