CN117273664B - 一种基于人工智能的智慧校车系统及装置 - Google Patents

一种基于人工智能的智慧校车系统及装置 Download PDF

Info

Publication number
CN117273664B
CN117273664B CN202311549604.7A CN202311549604A CN117273664B CN 117273664 B CN117273664 B CN 117273664B CN 202311549604 A CN202311549604 A CN 202311549604A CN 117273664 B CN117273664 B CN 117273664B
Authority
CN
China
Prior art keywords
safety
school bus
area
time
site
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
Application number
CN202311549604.7A
Other languages
English (en)
Other versions
CN117273664A (zh
Inventor
李舵文
严鹤
王俊
胡琦
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.)
Yunqi Intelligent Technology Co ltd
Original Assignee
Yunqi Intelligent 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 Yunqi Intelligent Technology Co ltd filed Critical Yunqi Intelligent Technology Co ltd
Priority to CN202311549604.7A priority Critical patent/CN117273664B/zh
Publication of CN117273664A publication Critical patent/CN117273664A/zh
Application granted granted Critical
Publication of CN117273664B publication Critical patent/CN117273664B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • 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
    • G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
    • G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Multimedia (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Computer Security & Cryptography (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Game Theory and Decision Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种基于人工智能的智慧校车系统及装置，涉及校车安全领域，包括：安全路线规划模块，其配置得到规划路径；司机行为监督模块，其配置为对校车在行驶过程中的安全进行实时检测；学生安全管理模块，其配置为通过人脸识别、目标检测和语音播报进行学生安全管理，包括利用人脸识别及语音播报进行安全教育和人员点名、采用目标检测识别学生的危险行为；智能停止臂模块，其配置为在停止臂伸出时，实时检测进入校车安全区域内的车辆，对异常移动的车辆进行检测，记录车牌并上报至管理部门。本发明能够为校车工作人员的校车驾驶工作以及学生安全管理提供便捷。在降低校车安全方面人力消耗同时有效保障了学生上下学过程的安全。

