CN116912551A - 基于车联网的高速公路设备监测系统 - Google Patents
基于车联网的高速公路设备监测系统 Download PDFInfo
- Publication number
- CN116912551A CN116912551A CN202310634952.8A CN202310634952A CN116912551A CN 116912551 A CN116912551 A CN 116912551A CN 202310634952 A CN202310634952 A CN 202310634952A CN 116912551 A CN116912551 A CN 116912551A
- Authority
- CN
- China
- Prior art keywords
- disease
- module
- highway
- monitoring
- vehicle
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 79
- 201000010099 disease Diseases 0.000 claims abstract description 120
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 120
- 238000012423 maintenance Methods 0.000 claims abstract description 56
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000007726 management method Methods 0.000 claims abstract description 15
- 230000009193 crawling Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 33
- 230000004927 fusion Effects 0.000 claims description 16
- 238000007500 overflow downdraw method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 239000000428 dust Substances 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 206010039203 Road traffic accident Diseases 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G06V10/77—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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Abstract
本发明公开了基于车联网的高速公路设备监测系统,涉及公路交通技术领域,包括路线规划模块、车载视觉模块、病害识别模块、维修管理模块以及行驶分析模块;所述路线规划模块用于爬取监测区域内的道路交错关系,并根据爬取到的数据为公路监测车规划巡测路线;所述车载视觉模块用于采集关于公路两侧护栏的视频流,所述病害识别模块用于逐帧获取视频流中的图像,并将图像输入到病害检测模型对病害进行识别与量测,得到病害量测数据;有效提高护栏检测智能化水平;所述行驶分析模块用于采集公路监测车的载重信息和行车环境信息并对公路监测车的最大预计车速YV进行协同分析,以便驾驶员对公路监测车的车速进行调整,提高行驶安全。
Description
技术领域
本发明涉及公路交通技术领域,具体是基于车联网的高速公路设备监测系统。
背景技术
道路安全问题一直是人们关注的焦点,随着我国经济的发展和人民生活水平的提高,汽车保有量日益增多,高速公路上的通行车流量日益增加,交通事故也随之增加,公路护栏也会受到不同程度的破坏;无论是何种类型的公路护栏,在公路通车使用一段时间之后,都会陆续出现各种损坏、变形及其它缺陷,这些我们统称为护栏病害,早期常见的病害有:裂缝、坑槽、车辙、松散、沉陷、表面破损等。
目前公路护栏在受到破坏后一般均无法进行自动报警,且无远程监控功能,仅仅依靠事故报警或巡查人员发现,这样通常无法在第一时间发现情况并做出维修,受到破坏的公路护栏会对路过的其他车辆造成一定的安全隐患;基于以上不足,本发明提出基于车联网的高速公路设备监测系统。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出基于车联网的高速公路设备监测系统。
为实现上述目的,根据本发明的第一方面的实施例提出基于车联网的高速公路设备监测系统,包括路线规划模块、定位导航模块、信息显示和报警模块、车载视觉模块、监测中心、病害识别模块、模型训练模块、维修管理模块以及行驶分析模块;
所述路线规划模块用于爬取监测区域内的道路交错关系,并根据爬取到的数据为公路监测车规划巡测路线;所述定位导航模块用于控制公路监测车按照路线规划模块规划的巡测路线行驶;
