CN116884226B - 一种用于道路维护的生态监控预警方法、设备及介质 - Google Patents
一种用于道路维护的生态监控预警方法、设备及介质 Download PDFInfo
- Publication number
- CN116884226B CN116884226B CN202311145788.0A CN202311145788A CN116884226B CN 116884226 B CN116884226 B CN 116884226B CN 202311145788 A CN202311145788 A CN 202311145788A CN 116884226 B CN116884226 B CN 116884226B
- Authority
- CN
- China
- Prior art keywords
- pollution
- road
- image
- threat
- treatment
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 238000011282 treatment Methods 0.000 claims abstract description 84
- 238000012706 support-vector machine Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 5
- 238000011418 maintenance treatment Methods 0.000 claims description 5
- 230000007480 spreading Effects 0.000 description 11
- 238000007726 management method Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013475 authorization Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 239000000356 contaminant Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Toxicology (AREA)
- Environmental & Geological Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种用于道路维护的生态监控预警方法、设备及介质，属于智能交通监控预警技术领域。该方法实现步骤如下：获取来自图像采集设备的道路图像；通过预先训练的支持向量机，确定道路图像中被污染区域及相应的污染波及时段。基于预设的威胁识别模型及与污染波及时段对应的历史通行信息，确定在污染波及时段内的污染威胁程度值序列。其中，威胁识别模型用于得到被污染区域的污染类型对各通行对象类型的威胁程度。基于污染威胁程度值序列及历史通行信息，确定污染波及时段内的待定治理子时段，以根据待定治理子时段，生成道路治理告警信息，并发送至相应的道路治理终端。以便及时高效地进行道路生态治理，提高用户的道路体验。
Description
技术领域
本申请涉及智能交通监控预警技术领域，尤其涉及一种用于道路维护的生态监控预警方法、设备及介质。
背景技术
随着科技的不断发展，快节奏的生活方式，使得人们出行离不开车辆的支持，车辆成为了人们生活出行越来越重要的工具。但汽车保有量的不断增加，道路使用的日益频繁，使得人们对舒适的道路交通生态需求迫在眉睫。
目前，道路维护部门会制定道路维护计划，派遣专车进行道路卫生维护，保障道路交通生态，防止道路出现污染物或污染物随车流扩散。尤其对于存在建筑施工区域的道路，更要进行高频定期维护。
然而道路交通状况瞬息万变，通过既定规则或者安排专人巡查的方式进行道路维护计划的执行，既浪费人力资源，同时对道路维护具有滞后性，尤其在高峰时段，维护不当可能会造成严重的道路拥堵情况。甚至发生道路事故，进一步影响道路交通生态，影响人们的驾驶体验。
发明内容
本申请实施例提供了一种用于道路维护的生态监控预警方法、设备及介质，用于解决目前通过既定规则或专人巡查进行道路维护治理，浪费人力，又不能及时且有效地完成道路维护，使得人们对当前道路交通生态的体验差的问题。
一方面，本申请实施例提供了一种用于道路维护的生态监控预警方法，该方法包括：
获取来自图像采集设备的道路图像；
通过预先训练的支持向量机，确定所述道路图像中被污染区域及相应的污染波及时段；
基于预设的威胁识别模型及与所述污染波及时段对应的历史通行信息，确定在所述污染波及时段内的污染威胁程度值序列；其中，所述威胁识别模型用于得到所述被污染区域的污染类型对各通行对象类型的威胁程度；所述历史通行信息至少包括以通行对象类型划分的与差异通行流量对应的各历史道路图像序列；同一所述历史道路图像序列中各历史道路图像之间的通行流量所处预设差异区间构成所述差异通行流量；
基于所述污染威胁程度值序列及所述历史通行信息，确定所述污染波及时段内的待定治理子时段，以根据所述待定治理子时段，生成道路治理告警信息，并发送至相应的道路治理终端。
在本申请的一种实现方式中，通过预先训练的支持向量机，确定所述道路图像中被污染区域及相应的污染波及时段，具体包括：
将所述道路图像输入预先训练的所述支持向量机，以确定与所述道路图像对应的各分割道路子图像在RGB颜色空间的各待比对图像特征向量；各所述分割道路子图像拼接得到所述道路图像；
将各所述待比对图像特征向量与预设的若干污染图像特征向量进行匹配，以根据匹配结果，确定各所述待比对图像特征向量的污染匹配结果；各所述污染图像特征向量与所述污染类型一一对应；
根据所述污染匹配结果对应的所述待比对图像特征向量，确定相应的所述分割道路子图像在所述道路图像中的像素区域，以根据所述像素区域，确定相应的被污染区域；所述被污染区域包括地理位置坐标；以及
根据预设道路维护治理计划，确定所述被污染区域对应的被治理时间点，以将当前时间点作为起始时间，将所述被治理时间点作为终止时间，生成所述污染波及时段。
在本申请的一种实现方式中，基于预设的威胁识别模型及与所述污染波及时段对应的历史通行信息，确定在所述污染波及时段内的污染威胁程度值序列之前，所述方法还包括：
获取若干已标记污染道路图像样本；其中，所述已标记污染道路图像样本至少包括标记的污染威胁程度值、威胁的通行对象类型、通行流量及污染所处车道；