Description

一种基于人工智能的智慧校车系统及装置
技术领域
本发明涉及校车安全领域，具体涉及一种基于人工智能的智慧校车系统及装置。
背景技术
校车是学生上下学的主要交通工具，安全可靠的校车能够保障学生的生命安全，避免因交通事故等原因造成的学生伤亡。
首先校车的不统一运营模式无法有效保证校车的高效管理，有待改进。此外，类似超载而引发校车事故的问题，也依然广泛存在。且存在部分的司机、随行老师的安全意识不够，导致校车在运行时存在安全隐患。
中国申请号为CN202011638259.0的发明专利公开了一种应用于校园安全的智慧管理方法、系统、终端和存储介质，其通过计算预计到达时间，当判断到乘客下车时间与标准到达时间相差较大时，及时通知家长，避免家长担心；通过对乘客进行人脸识别，避免乘客上错车、下错站等情况发生；通过设置到家时钟，及时判断乘客是否安全到家，确保乘客安全到家，减少意外事故发生的概率。该现有技术仅通过时间来判断学生是否安全，并没有考虑其他更多的潜在危险因素，对于学生的安全保障十分有限。
发明内容
有鉴于此，本发明提供一种基于人工智能的智慧校车系统，为校车安全行驶提供助力。一方面该系统能够监督相关人员能够严格的对校车进行管理，另一方面能够为校车工作人员的校车驾驶工作以及学生安全管理提供便捷。在降低校车安全方面人力消耗同时有效保障了学生上下学过程的安全。
本发明的技术目的是这样实现的：
一方面，本发明提供一种基于人工智能的智慧校车系统，包括：
安全路线规划模块，其配置为通过站点选择、区域划分形成多个有向图，以学校为起始点，计算安全系数和时间系数，根据路径搜索算法得到规划路径；
司机行为监督模块，其配置为对校车在行驶过程中的安全进行实时检测，包括对司机的异常行为进行识别、根据规划路径对校车行驶路线进行异常检测、对校车是否安全启停进行检测，将行驶过程中的检测结果进行记录；
学生安全管理模块，其配置为通过人脸识别、目标检测和语音播报进行学生安全管理，包括利用人脸识别及语音播报进行安全教育和人员点名、采用目标检测识别学生的危险行为；
智能停止臂模块，其配置为在停止臂伸出时，实时检测进入校车安全区域内的车辆，对异常移动的车辆进行检测，记录车牌并上报至管理部门。
在上述技术方案的基础上，优选的，安全路线规划模块中，规划路径的获取过程包括：
步骤一、收集所有学生的家庭住址{Dm}，设置第一阈值δ1和第二阈值δ2，基于第二阈值δ2确定站点设立原则，根据站点设立原则和{Dm}设立站点{P}，根据第一阈值δ1确定站点选择策略，基于站点选择策略为每个家庭住址分配站点，其中，δ1<δ2；
步骤二、获取学生数量、校车载荷和时间安排，根据校车的数量n确定区域数量n，以学校为原点，将所有站点{P}置于二维坐标系，利用聚类算法对所有站点{P}进行聚类，聚类结果为n个聚类簇，分别对应n个区域数量，得到区域划分结果{A1,A2,...,An}；
步骤三、以区域Ai为单位，将学校作为起始点，各站点P为节点，以不同站点间的实际路程距离作为节点间边的初始权重，生成多个有向图，其中节点间均存在两两相向的有向边，权重相同；
步骤四、分别统计各个区域内历史年度中每两个站点间的雨天事故发生数r和晴天事故发生数f，根据第一计算方式对r和f进行计算，得到第一安全系数Sr和第二安全系数Sf，以分钟为单位统计各个区域内单个学生期望的接送时间，根据第二计算方式对/>进行计算，得到时间系数/>；
步骤五、根据第一安全系数、第二安全系数和时间系数进行计算，得到各区域内各边更新权重，进而得到更新有向图；
步骤六、使用最短路径搜索算法分别求得各个区域的有向图最短路径，作为规划路径。
在上述技术方案的基础上，优选的，步骤一中：
站点设立原则为：{Dm}中的每个家庭住址距离其最近的站点不超过第二阈值δ2；
站点选择策略为：
对于单个家庭住址Dm，若存在站点P与Dm的距离在第一阈值δ1内，则将该站点P优先作为家庭住址Dm的分配站点；
对于单个家庭住址Dm，若Dm与多个站点的距离均大于第一阈值δ1且小于第二阈值δ2，则选择距离最近的站点作为家庭住址Dm的分配站点。
在上述技术方案的基础上，优选的，步骤四中，第一计算方式为：
；
式中，Sr、Sf分别为第一安全系数和第二安全系数，Sr、Sf的值范围均在(0,0.5]，r为该区域内历史年度中每两个站点间的雨天事故发生数，f为该区域内历史年度中每两个站点间的晴天事故发生数，rmax为所有区域中历史年度中每两个站点间的雨天事故发生数的最大值，rmin为所有区域中历史年度中每两个站点间的雨天事故发生数的最小值，fmax为所有区域中历史年度中每两个站点间的晴天事故发生数的最大值，fmin为所有区域中历史年度中每两个站点间的晴天事故发生数的最小值；
第二计算方式为：
；
式中，为时间系数，/>的值范围在(0,0.5]，/>为该区域内单个学生期望的接送时间，/>是该区域内期望的接送时间的最大值，/>是该区域内期望的接送时间的最小值。
在上述技术方案的基础上，优选的，步骤五中，根据第一安全系数、第二安全系数和时间系数进行计算，得到各区域内各边更新权重，其计算方式为：
；
式中，e为各边更新权重，Pr为该区域下雨频率，Sr为第一安全系数，Sf为第二安全系数，为时间系数，/>为时间调整参数，/>为初始权重。
在上述技术方案的基础上，优选的，步骤六中，利用最短路径搜索算法求得单个区域中的有向图最短路径的过程包括：
（1）记该区域的站点为{P1,P2,...,Pk}，即{P1,P2,...,Pk}为节点，获取起始点到各个节点{P1,P2,...,Pk}的直接距离{L1,L2,...,Lk}作为初始值，在初始值中选取最小值对应的目标节点，将目标节点加入规划路径序列{R}，并在相应有向图中删除该目标节点及其连接边；
（2）将目标节点作为新的起始点，获取目标节点到剩余各个节点的直接距离作为距离值，在距离值中选取最小值对应的新的目标节点，将新的目标节点加入规划路径序列{R}，并在有向图中删除该新的目标节点及其连接边；
（3）重复（2）中的选取过程，直至有向图中只剩一个站点时终止算法，得到该区域最终的规划路径为(R1,R2,R3,...Rk,学校)，即校车在该区域内的规划路径的起始点为R1对应的站点。
在上述技术方案的基础上，优选的，司机行为监督模块包括：
司机异常行为识别单元，其按照1s/1次的频率，使用目标检测模型识别人脸得分最高的目标，并通过SlowFast模型识别校车行驶过程中的司机异常行为，记录过程并提出预警；
校车驾驶路线异常检测单元，其利用GPS实时检测校车在行驶期间的实际行驶路线，根据实际行驶路线与规划路径的对比检测路线是否偏离，若路线偏离，则语音提示司机并将信息同步至管理员；
校车驾驶耗时异常检测单元，其根据各个站点的实际到达时间和规划时间计算耗时偏差，基于耗时偏差动态调整到达下一站点的时间，并语义提示司机，同时记录检测过程；
校车安全启停检测单元，其根据各站点学生数量计算各站点对应的停车时间下限值，利用GPS、车门传感器和引擎传感器记录司机在非站点处的异常停车、各站点停车时长和校车车门状态。
在上述技术方案的基础上，优选的，学生安全管理模块包括：
