CN116958764A - 一种基于深度学习的检测挂载设备数据的方法 - Google Patents

一种基于深度学习的检测挂载设备数据的方法 Download PDF

Info

Publication number
CN116958764A
CN116958764A CN202310756089.3A CN202310756089A CN116958764A CN 116958764 A CN116958764 A CN 116958764A CN 202310756089 A CN202310756089 A CN 202310756089A CN 116958764 A CN116958764 A CN 116958764A
Authority
CN
China
Prior art keywords
fault
judgment result
time period
current change
change characteristic
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
CN202310756089.3A
Other languages
English (en)
Inventor
耿虎
昂少强
朱前进
朱凯旋
徐岩
王宁
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.)
Wansn Technology Co ltd
Original Assignee
Wansn Technology 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 Wansn Technology Co ltd filed Critical Wansn Technology Co ltd
Priority to CN202310756089.3A priority Critical patent/CN116958764A/zh
Publication of CN116958764A publication Critical patent/CN116958764A/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
    • G06V10/70—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
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • G06V10/811—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data the classifiers operating on different input data, e.g. multi-modal recognition
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/44—Testing lamps
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及补光灯故障技术领域，公开了一种基于深度学习的检测挂载设备数据的方法，包括获取目标挂载设备的实际电流变化特性曲线，并将所述实际电流变化特性曲线与预设的标准电流变化特性曲线进行比对，获得故障判断结果一；获取目标挂载设备的实际补光图像，并将所述实际补光图像输入训练好的补光灯故障识别模型，获得故障判断结果二；判断各车道的车流量与车牌识别是否异常，获得故障判断结果三；通过整合补光灯的电流变化、补光时的图像特征以及通过补光灯辅助的摄像机获得的车道的车流量与车牌识别的检测对补光灯故障进行综合判断，提高了补光灯故障检测的准确性。