将所述标记的污染威胁程度值作为训练标签，并将各所述已标记污染道路图像样本输入待训练的威胁识别模型，以对所述威胁识别模型进行训练，直至所述威胁识别模型的损失函数值小于第一预设阈值，得到训练完成的所述威胁识别模型。
在本申请的一种实现方式中，基于预设的威胁识别模型及与所述污染波及时段对应的历史通行信息，确定在所述污染波及时段内的污染威胁程度值序列，具体包括：
根据所述历史通行信息，确定各所述通行对象类型在所述污染波及时段内对应的平均通行流量；
将各所述通行对象类型对应的各所述平均通行流量比对，以将最大平均通行流量对应的所述通行对象类型，作为指定通行对象类型；
根据所述指定通行对象类型对应的各所述差异通行流量，将所述污染波及时段划分为相应的污染波及子时段；以及
根据各所述污染波及子时段，更新各所述通行对象类型对应的各所述历史道路图像序列的序列元素分组；其中，各所述序列元素分组对应时段与各所述污染波及子时段一一对应；同一所述序列元素分组对应于同一所述差异通行流量；
根据各所述污染波及子时段分别对应的各所述序列元素分组，依次将各所述历史道路图像序列中各所述历史道路图像输入所述威胁识别模型，以确定在所述污染波及时段内的污染威胁程度值序列。
在本申请的一种实现方式中，确定在所述污染波及时段内的污染威胁程度值序列，具体包括：
通过所述威胁识别模型，分别确定各所述通行对象类型对应的初始污染威胁程度值序列；同一所述初始污染威胁程度值序列中各初始污染威胁程度值与各所述污染波及子时段一一对应；
将同一所述污染波及子时段内与各所述通行对象类型分别对应的各所述初始污染威胁程度值中的最大值，作为污染威胁程度值，并将所述污染威胁程度值添加至所述污染威胁程度值序列，直至所述污染波及时段对应的各所述污染波及子时段遍历完成，确定所述污染威胁程度值序列。
在本申请的一种实现方式中，基于所述污染威胁程度值序列及所述历史通行信息，确定所述污染波及时段内的待定治理子时段，具体包括：
将所述污染威胁程度值序列与第二预设阈值匹配；
在相应的污染威胁程度值大于所述第二预设阈值的情况下，确定与所述污染威胁程度值对应的所述污染波及子时段，为应完成治理子时段；
从所述污染波及时段中剔除各所述应完成治理子时段，以得到所述待定治理子时段。
在本申请的一种实现方式中，根据所述待定治理子时段，生成道路治理告警信息，并发送至相应的道路治理终端，具体包括：
根据所述被污染区域对应的地理位置坐标及所述待定治理子时段，确定可抵达治理时间小于相应的第三预设阈值的若干道路治理终端；所述可抵达治理时间基于相应的所述道路治理终端的平均行驶速度、治理时长及与所述地理位置坐标的行程距离值得到；
按照所述可抵达治理时间，依次向各所述道路治理终端发送所述道路治理告警信息；所述道路治理告警信息至少包括所述被污染区域的地理位置坐标及相应的道路图像。
在本申请的一种实现方式中，获取来自图像采集设备的道路图像之后，所述方法还包括：
根据所述道路图像，确定所述图像采集设备对应的设备类型；
在所述设备类型为非道路监控设备的情况下，通过预先训练的图像识别模型，确定所述道路图像对应的背景像素区域及其对应的第一像素矩阵；
根据来自所述图像采集设备对应的标记区域及拍摄参数，获取预设数据库中所述标记区域对应的全景道路图像；所述标记区域用于表征所述道路图像在地图中的采集位置；所述拍摄参数至少包括以下一项或多项：拍摄分辨率、拍摄缩放倍数；
确定所述全景道路图像对应的第二像素矩阵；
将所述第一像素矩阵作为滑动窗口，以按照预定顺序依次覆盖所述第二像素矩阵并计算相应的余弦相似度，以得到所述第一像素矩阵与所述第二像素矩阵的相似度序列；
确定与所述相似度序列中是否存在大于第四预设阈值的余弦相似度；
若是，将所述道路图像输入所述支持向量机；
否则，向所述图像采集设备发送采集提示信息，以使所述图像采集设备重新采集所述道路图像。
另一方面，本申请实施例还提供了一种用于道路维护的生态监控预警设备，所述设备包括：
至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取来自图像采集设备的道路图像；
通过预先训练的支持向量机，确定所述道路图像中被污染区域及相应的污染波及时段；
基于预设的威胁识别模型及与所述污染波及时段对应的历史通行信息，确定在所述污染波及时段内的污染威胁程度值序列；其中，所述威胁识别模型用于得到所述被污染区域的污染类型对各通行对象类型的威胁程度；所述历史通行信息至少包括以通行对象类型划分的与差异通行流量对应的各历史道路图像序列；同一所述历史道路图像序列中各历史道路图像之间的通行流量所处预设差异区间构成所述差异通行流量；
基于所述污染威胁程度值序列及所述历史通行信息，确定所述污染波及时段内的待定治理子时段，以根据所述待定治理子时段，生成道路治理告警信息，并发送至相应的道路治理终端。
再一方面，本申请实施例还提供了一种用于道路维护的生态监控预警非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
获取来自图像采集设备的道路图像；
通过预先训练的支持向量机，确定所述道路图像中被污染区域及相应的污染波及时段；
基于预设的威胁识别模型及与所述污染波及时段对应的历史通行信息，确定在所述污染波及时段内的污染威胁程度值序列；其中，所述威胁识别模型用于得到所述被污染区域的污染类型对各通行对象类型的威胁程度；所述历史通行信息至少包括以通行对象类型划分的与差异通行流量对应的各历史道路图像序列；同一所述历史道路图像序列中各历史道路图像之间的通行流量所处预设差异区间构成所述差异通行流量；
基于所述污染威胁程度值序列及所述历史通行信息，确定所述污染波及时段内的待定治理子时段，以根据所述待定治理子时段，生成道路治理告警信息，并发送至相应的道路治理终端。
通过上述技术方案，本申请能够通过图像采集设备进行采集道路的被污染区域，并进行相应的识别处理，通过识别的被污染区域及道路通行对象类型，进行污染威胁程度值的生成。从而选择治理时间符合通行规则的道路治理终端，进行合理、高效的污染治理告警。上述方案能够节省人力成本，并提高人们对智能交通生态的体验度。解决了目前通过既定规则或专人巡查进行道路维护治理，浪费人力，又不能及时且有效地完成道路维护，使得人们对当前道路交通生态的体验差的问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例中一种用于道路维护的生态监控预警方法的一种流程示意图；