安全教育单元，其通过语音播报对校车内学生进行安全教育；
人员点名单元，其根据学生名单在每个站点上下车时进行语音点名播报，并基于人脸识别来预警随行老师未正常上下车学生；
安全监测单元，其通过校车内部摄像头实时采集视频，通过目标检测分析视频进行人员超载预警；利用目标识别获取每个人脸的预测框，指定每个座椅的区域，根据预测框的中心区域和每个座椅的区域识别学生是否正常坐下；同时目标识别统计正常安全扣的数量和学生数量是否匹配，检测是否有学生没有正常系好安全带；使用姿态评估算法获取手部和头部的关键点，根据与车窗的相对位置筛选出疑似头、手伸出窗户的目标并进行预警。
在上述技术方案的基础上，优选的，智能停止臂模块中，对异常移动的车辆进行检测的过程包括：
第一步、在停止臂伸出时，以校车为中心，根据预设范围进行数据采集，在采集的视频流实时上传远端服务器；
第二步、采用目标检测网络提取特征图；
第三步、使用RPN网络生成候选区域；
第四步、将第二步和第三步中的特征图和候选区域作为感兴趣区域池化层的输入，提取候选区域特征图；
第五步、在候选区域特征图经过全连接层后，计算得到候选区域的类别，并再次边界框回归获得检测框最终的精确位置；
第六步、根据摄像头安装角度，划出多个对应的车辆禁止区域（x,y,w,h），其中，x为车辆禁止区域的左上角横坐标，即车辆禁止区域的起始点在水平方向上的位置，y为车辆禁止区域的左上角纵坐标，即车辆禁止区域的起始点在垂直方向上的位置，w为车辆禁止区域的宽度，即车辆禁止区域在水平方向上的长度，h为车辆禁止区域的高度，即车辆禁止区域在垂直方向上的长度，计算各个检测目标预测框的中心点是否在该车辆禁止区域内，若存在，则使用光学字符识别方法对预测框内的车牌进行记录，作为疑似违规车牌；
第七步、缓存校车停站时间内所有的疑似违规车牌及其坐标，在校车停站时间内，对比每个疑似违规车牌的坐标是否变动，以判断该车牌对应的车辆是否违规。
另一方面，本发明还提供一种基于人工智能的智慧校车装置，所述装置包括：
硬件组成，包括微控制单元、通信模块、摄像头、传感器系统、停止臂组件和扬声器；
软件系统，其为上述任一项所述的系统；
远程服务器，包括目标检测、姿态评估、安全管理和数据存储；
其中，硬件组成和软件系统构成所述装置的校车移动端。
本发明的方法相对于现有技术具有以下有益效果：
（1）本发明提供安全路线规划、司机行为监管、学生安全管理以及智能停止臂系统四大功能模块，在减少学校人力成本的情况下，使校车安全得到学校以及家长的监督，保证了学生上下学的安全；
（2）本发明通过增加区域划分、安全系数以及时间系数等策略，提供一种动态的安全路线规划方法，除了传统考虑高效性，还从安全角度和学生家长便利角度出发增加权重系数，让校车路线更合理；
（3）本发明通过实时监测校车行驶过程中的司机异常行为、路线是否偏离、校车是否安全启停，来消除在校车行驶中的各种安全隐患，保证校车的安全；
（4）本发明通过人脸识别、目标检测、语音播报等功能协助随行老师进行校车行驶中车内学生的安全管理，为老师提供便利，并提高学生的安全意识；
（5）本发明通过智能停止臂模块进行违规车辆检测和上报，尽量规避外在的安全问题，并联合有关管理部门对违规车辆进行评估，保障学生的安全。
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为本发明实施例的系统结构图；
图2为本发明实施例的装置框架图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
如图1所示，本发明提供一种基于人工智能的智慧校车系统，包括：
安全路线规划模块，其配置为通过站点选择、区域划分形成多个有向图，以学校为起始点，计算安全系数和时间系数，根据路径搜索算法得到规划路径；
司机行为监督模块，其配置为对校车在行驶过程中的安全进行实时检测，包括对司机的异常行为进行识别、根据规划路径对校车行驶路线进行异常检测、对校车是否安全启停进行检测，将行驶过程中的检测结果进行记录；
学生安全管理模块，其配置为通过人脸识别、目标检测和语音播报进行学生安全管理，包括利用人脸识别及语音播报进行安全教育和人员点名、采用目标检测识别学生的危险行为；
智能停止臂模块，其配置为在停止臂伸出时，实时检测进入校车安全区域内的车辆，对异常移动的车辆进行检测，记录车牌并上报至管理部门。
具体地，本发明一实施例中，规划路径的获取过程包括：
步骤一、收集所有学生的家庭住址{Dm}，设置第一阈值δ1和第二阈值δ2，基于第二阈值δ2确定站点设立原则，根据站点设立原则和{Dm}设立站点{P}，根据第一阈值δ1确定站点选择策略，基于站点选择策略为每个家庭住址分配站点，其中，δ1<δ2；
站点设立原则为：{Dm}中的每个家庭住址距离其最近的站点不超过第二阈值δ2；
站点选择策略为：
对于单个家庭住址Dm，若存在站点P与Dm的距离在第一阈值δ1内，则将该站点P优先作为家庭住址Dm的分配站点；
对于单个家庭住址Dm，若Dm与多个站点的距离均大于第一阈值δ1且小于第二阈值δ2，则选择距离最近的站点作为家庭住址Dm的分配站点。
步骤二、获取学生数量、校车载荷和时间安排，根据校车的数量n确定区域数量n，以学校为原点，将所有站点{P}置于二维坐标系，利用聚类算法对所有站点{P}进行聚类，聚类结果为n个聚类簇，分别对应n个区域数量，得到区域划分结果{A1,A2,...,An}；
步骤三、以区域Ai为单位，将学校作为起始点，各站点P为节点，以不同站点间的实际路程距离作为节点间边的初始权重，生成多个有向图，其中节点间均存在两两相向的有向边，权重相同；
步骤四、分别统计各个区域内历史年度中每两个站点间的雨天事故发生数r和晴天事故发生数f，根据第一计算方式对r和f进行计算，得到第一安全系数Sr和第二安全系数Sf，以分钟为单位统计各个区域内单个学生期望的接送时间，根据第二计算方式对/>进行计算，得到时间系数/>；
第一计算方式为：
；
式中，Sr、Sf分别为第一安全系数和第二安全系数，Sr、Sf的值范围均在(0,0.5]，r为该区域内历史年度中每两个站点间的雨天事故发生数，f为该区域内历史年度中每两个站点间的晴天事故发生数，rmax为所有区域中历史年度中每两个站点间的雨天事故发生数的最大值，rmin为所有区域中历史年度中每两个站点间的雨天事故发生数的最小值，fmax为所有区域中历史年度中每两个站点间的晴天事故发生数的最大值，fmin为所有区域中历史年度中每两个站点间的晴天事故发生数的最小值；
第二计算方式为：
；
式中，为时间系数，/>的值范围在(0,0.5]，/>为该区域内单个学生期望的接送时间，/>是该区域内期望的接送时间的最大值，/>是该区域内期望的接送时间的最小值。
步骤五、根据第一安全系数、第二安全系数和时间系数进行计算，得到各区域内各边更新权重，进而得到更新有向图；计算方式为：
；
式中，e为各边更新权重，Pr为该区域下雨频率，Sr为第一安全系数，Sf为第二安全系数，为时间系数，/>为时间调整参数，/>为初始权重。
步骤六、使用最短路径搜索算法分别求得各个区域的有向图最短路径，作为规划路径。
利用最短路径搜索算法求得单个区域中的有向图最短路径的过程包括：