Description

一种基于深度学习的检测挂载设备数据的方法
技术领域
本发明涉及补光灯故障技术领域，具体涉及一种基于深度学习的检测挂载设备数据的方法。
背景技术
高清摄像机和交通补光灯通常挂载在室外的道路监控杆上，在这些挂载设备的使用过程中，补光灯用来来增强成像效果，特别是夜晚场景下，当使用较快的快门对车辆等移动物体抓拍时，补光灯是影响成像质量的关键，通常使用爆闪灯在抓拍瞬间补光，使抓拍图片中车辆、路面以及交通标志信号都能清晰成像。一旦补光灯出现故障而无法补光，高清摄像机的夜晚抓拍图像由于快门较快、环境照度低，成像质量差，无法作为证据使用。
随着这些挂载设备的大规模使用，以及整个系统的无需人工监管的自动化运行，靠人工对挂载设备故障进行排查，如对补光灯故障进行排查，存在费时费力，响应慢，漏检多等问题。因此，亟需一种对补光灯故障进行检测的解决方案。
发明内容
本发明的目的在于提供一种基于深度学习的检测挂载设备数据的方法，用以解决以下技术问题：
如何提供一种能够更加准确的检测补光灯故障的方法。
本发明的目的可以通过以下技术方案实现：
一种基于深度学习的检测挂载设备数据的方法，包括：
获取目标挂载设备的实际电流变化特性曲线，并将所述实际电流变化特性曲线与预设的标准电流变化特性曲线进行比对，获得故障判断结果一；
获取目标挂载设备的实际补光图像，并将所述实际补光图像输入训练好的补光灯故障识别模型，获得故障判断结果二；
判断各车道的车流量与车牌识别是否异常，获得故障判断结果三，整合所述故障判断结果一、故障判断结果二和故障判断结果三，获得所述目标挂载设备故障判断最终结果；
其中，所述目标挂载设备为电子警察系统中挂载在交通监控杆上为摄像机进行补光的目标补光灯，所述补光灯故障识别模型为经过训练的深度学习模型。
优选地，获取所述目标补光灯的实际电流变化特性曲线的过程为：
在预设时间段内采集流过所述目标补光灯的电流信号，得到与采集时刻一一对应的电流值；
根据所述电流值生成对应的随时间变化的所述目标补光灯的实际电流变化特性曲线。
优选地，将所述实际电流变化特性曲线与预设的标准电流变化特性曲线进行比对，获得故障判断结果一的过程为：
获取多组所述实际电流变化特性曲线；
计算多组所述实际电流变化特性曲线分别与预设的标准电流变化特性曲线在同一时间段内的相似度；
将所述相似度从大到小进行排列，并计算排列靠前的预设数量的相似度的平均值；
将所述相似度平均值与预设相似度误差范围[SIMlow，SIMup]进行比较：
若则判断所述实际电流变化特性曲线与标准电流变化特性曲线吻合，即所述故障判断结果一为吻合；
若则判断所述实际电流变化特性曲线与标准电流变化特性曲线不吻合，即所述故障判断结果一为不吻合。
优选地，计算多组所述实际电流变化特性曲线分别与预设的标准电流变化特性曲线在同一时间段内的相似度的过程为：
获取多组所述实际电流变化特性曲线分别与预设的标准电流变化特性曲线在同一时间段内重合的曲线长度L重合、重合的像素点个数N重合以及曲线下面积差的总和ΔS总；
所述相似度SIM:
其中，L实际为所述实际电流变化特性曲线的总长度，L标准为所述标准电流变化特性曲线的总长度，N标准为所述标准电流变化特性曲线的总像素点个数，S实时为所述实际电流变化特性曲线在同一时间段内的曲线下总面积，S标准为所述标准电流变化特性曲线在同一时间段内的曲线下总面积，σ1、σ2、σ3为预设权重系数。
优选地，获取所述目标补光灯的实际补光图像，并将所述实际补光图像输入训练好的补光灯故障识别模型，获得故障判断结果二的过程为：
获取预设时间段内的所述目标补光灯进行补光时的实际补光图像；
提取所述实际补光图像的图像特征，并将所述实际补光图像的图像特征输入训练好的补光灯故障识别模型中输出对应的故障判断结果二；
所述故障判断结果二包括合格和不合格。
优选地，判断各车道的车流量与车牌识别是否异常，获得故障判断结果三的过程为：
选定夜间预设时间段作为判别时间段，获取所述判别时间段内车道的车流量Tab和车牌识别率Rab；
获取所述电子警察系统处于正常情况时和所述判别时间段同一时间段的车道的平均车流量和车牌识别率/>
获取车流量异常判定值V和车牌识别率异常判定值N，并将所述车流量异常判定值V和车牌识别率异常判定值N与预设异常情况阈值进行比对，即车流量异常情况判定阈值V0和车牌识别率异常情况判定阈值N0进行比对：
