CN116798007A - 道路冰雪智能识别及预警方法、装置及电子设备 - Google Patents
道路冰雪智能识别及预警方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116798007A CN116798007A CN202310679721.9A CN202310679721A CN116798007A CN 116798007 A CN116798007 A CN 116798007A CN 202310679721 A CN202310679721 A CN 202310679721A CN 116798007 A CN116798007 A CN 116798007A
- Authority
- CN
- China
- Prior art keywords
- snow
- ice
- detected
- road
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003062 neural network model Methods 0.000 claims abstract description 37
- 230000003595 spectral effect Effects 0.000 claims abstract description 36
- 230000007613 environmental effect Effects 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000001228 spectrum Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 16
- 238000010586 diagram Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Abstract
本发明涉及一种道路冰雪智能识别及预警方法、装置及电子设备，方法包括：获取训练完备的冰雪智能识别模型，所述冰雪智能识别模型是基于RBF神经网络模型训练得到，获取待检测光谱数据以及待检测环境温度数据，将所述待检测光谱数据以及待检测环境温度数据进行预处理，得到预处理数据，基于所述冰雪智能识别模型，对所述预处理数据进行识别，得到道路路面识别结果，基于所述道路路面识别结果与预设的预警阈值进行匹配，得到道路冰雪风险等级，本发明提出了一种道路冰雪识别及预警方法，能够实现对道路全部路面冰雪状况全覆盖监测和降低道路行车风险。
Description
技术领域
本发明涉及道路安全技术领域，具体涉及一种道路冰雪智能识别及预警方法、装置、电子设备及存储介质。
背景技术
城市道路、隧道、桥梁等的畅通与安全和天气状况有很大的关系，结冰、积水、积雪等导致路面摩擦系数变小，影响车辆制动效能和驾驶视线，是造成交通事故的主要原因。目前道路危险气象预警主要由气象局提供，获得的预警消息是区域性的，没有针对道路具体危险行车路段进行预警。预警消息精确度小，不能够及时反映道路具体情况。而现采用的路面状态传感器只能固定点测量，所得到的数据不具有代表性和准确性，不能够准确反映全部车道路面结冰、积雪、积水等状况。
高光谱遥感技术是一种通过测量地表反射率来获取地表信息的遥感技术。它利用不同波长的电磁波，如可见光、红外线和微波等，来探测地表的特征。径向基函数神经网络是一种单隐层、以函数逼近为基础的前馈神经网络。随着研究日渐成熟，RBF神经网络以其结构简单、非线性逼近能力强，受到各领域研究者的极大关注，被广泛应用于模式分类、函数逼近和数据挖掘等众多研究领域。
发明内容
有鉴于此，有必要提供一种道路冰雪智能识别及预警方法、装置、电子设备及存储介质，能够实现对道路全部路面冰雪状况全覆盖监测的技术问题。
为了实现上述目的，本发明提供了如下技术方案：
第一方面，本发明提供了一种道路冰雪智能识别方法，包括：
获取训练完备的冰雪智能识别模型，所述冰雪智能识别模型是基于RBF神经网络模型训练得到；
获取待检测光谱数据以及待检测环境温度数据；
将所述待检测光谱数据以及待检测环境温度数据进行预处理，得到预处理数据；
基于所述冰雪智能识别模型，对所述预处理数据进行识别，得到道路路面识别结果；
基于所述道路路面识别结果与预设的预警阈值进行匹配，得到道路冰雪风险等级。
进一步地，所述获取训练完备的冰雪智能识别模型，包括：
获取光谱数据样本以及环境温度数据样本，并基于所述光谱数据样本以及环境温度数据样本建立样本集；
基于所述RBF神经网络模型对所述样本集进行迭代训练得到所述冰雪智能识别模型。
进一步地，