图2为本申请实施例中一种用于道路维护的生态监控预警设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
随着道路交通越来越复杂，道路生态维护不仅彰显城市绿化及文明程度，还关系到道路参与者的生命安全。良好的道路生态，能够提高道路通行效率，让驾驶员或行人有更好的道路使用体验。
目前，道路生态卫生维护主要依靠既定道路维护计划或者安排专人巡查的方式进行，现有技术一方面会浪费过量人力资源，另一方面对道路维护具有滞后性。例如道路维护计划执行或安排专人巡查是定期、按照一定的规定路径进行的，在维护时间内道路可能无需进行维护，或者部分需维护道路需要即刻维护，规定路径维护过于滞后。如若通过上述方案进行道路维护，不能够根据实际道路情况进行及时地计划调整，可能影响道路交通，甚至发生道路交通事故。
基于此，本申请实施例提供了一种用于道路维护的生态监控预警方法、设备及介质，用来解决目前通过既定规则或专人巡查进行道路维护治理，浪费人力，又不能及时且有效地完成道路维护，使得人们对当前道路交通生态的体验差的问题。
以下结合附图，详细说明本申请的各个实施例。
本申请实施例提供了一种用于道路维护的生态监控预警方法，如图1所示，该方法可以包括步骤S101-S104：
S101，服务器获取来自图像采集设备的道路图像。
需要说明的是，服务器作为用于道路维护的生态监控预警方法的执行主体，仅为示例性存在，执行主体不仅限于服务器，本申请对此不作具体限定。服务器可以是道路维护部门内部的服务器。
在本申请实施例中，图像采集设备可以是设置于道路监拍杆上的监拍设备，如摄像头，也可以是具有与服务器通信权限的用户终端，如行人的具有拍摄功能的手机、平板电脑等设备，本申请对此不作具体限定。
在本申请实施例中，服务器获取来自图像采集设备的道路图像之后，还包括：
服务器根据道路图像，确定图像采集设备对应的设备类型。并在设备类型为非道路监控设备的情况下，通过预先训练的图像识别模型，确定道路图像对应的背景像素区域及其对应的第一像素矩阵。根据来自图像采集设备对应的标记区域及拍摄参数，获取预设数据库中标记区域对应的全景道路图像。标记区域用于表征道路图像在地图中的采集位置。拍摄参数至少包括以下一项或多项：拍摄分辨率、拍摄缩放倍数。确定全景道路图像对应的第二像素矩阵。将第一像素矩阵作为滑动窗口，以按照预定顺序依次覆盖第二像素矩阵并计算相应的余弦相似度，以得到第一像素矩阵与第二像素矩阵的相似度序列。确定与相似度序列中的最大相似度是否大于第四预设阈值。在确定与相似度序列中的最大相似度大于第四预设阈值的情况下，将道路图像输入支持向量机。否则，向图像采集设备发送采集提示信息，以使图像采集设备重新采集道路图像。
换言之，如果图像采集设备不是道路监拍杆的监控设备，而是行人的手持终端或其他终端，其采集到的道路图像不能直接用于识别污染及污染威胁，因为发送的道路图像可能并非服务器能够处理的包含污染的图像，或者并非真实道路图像，需要进行初步处理之后才能够用于生态监控预警。服务器通过道路图像的来源或者图像类型，即可判断图像采集设备的设备类型，设备类型包含非道路监控设备、道路监控设备。服务器具有预先训练的图像识别模型，图像识别模型可以是递归神经网络模型、卷积神经网络模型，该图像识别模型是通过若干标记背景像素区域及前景像素区域的道路图像样本进行训练得到。
服务器通过上述图像识别模型能够进行识别道路图像的背景像素区域，并根据背景像素区域中的各像素点对应的像素值（代表了图像某一小方块的平均亮度信息），生成第一像素矩阵。第一像素矩阵、第二像素矩阵中的各元素值为像素值。
此外，道路图像在获取之前，需要用户通过图像采集设备进行标记区域，即道路图像的采集位置，该标记区域的获取可以是用户手动从地图中选取的位置坐标点，也可以是经过用户授权之后，图像采集设备主动上传的位置坐标点，将该位置坐标点预设距离范围的区域作为标记区域。预设距离范围由用户自行设定，本申请对此不作具体限定。
拍摄参数可以是用户主动输入的，也可以是经过用户授权之后，从图像采集设备获取的拍摄参数，拍摄参数指的是在拍摄道路图像时镜头拍摄分辨率以及选用的拍摄缩放倍数。
服务器可以通过标记区域，从预设数据库获取该标记区域范围内的全景道路图像，预设数据库与服务器连接，存储有各个区域的全景道路图像。服务器可以根据全景道路图像中各像素点的像素值，生成第二像素矩阵。然后，将第一像素矩阵作为滑动窗口，按照从第二像素矩阵的左上角覆盖，按照预定步长由左到右，由上到下的顺序，依次计算第一像素矩阵与第二像素矩阵的被覆盖部分的余弦相似度，进而得到每个覆盖部分对应的余弦相似度，以生成相似度序列。一般地，若道路图像是在全景道路图像对应的标记区域采集的，相似度序列中必定存在能够大于第四预设阈值的余弦相似度，那么服务器将继续对道路图像进行处理，若不存在能够大于第四预设阈值的余弦相似度，服务器需要向图像采集设备发送文字或图像的采集提示信息，提示图像采集设备相应的用户进行重新采集道路图像或者进行重新选择标记区域或拍摄参数等，本申请对此不作具体限定。其中，第四预设阈值在实际使用过程中进行设定，本申请对此不作具体限定。
S102，服务器通过预先训练的支持向量机，确定道路图像中被污染区域及相应的污染波及时段。
在本申请实施例中，服务器通过预先训练的支持向量机，确定道路图像中被污染区域及相应的污染波及时段之前，还包括：
服务器获取用户指定数据库中的若干指定污染区域的道路样本图像，其中，若干指定污染区域的道路样本图像可以是通过聚类分析，将道路部分及非道路部分（行人、车辆、树木等）进行区分之后，标记有污染类型的图像，聚类分析可以采用均值漂移算法。若干指定污染区域的道路样本图像也可以是用户进行了手动标记污染区域、标记了非道路部分及污染区域的污染类型的图像，本申请对此不作具体限定。若干指定污染区域的道路样本图像还可以包含相应的图像大小、被污染区域在图像中位置，后续输入的道路图像能够被分割为同样图像大小的分割道路子图像。
污染区域中污染物例如碎石、灰尘、工业污染物（油）、垃圾等。
服务器将若干指定污染区域的道路样本图像及该图像中污染区域对应的与污染类型相关的污染图像特征向量，输入待训练的支持向量机，以进行监督学习训练，直至该支持向量机输出正确率大于预先设定的训练正确率阈值，得到训练完成的支持向量机，以识别后续输入的道路图像中的污染区域及污染类型对应的图像特征向量。如污染区域A的污染类型a的污染图像特征向量为{0，0，1}，污染区域B的污染类型b的污染图像特征向量为{0，0，2}。