（1）记该区域的站点为{P1,P2,...,Pk}，即{P1,P2,...,Pk}为节点，获取起始点到各个节点{P1,P2,...,Pk}的直接距离{L1,L2,...,Lk}作为初始值，在初始值中选取最小值对应的目标节点，将目标节点加入规划路径序列{R}，并在相应有向图中删除该目标节点及其连接边；
（2）将目标节点作为新的起始点，获取目标节点到剩余各个节点的直接距离作为距离值，在距离值中选取最小值对应的新的目标节点，将新的目标节点加入规划路径序列{R}，并在有向图中删除该新的目标节点及其连接边；
（3）重复（2）中的选取过程，直至有向图中只剩一个站点时终止算法，得到该区域最终的规划路径为(R1,R2,R3,...Rk,学校)，即校车在该区域内的规划路径的起始点为R1对应的站点。
以一具体的例子对安全路线规划模块进行说明：
校车路线管理是对于学校而言是一个难题，当前已存在一些关于校车路线规划的方案，其主要解决最短路径以及成本核算相关的问题，但缺乏校车安全和个人家庭便捷方面相关的解决方案。本实施例通过增加区域划分、安全系数以及时间系数等策略，提供一种动态的安全路线规划方法。其具体的安全路线规划过程如下：
站点选择，收集所有学生的家庭住址{Dm}，针对每个学生家庭选择站点P，站点仅考虑选择公交站点或小区门口，对于与站点距离第一阈值δ1内的家庭，优先选择同一站点，原则上站点离每个家庭不超过第二阈值δ2。具体地，第一阈值δ1为500m，第二阈值δ2为1000m。
区域划分，根据学生数量、校车荷载以及时间安排，预计区域数量n,区域数量等于校车的数量，安排多辆校车在不同区域接送学生。采用聚类算法进行区域划分。首先，将所有站点置于二维坐标系，以学校为原点，各个站点的坐标为（x,y）。其中，x表示该站点所在经线离学校所在纬线的距离，y表示经线的距离。为了考虑最短距离路线规划，可以采用基于密度的DBSCAN聚类算法。在该算法中，将x和y作为两个特征值进行聚类。由于部分家庭居住偏远，可以尝试选择类别数为n+3、n+2或n+1。通过合并站点少、区域近的聚类结果，最终得到区域划分结果{A1,A2....An}。
生成有向图，以区域Ai为单位，将学校作为起始点，各站点P为节点，以不同站点间的实际路程距离作为节点间边的初始权重，生成多个有向图，其中节点间都存在两两相向的有向边，权重相同。
校车不仅要考虑路线的高效性，还要考虑路线安全和对各个家庭的时间便利问题，因此增加各条有向边的安全系数和时间系数。由于不同路线的道路设计以及交通情况不同，道路的安全情况根据往年事故发生数量考量，分别统计各个路线往年雨天和晴天事故发生数，使用以下公式将数值缩放至（0,0.5]作为安全系数Sr和Sf：
；
式中，Sr、Sf分别为第一安全系数和第二安全系数，Sr、Sf的值范围均在(0,0.5]，r为该区域内历史年度中每两个站点间的雨天事故发生数，f为该区域内历史年度中每两个站点间的晴天事故发生数，rmax为所有区域中历史年度中每两个站点间的雨天事故发生数的最大值，rmin为所有区域中历史年度中每两个站点间的雨天事故发生数的最小值，fmax为所有区域中历史年度中每两个站点间的晴天事故发生数的最大值，fmin为所有区域中历史年度中每两个站点间的晴天事故发生数的最小值。
同样由于不同家庭工作情况多样化，对接送学生时间要求不同，以分钟为单位统计不同学生期望的接送时间，原则上最大值和最小值不超过1小时，使用以下公式将数值缩放至(0,0.5]作为时间系数：
；
式中，为时间系数，/>的值范围在(0,0.5]，/>为该区域内单个学生期望的接送时间，/>是该区域内期望的接送时间的最大值，/>是该区域内期望的接送时间的最小值。
通过以下公式综合考虑得到最终的各边更新权重e：
；
式中，e为各边更新权重，Pr为该区域下雨频率，Sr为第一安全系数，Sf为第二安全系数，为时间系数，/>为时间调整参数，/>为初始权重。
最短路径,使用最短路径算法分别求以上各个区域不同天气下的有向图最短路径，详细流程为：1）获取起始点到各个节点的直接距离{L1,L2,...,Lk}作为初始值，求与起始点临近边权重最小的节点加入规划路径序列{R}，并在有向图中删除该站点及其边；2）以上一步加入的站点P为起始点，重复步骤1）选取下一个最近站点加入规划路径序列{R}；3）只剩1个站点时终止算法，最终规划路线为(R1,R2,R3,...Rk,学校)，即校车在该区域内的规划路径的起始点为R1对应的站点。
获取各个区域路线以及时间要求，若出现超时或多个区域耗时不平衡，可回到区域划分的步骤将不平衡区域进行单独合并和重新聚类。
具体地，超时或多个区域耗时不平衡处理：
如果在实际运行中，校车在某个区域内的接送任务耗时超过了规定的时间要求，可以进行以下处理：
调整区域划分：首先，可以回到区域划分的步骤，将超时区域或耗时不平衡的区域进行单独合并和重新聚类。通过重新划分区域，可以减少某个区域内的站点数量，从而降低接送任务的耗时或平衡各个区域内的接送任务耗时。
重新规划路线：在调整区域划分后，需要重新计算相应区域的路线规划。使用最短路径算法来计算学校到各个站点的最短路线，并确保在规定时间内完成接送任务。
具体地，本发明一实施例中，司机行为监督模块包括：
司机异常行为识别单元，其按照1s/1次的频率，使用目标检测模型识别人脸得分最高的目标，并通过SlowFast模型识别校车行驶过程中的司机异常行为，记录过程并提出预警；
校车驾驶路线异常检测单元，其利用GPS实时检测校车在行驶期间的实际行驶路线，根据实际行驶路线与规划路径的对比检测路线是否偏离，若路线偏离，则语音提示司机并将信息同步至管理员；
校车驾驶耗时异常检测单元，其根据各个站点的实际到达时间和规划时间计算耗时偏差，基于耗时偏差动态调整到达下一站点的时间，并语义提示司机，同时记录检测过程；
校车安全启停检测单元，其根据各站点学生数量计算各站点对应的停车时间下限值，利用GPS、车门传感器和引擎传感器记录司机在非站点处的异常停车、各站点停车时长和校车车门状态。
以一具体的例子对司机行为监督模块进行说明：
校车司机是校车安全中最关键的一环，但实际在校车运行中，校车的行为是无人监督的，安全意识淡薄的司机往往会给校车安全带来极大的安全隐患，例如开车时接打电话、吃东西，又或由于个人原因偏离规划路线，又或赶时间不合理停车等危险行为。本实施例提供利用摄像头、传感器等多种设备对校车司机行为进行实时监督，具体包含以下多个方面：
一、司机异常行为识别
按照1s/1次的频率，先使用目标检测模型识别人脸得分最高的目标，例如：使用YOLO等模型对视频帧进行处理来识别处其中的目标对象，在目标对象中，找到得分最高的人脸目标，表示该目标最可能是司机，记录该人脸目标的位置、大小等信息。
再通过slowfast模型识别校车行驶过程中的异常行为，记录过程并提出预警：
SlowFast使用了一种慢速高分辨率CNN（Slow）来分析视频中的静态内容(环境)，同时使用一种快速低分辨率CNN（Fast）来分析视频中的动态内容(动作)。其中慢速路径低帧速率操作，以捕捉空间语义，快速路径以高帧速率操作，以精细的时间分辨率捕捉运动。快速路径可以通过减少信道容量而变得非常轻量级，同时还可以学习有用的时间信息用于视频识别。具体推理流程如下：