所述RBF神经网络模型，包括三层径向基函数神经网络，所述三层径向基函数神经网络分别为：输入层、隐含层以及输出层。
进一步地，所述获取待检测光谱数据以及待检测环境温度数据，包括：
通过云台控制高光谱传感器获取待检测光谱数据，并通过所述云台控制温度传感器获取待检测环境温度数据。
进一步地，
所述高光谱传感器包括物镜、光谱仪以及CCD相机。
进一步地，所述通过云台控制高光谱传感器获取待检测光谱数据，包括：
发送控制指令至云台终端，以基于所述云台终端控制所述高光谱传感器，按照设定顺序对所述车道位置区域进行扫描。
进一步地，所述将所述待检测光谱数据以及待检测环境温度数据进行预处理，得到预处理数据，包括：
提取所述待检测光谱数据的特征峰波长和峰强，基于所述特征峰波长和所述峰强，以及所述待检测环境温度数据得到预处理数据。
第二方面，本发明还提供了一种道路冰雪智能识别及预警装置，包括：
模型获取单元，用于获取训练完备的冰雪智能识别模型，所述冰雪智能识别模型是基于RBF神经网络模型训练得到；
数据获取单元，用于获取待检测光谱数据以及待检测环境温度数据；
预处理单元，用于将所述待检测光谱数据以及待检测环境温度数据进行预处理，得到预处理数据；
识别单元，用于基于所述冰雪智能识别模型，对所述预处理数据进行识别，得到道路路面结果；
匹配单元，用于基于所述道路路面结果与预设的预警阈值进行匹配，得到道路冰雪风险等级。
第三方面，本发明还提供了一种电子设备，用于执行所述存储器中存储的所述程序，以实现如上述任一种实现方式中的一种道路冰雪智能识别及预警方法中的步骤。
第四方面，本发明还提供了一种非暂态计算机可读存储介质，用于存储计算机程序，能够实现上述任一种实现方式中的一种道路冰雪智能识别及预警方法中的步骤。
本发明提供一种道路冰雪智能识别及预警方法、装置、电子设备及存储介质，获取训练完备的冰雪智能识别模型，所述冰雪智能识别模型是基于RBF神经网络模型训练得到，获取待检测光谱数据以及待检测环境温度数据，将所述待检测光谱数据以及待检测环境温度数据进行预处理，得到预处理数据，基于所述冰雪智能识别模型，对所述预处理数据进行识别，得到道路路面识别结果，基于所述道路路面识别结果与预设的预警阈值进行匹配，得到道路冰雪风险等级。本发明采用了云台控制高光谱传感器扫描全部车道区域，不同于现在已经应用了的道路状况传感器激光遥感固定点测量积水、结冰以及积雪的厚度及湿滑程度，本发明对所有路面车道进行扫描，相比于道路状况传感器的固定点测量，所得到的数据具有代表性和准确性，同时本发明建立了RBF神经网络模型，经过RBF神经网络模型识别后，每个扫描区域都有其对应的唯一识别状态，对所有扫描区域出现冰、雪以及水的概率进行统计，对区域路段进行综合判定。相比于现有技术，本发明提出了一种道路冰雪智能识别及预警方法，能够实现对道路全部路面冰雪状况全覆盖监测和降低道路行车风险。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种道路冰雪智能识别及预警方法一实施例的方法流程图；
图2为本发明提供的一种道路冰雪智能识别及预警方法一实施例的云台控制高光谱传感器的扫描示意图；
图3为本发明提供的一种道路冰雪识别及预警方法一实施例的RBF神经网络模型的网络结构图；
图4为本发明提供的一种道路冰雪识别及预警方法一实施例的装置的结果示意图；
图5为本发明提供的电子设备的一个实施例结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中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，都属于本发明保护的范围。
在本申请实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
本发明实施例中术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
在本发明实施例中出现的对步骤进行的命名或者编号，并不意味着必须按照命名或者编号所指示的时间/逻辑先后顺序执行方法流程中的步骤，已经命名或者编号的流程步骤可以根据要实现的技术目的变更执行次序，只要能达到相同或者相类似的技术效果即可。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明提供了一种道路冰雪智能识别及预警方法，以下分别进行说明。
图1为本发明提供的一种道路冰雪智能识别及预警方法一实施例的方法流程图，包括：
S110、获取训练完备的冰雪智能识别模型，所述冰雪智能识别模型是基于RBF神经网络模型训练得到；
S120、获取待检测光谱数据以及待检测环境温度数据；
S130、将所述待检测光谱数据以及待检测环境温度数据进行预处理，得到预处理数据；