在本申请实施例中，通过预先训练的支持向量机，确定道路图像中被污染区域及相应的污染波及时段，具体包括：
服务器将道路图像输入预先训练的支持向量机，以确定与道路图像对应的各分割道路子图像在RGB颜色空间的各待比对图像特征向量。各分割道路子图像拼接得到道路图像。将各待比对图像特征向量与预设的若干污染图像特征向量进行匹配，以根据匹配结果，确定各待比对图像特征向量的污染匹配结果。各污染图像特征向量与污染类型一一对应。根据污染匹配结果对应的待比对图像特征向量，确定相应的分割道路子图像在道路图像中的像素区域，以根据像素区域，确定相应的被污染区域。被污染区域包括地理位置坐标。以及根据预设道路维护治理计划，确定被污染区域对应的被治理时间点，以将当前时间点作为起始时间，将被治理时间点作为终止时间，生成污染波及时段。
也就是说，服务器可以通过支持向量机，先对道路图像进行分割处理，得到若干个分割道路子图像，然后在RGB色彩模式的RGB颜色空间中，得到各分割道路子图像的图像特征向量作为待比对图像特征向量。由于道路图像分割为分割道路子图像，因此，道路图像能够通过分割道路子图像拼接得到。
服务器可以将待比对图像特征向量依次与污染图像特征向量计算余弦相似度，并比较计算得到的余弦相似度是否大于一预设值，以确定待比对图像特征向量与污染图像特征向量是否匹配。若余弦相似度大于预设值，待比对图像特征向量与污染图像特征向量匹配，否则不匹配。预设值可以根据实际使用进行设定，本申请对此不作具体限定。在得到匹配的污染匹配结果之后，服务器能够确定待比对图像特征向量所对应的污染类型，以及被污染区域。
服务器可以预先存储有道路维护治理计划，也可以是实时向相应的道路治理终端获取的，本申请对此不作具体限定。道路维护治理计划可以包含有对道路维护的时间、道路维护地址等。通过被污染区域的地理位置坐标，可以查找道路维护治理计划中对该地理位置坐标处进行维护治理的被治理时间点，进而得到准确的污染波及时段。
S103，服务器基于预设的威胁识别模型及与污染波及时段对应的历史通行信息，确定在污染波及时段内的污染威胁程度值序列。
其中，威胁识别模型用于得到被污染区域的污染类型对各通行对象类型的威胁程度。历史通行信息至少包括以通行对象类型划分的与差异通行流量对应的各历史道路图像序列。同一历史道路图像序列中各历史道路图像之间的通行流量所处预设差异区间构成差异通行流量。
上述历史通行信息包含若干历史道路图像序列，一个历史道路图像序列对应一个通行对象类型，如汽车、行人、摩托车、电动车、自行车等。历史道路图像序列中各历史道路图像按照通行流量进行排列，排列的通行流量可以是按照阶梯流量排列，如第一个历史道路图像的通行流量为20辆/分钟，第二个30辆/分钟，第一个与第二个处于不同的差异区间，第一个差异区间为[15,25]，第二个差异区间为（25，35]，两个为差异通行流量。
威胁识别模型可以是预先训练的神经网络模型，具体地，可以通过以下实施例进行得到：
服务器获取若干已标记污染道路图像样本。其中，已标记污染道路图像样本至少包括标记的污染威胁程度值、威胁的通行对象类型、通行流量及污染所处车道。将标记的污染威胁程度值作为训练标签，并将各已标记污染道路图像样本输入待训练的威胁识别模型，以对威胁识别模型进行训练，直至威胁识别模型的损失函数值小于第一预设阈值，得到训练完成的威胁识别模型。
换言之，威胁识别模型是经过若干标记有污染威胁程度值、威胁的通行对象类型、通行流量及污染所处车道的已标记污染道路图像样本，标记可以是模型训练人员进行主动标记的，也可以是通过工具进行标记的，本申请对此不作具体限定。例如在某一车道m，威胁的通行对象类型为车辆，污染威胁程度值为1，通行流量为n。对神经网络模型进行有监督训练，直至模型损失函数值小于相应的第一预设阈值，确定威胁识别模型训练完成。第一预设阈值可以经用户进行设定，本申请对其具体取值不作具体限定。
在本申请实施例中，基于预设的威胁识别模型及与污染波及时段对应的历史通行信息，确定在污染波及时段内的污染威胁程度值序列，具体包括以下步骤：
首先，服务器根据历史通行信息，确定各通行对象类型在污染波及时段内对应的平均通行流量。
上述历史通行信息指的是在污染波及时段内，道路图像对应的地理位置坐标处的历史通行信息，历史通行信息中包含各个时刻的通行流量，服务器通过各时刻通行流量及污染波及时段，计算通行流量平均值，得到平均通行流量，如将在污染波及时段内各时刻通行流量进行加和计算，然后除以污染波及时段的时长，得到平均通行流量。
接着，服务器将各通行对象类型对应的各平均通行流量比对，以将最大平均通行流量对应的通行对象类型，作为指定通行对象类型。
在得到各个通行对象类型对应的各平均通行流量之后，服务器可以将各平均通行流量进行大小关系的比较，然后将最大平均通行流量的通行对象类型，作为指定通行对象类型。通过上述方案，能够确定在污染波及时段内主要的通行对象类型。
随后，服务器根据指定通行对象类型对应的各差异通行流量，将污染波及时段划分为相应的污染波及子时段。以及根据各污染波及子时段，更新各通行对象类型对应的各历史道路图像序列的序列元素分组。其中，各序列元素分组对应时段与各污染波及子时段一一对应。同一序列元素分组对应于同一差异通行流量。
换言之，服务器按照指定通行对象类型对应的历史道路图像序列的各个历史道路图像，得到同一差异通行流量在污染波及时段内的各个子时段，如t1-t2差异通行流量为q1，t2-t3差异通行流量为q2，那么t1-t2及t2-t3分别为污染波及子时段。由于其他通行对象类型的历史道路图像序列中历史道路图像对应的差异通行流量，可能分别对应的时段与上述污染波及子时段不对应，如差异通行流量在t1-t1.5是n1，t1.5-t3为n2，无法统一至上述污染波及子时段。因此，服务器可以按照上述污染波及子时段，对其他通行对象类型的历史道路图像序列中历史道路图像进行重新分组，如原t1-t1.5为同一序列元素分组，更新后为t1-t2内的历史道路图像为同一序列元素分组。
随后，服务器根据各污染波及子时段分别对应的各序列元素分组，依次将各历史道路图像序列中各历史道路图像输入威胁识别模型，以确定在污染波及时段内的污染威胁程度值序列。
也就是说，通过威胁识别模型，按照污染波及子时段的顺序，依次识别各个污染波及子时段内各通行对象类型所对应的污染威胁程度值序列。
在本申请的一个实施例中，确定在污染波及时段内的污染威胁程度值序列，具体包括：
