CN117367411B - 一种ai物联网隧道的安全导航方法及系统 - Google Patents
一种ai物联网隧道的安全导航方法及系统 Download PDFInfo
- Publication number
- CN117367411B CN117367411B CN202311665977.0A CN202311665977A CN117367411B CN 117367411 B CN117367411 B CN 117367411B CN 202311665977 A CN202311665977 A CN 202311665977A CN 117367411 B CN117367411 B CN 117367411B
- Authority
- CN
- China
- Prior art keywords
- tunnel
- light source
- image
- traffic
- calculating
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005516 engineering process Methods 0.000 title claims abstract description 6
- 230000005855 radiation Effects 0.000 claims abstract description 57
- 238000005286 illumination Methods 0.000 claims abstract description 55
- 239000000126 substance Substances 0.000 claims abstract description 27
- 230000006399 behavior Effects 0.000 claims description 48
- 239000003570 air Substances 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 26
- 239000003086 colorant Substances 0.000 claims description 23
- 230000009471 action Effects 0.000 claims description 18
- 239000012080 ambient air Substances 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 11
- 238000009432 framing Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000002835 absorbance Methods 0.000 claims description 4
- 238000013136 deep learning model Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000003542 behavioural effect Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000003990 capacitor Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及交通安全设施技术领域，揭露了一种AI物联网隧道的安全导航方法及系统，所述方法包括：计算出所述隧道内的光照衰弱系数，确定所述隧道内的能见度；计算隧道内的光源辐射强度，计算出隧道亮度值；实时拍摄所述隧道内的交通图像，分析所述隧道内的交通流量；设置所述隧道对应的预警提示信息；计算出所述隧道内的空气物质浓度，根据所述空气物质浓度，设置所述隧道内的疏散指引标识；创建所述隧道内的安全导航方案。本发明在于提高隧道的安全导航效率。
Description
技术领域
本发明涉及交通安全设施技术领域，尤其涉及一种AI物联网隧道的安全导航方法及系统。
背景技术
随着社会的发展，隧道通行车辆的增加，隧道交通事故发生越发频繁，隧道安全导航是在隧道内为行驶的车辆提供安全的导航和提示，以确保驾驶人员的安全。
原有的隧道安全导航设施已经无法满足使用需求，由此业主单位及管理单位对隧道行车安全提出了更高的要求。
目前现有技术有两类，都是依据《公路隧道设计规范第二册交通工程与附属设施》中的轮廓标或突起标，还有一类是电光标志类的疏散指示标志，在无法取电的隧道一般采用反光的轮廓标和突起标，在能够取电的隧道一般采用集中器控制的轮廓标和突起标，而且显示的是左黄右白的视线诱导，但是现有的隧道安全导航设施已经无法满足使用需求，使得隧道内的事故发生率下降较少，因此需要一种能够提高隧道的安全导航效率的方法。
发明内容
本发明提供一种AI物联网隧道的安全导航方法及系统，其主要目的在于提高隧道的安全导航效率。
为实现上述目的，本发明提供的一种AI物联网隧道的安全导航方法，所述方法包括：
测试待导航隧道的出口和入口的光照度数值，根据所述光照度数值，计算出所述隧道内的光照衰弱系数，根据所述光照衰弱系数，确定所述隧道内的能见度；
采集隧道内的隧道环境光源数据，根据所述环境光源数据，计算隧道内的光源辐射强度，结合所述环境光源数据、所述光源辐射强度以及所述能见度，利用预设的亮度检测器计算出隧道亮度值；
实时拍摄所述隧道内的交通图像，对所述交通图像进行背景去除处理，得到交通主体图像，标记出所述交通主体图像中的车辆数量，根据所述车辆数量，分析所述隧道内的交通流量；