1）从视频中获取双分支数据，其中慢速路径设置一个时序跨度T（默认为16），则1秒大概能采集30/16帧数据。快速路径设置的时序跨度为T/a（a默认为8），则1秒大概能采集15帧。
2）使用3D ResNet模型对慢速路径和快速路径的数据进行特征提取。由于快速路径采集的数据较多，采用更小的卷积宽度b（一般为1/8）以保持轻量化。
3）将慢速路径和快速路径的特征进行融合。采用非退化的时间卷积，使用一个512的核进行3D卷积，将2βC作为输出c，每隔a帧进行采样，其中，β为通道比例，C为通道数。
4）使用全局平均池化将融合后的特征进行降维，将结果送入全连接层，最终通过softmax激活函数进行多分类，以获得对不同行为的识别结果。
根据SlowFast模型的分类结果，判断司机的行为是否属于异常行为。常见的异常行为包括：驾驶过程中司机接、打电话；驾驶过程中吃东西；驾驶过程中抽烟；校车未熄火离开驾驶位。
如果识别到司机的行为属于异常行为，则记录下该异常行为的时间戳，并进行相应的预警操作，如触发警报、发送通知等。
二、校车驾驶路线异常检测，本校车系统内置GPS，实时检测校车工作期间是否偏离规划路径以及行驶过程是否有超速行为，检测到路线偏离时，系统通过语音系统提示司机并将信息同步至学校管理人员。
校车驾驶路线异常检测主要通过GPS定位和速度监测来实现，校车系统内置GPS设备，定期获取校车的位置信息（经纬度）。校车系统中预先设定了校车的规划路径，即校车应该按照特定路线行驶。
根据GPS定位数据和规划路径，可以实时计算校车的当前位置与规划路径的偏离程度。偏离程度可以通过计算校车当前位置与规划路径的距离来判断，如果距离超过一定阈值，则认为校车偏离了规划路径。当检测到校车偏离规划路径时，系统会触发相应的提示措施。
根据GPS定位数据和速度监测，可以实时获取校车的当前速度。系统会设定一个速度阈值，如果校车的当前速度超过该阈值，则认为存在超速行为。当检测到校车超速时，系统会触发相应的提示措施。
当系统检测到路线偏离或超速行为时，会通过语音系统向司机发出警告提示，提醒司机注意行驶安全。
同时，系统将偏离或超速的信息同步至学校管理人员的终端设备，如电脑或手机应用程序。
学校管理人员可以及时收到校车的异常行为信息，并根据需要采取相应的措施，如联系司机、调度其他车辆等。
三、为了防止司机出现赶时间、抄近路等情况，要求校车司机在规定时间范围内，达到路线中的各个站点，要求各个站点实际与规划时间偏差不超过5分钟。系统会根据天气情况以及当前行驶状况进行动态调整，计算各个子路线耗时在正常范围内，提示司机在指定时间到达下一个站点，并对全过程进行记录。
校车系统中预先设定了校车的规划路线和各个站点的到站时间。根据学校的要求和实际情况，系统会设定每个站点的到站时间范围，例如每个站点的到站时间为规定时间的前后5分钟。
校车系统会根据天气情况、交通状况和当前行驶状况等因素进行动态调整。系统会根据实时获取的路况信息、历史数据和算法模型等，预测每个子路线的耗时情况。根据预测的耗时情况，系统会计算出每个站点的预计到站时间，并进行实时更新。
校车系统会根据预计到站时间，通过语音系统向司机发出提示，提醒司机在指定时间到达下一个站点。司机可以根据提示调整行驶速度和路径，以保证到站时间的准确性。同时，系统会记录下司机的实际到站时间和与规划时间的偏差。
校车系统会根据司机的实际到站时间和与规划时间的偏差情况，进行记录。如果司机的到站时间偏差在规定范围内，系统会标记为记录良好。如果司机的到站时间偏差超过规定范围，系统会标记为记录不佳，根据系统的标记结果采取后续对司机的管理措施。
四、校车的安全启停也是校车安全中的重要一环，司机图方便的违规停车可能会导致严重的安全事故，系统通过语音提示司机在指定的站点停车接送学生，根据各站点学生数量给出各站点要求的停车时间下限值，系统会通过车载GPS、车门传感器以及引擎传感器记录司机在非站点处的异常停车记录、各站点停车时长以及校车车门状态。
为保证校车的安全，对于校车偏离驾驶路线需要进行异常记录，根据异常记录的结果对司机进行后续的管理。
具体地，校车系统可以通过以下措施来确保校车的安全启停：
指定停车站点和时间：校车系统会预先设定校车的停车站点，根据学校的要求和实际情况，确定每个站点的停车时间下限值。系统会通过语音提示向司机发出指示，在指定的站点停车接送学生。
学生数量和停车时长：根据各个站点的学生数量，系统会给出相应的停车时间下限值，以确保充分的上下车时间。司机需要根据系统提示和站点要求，合理安排停车时长，确保学生的安全上下车。
异常停车记录和车门状态：校车系统通过车载GPS、车门传感器以及引擎传感器等设备，记录司机在非站点处的异常停车情况。同时，系统还会监测校车车门的状态，确保在停车时车门关闭，并记录车门的开关状态。
调查记录和管理措施：对于校车偏离驾驶路线的情况，校车系统会进行调查记录，并根据情况采取相应的管理措施。
具体地，本发明一实施例中，学生安全管理模块包括：
安全教育单元，其通过语音播报对校车内学生进行安全教育；
人员点名单元，其根据学生名单在每个站点上下车时进行语音点名播报，并基于人脸识别来预警随行老师未正常上下车学生；
安全监测单元，其通过校车内部摄像头实时采集视频，通过目标检测分析视频进行人员超载预警；利用目标识别获取每个人脸的预测框，指定每个座椅的区域，根据预测框的中心区域和每个座椅的区域识别学生是否正常坐下；同时目标识别统计正常安全扣的数量和学生数量是否匹配，检测是否有学生没有正常系好安全带；使用姿态评估算法获取手部和头部的关键点，根据与车窗的相对位置筛选出疑似头、手伸出窗户的目标并进行预警。
校车随行老师在校车接送学生过程中扮演着学生安全的第一责任人。然而，由于校车上学生数量众多，而随行老师通常只有一位，难以监督到所有学生的安全状态，有时甚至会出现安全意识薄弱的情况。为了辅助随行老师进行学生安全管理，本实施例提出了以下措施：
（1）安全教育，每次上下车时，通过语音播报进行安全教育。播报内容包括但不限于以下内容：
1、头、手身体部位不得伸出窗外；
2、不推搡、不拥挤、不吵闹；
3、上下车有序排队，照顾礼让小同学；
4、上车后坐上自己的位置，系好安全带，不打闹；
5、避免在校车上吃东西。
（2）人员点名，系统结合学生名单进行语音点名，提示学生有序上下车。同时，结合人脸识别技术来预警老师未正常上车的学生，防止学生因为睡着或遗忘而未能及时上下车。
（3）安全监测，校车内部摄像头实时采集视频，并进行分析监测校车上的危险行为。具体的安全检测包括以下几个方面：
人员超载预警：使用目标检测技术，每分钟检测校车上的人员数量，并进行超载预警，确保校车载客数量不超过安全范围。
安全带检测：统计安全带状态和人员数量匹配情况，使用目标识别获取每个人脸的预测框，指定每个座椅的区域，若预测框的中心区域在该区域内则视为学生正常坐下。同时目标识别统计正常安全扣的数量和人物数是否匹配，若人数多于正常安全扣数量，说明存在学生没有正常系好安全带，系统会进行安全带预警。