所述车载视觉模块用于采集关于公路两侧护栏的视频流,对护栏病害进行保存记录;并通过激光标定器和激光测距器对观测目标的尺寸、距离和位置进行测量,将采集的视频流信息传输到监测中心;
所述病害识别模块用于逐帧获取视频流中的图像,并将图像输入到病害检测模型对病害进行识别与量测,得到病害量测数据;所述监测中心用于根据病害量测数据生成病害检修任务并上传至维修管理模块;
所述维修管理模块用于对病害检修任务进行维优系数WY分析,得到病害检修任务的优先处理表;并依次将病害检修任务分配至相关维修人员;
所述行驶分析模块用于采集公路监测车的载重信息和行车环境信息并对公路监测车的最大预计车速YV进行协同分析,并将公路监测车最大预计车速YV反馈至车载终端,以便驾驶员对公路监测车的车速进行调整。
进一步地,所述维修管理模块的具体分析步骤为:
获取病害检修任务对应的病害量测数据;所述病害量测数据包括病害类型、尺寸、距离和位置;设定每种病害类型均有对应的类型值,根据病害类型获取对应类型值为LX;将病害尺寸标记为Lc;
获取病害位置对应的公路区域;在预设时间段内,统计所述公路区域的日均交通流量为Rt;统计所述公路区域发生交通事故的次数为Ct;
利用公式WY=Rt×g1+LX×g2+Lc×g3+Ct×g4计算得到病害检修任务的维优系数WY,其中g1、g2、g3、g4均为系数因子;将病害检修任务根据维优系数WY大小进行排序,得到病害检修任务的优先处理表。
进一步地,所述行驶分析模块的具体分析步骤为:
获取公路监测车的行车环境信息,所述行车环境信息包括路面平整度信息、降雨量信息、风力信息、能见度信息以及灰尘信息;
将公路监测车的载重信息标记为Z1;将路面平整度信息、降雨量信息、风力信息、能见度信息以及灰尘信息依次标记为W1、W2、W3、W4、W5;
利用公式XC=(Z1×b3+W1×b4+W2×b5+W3×b6+W5×b7)/(W4×b8)计算得到行车影响系数XC;其中,b3、b4、b5、b6、b7、b8均为系数因子;
获取对应路段的限速为Vt;利用公式YV=η×Vt×(1-XC)×b2计算得到所述公路监测车的最大预计车速YV,其中b2为系数因子,η为预设补偿因子。
进一步地,所述模型训练模块用于获取护栏的各类病害图片进行训练,得到病害检测模型;具体训练步骤为:
将从车载视觉模块和网络上获取的各类护栏病害图片作为参数训练集,并根据病害类型,手动分类获取的病害图片;
将参数训练集按照设定比例划分为训练集、测试集和校验集;设定比例包括2:1:1、3:1:1和4:3:1;
构建融合模型:融合模型为支持向量机、深度卷积神经网络和RBF神经网络中的至少两种结合融合方式构建的模型;融合方式包括线性加权融合法、交叉融合法、瀑布融合法、特征融合法和预测融合法;
将训练集、测试集和校验集经过数据归一化之后对融合模型进行训练、测试和校验,将训练完成的融合模型标记为病害检测模型;所述模型训练模块用于将训练得到的病害检测模型反馈至监测中心。
进一步地,所述车载视觉模块为安装于公路监测车车顶的高清摄像头,所述高清摄像头上方设有激光测距器,激光测距器旁边安装有激光标定器。
进一步地,所述激光测距器负责测量病害位置到物镜的距离;所述激光标定器作为图像测量尺寸和实际尺寸间换算依据。
进一步地,所述信息显示和报警模块用于通过监测中心软件实时对公路监测车的行驶速度、偏航角、位置信息、障碍物方位距离、电池电量、油量状态进行监测并显示,对异常状态进行报警。
与现有技术相比,本发明的有益效果是:
1、本发明中车载视觉模块用于采集关于公路两侧护栏的视频流,对护栏病害进行保存记录;并通过激光标定器和激光测距器对观测目标的尺寸、距离和位置进行测量,将采集的视频流信息传输到监测中心;病害识别模块用于逐帧获取视频流中的图像,并将图像输入到病害检测模型对病害进行识别与量测,得到病害量测数据;提高护栏检测智能化水平;监测中心用于根据病害量测数据生成病害检修任务;所述维修管理模块用于对病害检修任务进行维优系数WY分析,得到病害检修任务的优先处理表;合理分配资源,提高检修效率;
2、本发明中路线规划模块用于爬取监测区域内的道路交错关系,并根据爬取到的数据为公路监测车规划巡测路线;所述行驶分析模块用于采集公路监测车的载重信息和行车环境信息并对公路监测车的最大预计车速YV进行协同分析,以便驾驶员对公路监测车的车速进行调整;所述信息显示和报警模块用于通过监测中心软件实时对公路监测车的行驶速度、偏航角、位置信息、障碍物方位距离、电池电量、油量等状态进行监测并显示,对异常状态进行报警;提高行驶安全。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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,对于本领域普通技术人员来讲,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为本发明基于车联网的高速公路设备监测系统的系统框图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,基于车联网的高速公路设备监测系统,应用于公路监测车,包括路线规划模块、定位导航模块、信息显示和报警模块、车载视觉模块、监测中心、病害识别模块、维修管理模块、模型训练模块以及行驶分析模块;