若判别时间段内当前车道所述V≥V0和N≥N0，则计算相邻车道同一时间段的V和N：
若相邻车道同一时间段的V<V0和N<N0，则初步判定当前车道的目标补光灯故障，即故障判断结果三为目标补光灯故障；
若相邻车道同一时间段的V≥V0和N≥N0，则判断白天时段同一车道的V、N值是否正常：
若白天时段的V<V0和N<N0，则判定当前车道与相邻车道的目标补光灯故障，即故障判断结果三为目标补光灯故障；
若白天时段的V≥V0且N≥N0，则判定当前车道的目标补光灯对应的摄像机可能故障，即故障判断结果三为摄像机故障；
若判别时间段内当前车道所述V<V0和N<N0，则故障判断结果三为目标补光灯未故障。
优选地，获取所述电子警察系统处于正常情况时和所述判别时间段同一时间段的车道的平均车流量和车牌识别率/>的过程为：
获取所述电子警察系统处于正常情况时前X天每个车道的过车数据，并以1个小时为时段单位，统计每一天各时段每根车道的车辆流量、车牌识别率，然后统计前X天的数据，统计每天同一时段的平均车辆流量和车牌识别率，即和/>
其中，车牌识别率为正确识别车牌的车辆数位与车辆流量的比值。
优选地，所述车流量异常判定值V和车牌识别率异常判定值N：
其中，Tab为判别时间段为a时段的第b根车道的车辆流量，Rab为判别时间段为a时段的第b根车道的车牌识别率，为所述电子警察系统处于正常情况时a时段的第b根车道的平均车辆流量，/>为所述电子警察系统处于正常情况时a时段的第b根车道的平均车牌识别率，σ4和σ5为预设权重系数。
优选地，整合所述故障判断结果一、故障判断结果二和故障判断结果三，获得所述目标挂载设备故障判断最终结果的过程为：
判断所述故障判断结果一是否正常：
若所述故障判断结果一为吻合，则所述目标挂载设备故障判断最终结果为正常，不进行故障预警；
若所述故障判断结果一为不吻合，则判断所述故障判断结果二是否正常：
若所述故障判断结果二为合格，则所述目标挂载设备故障判断最终结果为正常，不进行故障预警；
若所述故障判断结果二为不合格，则判断所述故障判断结果三是否正常：
若所述故障判断结果三为目标补光灯未故障，则所述目标挂载设备故障判断最终结果为正常，不进行故障预警；
若所述故障判断结果三为目标补光灯故障，则所述目标挂载设备故障判断最终结果为补光灯异常，进行故障预警；
若所述故障判断结果三为摄像机故障，则所述目标挂载设备故障判断最终结果为摄像机异常，进行故障预警。
本发明的有益效果：
该基于深度学习的检测挂载设备数据的方法，通过整合补光灯的电流变化、补光时的图像特征以及通过补光灯辅助的摄像机获得的车道的车流量与车牌识别的检测对补光灯故障进行综合判断，提高了补光灯故障检测的准确性。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明的检测挂载设备故障的方法步骤流程图。
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，本领域普通技术人员在没有作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。
请参阅图1所示，本发明为一种基于深度学习的检测挂载设备数据的方法，包括：
获取目标挂载设备的实际电流变化特性曲线，并将实际电流变化特性曲线与预设的标准电流变化特性曲线进行比对，获得故障判断结果一；
获取目标挂载设备的实际补光图像，并将实际补光图像输入训练好的补光灯故障识别模型，获得故障判断结果二；
判断各车道的车流量与车牌识别是否异常，获得故障判断结果三，整合故障判断结果一、故障判断结果二和故障判断结果三，获得目标挂载设备故障判断最终结果；
其中，目标挂载设备为电子警察系统中挂载在交通监控杆上为摄像机进行补光的目标补光灯，补光灯故障识别模型为经过训练的深度学习模型。
通过上述技术方案，首先通过将实际电流变化特性曲线与预设的标准电流变化特性曲线进行比对，对补光灯的电流变化进行检测从而来检测补光灯的故障；
其次，通过将实际补光图像输入训练好的补光灯故障识别模型，便可对补光灯进行补光时的图像进行监控，补光灯的光源包括多个矩阵排列的发光单元，不同发光单元的故障能够在深度学习模型的训练过程中提供大量训练样本，有助于深度学习模型的高效训练，因此能够保证补光灯故障识别模型的识别精准度，从而通过识别补光灯进行补光时的图像来来检测补光灯的故障；