S140、基于所述冰雪智能识别模型，对所述预处理数据进行识别，得到道路路面识别结果；
S150、基于所述道路路面识别结果与预设的预警阈值进行匹配，得到道路冰雪风险等级。
可以理解的是，本发明提出了一种道路冰雪智能识别及预警方法，主要采用云台控制高光谱传感器对道路所有车道区域进行扫描，克服了传统道路传感器只能定点测量的缺点，构造了一种智能识别道路冰雪水种类的机器学习模型，用于路面结冰、积雪以及积水状况的识别分类，并对其进行统计分析然后将预警结果发送给交通管理部门，该道路冰雪智能识别及预警方法可以显著提高路面状态识别的代表性和准确性，可以应用在桥梁、隧道出入口以及道路事故多发路段。
在步骤S110中，所述获取训练完备的冰雪智能识别模型，包括：
获取光谱数据样本以及环境温度数据样本，并基于所述光谱数据样本以及环境温度数据样本建立样本集；
基于所述RBF神经网络模型对所述样本集进行迭代训练得到所述冰雪智能识别模型。
可以理解的是，将获取的所述光谱数据进行光滑处理消除光谱信号中的随机噪声，提高信噪比，再进行特征峰波长和峰强的提起，并将提取后的特征数据以及获取的环境温度数据建立样本集；在所述RBF神经网络模型中将扫描区域的特征峰、波长以及环境温度数据作为输入层，以正常、结冰、积水、积雪作为输出层，训练所述RBF神经网络模型对扫描区域的路面状态进行判别，若所述RBF神经网络模型判定合格，则可以将所述RBF神经网络模型应用在冰雪智能识别模型，若所述RBF神经网络模型判定不合格，则返回继续训练；将训练完备的所述RBF神经网络模型应用于冰雪智能识别模型，将实时采集的数据经过预处理后作为输入层，经所述RBF神经网络模型识别后，得到每个扫描区域与其对应的唯一路面状态，记录每个实时扫描区域的路面状态；所述RBF神经网络模型可以分为两个阶段，第一个阶段为训练阶段，训练所述RBF神经网络模型，若预测模型合格，则将其运用在冰雪智能识别模型，若预测模型不合格，则返回继续训练所述RBF神经网络模型，第二个阶段为测试阶段，利用未知的光谱数据对训练好的所述RBF神经网络模型进行性能测试，样本集的80％作为训练集，20％作为测试集，即利用样本集的80％的样本数据进行训练并建立所述RBF神经网络模型，利用剩余20％的样本数据对所述RBF神经网络模型的参数进行优化以及对所述RBF神经网络模型的可行性进行初步评估。
在步骤S120中，所述获取待检测光谱数据以及待检测环境温度数据，包括：
通过云台控制高光谱传感器获取待检测光谱数据，并通过所述云台控制温度传感器获取待检测环境温度数据。
可以理解的是，通过云台控制高光谱传感器对上下行车道进行区域扫描，得到所述待检测光谱数据，通过所述云台控制温度传感器测量环境温度，得到所述待检测环境温度数据。
图2为本发明提供的一种道路冰雪智能识别及预警方法一实施例的云台控制高光谱传感器的扫描示意图，包括：
所述高光谱传感器包括物镜、光谱仪以及CCD相机。
可以理解的是，全波段内可以获得多个的光谱通道，更多的光谱通道意味着有更多的光谱信息，有助于获得更多的高光谱数据，选择合适的高光谱波段，获得高光谱图像数据集。
进一步地，所述通过云台控制高光谱传感器获取待检测光谱数据，包括：
发送控制指令至云台终端，以基于所述云台终端控制所述高光谱传感器，按照设定顺序对所述车道位置区域进行扫描。
可以理解的是，所述高光谱传感器通过所述云台终端控制，对左右两侧车道进行区域扫描，在控制信号的作用下，所述云台终端上的高光谱传感器可自动扫描测试区域，所述云台终端水平及垂直转动的角度大小可通过限位开关进行调整，提高所述云台高光谱传感器的扫描范围；以中央分隔带为界限，将上下行车道划分为若干个扫描区域，通过左右两侧所述云台终端来控制所述云台高光谱传感器对每一个采集区域进行扫描，左侧所述云台终端控制所述云台高光谱传感器对左边道路进行区域扫描，右侧所述云台终端控制所述云台高光谱传感器对右侧道路进行扫描；扫描采用自动巡航，通过预先编程，将扫描区域的位置按需要的顺序编排到自动巡航队列中，将按照设定的顺序和停留时间在这些扫描区域之间巡航，在每个巡航点将停留一段时间；将各扫描区域编号，按照图2所示箭头所指方向进行扫描，扫描完所有区域，扫描所述多车道区域扫描可以有多种形式，以上只是其中一种多车道区域扫描方式。每隔一段时间记录光谱数据，其中温度传感器和高光谱传感器设备安装在中央分隔带处。
在步骤S130中，将所述待检测光谱数据以及待检测环境温度数据进行预处理，得到预处理数据，包括：
提取所述待检测光谱数据中的特征峰波长和峰强，基于所述特征峰波长和所述峰强，以及所述待检测环境温度数据，得到预处理数据。
可以理解的是，预处理包括：先对所述待检测光谱数据进行平滑处理，为了消除光谱信号中的随机噪声，提高信噪比，再通过提取所述光谱数据的特征峰波长和峰强，记录每个区域光谱数据的特征峰和波长以及待检测环境温度数据作为输入。