头部和手部伸出窗外检测：使用姿态评估算法获取手部和头部的关键点，根据与车窗的相对位置筛选出疑似头、手伸出窗户的目标并进行预警。
具体地，监测头、手等身体部位伸出窗外的具体流程如下：
1）数据采集，将数据采集摄像头置于车厢内前上方中间位置，要求所有车窗不被遮挡，采集频率为1帧/秒，实时上传至远端服务器。
2）目标检测，使用YOLO模型对上传的数据进行人脸目标获取，提取目标的预测框并缩放至指定为256192。
3）空间转换，利用STN算法，筛选出准确率更高的目标候选区域，转换操作主要包含平移、缩放、旋转以及剪切等。
4）姿态评估，经过SPPE网络和人体姿态估计方法，获取目标的关键部位，每个目标包含17个关键部位，分别代表鼻子，左眼，右眼，左耳，右耳，左肩，右肩，左胳膊肘，右胳膊肘，左手腕，右手腕，左臀，右臀，左膝，右膝，左脚踝，右脚踝。
5）姿态消除，由于姿态估计可能存在误差，会导致相似姿态的重复出现。为了消除这些重复的姿态，可以使用姿态非最大值抑制（pose-nms）算法。该算法会根据关键点之间的距离和置信度等因素，选择置信度最高的姿态作为参考，然后通过一定的标准，如距离阈值或置信度阈值，消除与参考姿态接近的其他姿态。
6）危险检测，通过获取学生的左肩和右肩关键点位置，可以计算出学生目标的中心点坐标（x，y）。然后，根据y坐标定位该目标对应的窗口区域。接下来，通过计算目标中心点的x坐标与窗口底部线的相对位置，可以判断学生是否将身体部分伸出窗外。如果相对位置超过一定阈值，则可以判断为危险行为。当检测到危险行为时，系统可以通过远程服务器向校车发送警示信息，提醒随行老师对相应窗口的学生进行警示和安全教育。
除了校车自身存在的安全隐患，还应考虑和规避外在的安全问题，学生在校车停止上下车时，周围的机动车、非机动车都应该做出适当停止或避让，而实际情况中可能会无视校车相关的安全管理条例。
为保证该方面校车安全条例的有效落实，智慧校车系统为校车增加停止臂以及外部摄像头，摄像头会在校车灯闪烁和停止臂伸出时激活，向其他车辆发出信号，表明当学生上下车时，他们不允许通过或进行合理的避让。利用摄像头捕捉仍处于动态的车辆，若进入站点附近领域则进行自动记录，并上报给相关执法部门进行评估。
违规车辆检测主要通过目标检测车牌，若车牌在指定范围内出现移动，则视为异常车辆进行捕捉，交由相关部门进行人工确认。详细的流程如下所示：
第一步、在停止臂伸出时，以校车为中心，根据预设范围进行数据采集，在采集的视频流实时上传远端服务器。
由于骑车速度较快，且校车停站的时间一般较短，本实施例以频率较高的一种方式采集数据，30帧/s。
第二步、采用目标检测网络提取特征图。
具体地，本实施例使用一组基础的卷积层+激活函数层+池化层提取数据的特征图。
第三步、使用RPN网络生成候选区域。
具体地，RPN网络通过softmax激活函数判断锚点属于正样本或者负样本，再利用边界框回归修正锚点获得精确的候选区域。
第四步、将第二步和第三步中的特征图和候选区域作为感兴趣区域池化层的输入，提取候选区域特征图；
第五步、在候选区域特征图经过全连接层后，计算得到候选区域的类别，并再次边界框回归获得检测框最终的精确位置；
第六步、根据摄像头安装角度，划出多个对应的车辆禁止区域（x,y,w,h），其中，x为车辆禁止区域的左上角横坐标，即车辆禁止区域的起始点在水平方向上的位置，y为车辆禁止区域的左上角纵坐标，即车辆禁止区域的起始点在垂直方向上的位置，w为车辆禁止区域的宽度，即车辆禁止区域在水平方向上的长度，h为车辆禁止区域的高度，即车辆禁止区域在垂直方向上的长度，计算各个检测目标预测框的中心点是否在该车辆禁止区域内，若存在，则使用光学字符识别方法对预测框内的车牌进行记录，作为疑似违规车牌；
第七步、缓存校车停站时间内所有的疑似违规车牌及其坐标，在校车停站时间内，对比每个疑似违规车牌的坐标是否变动，以判断该车牌对应的车辆是否违规。
将疑似违规车辆信息以及短视频交由相关管理部门进行人工确认和处理。
同时，若其他车辆占用校车所需的停靠点，且长时间不进行避让，校车司机可进行主动的摄像头录制并上报。
另一方面，如图2所示，本发明还提供一种基于人工智能的智慧校车装置，所述装置包括：
硬件组成，包括微控制单元、通信模块、摄像头、传感器系统、停止臂组件和扬声器。
微控制单元（MCU）：负责控制和管理装置的各个硬件模块，处理传感器数据和执行指令。
通信模块：用于与远程服务器进行通信，传输数据和接收指令。
摄像头：用于实时监控校车内外的情况，收集图像数据供后续处理和分析。
传感器系统：包括多种传感器，如加速度传感器、温度传感器、湿度传感器、车门传感器、引擎传感器等，用于收集校车环境和状态的数据。
停止臂组件：用于在校车停车时自动伸出，对周围车辆进行警示。
扬声器：用于播放语音提示或警报，向学生和乘车人员传达信息。
软件系统，其为上述任一所述的系统。软件系统运行在微控制单元上。
远程服务器，包括目标检测、姿态评估、安全管理和数据存储。
远程服务器是装置的后台支持，用于接收装置传输的数据，并进行更复杂的数据处理和分析。
硬件组成和软件系统构成了智慧校车装置的校车移动端，而远程服务器提供了更高级的数据处理和管理功能，实现了校车行驶过程的智能化和安全性的提升。通过整合硬件和软件，装置能够实时监控校车的运行情况，保障学生的安全，并提供实时的数据支持和决策参考。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于人工智能的智慧校车系统，其特征在于，包括：
安全路线规划模块，其配置为通过站点选择、区域划分形成多个有向图，以学校为起始点，计算安全系数和时间系数，根据最短路径搜索算法得到规划路径；
安全路线规划模块中，规划路径的获取过程包括：
步骤一、收集所有学生的家庭住址{Dm}，设置第一阈值δ1和第二阈值δ2，基于第二阈值δ2确定站点设立原则，根据站点设立原则和{Dm}设立站点{P}，根据第一阈值δ1确定站点选择策略，基于站点选择策略为每个家庭住址分配站点，其中，δ1<δ2；
步骤二、获取学生数量、校车载荷和时间安排，根据校车的数量n确定区域数量n，以学校为原点，将所有站点{P}置于二维坐标系，利用聚类算法对所有站点{P}进行聚类，聚类结果为n个聚类簇，分别对应n个区域数量，得到区域划分结果{A1,A2,...,An}；
步骤三、以区域Ai为单位，将学校作为起始点，各站点P为节点，以不同站点间的实际路程距离作为节点间边的初始权重，生成多个有向图，其中节点间均存在两两相向的有向边，权重相同；
步骤四、分别统计各个区域内历史年度中每两个站点间的雨天事故发生数r和晴天事故发生数f，根据第一计算方式对r和f进行计算，得到第一安全系数Sr和第二安全系数Sf，以分钟为单位统计各个区域内单个学生期望的接送时间，根据第二计算方式对/>进行计算，得到时间系数/>；
第一计算方式为：
；
式中，Sr、Sf分别为第一安全系数和第二安全系数，Sr、Sf的值范围均在(0,0.5]，r为该区域内历史年度中每两个站点间的雨天事故发生数，f为该区域内历史年度中每两个站点间的晴天事故发生数，rmax为所有区域中历史年度中每两个站点间的雨天事故发生数的最大值，rmin为所有区域中历史年度中每两个站点间的雨天事故发生数的最小值，fmax为所有区域中历史年度中每两个站点间的晴天事故发生数的最大值，fmin为所有区域中历史年度中每两个站点间的晴天事故发生数的最小值；