然后，通过判断各车道的车流量与车牌识别是否异常来检测补光灯的故障；
综合上述对补光灯的电流变化、补光时的图像特征以及通过补光灯辅助的摄像机获得的车道的车流量与车牌识别的检测对补光灯故障进行综合判断，提高了补光灯故障检测的准确性。
本发明中所采用的深度学习算法是基于卷积神经网络(CNN)进行，卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，常用来分析视觉图像，在实际应用的过程中，其多用于对图像进行分类、检索，其优点是可以共享卷积核，对高维数据处理无压力，无需手动选取特征值，特征分类效果好，在本发明中，深度学习模型的训练样本与实际补光图像的获取方式相同。
获取目标补光灯的实际电流变化特性曲线的过程为：
在预设时间段内采集流过目标补光灯的电流信号，得到与采集时刻一一对应的电流值；
根据电流值生成对应的随时间变化的目标补光灯的实际电流变化特性曲线。
通过上述技术方案，该标准电流变化特性曲线，是用来标识目标补光灯正常工作时流过目标补光灯标准电流的变化特性的曲线。该标准电流变化特性曲线具体是当目标补光灯正常工作时，根据不同时刻流过目标补光灯的多个标准电流值绘制而成的曲线。因此，在预置标准电流变化特性曲线时，需要多次采集目标补光灯的标准电流值。采集标准电流值的次数越多，绘制出的标准电流变化特性曲线就精准。
将实际电流变化特性曲线与预设的标准电流变化特性曲线进行比对，获得故障判断结果一的过程为：
获取多组实际电流变化特性曲线；
计算多组实际电流变化特性曲线分别与预设的标准电流变化特性曲线在同一时间段内的相似度；
将相似度从大到小进行排列，并计算排列靠前的预设数量的相似度的平均值；
将相似度平均值与预设相似度误差范围[SIMlow，SIMup]进行比较：
若则判断实际电流变化特性曲线与标准电流变化特性曲线吻合，即故障判断结果一为吻合；
若则判断实际电流变化特性曲线与标准电流变化特性曲线不吻合，即故障判断结果一为不吻合。
通过上述技术方案，获取多组实际电流变化特性曲线，计算多组实际电流变化特性曲线分别与预设的标准电流变化特性曲线在同一时间段内的相似度，将相似度从大到小进行排列，并计算排列靠前的预设数量的相似度的平均值，从而可筛选出更精准的实际电流变化特性曲线，避免因温度等原因造成的电流变化不稳定产生的误差；预设相似度误差范围是根据实际需要具体设定的一个可接受误差区间。
计算多组实际电流变化特性曲线分别与预设的标准电流变化特性曲线在同一时间段内的相似度的过程为：
获取多组实际电流变化特性曲线分别与预设的标准电流变化特性曲线在同一时间段内重合的曲线长度L重合、重合的像素点个数N重合以及曲线下面积差的总和ΔS总；
相似度SIM:
其中，L实际为实际电流变化特性曲线的总长度，L标准为标准电流变化特性曲线的总长度，N标准为标准电流变化特性曲线的总像素点个数，S实时为实际电流变化特性曲线在同一时间段内的曲线下总面积，S标准为所述标准电流变化特性曲线在同一时间段内的曲线下总面积，σ1、σ2、σ3为预设权重系数。
通过上述技术方案，提供了一种相似度计算方式，通过公式
通过相似度SIM对实际电流变化特性曲线与预设的标准电流变化特性曲线的相似度进行综合判断，从而根据相似度判断实际电流变化特性曲线与标准电流变化特性曲线吻合程度，进而对补光灯的故障进行判断；
需要说明的是，实际电流变化特性曲线与预设的标准电流变化特性曲线的重合长度L重合、重合的像素点个数N重合以及曲线下面积差的总和ΔS总通过在同一时间段内上下平移曲线获得；预设权重系数σ1、σ2、σ3根据经验数据选择性设定。
获取目标补光灯的实际补光图像，并将实际补光图像输入训练好的补光灯故障识别模型，获得故障判断结果二的过程为：
获取预设时间段内的目标补光灯进行补光时的实际补光图像；
提取实际补光图像的图像特征，并将实际补光图像的图像特征输入训练好的补光灯故障识别模型中输出对应的故障判断结果二；
故障判断结果二包括合格和不合格。
通过上述技术方案，将实际补光图像输入训练好的补光灯故障识别模型中，若识别出实际补光图像为故障图像则输出故障判断结果二不合格；若识别出实际补光图像为正常图像则输出故障判断结果二合格。