服务器通过威胁识别模型，分别确定各通行对象类型对应的初始污染威胁程度值序列。同一初始污染威胁程度值序列中各初始污染威胁程度值与各污染波及子时段一一对应。将同一污染波及子时段内与各通行对象类型分别对应的各初始污染威胁程度值中的最大值，作为污染威胁程度值，并将污染威胁程度值添加至污染威胁程度值序列，直至污染波及时段对应的各污染波及子时段遍历完成，确定污染威胁程度值序列。
威胁识别模型能够得到各个通行对象类型的初始污染威胁程度值序列，服务器可以分别从各初始污染威胁程度值序列中找到同一污染波及子时段的最大初始污染威胁程度值，可以理解的是，最大初始污染威胁程度值是在不同通行对象类型对应的在相同污染波及子时段内的初始污染威胁程度值的最大值，如污染波及子时段t1-t2，车辆对应的初始污染威胁程度值序列中的最大值是H1，行人对应的初始污染威胁程度值序列中的最大值是H2，电动车对应的初始污染威胁程度值序列中的最大值是H3，H1<H3<H2,那么H2为污染威胁程度值。同理，得到各个污染波及子时段的污染威胁程度值。进而生成污染威胁程度值序列。
在本申请的一个实施例中，在训练威胁识别模型时，可以在每个样本添加一污染区域蔓延参数集，该参数集包括污染类型对应的蔓延方向及蔓延速度、蔓延时间的关系，通过添加蔓延参数集的已标记污染道路图像样本，进行训练威胁识别模型，以使威胁识别模型能够识别到被污染区域对应的蔓延方向、蔓延时间等，进而预测出后续被污染区域所能够影响到的通行对象类型及蔓延抵达的车道。一般情况下，道路图像中被污染区域固定于某一个或某几个车道，对与该车道相近的车道中通行对象的威胁并不会主动生成，服务器通过添加被污染区域的蔓延相关参数，能够考虑污染蔓延时影响到的通行对象，并添加污染威胁程度值至污染威胁程度值序列。例如一被污染区域在第一车道，第一车道的通行对象类型包含：汽车、摩托车，威胁识别模型识别到被污染区域能够在t4时刻蔓延到第二车道，第二车道的通行对象类型包含：汽车、摩托车、电动车；在t4时刻将为通行对象类型电动车生成一污染威胁程度值序列。
通过考虑被污染区域的蔓延属性，能够更好地识别污染威胁程度，了解污染蔓延扩展所能够产生的威胁，保障道路生态。
S104，服务器基于污染威胁程度值序列及历史通行信息，确定污染波及时段内的待定治理子时段，以根据待定治理子时段，生成道路治理告警信息，并发送至相应的道路治理终端。
在本申请实施例中，基于污染威胁程度值序列及历史通行信息，确定污染波及时段内的待定治理子时段，具体包括：
服务器将污染威胁程度值序列与第二预设阈值匹配。在相应的污染威胁程度值大于第二预设阈值的情况下，确定与污染威胁程度值对应的污染波及子时段，为应完成治理子时段。从污染波及时段中剔除各应完成治理子时段，以得到待定治理子时段。
换言之，服务器将污染威胁程度值序列中各污染威胁程度值依次与第二预设阈值进行大小比较，第二预设阈值在实际使用过程中进行设定，本申请对此不作具体限定。通过大小比较的结果，服务器将与大于第二预设阈值的污染威胁程度值对应的污染波及子时段，作为应完成治理子时段，即在该污染波及子时段之前应完成污染治理。从污染波及时段中剔除应完成治理子时段，剩余时段即为待定治理子时段，即应该进行治理的时段。
此外，本申请还可以考虑上述待定治理子时段中，是否存在被污染区域的高峰时段，高峰时段应该避开或提前进行治理，否则将影响交通，具体地，服务器可以将高峰时段从待定治理子时段中剔除。
在本申请实施例中，根据待定治理子时段，生成道路治理告警信息，并发送至相应的道路治理终端，具体包括：
服务器根据被污染区域对应的地理位置坐标及待定治理子时段，确定可抵达治理时间小于相应的第三预设阈值的若干道路治理终端。可抵达治理时间基于相应的道路治理终端的平均行驶速度、治理时长及与地理位置坐标的行程距离值得到。按照可抵达治理时间，依次向各道路治理终端发送道路治理告警信息。道路治理告警信息至少包括被污染区域的地理位置坐标及相应的道路图像。
也就是说，服务器可以获取到各个道路治理终端的位置或者道路治理终端所对应的治理车辆、治理人员的位置，若道路治理终端位于治理车辆中或治理人员身上，可以获取道路治理终端的位置，若道路治理终端位于一固定位置，通过该道路治理终端进行指派治理车辆或治理人员，那么可以向道路治理终端获得许可，得到道路治理终端所对应的治理车辆、治理人员的位置。可抵达治理时间小于相应的第三预设阈值的若干道路治理终端，指的是道路治理终端对应的治理车辆、治理人员能够抵达被污染区域的地理位置坐标处，并完成污染治理的时间，小于第三预设阈值。第三预设阈值是当前时间至待定治理子时段的最终时刻的时间阈值，如待定治理子时段为t2-t3，t3为最终时刻。道路治理终端的平均行驶速度可以预先存储在服务器，治理时长可以跟污染类型相关，根据不同污染类型存储在服务器中。与地理位置坐标的行程距离值可以是通过地图软件，如百度地图、高德地图等进行搜索得到的，本申请对此不作具体限定。在服务器得到多个可抵达治理时间满足要求的道路治理终端之后，服务器可以按照可抵达治理时间的先后顺序，向可抵达治理时间最快的前三个道路治理终端先进行发送道路治理告警信息，以便通知到相应的道路治理终端，若该三个道路治理终端在一定时间内不响应或拒绝治理，再依次向可抵达治理时间次之的三个道路治理终端发送道路治理告警信息，直至道路治理告警信息被响应接受。道路治理终端可以手机、电脑等设备，本申请对此不作具体限定。
通过上述技术方案，本申请能够通过图像采集设备进行采集道路的被污染区域，并进行相应的识别处理，通过识别的被污染区域及道路通行对象类型，进行污染威胁程度值的生成。从而选择治理时间符合通行规则的道路治理终端，进行合理、高效的污染治理告警。上述方案能够节省人力成本，并提高人们对智能交通生态的体验度。解决了目前通过既定规则或专人巡查进行道路维护治理，浪费人力，又不能及时且有效地完成道路维护，使得人们对当前道路交通生态的体验差的问题。
图2为本申请实施例提供的一种用于道路维护的生态监控预警设备的结构示意图，如图2所示，设备包括：
至少一个处理器；以及，与至少一个处理器通信连接的存储器。其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