第二计算方式为：
；
式中，为时间系数，/>的值范围在(0,0.5]，/>为该区域内单个学生期望的接送时间，/>是该区域内期望的接送时间的最大值，/>是该区域内期望的接送时间的最小值；
步骤五、根据第一安全系数、第二安全系数和时间系数进行计算，得到各区域内各边更新权重，进而得到更新有向图；
步骤六、使用最短路径搜索算法分别求得各个区域的有向图最短路径，作为规划路径；
步骤六中，利用最短路径搜索算法求得单个区域中的有向图最短路径的过程包括：
（1）记该区域的站点为{P1,P2,...,Pk}，即{P1,P2,...,Pk}为节点，获取起始点到各个节点{P1,P2,...,Pk}的直接距离{L1,L2,...,Lk}作为初始值，在初始值中选取最小值对应的目标节点，将目标节点加入规划路径序列{R}，并在相应有向图中删除该目标节点及其连接边；
（2）将目标节点作为新的起始点，获取目标节点到剩余各个节点的直接距离作为距离值，在距离值中选取最小值对应的新的目标节点，将新的目标节点加入规划路径序列{R}，并在有向图中删除该新的目标节点及其连接边；
（3）重复（2）中的选取过程，直至有向图中只剩一个站点时终止算法，得到该区域最终的规划路径为(R1,R2,R3,...Rk,学校)，即校车在该区域内的规划路径的起始点为R1对应的站点；
司机行为监督模块，其配置为对校车在行驶过程中的安全进行实时检测，包括对司机的异常行为进行识别、根据规划路径对校车行驶路线进行异常检测、对校车是否安全启停进行检测，将行驶过程中的检测结果进行记录；
学生安全管理模块，其配置为通过人脸识别、目标检测和语音播报进行学生安全管理，包括利用人脸识别及语音播报进行安全教育和人员点名、采用目标检测识别学生的危险行为；
智能停止臂模块，其配置为在停止臂伸出时，实时检测进入校车安全区域内的车辆，对异常移动的车辆进行检测，记录车牌并上报至管理部门。
2.如权利要求1所述的一种基于人工智能的智慧校车系统，其特征在于，步骤一中：
站点设立原则为：{Dm}中的每个家庭住址距离其最近的站点不超过第二阈值δ2；
站点选择策略为：
对于单个家庭住址Dm，若存在站点P与Dm的距离在第一阈值δ1内，则将该站点P优先作为家庭住址Dm的分配站点；
对于单个家庭住址Dm，若Dm与多个站点的距离均大于第一阈值δ1且小于第二阈值δ2，则选择距离最近的站点作为家庭住址Dm的分配站点。
3.如权利要求1所述的一种基于人工智能的智慧校车系统，其特征在于，步骤五中，根据第一安全系数、第二安全系数和时间系数进行计算，得到各区域内各边更新权重，其计算方式为：
；
式中，e为各边更新权重，Pr为该区域下雨频率，Sr为第一安全系数，Sf为第二安全系数，为时间系数，/>为时间调整参数，/>为初始权重。
4.如权利要求1所述的一种基于人工智能的智慧校车系统，其特征在于，司机行为监督模块包括：
司机异常行为识别单元，其按照1s/1次的频率，使用目标检测模型识别人脸得分最高的目标，并通过SlowFast模型识别校车行驶过程中的司机异常行为，记录过程并提出预警；
校车驾驶路线异常检测单元，其利用GPS实时检测校车在行驶期间的实际行驶路线，根据实际行驶路线与规划路径的对比检测路线是否偏离，若路线偏离，则语音提示司机并将信息同步至管理员；
校车驾驶耗时异常检测单元，其根据各个站点的实际到达时间和规划时间计算耗时偏差，基于耗时偏差动态调整到达下一站点的时间，并语义提示司机，同时记录检测过程；
校车安全启停检测单元，其根据各站点学生数量计算各站点对应的停车时间下限值，利用GPS、车门传感器和引擎传感器记录司机在非站点处的异常停车、各站点停车时长和校车车门状态。
5.如权利要求1所述的一种基于人工智能的智慧校车系统，其特征在于，学生安全管理模块包括：
安全教育单元，其通过语音播报对校车内学生进行安全教育；
人员点名单元，其根据学生名单在每个站点上下车时进行语音点名播报，并基于人脸识别来预警随行老师未正常上下车学生；
安全监测单元，其通过校车内部摄像头实时采集视频，通过目标检测分析视频进行人员超载预警；利用目标识别获取每个人脸的预测框，指定每个座椅的区域，根据预测框的中心区域和每个座椅的区域识别学生是否正常坐下；同时目标识别统计正常安全扣的数量和学生数量是否匹配，检测是否有学生没有正常系好安全带；使用姿态评估算法获取手部和头部的关键点，根据与车窗的相对位置筛选出疑似头、手伸出窗户的目标并进行预警。
6.如权利要求1所述的一种基于人工智能的智慧校车系统，其特征在于，智能停止臂模块中，对异常移动的车辆进行检测的过程包括：
第一步、在停止臂伸出时，以校车为中心，根据预设范围进行数据采集，在采集的视频流实时上传远端服务器；
第二步、采用目标检测网络提取特征图；
第三步、使用RPN网络生成候选区域；
第四步、将第二步和第三步中的特征图和候选区域作为感兴趣区域池化层的输入，提取候选区域特征图；
第五步、在候选区域特征图经过全连接层后，计算得到候选区域的类别，并再次边界框回归获得检测框最终的精确位置；
第六步、根据摄像头安装角度，划出多个对应的车辆禁止区域（x,y,w,h），其中，x为车辆禁止区域的左上角横坐标，即车辆禁止区域的起始点在水平方向上的位置，y为车辆禁止区域的左上角纵坐标，即车辆禁止区域的起始点在垂直方向上的位置，w为车辆禁止区域的宽度，即车辆禁止区域在水平方向上的长度，h为车辆禁止区域的高度，即车辆禁止区域在垂直方向上的长度，计算各个检测目标预测框的中心点是否在该车辆禁止区域内，若存在，则使用光学字符识别方法对预测框内的车牌进行记录，作为疑似违规车牌；
第七步、缓存校车停站时间内所有的疑似违规车牌及其坐标，在校车停站时间内，对比每个疑似违规车牌的坐标是否变动，以判断该车牌对应的车辆是否违规。
7.一种基于人工智能的智慧校车装置，其特征在于，所述装置包括：
硬件组成，包括微控制单元、通信模块、摄像头、传感器系统、停止臂组件和扬声器；
软件系统，其为权利要求1-6任一项所述的系统；
远程服务器，包括目标检测、姿态评估、安全管理和数据存储；
其中，硬件组成和软件系统构成所述装置的校车移动端。
CN202311549604.7A 2023-11-21 2023-11-21 一种基于人工智能的智慧校车系统及装置 Active CN117273664B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311549604.7A CN117273664B (zh) 2023-11-21 2023-11-21 一种基于人工智能的智慧校车系统及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311549604.7A CN117273664B (zh) 2023-11-21 2023-11-21 一种基于人工智能的智慧校车系统及装置