需要说明的是，该实际补光图像由预设安装的图像采集设备获得，且该图像采集设备不影响电子警察系统的正常运行。
判断各车道的车流量与车牌识别是否异常，获得故障判断结果三的过程为：
选定夜间预设时间段作为判别时间段，获取判别时间段内车道的车流量Tab和车牌识别率Rab；
获取电子警察系统处于正常情况时和判别时间段同一时间段的车道的平均车流量和车牌识别率/>
获取车流量异常判定值V和车牌识别率异常判定值N，并将车流量异常判定值V和车牌识别率异常判定值N与预设异常情况阈值进行比对，即车流量异常情况判定阈值V0和车牌识别率异常情况判定阈值N0进行比对：
若判别时间段内当前车道V≥V0和N≥N0，则计算相邻车道同一时间段的V和N：
若相邻车道同一时间段的V<V0和N<N0，则初步判定当前车道的目标补光灯故障，即故障判断结果三为目标补光灯故障；
若相邻车道同一时间段的V≥V0和N≥N0，则判断白天时段同一车道的V、N值是否正常：
若白天时段的V<V0和N<N0，则判定当前车道与相邻车道的目标补光灯故障，即故障判断结果三为目标补光灯故障；
若白天时段的V≥V0且N≥N0，则判定当前车道的目标补光灯对应的摄像机可能故障，即故障判断结果三为摄像机故障；
若判别时间段内当前车道V<V0和N<N0，则故障判断结果三为目标补光灯未故障。
获取电子警察系统处于正常情况时和判别时间段同一时间段的车道的平均车流量和车牌识别率/>的过程为：
获取电子警察系统处于正常情况时前X天每个车道的过车数据，并以1个小时为时段单位，统计每一天各时段每根车道的车辆流量、车牌识别率，然后统计前X天的数据，统计每天同一时段的平均车辆流量和车牌识别率，即和/>
其中，车牌识别率为正确识别车牌的车辆数位与车辆流量的比值。
通过上述技术方案，由于补光灯出现故障后，夜间抓拍车辆图像亮度降低，车辆检测率与车牌识别率会迅速降低。通过分析车辆检测率与车牌识别率下降比例，进而判断补光灯是否发生故障；通过采用电子警察系统的高清摄像机抓拍的车辆图像与车牌识别为基础，计算单位时段内车流量与车牌识别率，对单位时段内车流量和车牌识别率与相同时段正常车辆流量和车牌识别率进行比较，判断该车道的车辆检测与车牌识别是否异常，然后与预设异常情况阈值进行比对，判断补光灯是否存在问题，进而对补光灯的故障进行检测。
车流量异常判定值V和车牌识别率异常判定值N：
其中，Tab为判别时间段为a时段的第b根车道的车辆流量，Rab为判别时间段为a时段的第b根车道的车牌识别率，为电子警察系统处于正常情况时a时段的第b根车道的平均车辆流量，/>为电子警察系统处于正常情况时a时段的第b根车道的平均车牌识别率，σ4和σ5为预设权重系数。
通过上述技术方案，提供了一种车流量异常判定值V和车牌识别率异常判定值N计算方式，根据 获得，从而与预设异常情况阈值进行比对，对补光灯故障进行判断。
需要说明的是，该摄像机同时覆盖上述的当前车道与相邻车道，同时对当前车道与相邻车道的车辆进行抓拍，且当前车道与相邻车道各有一盏补光灯，当其中一个补光灯不亮或是光亮减弱，会对该车道的夜间的车辆检测率与车牌识别率产生影响，以此来判断补光灯是否存在问题；预设权重系数σ4和σ5根据经验数据选择性设定。
整合故障判断结果一、故障判断结果二和故障判断结果三，获得目标挂载设备故障判断最终结果的过程为：
判断故障判断结果一是否正常：
若故障判断结果一为吻合，则目标挂载设备故障判断最终结果为正常，不进行故障预警；
若故障判断结果一为不吻合，则判断故障判断结果二是否正常：
若故障判断结果二为合格，则目标挂载设备故障判断最终结果为正常，不进行故障预警；
若故障判断结果二为不合格，则判断故障判断结果三是否正常：
若故障判断结果三为目标补光灯未故障，则目标挂载设备故障判断最终结果为正常，不进行故障预警；
若故障判断结果三为目标补光灯故障，则目标挂载设备故障判断最终结果为补光灯异常，进行故障预警；
若故障判断结果三为摄像机故障，则目标挂载设备故障判断最终结果为摄像机异常，进行故障预警。
通过上述技术方案，整合补光灯的电流变化、补光时的图像特征以及通过补光灯辅助的摄像机获得的车道的车流量与车牌识别的检测对补光灯故障进行综合判断，提高了补光灯故障检测的准确性。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (9)