获取来自图像采集设备的道路图像。通过预先训练的支持向量机，确定道路图像中被污染区域及相应的污染波及时段。基于预设的威胁识别模型及与污染波及时段对应的历史通行信息，确定在污染波及时段内的污染威胁程度值序列。其中，威胁识别模型用于得到被污染区域的污染类型对各通行对象类型的威胁程度。历史通行信息至少包括以通行对象类型划分的与差异通行流量对应的各历史道路图像序列。同一历史道路图像序列中各历史道路图像之间的通行流量所处预设差异区间构成差异通行流量。基于污染威胁程度值序列及历史通行信息，确定污染波及时段内的待定治理子时段，以根据待定治理子时段，生成道路治理告警信息，并发送至相应的道路治理终端。
本申请实施例还提供了一种用于道路维护的生态监控预警非易失性计算机存储介质，存储有计算机可执行指令，计算机可执行指令设置为：
获取来自图像采集设备的道路图像。通过预先训练的支持向量机，确定道路图像中被污染区域及相应的污染波及时段。基于预设的威胁识别模型及与污染波及时段对应的历史通行信息，确定在污染波及时段内的污染威胁程度值序列。其中，威胁识别模型用于得到被污染区域的污染类型对各通行对象类型的威胁程度。历史通行信息至少包括以通行对象类型划分的与差异通行流量对应的各历史道路图像序列。同一历史道路图像序列中各历史道路图像之间的通行流量所处预设差异区间构成差异通行流量。基于污染威胁程度值序列及历史通行信息，确定污染波及时段内的待定治理子时段，以根据待定治理子时段，生成道路治理告警信息，并发送至相应的道路治理终端。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备、介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备、介质与方法是一一对应的，因此，设备、介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备、介质的有益技术效果。
还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (6)
1.一种用于道路维护的生态监控预警方法，其特征在于，所述方法包括：
获取来自图像采集设备的道路图像；
通过预先训练的支持向量机，确定所述道路图像中被污染区域及相应的污染波及时段；
基于预设的威胁识别模型及与所述污染波及时段对应的历史通行信息，确定在所述污染波及时段内的污染威胁程度值序列；其中，所述威胁识别模型用于得到所述被污染区域的污染类型对各通行对象类型的威胁程度；所述历史通行信息至少包括以通行对象类型划分的与差异通行流量对应的各历史道路图像序列；同一所述历史道路图像序列中各历史道路图像之间的通行流量所处预设差异区间构成所述差异通行流量；
基于所述污染威胁程度值序列及所述历史通行信息，确定所述污染波及时段内的待定治理子时段，以根据所述待定治理子时段，生成道路治理告警信息，并发送至相应的道路治理终端；
其中，通过预先训练的支持向量机，确定所述道路图像中被污染区域及相应的污染波及时段，具体包括：
将所述道路图像输入预先训练的所述支持向量机，以确定与所述道路图像对应的各分割道路子图像在RGB颜色空间的各待比对图像特征向量；各所述分割道路子图像拼接得到所述道路图像；
将各所述待比对图像特征向量与预设的若干污染图像特征向量进行匹配，以根据匹配结果，确定各所述待比对图像特征向量的污染匹配结果；各所述污染图像特征向量与所述污染类型一一对应；
根据所述污染匹配结果对应的所述待比对图像特征向量，确定相应的所述分割道路子图像在所述道路图像中的像素区域，以根据所述像素区域，确定相应的被污染区域；所述被污染区域包括地理位置坐标；以及
根据预设道路维护治理计划，确定所述被污染区域对应的被治理时间点，以将当前时间点作为起始时间，将所述被治理时间点作为终止时间，生成所述污染波及时段；
其中，基于预设的威胁识别模型及与所述污染波及时段对应的历史通行信息，确定在所述污染波及时段内的污染威胁程度值序列之前，所述方法还包括：
获取若干已标记污染道路图像样本；其中，所述已标记污染道路图像样本至少包括标记的污染威胁程度值、威胁的通行对象类型、通行流量及污染所处车道；
将所述标记的污染威胁程度值作为训练标签，并将各所述已标记污染道路图像样本输入待训练的威胁识别模型，以对所述威胁识别模型进行训练，直至所述威胁识别模型的损失函数值小于第一预设阈值，得到训练完成的所述威胁识别模型；
其中，基于预设的威胁识别模型及与所述污染波及时段对应的历史通行信息，确定在所述污染波及时段内的污染威胁程度值序列，具体包括：
根据所述历史通行信息，确定各所述通行对象类型在所述污染波及时段内对应的平均通行流量；
将各所述通行对象类型对应的各所述平均通行流量比对，以将最大平均通行流量对应的所述通行对象类型，作为指定通行对象类型；
根据所述指定通行对象类型对应的各所述差异通行流量，将所述污染波及时段划分为相应的污染波及子时段；以及
根据各所述污染波及子时段，更新各所述通行对象类型对应的各所述历史道路图像序列的序列元素分组；其中，各所述序列元素分组对应时段与各所述污染波及子时段一一对应；同一所述序列元素分组对应于同一所述差异通行流量；
根据各所述污染波及子时段分别对应的各所述序列元素分组，依次将各所述历史道路图像序列中各所述历史道路图像输入所述威胁识别模型，以确定在所述污染波及时段内的污染威胁程度值序列；
其中，确定在所述污染波及时段内的污染威胁程度值序列，具体包括：
通过所述威胁识别模型，分别确定各所述通行对象类型对应的初始污染威胁程度值序列；同一所述初始污染威胁程度值序列中各初始污染威胁程度值与各所述污染波及子时段一一对应；
将同一所述污染波及子时段内与各所述通行对象类型分别对应的各所述初始污染威胁程度值中的最大值，作为污染威胁程度值，并将所述污染威胁程度值添加至所述污染威胁程度值序列，直至所述污染波及时段对应的各所述污染波及子时段遍历完成，确定所述污染威胁程度值序列。
2.根据权利要求1所述的一种用于道路维护的生态监控预警方法，其特征在于，基于所述污染威胁程度值序列及所述历史通行信息，确定所述污染波及时段内的待定治理子时段，具体包括：
将所述污染威胁程度值序列与第二预设阈值匹配；
在相应的污染威胁程度值大于所述第二预设阈值的情况下，确定与所述污染威胁程度值对应的所述污染波及子时段，为应完成治理子时段；
从所述污染波及时段中剔除各所述应完成治理子时段，以得到所述待定治理子时段。
3.根据权利要求1所述的一种用于道路维护的生态监控预警方法，其特征在于，根据所述待定治理子时段，生成道路治理告警信息，并发送至相应的道路治理终端，具体包括：