路线规划模块用于爬取监测区域内的道路交错关系,并根据爬取到的数据为公路监测车规划巡测路线;定位导航模块用于控制公路监测车按照路线规划模块规划的巡测路线行驶;
信息显示和报警模块用于通过监测中心软件实时对公路监测车的行驶速度、偏航角、位置信息、障碍物方位距离、电池电量、油量等状态进行监测并显示,对异常状态进行报警;
车载视觉模块为安装于公路监测车车顶的高清摄像头,高清摄像头上方设有激光测距器,激光测距器旁边安装有激光标定器;激光测距器负责测量病害位置到物镜的距离;激光标定器作为图像测量尺寸和实际尺寸间换算依据;
车载视觉模块用于采集关于公路两侧护栏的视频流,对护栏病害进行保存记录;并通过激光标定器和激光测距器对观测目标的尺寸、距离和位置进行测量,将采集的视频流信息传输到监测中心;
病害识别模块与监测中心相连接,用于逐帧获取视频流中的图像,并将图像输入到病害检测模型对病害进行识别与量测,得到病害量测数据;病害量测数据包括病害类型、尺寸(面积)、距离和位置;
病害识别模块用于将病害量测数据传输到监测中心,监测中心用于根据病害量测数据生成病害检修任务并上传至维修管理模块;
在本实施例中,模型训练模块用于获取护栏的各类病害图片进行训练,得到病害检测模型;具体训练步骤为:
将从车载视觉模块和网络上获取的各类病害图片作为参数训练集,并根据病害类型,手动分类获取的病害图片;
将参数训练集按照设定比例划分为训练集、测试集和校验集;设定比例包括2:1:1、3:1:1和4:3:1;
构建融合模型:融合模型为支持向量机、深度卷积神经网络和RBF神经网络中的至少两种结合融合方式构建的模型,融合方式包括线性加权融合法、交叉融合法、瀑布融合法、特征融合法和预测融合法;
将训练集、测试集和校验集经过数据归一化之后对融合模型进行训练、测试和校验,将训练完成的融合模型标记为病害检测模型;模型训练模块用于将训练得到的病害检测模型反馈至监测中心;
维修管理模块用于对病害检修任务进行维优系数分析,得到病害检修任务的优先处理表;具体分析步骤为:
获取病害检修任务对应的病害量测数据;设定每种病害类型均有对应的类型值,根据病害类型获取对应类型值为LX;将病害尺寸标记为Lc;
获取病害位置对应的公路区域;在预设时间段内,统计公路区域的日均交通流量为Rt;统计公路区域发生交通事故的次数为Ct;
利用公式WY=Rt×g1+LX×g2+Lc×g3+Ct×g4计算得到病害检修任务的维优系数WY,其中g1、g2、g3、g4均为系数因子;
将病害检修任务根据维优系数WY大小进行排序,得到病害检修任务的优先处理表;维修管理模块用于根据优先处理表依次将病害检修任务分配至相关维修人员;合理分配资源,提高检修效率;
行驶分析模块用于采集公路监测车的载重信息和行车环境信息并对公路监测车的最大预计车速进行协同分析,具体分析步骤为:
获取公路监测车的行车环境信息,行车环境信息包括路面平整度信息、降雨量信息、风力信息、能见度信息以及灰尘信息;
将公路监测车的载重信息标记为Z1;将路面平整度信息、降雨量信息、风力信息、能见度信息以及灰尘信息依次标记为W1、W2、W3、W4、W5;
利用公式XC=(Z1×b3+W1×b4+W2×b5+W3×b6+W5×b7)/(W4×b8)计算得到行车影响系数XC;其中,b3、b4、b5、b6、b7、b8均为系数因子;
获取对应路段的限速为Vt;利用公式YV=η×Vt×(1-XC)×b2计算得到公路监测车的最大预计车速YV,其中b2为系数因子,η为预设补偿因子;行驶分析模块用于将公路监测车的最大预计车速YV经监测中心反馈至车载终端,以便驾驶员对公路监测车的车速进行调整,提高行驶安全。
上述公式均是去除量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
本发明的工作原理:
基于车联网的高速公路设备监测系统,在工作时,车载视觉模块用于采集关于公路两侧护栏的视频流,对护栏病害进行保存记录;并通过激光标定器和激光测距器对观测目标的尺寸、距离和位置进行测量,将采集的视频流信息传输到监测中心;病害识别模块用于逐帧获取视频流中的图像,并将图像输入到病害检测模型对病害进行识别与量测,得到病害量测数据;提高护栏检测智能化水平;监测中心用于根据病害量测数据生成病害检修任务;维修管理模块用于对病害检修任务进行维优系数WY分析,得到病害检修任务的优先处理表;合理分配资源,提高检修效率;
路线规划模块用于爬取监测区域内的道路交错关系,并根据爬取到的数据为公路监测车规划巡测路线;定位导航模块用于控制公路监测车按照路线规划模块规划的巡测路线行驶;行驶分析模块用于采集公路监测车的载重信息和行车环境信息并对公路监测车的最大预计车速YV进行协同分析,以便驾驶员对公路监测车的车速进行调整;信息显示和报警模块用于通过监测中心软件实时对公路监测车的行驶速度、偏航角、位置信息、障碍物方位距离、电池电量、油量等状态进行监测并显示,对异常状态进行报警;提高行驶安全。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (7)
1.基于车联网的高速公路设备监测系统,包括路线规划模块、定位导航模块、信息显示和报警模块、车载视觉模块、监测中心、病害识别模块、模型训练模块、维修管理模块以及行驶分析模块;