Publications (2)

Publication Number Publication Date
CN117273664A CN117273664A (zh) 2023-12-22
CN117273664B true CN117273664B (zh) 2024-02-27

Family

ID=89210894

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311549604.7A Active CN117273664B (zh) 2023-11-21 2023-11-21 一种基于人工智能的智慧校车系统及装置

Country Status (1)

Country Link
CN (1) CN117273664B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203331948U (zh) * 2013-04-19 2013-12-11 宁波云启动力信息科技有限公司 一种校车安全智慧管理系统
CN107146447A (zh) * 2017-07-16 2017-09-08 汤庆佳 一种基于无人机的智能车辆管理系统及其方法
CN208335286U (zh) * 2018-06-19 2019-01-04 湖南工学院 一种校车安全监管电子考勤系统
WO2019238142A2 (zh) * 2019-08-05 2019-12-19 深圳市锐明技术股份有限公司 一种车辆监控系统及车辆监控方法
CN111008566A (zh) * 2019-11-06 2020-04-14 湖北工业大学 一种基于深度学习的针对校车学生下车遗漏检测装置及方法
CN112700048A (zh) * 2020-12-31 2021-04-23 奇点六艺教育科技股份有限公司 应用于校园安全的智慧管理方法、系统、终端和存储介质
CN115514788A (zh) * 2022-09-20 2022-12-23 山东高速建设管理集团有限公司 一种精密北斗与aiot结合的新能源校车司乘多态感知系统及其分析预警方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7357021B2 (ja) * 2021-03-19 2023-10-05 本田技研工業株式会社 車両管理装置、車両管理方法、及びプログラム
US20230252790A1 (en) * 2022-02-10 2023-08-10 Rotulu, Inc. Systems and methods for intelligent incident management in transportation environments

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203331948U (zh) * 2013-04-19 2013-12-11 宁波云启动力信息科技有限公司 一种校车安全智慧管理系统
CN107146447A (zh) * 2017-07-16 2017-09-08 汤庆佳 一种基于无人机的智能车辆管理系统及其方法
CN208335286U (zh) * 2018-06-19 2019-01-04 湖南工学院 一种校车安全监管电子考勤系统
WO2019238142A2 (zh) * 2019-08-05 2019-12-19 深圳市锐明技术股份有限公司 一种车辆监控系统及车辆监控方法
CN111008566A (zh) * 2019-11-06 2020-04-14 湖北工业大学 一种基于深度学习的针对校车学生下车遗漏检测装置及方法
CN112700048A (zh) * 2020-12-31 2021-04-23 奇点六艺教育科技股份有限公司 应用于校园安全的智慧管理方法、系统、终端和存储介质
CN115514788A (zh) * 2022-09-20 2022-12-23 山东高速建设管理集团有限公司 一种精密北斗与aiot结合的新能源校车司乘多态感知系统及其分析预警方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于物联网技术的校车智能监控系统设计;蒋松云;;物联网技术(第03期);全文 *
改善城市老城区学校交通拥堵...探索与实践——以常州市为例;王俊;城市道桥与防洪;第1卷(第4期);全文 *
杨颖博 ; .阎良区(西安)校车运行的改进方案.科学之友.2013,(第06期),全文. *
阎良区(西安)校车运行的改进方案;杨颖博;;科学之友(第06期);全文 *

Also Published As

Publication number Publication date
CN117273664A (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
US11990036B2 (en) Driver behavior monitoring
US10997430B1 (en) Dangerous driver detection and response system
AU2018270758B2 (en) Using telematics data to identify a type of a trip
US10848719B2 (en) System and method for gate monitoring during departure or arrival of an autonomous vehicle
CN106934752A (zh) 一种基于公交车的信息化管理系统
US10836309B1 (en) Distracted driver detection and alert system
US11388553B2 (en) Information processing method and information processing system
CN102855475B (zh) 一种校车监控方法和系统
US11361556B2 (en) Deterioration diagnosis device, deterioration diagnosis system, deterioration diagnosis method, and storage medium for storing program
EP3403219A1 (en) Driver behavior monitoring
CN109311622B (zh) 电梯系统以及轿厢呼叫估计方法
CN108268849A (zh) 基于ai技术的公交车载视觉智能感知系统
Nakashima et al. Passenger counter based on random forest regressor using drive recorder and sensors in buses
US11200435B1 (en) Property video surveillance from a vehicle
CN109803127A (zh) 基于大数据和物联网技术的城市安全工地监控系统和方法
CN114494998B (zh) 一种车辆数据智能分析方法及系统
WO2020223935A1 (zh) 基于时空特征的停车诱导方法、装置、设备及存储介质
CN116665155B (zh) 一种基于图像处理技术的地下无轨人车的下车预警安全管理系统
CN117273664B (zh) 一种基于人工智能的智慧校车系统及装置
CN112434074B (zh) 一种基于手机定位信息的自然保护地人类活动监管系统
CN104408942A (zh) 车辆智能测速装置与方法
Alhelali et al. Vision-Based Smart Parking Detection System Using Object Tracking
US11991593B2 (en) Geolocation polling frequency for home automation

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