图3为本发明提供的一种道路冰雪智能识别及预警方法一实施例的RBF神经网络模型的网络结构图，包括：
所述RBF神经网络模型，包括三层径向基函数神经网络，所述三层径向基函数神经网络分别为：输入层、隐含层以及输出层。
进一步地，所述隐含层的函数表达式如下：
其中：Vi为所述隐含层所在第i个神经元对应的中心向量,由所述隐含层第i个神经元到所述输入层所有神经元的中心分量构成，为感受域的宽度其控制了函数的径向作用范围，这两个参数的确定是RBF神经网络收敛与否的关键。
可以理解的是，径向基函数神经网络有三层，输入层、隐含层和输出层，第一层为输入层，输入层由信号源节点组成，输入层为预处理数据包括：冰、雪以及水的特征峰波长和峰强和待检测环境温度数据，X1、X2、X3、Xn为第二层隐藏层，n＞7，RBF神经网络只有一层隐含层，所述隐含层的作用是把输入层向量从低维度映射到高维度，将低维度线性不可分的问题转化为高维度线性可分的问题，主要应用了核函数的思想，因此，RBF神经网络由输入到输出的映射是非线性的，而网络输出对可调参数而言却又是线性的，网络的权就可由线性方程组直接解出，因此RBF神经网络模型的学习速度快并且避免了局部极小问题，第三层为输出层，从输入层空间到隐含层空间的变换是非线性的，而从隐含层空间到输出层空间的变换是线性的，隐单元的变换函数是径向基函数，输出层神经元采用线性单元，RBF神经网络是一种局部分布的对中心径向对称衰减的非负非线性函数。
在步骤S140中，基于所述冰雪智能识别模型，对所述预处理数据进行识别，得到道路路面识别结果；
可以理解的是，将实时采集的待检测光谱数据以及待检测环境温度数据经过预处理后作为输入层，经过冰雪智能识别模型识别后，得到每个扫描区域与其对应的唯一冰、雪以及水等路面状态，记录每个实时扫描区域的路面状态。
在步骤S150中，基于所述道路路面识别结果与预设的预警阈值进行匹配，得到道路冰雪风险等级；
进一步地，通过如下步骤得到所述道路路面状况：
S151、当所述道路路面出现冰、雪以及水状态的概率之和小于等于5％时，输出所述道路路面状况为正常；
S152、当所述道路路面出现冰、雪以及水状态的概率之和大于5％，且对应路面出现冰以及雪状态的概率之和小于5％时，输出所述道路路面状况为积水；
S153、当所述道路路面出现冰、雪以及水状态的概率之和大于5％，且对应路面冰以及雪状态的概率大于等于5％时，输出所述道路路面状况为冰雪。
可以理解的是，对所有扫描区域的冰、雪和水等路面状态的出现概率进行统计，所有扫描区域通过所述冰雪智能识别模型识别出的冰、雪和水等路面状态的次数除以扫描区域的总数，得到的结果作为对应区域路面出现冰、雪和水状态的概率并通过所述对应区域路面出现冰、雪以及水状态的概率，通过与预设的阈值匹配得到对应区域道路路面状况。
进一步地，通过如下步骤得到道路冰雪风险等级：
S154、当道路路面出现冰以及雪状态的概率之和大于等于40％时，输出所述路面冰雪风险等级为高度危险；
S155、当道路路面出现冰以及雪状态的概率之和大于20％小于40％时，输出所述路面冰雪风险等级为中度风险；
S156、当道路路面出现冰以及雪状态的概率之和大于5％小于等于20％时，输出所述路面冰雪风险等级为低度风险。
可以理解的是，将道路的实时路面危险状况通过监测点前的实时提示牌处发布预警，提醒车辆谨慎通行，高、中以及低度风险概率阈值的设置可由交通管理部门根据实际路况进行设置，为了得到准确的路面状态信息，将温度信息和光谱信息相结合，建立一个道路状况分类模型，将得到的环境温度、波峰位置和峰强作为输入参数，然后以输出的结果作为预警的依据(输出结果为正常、积水、结冰、积雪)，形成一个完整的道路危险预警的方法，通过实时测量该路段的光谱数据以及扫描区域各路段的温度数据，通过RBF人工神经网络算对多种数据进行整合，通过RBF神经网络的综合运算，分析出可能结冰、积雪、积水的路面状态，所提供的道路冰雪智能识别及预警方法可对路面状态信息实时、自动监测采集，实现监控和预警功能，并且易于维护，建立好冰雪智能识别模型，将RBF神经网络模型得到的路况结果上传至交通管理部门，降低道路行车风险，同时交通部门及时发布消息，提示车辆谨慎驾驶，减速慢行，安全通过。
为了更好实施本发明实施例中的一种道路冰雪智能识别及预警方法，在该方法基础上，对应的，请参阅图4，图4为本发明提供的装置400的一个实施例结构示意图，包括：
模型获取单元401，用于获取训练完备的冰雪智能识别模型，所述冰雪识别智能模型是基于RBF神经网络模型训练得到；
数据获取单元402，用于获取待检测光谱数据以及待检测环境温度数据；