所述路线规划模块用于爬取监测区域内的道路交错关系,并根据爬取到的数据为公路监测车规划巡测路线;所述定位导航模块用于控制公路监测车按照路线规划模块规划的巡测路线行驶;
所述车载视觉模块用于采集关于公路两侧护栏的视频流,对护栏病害进行保存记录;并通过激光标定器和激光测距器对观测目标的尺寸、距离和位置进行测量,将采集的视频流信息传输到监测中心;
所述病害识别模块用于逐帧获取视频流中的图像,并将图像输入到病害检测模型对病害进行识别与量测,得到病害量测数据;所述监测中心用于根据病害量测数据生成病害检修任务并上传至维修管理模块;
所述维修管理模块用于对病害检修任务进行维优系数WY分析,得到病害检修任务的优先处理表;并依次将病害检修任务分配至相关维修人员;
所述行驶分析模块用于采集公路监测车的载重信息和行车环境信息并对公路监测车的最大预计车速YV进行协同分析,并将公路监测车最大预计车速YV反馈至车载终端,以便驾驶员对公路监测车的车速进行调整。
2.根据权利要求1所述的基于车联网的高速公路设备监测系统,其特征在于,所述维修管理模块的具体分析步骤为:
获取病害检修任务对应的病害量测数据;所述病害量测数据包括病害类型、尺寸、距离和位置;设定每种病害类型均有对应的类型值,根据病害类型获取对应类型值为LX;将病害尺寸标记为Lc;
获取病害位置对应的公路区域;在预设时间段内,统计所述公路区域的日均交通流量为Rt;统计所述公路区域发生交通事故的次数为Ct;
利用公式WY=Rt×g1+LX×g2+Lc×g3+Ct×g4计算得到病害检修任务的维优系数WY,其中g1、g2、g3、g4均为系数因子;将病害检修任务根据维优系数WY大小进行排序,得到病害检修任务的优先处理表。
3.根据权利要求1所述的基于车联网的高速公路设备监测系统,其特征在于,所述行驶分析模块的具体分析步骤为:
获取公路监测车的行车环境信息,所述行车环境信息包括路面平整度信息、降雨量信息、风力信息、能见度信息以及灰尘信息;
将公路监测车的载重信息标记为Z1;将路面平整度信息、降雨量信息、风力信息、能见度信息以及灰尘信息依次标记为W1、W2、W3、W4、W5;
利用公式XC=(Z1×b3+W1×b4+W2×b5+W3×b6+W5×b7)/(W4×b8)计算得到行车影响系数XC;其中,b3、b4、b5、b6、b7、b8均为系数因子;
获取对应路段的限速为Vt;利用公式YV=η×Vt×(1-XC)×b2计算得到所述公路监测车的最大预计车速YV,其中b2为系数因子,η为预设补偿因子。
4.根据权利要求1所述的基于车联网的高速公路设备监测系统,其特征在于,所述模型训练模块用于获取护栏的各类病害图片进行训练,得到病害检测模型;具体训练步骤为:
将从车载视觉模块和网络上获取的各类护栏病害图片作为参数训练集,并根据病害类型,手动分类获取的病害图片;
将参数训练集按照设定比例划分为训练集、测试集和校验集;设定比例包括2:1:1、3:1:1和4:3:1;
构建融合模型:融合模型为支持向量机、深度卷积神经网络和RBF神经网络中的至少两种结合融合方式构建的模型;融合方式包括线性加权融合法、交叉融合法、瀑布融合法、特征融合法和预测融合法;
将训练集、测试集和校验集经过数据归一化之后对融合模型进行训练、测试和校验,将训练完成的融合模型标记为病害检测模型;所述模型训练模块用于将训练得到的病害检测模型反馈至监测中心。
5.根据权利要求1所述的基于车联网的高速公路设备监测系统,其特征在于,所述车载视觉模块为安装于公路监测车车顶的高清摄像头,所述高清摄像头上方设有激光测距器,激光测距器旁边安装有激光标定器。
6.根据权利要求5所述的基于车联网的高速公路设备监测系统,其特征在于,所述激光测距器负责测量病害位置到物镜的距离;所述激光标定器作为图像测量尺寸和实际尺寸间换算依据。
7.根据权利要求1所述的基于车联网的高速公路设备监测系统,其特征在于,所述信息显示和报警模块用于通过监测中心软件实时对公路监测车的行驶速度、偏航角、位置信息、障碍物方位距离、电池电量、油量状态进行监测并显示,对异常状态进行报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310634952.8A CN116912551A (zh) | 2023-05-31 | 2023-05-31 | 基于车联网的高速公路设备监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310634952.8A CN116912551A (zh) | 2023-05-31 | 2023-05-31 | 基于车联网的高速公路设备监测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116912551A true CN116912551A (zh) | 2023-10-20 |
Family