根据所述被污染区域对应的地理位置坐标及所述待定治理子时段，确定可抵达治理时间小于相应的第三预设阈值的若干道路治理终端；所述可抵达治理时间基于相应的所述道路治理终端的平均行驶速度、治理时长及与所述地理位置坐标的行程距离值得到；
按照所述可抵达治理时间，依次向各所述道路治理终端发送所述道路治理告警信息；所述道路治理告警信息至少包括所述被污染区域的地理位置坐标及相应的道路图像。
4.根据权利要求1所述的一种用于道路维护的生态监控预警方法，其特征在于，获取来自图像采集设备的道路图像之后，所述方法还包括：
根据所述道路图像，确定所述图像采集设备对应的设备类型；
在所述设备类型为非道路监控设备的情况下，通过预先训练的图像识别模型，确定所述道路图像对应的背景像素区域及其对应的第一像素矩阵；
根据来自所述图像采集设备对应的标记区域及拍摄参数，获取预设数据库中所述标记区域对应的全景道路图像；所述标记区域用于表征所述道路图像在地图中的采集位置；所述拍摄参数至少包括以下一项或多项：拍摄分辨率、拍摄缩放倍数；
确定所述全景道路图像对应的第二像素矩阵；
将所述第一像素矩阵作为滑动窗口，以按照预定顺序依次覆盖所述第二像素矩阵并计算相应的余弦相似度，以得到所述第一像素矩阵与所述第二像素矩阵的相似度序列；
确定与所述相似度序列中是否存在大于第四预设阈值的余弦相似度；
若是，将所述道路图像输入所述支持向量机；
否则，向所述图像采集设备发送采集提示信息，以使所述图像采集设备重新采集所述道路图像。
5.一种用于道路维护的生态监控预警设备，其特征在于，所述设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述权利要求1-4任一项所述的一种用于道路维护的生态监控预警方法。
6.一种用于道路维护的生态监控预警非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令能够执行如上述权利要求1-4任一项所述的一种用于道路维护的生态监控预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311145788.0A CN116884226B (zh) | 2023-09-07 | 2023-09-07 | 一种用于道路维护的生态监控预警方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311145788.0A CN116884226B (zh) | 2023-09-07 | 2023-09-07 | 一种用于道路维护的生态监控预警方法、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116884226A CN116884226A (zh) | 2023-10-13 |
| CN116884226B true CN116884226B (zh) | 2023-11-21 |
Family
ID=88259087
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311145788.0A Active CN116884226B (zh) | 2023-09-07 | 2023-09-07 | 一种用于道路维护的生态监控预警方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116884226B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117557044B (zh) * | 2023-11-22 | 2024-04-09 | 山东德才建设有限公司 | 一种基于物联网平台的建筑作业环境监控方法及设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103778437A (zh) * | 2014-01-21 | 2014-05-07 | 中科怡海高新技术发展江苏股份公司 | 一种基于支持向量机的施工道路污染检测方法 |
| CN109024417A (zh) * | 2018-07-24 | 2018-12-18 | 长安大学 | 一种智能道路清扫车及其道路污染物识别方法和控制方法 |
| CN113870185A (zh) * | 2021-08-31 | 2021-12-31 | 浙江大华技术股份有限公司 | 基于图像抓拍的图像处理方法、终端及存储介质 |
| CN115187949A (zh) * | 2022-09-07 | 2022-10-14 | 山东金宇信息科技集团有限公司 | 一种隧道出入口的路面状态检测方法、设备及介质 |
| CN115205819A (zh) * | 2022-07-04 | 2022-10-18 | 成都霸天虎交通设施有限公司 | 一种基于机器视觉的市政路面环卫清扫智能分析调控系统 |
| CN115240105A (zh) * | 2022-07-11 | 2022-10-25 | 湖南联合智为信息技术有限公司 | 基于图像识别的扬尘监测方法及相关设备 |
| CN115271114A (zh) * | 2022-07-11 | 2022-11-01 | 山东金宇信息科技集团有限公司 | 一种隧道内的路面养护方法及设备 |
| CN115545441A (zh) * | 2022-09-23 | 2022-12-30 | 中环洁集团股份有限公司 | 一种道路垃圾检测方法、系统、终端及存储介质 |
| CN116340768A (zh) * | 2023-02-28 | 2023-06-27 | 江苏省环境工程技术有限公司 | 一种智能化道路积尘负荷监测方法及监测装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106997466B (zh) * | 2017-04-12 | 2021-05-04 | 百度在线网络技术（北京）有限公司 | 用于检测道路的方法和装置 |
| CN115239219B (zh) * | 2022-09-26 | 2023-04-18 | 成都秦川物联网科技股份有限公司 | 一种基于物联网的智慧城市渣土车管理方法和系统 |
| CN116295475A (zh) * | 2022-12-16 | 2023-06-23 | 成都秦川物联网科技股份有限公司 | 一种智慧城市垃圾清扫路线规划方法和物联网系统 |