预处理单元403，用于将所述待检测光谱数据以及待检测环境温度数据进行预处理，得到预处理数据；
识别单元404，用于基于所述冰雪智能识别模型，对所述预处理数据进行识别，得到道路路面结果；
匹配单元405，用于基于所述道路路面结果与预设的预警阈值进行匹配，得到道路冰雪风险等级。
上述实施例提供的一种道路冰雪智能识别及预警装置可实现上述一种道路冰雪智能识别及预警方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述一种道路冰雪智能识别及预警方法实施例中的相应内容，此处不再赘述。
如图5所示，本发明还相应提供了一种电子设备500。该电子设备500包括处理器501、存储器502及显示器503。图5仅示出了电子设备500的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
存储器502在一些实施例中可以是电子设备500的内部存储单元，例如电子设备500的硬盘或内存。存储器502在另一些实施例中也可以是电子设备500的外部存储设备，例如电子设备500上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
进一步地，存储器502还可既包括电子设备500的内部储存单元也包括外部存储设备。存储器502用于存储安装电子设备500的应用软件及各类数据。
处理器501在一些实施例中可以是一中央处理器(Central Processing Unit，CPU)，微处理器或其他数据处理芯片，用于运行存储器502中存储的程序代码或处理数据，例如本发明中的一种道路冰雪智能识别及预警方法。
显示器503在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器503用于显示在电子设备500的信息以及用于显示可视化的用户界面。电子设备500的部件501-503通过系统总线相互通信。
在本发明的一些实施例中，当处理器501执行存储器502中的道路冰雪智能识别及预警程序时，可实现以下步骤：
获取训练完备的冰雪智能识别模型，所述冰雪智能识别模型是基于RBF神经网络模型训练得到；
获取待检测光谱数据以及待检测环境温度数据；
将所述待检测光谱数据以及待检测环境温度数据进行预处理，得到预处理数据；
基于所述冰雪智能识别模型，对所述预处理数据进行识别，得到道路路面识别结果；
基于所述道路路面识别结果与预设的预警阈值进行匹配，得到道路冰雪风险等级。
应当理解的是：处理器501在执行存储器502中的道路冰雪智能识别及预警程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面相应方法实施例的描述。
进一步地，本发明实施例对提及的电子设备500的类型不做具体限定，电子设备500可以为手机、平板电脑、个人数字助理(personal digitalassistant，PDA)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载IOS、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备，诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是，在本发明其他一些实施例中，电子设备500也可以不是便携式电子设备，而是具有触敏表面(例如触控面板)的台式计算机。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的一种道路冰雪智能识别及预警方法，该方法包括：
获取训练完备的冰雪智能识别模型，所述冰雪智能识别模型是基于RBF神经网络模型训练得到；
获取待检测光谱数据以及待检测环境温度数据；
将所述待检测光谱数据以及待检测环境温度数据进行预处理，得到预处理数据；
基于所述冰雪智能识别模型，对所述预处理数据进行识别，得到道路路面识别结果；
基于所述道路路面识别结果与预设的预警阈值进行匹配，得到道路冰雪风险等级。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，程序可存储于计算机可读存储介质中。其中，计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上对本发明所提供的一种道路冰雪智能识别及预警进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种道路冰雪智能识别及预警方法，其特征在于，包括：
获取训练完备的冰雪智能识别模型，所述冰雪智能识别模型是基于RBF神经网络模型训练得到；
获取待检测光谱数据以及待检测环境温度数据；