1.一种基于深度学习的检测挂载设备数据的方法，其特征在于，包括：
获取目标挂载设备的实际电流变化特性曲线，并将所述实际电流变化特性曲线与预设的标准电流变化特性曲线进行比对，获得故障判断结果一；
获取目标挂载设备的实际补光图像，并将所述实际补光图像输入训练好的补光灯故障识别模型，获得故障判断结果二；
判断各车道的车流量与车牌识别是否异常，获得故障判断结果三，整合所述故障判断结果一、故障判断结果二和故障判断结果三，获得所述目标挂载设备故障判断最终结果；
其中，所述目标挂载设备为电子警察系统中挂载在交通监控杆上为摄像机进行补光的目标补光灯，所述补光灯故障识别模型为经过训练的深度学习模型。
2.根据权利要求1所述的基于深度学习的检测挂载设备数据的方法，其特征在于，获取所述目标补光灯的实际电流变化特性曲线的过程为：
在预设时间段内采集流过所述目标补光灯的电流信号，得到与采集时刻一一对应的电流值；
根据所述电流值生成对应的随时间变化的所述目标补光灯的实际电流变化特性曲线。
3.根据权利要求2所述的基于深度学习的检测挂载设备数据的方法，其特征在于，将所述实际电流变化特性曲线与预设的标准电流变化特性曲线进行比对，获得故障判断结果一的过程为：
获取多组所述实际电流变化特性曲线；
计算多组所述实际电流变化特性曲线分别与预设的标准电流变化特性曲线在同一时间段内的相似度；
将所述相似度从大到小进行排列，并计算排列靠前的预设数量的相似度的平均值；
将所述相似度平均值与预设相似度误差范围[SIMlow，SIMup]进行比较：
若则判断所述实际电流变化特性曲线与标准电流变化特性曲线吻合，即所述故障判断结果一为吻合；
若则判断所述实际电流变化特性曲线与标准电流变化特性曲线不吻合，即所述故障判断结果一为不吻合。
4.根据权利要求3所述的基于深度学习的检测挂载设备数据的方法，其特征在于，计算多组所述实际电流变化特性曲线分别与预设的标准电流变化特性曲线在同一时间段内的相似度的过程为：
获取多组所述实际电流变化特性曲线分别与预设的标准电流变化特性曲线在同一时间段内重合的曲线长度L重合、重合的像素点个数N重合以及曲线下面积差的总和ΔS总；
所述相似度SIM:
其中，L实际为所述实际电流变化特性曲线的总长度，L标准为所述标准电流变化特性曲线的总长度，N标准为所述标准电流变化特性曲线的总像素点个数，S实时为所述实际电流变化特性曲线在同一时间段内的曲线下总面积，S标准为所述标准电流变化特性曲线在同一时间段内的曲线下总面积，σ1、σ2、σ3为预设权重系数。
5.根据权利要求4所述的基于深度学习的检测挂载设备数据的方法，其特征在于，获取所述目标补光灯的实际补光图像，并将所述实际补光图像输入训练好的补光灯故障识别模型，获得故障判断结果二的过程为：
获取预设时间段内的所述目标补光灯进行补光时的实际补光图像；
提取所述实际补光图像的图像特征，并将所述实际补光图像的图像特征输入训练好的补光灯故障识别模型中输出对应的故障判断结果二；
所述故障判断结果二包括合格和不合格。
6.根据权利要求5所述的基于深度学习的检测挂载设备数据的方法，其特征在于，判断各车道的车流量与车牌识别是否异常，获得故障判断结果三的过程为：
选定夜间预设时间段作为判别时间段，获取所述判别时间段内车道的车流量Tab和车牌识别率Rab；
获取所述电子警察系统处于正常情况时和所述判别时间段同一时间段的车道的平均车流量和车牌识别率/>
获取车流量异常判定值V和车牌识别率异常判定值N，并将所述车流量异常判定值V和车牌识别率异常判定值N与预设异常情况阈值进行比对，即车流量异常情况判定阈值V0和车牌识别率异常情况判定阈值N0进行比对：
若判别时间段内当前车道所述V≥V0和N≥N0，则计算相邻车道同一时间段的V和N：
若相邻车道同一时间段的V<V0和N<N0，则初步判定当前车道的目标补光灯故障，即故障判断结果三为目标补光灯故障；
若相邻车道同一时间段的V≥V0和N≥N0，则判断白天时段同一车道的V、N值是否正常：
若白天时段的V<V0和N<N0，则判定当前车道与相邻车道的目标补光灯故障，即故障判断结果三为目标补光灯故障；
若白天时段的V≥V0且N≥N0，则判定当前车道的目标补光灯对应的摄像机可能故障，即故障判断结果三为摄像机故障；
若判别时间段内当前车道所述V<V0和N<N0，则故障判断结果三为目标补光灯未故障。
7.根据权利要求6所述的基于深度学习的检测挂载设备数据的方法，其特征在于，获取所述电子警察系统处于正常情况时和所述判别时间段同一时间段的车道的平均车流量和车牌识别率/>的过程为：
获取所述电子警察系统处于正常情况时前X天每个车道的过车数据，并以1个小时为时段单位，统计每一天各时段每根车道的车辆流量、车牌识别率，然后统计前X天的数据，统计每天同一时段的平均车辆流量和车牌识别率，即和/>
其中，车牌识别率为正确识别车牌的车辆数位与车辆流量的比值。
8.根据权利要求6所述的基于深度学习的检测挂载设备数据的方法，其特征在于，所述车流量异常判定值V和车牌识别率异常判定值N：
其中，Tab为判别时间段为a时段的第b根车道的车辆流量，Rab为判别时间段为a时段的第b根车道的车牌识别率，为所述电子警察系统处于正常情况时a时段的第b根车道的平均车辆流量，/>为所述电子警察系统处于正常情况时a时段的第b根车道的平均车牌识别率，σ4和σ5为预设权重系数。
9.根据权利要求8所述的基于深度学习的检测挂载设备数据的方法，其特征在于，整合所述故障判断结果一、故障判断结果二和故障判断结果三，获得所述目标挂载设备故障判断最终结果的过程为：
判断所述故障判断结果一是否正常：
若所述故障判断结果一为吻合，则所述目标挂载设备故障判断最终结果为正常，不进行故障预警；
若所述故障判断结果一为不吻合，则判断所述故障判断结果二是否正常：
若所述故障判断结果二为合格，则所述目标挂载设备故障判断最终结果为正常，不进行故障预警；
若所述故障判断结果二为不合格，则判断所述故障判断结果三是否正常：
若所述故障判断结果三为目标补光灯未故障，则所述目标挂载设备故障判断最终结果为正常，不进行故障预警；
若所述故障判断结果三为目标补光灯故障，则所述目标挂载设备故障判断最终结果为补光灯异常，进行故障预警；
若所述故障判断结果三为摄像机故障，则所述目标挂载设备故障判断最终结果为摄像机异常，进行故障预警。
CN202310756089.3A 2023-06-26 2023-06-26 一种基于深度学习的检测挂载设备数据的方法 Pending CN116958764A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310756089.3A CN116958764A (zh) 2023-06-26 2023-06-26 一种基于深度学习的检测挂载设备数据的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310756089.3A CN116958764A (zh) 2023-06-26 2023-06-26 一种基于深度学习的检测挂载设备数据的方法