| CN115984769A (zh) * | 2022-12-16 | 2023-04-18 | 成都秦川物联网科技股份有限公司 | 一种智慧城市垃圾清扫点确定方法和物联网系统 |
-
2023
- 2023-09-07 CN CN202311145788.0A patent/CN116884226B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103778437A (zh) * | 2014-01-21 | 2014-05-07 | 中科怡海高新技术发展江苏股份公司 | 一种基于支持向量机的施工道路污染检测方法 |
| CN109024417A (zh) * | 2018-07-24 | 2018-12-18 | 长安大学 | 一种智能道路清扫车及其道路污染物识别方法和控制方法 |
| CN113870185A (zh) * | 2021-08-31 | 2021-12-31 | 浙江大华技术股份有限公司 | 基于图像抓拍的图像处理方法、终端及存储介质 |
| CN115205819A (zh) * | 2022-07-04 | 2022-10-18 | 成都霸天虎交通设施有限公司 | 一种基于机器视觉的市政路面环卫清扫智能分析调控系统 |
| CN115240105A (zh) * | 2022-07-11 | 2022-10-25 | 湖南联合智为信息技术有限公司 | 基于图像识别的扬尘监测方法及相关设备 |
| CN115271114A (zh) * | 2022-07-11 | 2022-11-01 | 山东金宇信息科技集团有限公司 | 一种隧道内的路面养护方法及设备 |
| CN115187949A (zh) * | 2022-09-07 | 2022-10-14 | 山东金宇信息科技集团有限公司 | 一种隧道出入口的路面状态检测方法、设备及介质 |
| CN115545441A (zh) * | 2022-09-23 | 2022-12-30 | 中环洁集团股份有限公司 | 一种道路垃圾检测方法、系统、终端及存储介质 |
| CN116340768A (zh) * | 2023-02-28 | 2023-06-27 | 江苏省环境工程技术有限公司 | 一种智能化道路积尘负荷监测方法及监测装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116884226A (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116884226B (zh) | 一种用于道路维护的生态监控预警方法、设备及介质 | |
| CN111583639B (zh) | 一种道路交通拥堵预警方法及系统 | |
| EP3631616A1 (en) | Road traffic control system, method, and electronic device | |
| CN113257016B (zh) | 一种交通信号控制方法、装置以及可读存储介质 | |
| US20230221133A1 (en) | Methods for planning garbage cleaning route in smart cities and internet of things systems thereof | |
| CN102779410A (zh) | 一种多源异类海量交通数据融合的并行实现方法 | |
| CN113822285A (zh) | 一种用于复杂应用场景的车辆违停识别方法 | |
| CN115330357B (zh) | 智能立体车库数据管理方法、装置、设备及存储介质 | |
| CN112905849A (zh) | 一种车辆数据处理的方法及装置 | |
| CN110843768B (zh) | 汽车自动泊车控制方法、装置、设备及存储介质 | |
| CN115984769A (zh) | 一种智慧城市垃圾清扫点确定方法和物联网系统 | |
| CN104915628A (zh) | 基于车载相机的场景建模进行运动行人预测的方法和装置 | |
| Zhou et al. | Method for judging parking status based on yolov2 target detection algorithm | |
| CN112435485B (zh) | 一种用于车路信息协同的系统 | |
| CN110879862B (zh) | 基于物联网的车辆信息查询系统 | |
| CN114419917B (zh) | 一种基于单向图的交通拥堵疏导方法及系统 | |
| CN105719313A (zh) | 一种基于智能实时视频云的运动目标跟踪方法 | |
| CN115311891A (zh) | 路边和停车场空闲停车位的共享方法、系统及存储介质 | |
| CN109141422A (zh) | 一种基于路边单元机器学习的车辆定位方法及系统 | |
| Balamurugan et al. | The future of India creeping up in building a smart city: intelligent traffic analysis platform | |
| CN114861220A (zh) | 一种符合数据隐私安全的自动驾驶数据处理方法及系统 | |
| Rajaguru et al. | An Intelligent Framework for Traffic Management System Using Narrow Band-IoT | |
| Kaur et al. | Cnn-based smart waste management system in fog computing environment | |
| CN114387799B (zh) | 一种路口红绿灯控制方法及设备 | |
| Francis et al. | Machine Learning based Vacant Space Detection for Smart Parking Solutions |
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 |