将所述待检测光谱数据以及待检测环境温度数据进行预处理，得到预处理数据；
基于所述冰雪智能识别模型，对所述预处理数据进行识别，得到道路路面识别结果；
基于所述道路路面识别结果与预设的预警阈值进行匹配，得到道路冰雪风险等级。
2.根据权利要求1所述的道路冰雪智能识别及预警方法，其特征在于，所述获取训练完备的冰雪智能识别模型，包括：
获取光谱数据样本以及环境温度数据样本，并基于所述光谱数据样本以及环境温度数据样本建立样本集；
基于所述RBF神经网络模型对所述样本集进行迭代训练得到所述冰雪智能识别模型。
3.根据权利要求1所述道路冰雪智能识别及预警方法，其特征在于，
所述RBF神经网络模型，包括三层径向基函数神经网络，所述三层径向基函数神经网络分别为：输入层、隐含层以及输出层。
4.根据权利要求1所述道路冰雪智能识别及预警方法，其特征在于，所述获取待检测光谱数据以及待检测环境温度数据，包括：
通过云台控制高光谱传感器获取待检测光谱数据，并通过所述云台控制温度传感器获取待检测环境温度数据。
5.根据权利要求1所述道路冰雪智能识别及预警方法，其特征在于，
所述高光谱传感器包括物镜、光谱仪以及CCD相机。
6.根据权利要求4所述的道路冰雪智能识别及预警方法，其特征在于，所述通过云台控制高光谱传感器获取待检测光谱数据，包括：
发送控制指令至云台终端，以基于云台终端控制所述高光谱传感器，按照设定顺序对车道位置区域进行扫描。
7.根据权利要求1所述道路冰雪智能识别及预警方法，其特征在于，所述将所述待检测光谱数据以及待检测环境温度数据进行预处理，得到预处理数据，包括：
提取所述待检测光谱数据中的特征峰波长和峰强，基于所述特征峰波长和所述峰强，以及所述待检测环境温度数据，得到预处理数据。
8.一种道路冰雪识别及预警装置，其特征在于，包括：
模型获取单元，用于获取训练完备的冰雪智能识别模型，所述冰雪智能识别模型是基于RBF神经网络模型训练得到；
数据获取单元，用于获取待检测光谱数据以及待检测环境温度数据；
预处理单元，用于将所述待检测光谱数据以及待检测环境温度数据进行预处理，得到预处理数据；
识别单元，用于基于所述冰雪智能识别模型，对所述预处理数据进行识别，得到道路路面结果；
匹配单元，用于基于所述道路路面结果与预设的预警阈值进行匹配，得到道路冰雪风险等级。
9.一种电子设备，其特征在于，包括存储器和处理器，其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现如上述权利要求1至7中任意一项所述的一种道路冰雪识别及预警方法中的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的一种道路冰雪智能识别及预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310679721.9A CN116798007A (zh) | 2023-06-08 | 2023-06-08 | 道路冰雪智能识别及预警方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310679721.9A CN116798007A (zh) | 2023-06-08 | 2023-06-08 | 道路冰雪智能识别及预警方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116798007A true CN116798007A (zh) | 2023-09-22 |
Family
ID=88033753
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310679721.9A Pending CN116798007A (zh) | 2023-06-08 | 2023-06-08 | 道路冰雪智能识别及预警方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116798007A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117711185A (zh) * | 2024-02-05 | 2024-03-15 | 中国水利水电第九工程局有限公司 | 一种基于多源数据的公路施工用预警监控系统及方法 |
-
2023
- 2023-06-08 CN CN202310679721.9A patent/CN116798007A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117711185A (zh) * | 2024-02-05 | 2024-03-15 | 中国水利水电第九工程局有限公司 | 一种基于多源数据的公路施工用预警监控系统及方法 |