Publications (1)

Publication Number Publication Date
CN116958764A true CN116958764A (zh) 2023-10-27

Family

ID=88461059

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310756089.3A Pending CN116958764A (zh) 2023-06-26 2023-06-26 一种基于深度学习的检测挂载设备数据的方法

Country Status (1)

Country Link
CN (1) CN116958764A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117970166A (zh) * 2024-03-28 2024-05-03 国网山西省电力公司经济技术研究院 基于大数据的电源信息分析系统及方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117970166A (zh) * 2024-03-28 2024-05-03 国网山西省电力公司经济技术研究院 基于大数据的电源信息分析系统及方法

Similar Documents

Publication Publication Date Title
CN109887281B (zh) 一种监控交通事件的方法及系统
CN109670404B (zh) 一种基于混合模型的道路积水图像检测预警方法
CN110084165B (zh) 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法
CN105160924B (zh) 基于视频处理的智能信号灯状态检测方法及检测系统
CN111428647B (zh) 一种交通信号灯故障检测方法
CN105184271A (zh) 一种基于深度学习的车辆自动检测方法
CN103236181B (zh) 一种基于机器视觉的交通信号灯状态监控系统及方法
CN111507235B (zh) 基于视频的铁路周界异物入侵检测方法
CN112149509B (zh) 深度学习与图像处理融合的交通信号灯故障检测方法
CN112883921A (zh) 一种垃圾桶满溢检测模型训练方法及垃圾桶满溢检测方法
CN110589647A (zh) 一种通过监控对电梯门进行实时故障检测及预测的方法
CN107967445A (zh) 一种轿车加装天窗的智能检测系统及方法
CN112132088B (zh) 一种巡检点位漏巡识别方法
CN112489017A (zh) 一种电力设备故障智能识别方法及识别系统
CN116958764A (zh) 一种基于深度学习的检测挂载设备数据的方法
CN104237808B (zh) 一种基于图像异常的电子警察系统补光灯故障检测方法
CN111738148A (zh) 一种利用红外巡检拍摄的故障识别方法
CN111291722A (zh) 一种基于v2i技术的车辆重识别系统
CN110659534A (zh) 一种共享单车检测方法和装置
KR102178202B1 (ko) 신호등 검출 방법 및 장치
CN107976319B (zh) 一种轿车加装脚踏板的智能检测系统及方法
CN111723690B (zh) 一种电路设备状态监测方法和系统
CN112270333A (zh) 一种针对电动车识别的电梯轿厢异常检测方法及系统
CN110826456A (zh) 一种倒计时牌故障检测方法及系统
CN114937263B (zh) 一种基于视频智能分析的车辆轴数计数方法及系统

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