ID=88351814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310634952.8A Pending CN116912551A (zh) | 2023-05-31 | 2023-05-31 | 基于车联网的高速公路设备监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116912551A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649225A (zh) * | 2024-01-30 | 2024-03-05 | 江苏路安车联网研究院有限公司 | 车联网安全护栏监控运维管理系统 |
CN117690093A (zh) * | 2024-01-31 | 2024-03-12 | 华能澜沧江水电股份有限公司 | 大坝安全监测运行维护方法、装置、电子设备及存储介质 |
CN117690093B (zh) * | 2024-01-31 | 2024-04-26 | 华能澜沧江水电股份有限公司 | 大坝安全监测运行维护方法、装置、电子设备及存储介质 |
-
2023
- 2023-05-31 CN CN202310634952.8A patent/CN116912551A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649225A (zh) * | 2024-01-30 | 2024-03-05 | 江苏路安车联网研究院有限公司 | 车联网安全护栏监控运维管理系统 |
CN117649225B (zh) * | 2024-01-30 | 2024-04-05 | 江苏路安车联网研究院有限公司 | 车联网安全护栏监控运维管理系统 |
CN117690093A (zh) * | 2024-01-31 | 2024-03-12 | 华能澜沧江水电股份有限公司 | 大坝安全监测运行维护方法、装置、电子设备及存储介质 |
CN117690093B (zh) * | 2024-01-31 | 2024-04-26 | 华能澜沧江水电股份有限公司 | 大坝安全监测运行维护方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7195021B2 (ja) | データ収集装置、道路状態評価支援装置、及びプログラム | |
CN111292540B (zh) | 用于求取确定的状态信息的方法、控制装置和系统 | |
CN112179467B (zh) | 一种基于视频测量动挠度的桥梁动态称重方法和系统 | |
JP2019196680A (ja) | 舗装情報収集点検システム、舗装情報収集点検方法、及びプログラム | |
CN111833598B (zh) | 一种高速公路无人机交通事件自动监测方法及系统 | |
CN103985250A (zh) | 轻量级的全息道路交通状态视觉检测装置 | |
CN115081757A (zh) | 一种基于机器人技术的公路病害自动化检测方法 | |
CN112633722B (zh) | 车载道路安全风险评估系统及方法 | |
CN116912551A (zh) | 基于车联网的高速公路设备监测系统 | |
CN115601008A (zh) | 基于数字孪生的工程沉降变形监测系统及方法 | |
CN114118795A (zh) | 智能重载高速公路的安全风险度评估分级及动态预警方法 | |
CN103528531A (zh) | 小型车车辆参数的物联网图像智能检测系统 | |
CN110599025A (zh) | 自动驾驶汽车驾驶行为可靠性指标评估方法 | |
CN116631187B (zh) | 一种案件现场勘查信息智能采集分析系统 | |
CN117198057A (zh) | 一种面向路侧感知轨迹数据质量检评的实验方法及系统 | |
CN114333331B (zh) | 一种多车道桥梁车辆通行信息与车重识别方法及系统 | |
CN115440071A (zh) | 一种自动驾驶违规停车检测方法 | |
CN114299715A (zh) | 一种基于视频、激光雷达与dsrc的高速公路信息检测系统 | |
CN115171379B (zh) | 基于智慧交通的突发事件响应控制系统 | |
CN116665125A (zh) | 用于桥隧病害的智能识别系统 | |
Steele et al. | Traffic sign retroreflectivity condition assessment and deterioration analysis using Lidar technology | |
CN117332488B (zh) | 一种基于bim技术的道路桥梁实景模型分析方法和系统 | |
CN113362284B (zh) | 一种道路井框差测量方法 | |
CN116818397B (zh) | 基于机器视觉的中小跨径桥梁快速荷载试验方法及系统 | |
De la Garza et al. | A study of implementation of IP-S2 mobile mapping technology for highway asset condition assessment |
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 |