| CN117711185B (zh) * | 2024-02-05 | 2024-04-09 | 中国水利水电第九工程局有限公司 | 一种基于多源数据的公路施工用预警监控系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11286913B2 (en) | Method and apparatus for monitoring formation of ice on wind turbine blade | |
| CN112380952B (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
| CN106228125B (zh) | 基于集成学习级联分类器的车道线检测方法 | |
| CN102799903B (zh) | 一种基于空间与光谱信息的高光谱自动云检测方法 | |
| CN109740639B (zh) | 一种风云卫星遥感影像云检测方法、系统及电子设备 | |
| CN114998852A (zh) | 一种基于深度学习的公路路面病害智能检测方法 | |
| CN111415533B (zh) | 弯道安全预警监控方法、装置以及系统 | |
| Yang et al. | Automatic pixel-level crack detection for civil infrastructure using Unet++ and deep transfer learning | |
| CN116798007A (zh) | 道路冰雪智能识别及预警方法、装置及电子设备 | |
| CN110197166A (zh) | 一种基于图像识别的车体装载状态识别装置及方法 | |
| CN107025445B (zh) | 基于类信息熵的多源遥感图像组合选择方法 | |
| CN111831430A (zh) | 一种基于边缘计算的电力设备缺陷识别系统 | |
| Liu et al. | Multimodal ground-based remote sensing cloud classification via learning heterogeneous deep features | |
| CN105512622A (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
| CN114358401A (zh) | 一种融合图像和气象环境数据的道路结冰识别方法 | |
| Zhang et al. | Winter road surface condition classification using convolutional neural network (CNN): visible light and thermal image fusion | |
| You | Weather data integrated mask R-CNN for automatic road surface condition monitoring | |
| CN113240208B (zh) | 光伏发电输出功率预测方法、装置及计算机可读存储介质 | |
| CN110751005B (zh) | 融合深度感知特征和核极限学习机的行人检测方法 | |
| CN113128388B (zh) | 一种基于时空谱特征的光学遥感图像变化检测方法 | |
| Chen et al. | A new method for automated monitoring of road pavement aging conditions based on recurrent neural network | |
| Rashid et al. | An enhanced cloud segmentation algorithm for accurate irradiance forecasting | |
| Guo et al. | Visibility detection based on the recognition of the preceding vehicle’s taillight signals | |
| CN113343903B (zh) | 一种自然场景下的车牌识别方法及系统 | |
| CN112347953B (zh) | 无人驾驶车辆路况不规则障碍物的识别装置 |
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 |