收集所述隧道内的视频流数据，根据所述视频流数据，预测所述隧道内的行为事件，根据所述行为事件，设置所述隧道对应的预警提示信息；
在发生火灾时，实时采集所述隧道内的环境空气样本，分析所述环境空气样本中的样本成分，根据所述样本成分，计算出所述隧道内的空气物质浓度，根据所述空气物质浓度，设置所述隧道内的疏散指引标识；
结合所述隧道亮度值、所述交通流量、所述预警提示信息以及所述疏散指引标识，创建所述隧道内的安全导航方案。
可选地，所述根据所述光照度数值，计算出所述隧道内的光照衰弱系数，包括：
对所述光照度数值进行筛选处理，得到目标光照度；
根据所述目标光照度，构建所述隧道对应的光照散点图；
对所述光照散点图中的点位进行拟合处理，得到拟合光照曲线；
计算所述拟合光照曲线对应的斜率积分，将所述斜率积分作为所述隧道内的光照衰弱系数。
可选地，所述根据所述光照衰弱系数，确定所述隧道内的能见度，包括：
通过下述公式确定所述隧道内的能见度：
A=B*exp(-a*d)；
其中，A表示隧道内的能见度，B表示是能见度修正系数，a是光照衰弱系数，d表示隧道内的出入口之间的距离值。
可选地，所述结合所述环境光源数据、所述光源辐射强度以及所述能见度，利用预设的亮度检测器计算出隧道亮度值，包括：
根据所述环境光源数据，确定所述隧道内的环境光源类型，分析所述环境光源类型中对应的光源原色；
查询所述光源原色中每个原色之间的原色冲突系数和原色增强系数；
结合所述原色冲突系数、所述原色增强系数以及所述光源辐射强度，计算出所述光源原色对应的辐射总强度；
结合所述辐射总强度和所述能见度，利用预设的亮度检测器计算出隧道亮度值。
可选地，所述结合所述辐射总强度和所述能见度，利用预设的亮度检测器计算出隧道亮度值，包括：
所述亮度检测器的具体计算过程为：
；
其中，D表示隧道亮度值，b表示辐射总强度对应的光源原色的序列号，δ表示辐射总强度的数量，Eb表示光源原色中第b个原色对应的辐射总强度，F表示能见度，α表示吸光度系数，β表示辐射总强度对应的平均值。
可选地，所述对所述交通图像进行背景去除处理，得到交通主体图像，包括：
对所述交通图像进行图像去噪处理，得到去噪交通图像；
对所述去噪交通图像进行图像增强处理，得到增强交通图像；
提取所述增强交通图像中的图像特征，计算所述图像特征中每个特征的特征方差值；
根据所述特征方差值，识别所述增强交通图像中的背景图像；
对所述增强交通图像中的所述背景图像进行去除处理，得到目标交通图像；
检测所述目标交通图像中的图像主体，根据所述图像主体，对所述目标交通图像进行图像分割处理，得到交通主体图像。
可选地，所述对所述增强交通图像中的所述背景图像进行去除处理，得到目标交通图像，包括：
可以通过下述公式对所述增强交通图像中的所述背景图像进行去除处理：
；
其中，G表示目标交通图像，imagecreate表示图像生成函数，φ表示目标交通图像的像素权重，i表示背景图像中的像素通道数，He表示增强交通图像中的第e个像素，e和e+1分别表示增强交通图像和背景图像的像素序列号，θ表示背景图像中的像素数量，ωe+1表示背景图像中的第e+1个像素，exp表示指数函数。
可选地，所述根据所述视频流数据，预测所述隧道内的行为事件，包括：
识别所述视频流数据中的动态目标，并对所述视频流数据进行分帧处理，得到分帧视频；
根据所述分帧视频，绘制所述动态目标对应的动态轨迹，识别所述动态目标对应的目标动作；
分析所述目标动作对应的动作属性，结合所述动态轨迹和所述动作属性，确定所述动态目标对应的行为趋势；
根据所述行为趋势，利用预设的深度学习模型预测所述动态目标对应的动态行为事件；
计算所述动态行为事件对应的发生几率，根据所述发生几率，从所述动态行为事件中筛选出所述隧道内的行为事件。
可选地，所述根据所述样本成分，计算出所述隧道内的空气物质浓度，包括：
通过下述公式计算出所述隧道内的空气物质浓度：
；
其中，M表示隧道内的空气物质浓度，VS表示样本成分对应的总体积，j表示样本成分对应的序列号，t表示样本成分的总数量，Qj表示样本成分中第j个成分对应的成分质量，TVj表示样本成分中第j个成分的采集体积。
一种AI物联网隧道的安全导航系统，所述系统包括：
能见度检测器模块，用于测试待导航隧道的出口和入口的光照度数值，根据所述光照度数值，计算出所述隧道内的光照衰弱系数，根据所述光照衰弱系数，确定所述隧道内的能见度；
亮度检测器模块，用于采集隧道内的隧道环境光源数据，根据所述环境光源数据，计算隧道内的光源辐射强度，结合所述环境光源数据、所述光源辐射强度以及所述能见度，利用预设的亮度检测器计算出隧道亮度值；
车辆检测器模块，用于实时拍摄所述隧道内的交通图像，对所述交通图像进行背景去除处理，得到交通主体图像，标记出所述交通主体图像中的车辆数量，根据所述车辆数量，分析所述隧道内的交通流量；
视频事件检测器模块，用于收集所述隧道内的视频流数据，根据所述视频流数据，预测所述隧道内的行为事件，根据所述行为事件，设置所述隧道对应的预警提示信息；
火灾探测器模块，用于在发生火灾时，实时采集所述隧道内的环境空气样本，分析所述环境空气样本中的样本成分，根据所述样本成分，计算出所述隧道内的空气物质浓度，根据所述空气物质浓度，设置所述隧道内的疏散指引标识；
安全导航模块，用于结合所述隧道亮度值、所述交通流量、所述预警提示信息以及所述疏散指引标识，创建所述隧道内的安全导航方案。
本发明通过根据所述光照度数值，计算出所述隧道内的光照衰弱系数，可以了解所述隧道内的光照衰减程度，以便于提高后续能见度的计算准确性，本发明通过根据所述环境光源数据，计算隧道内的光源辐射强度，可以得到所述隧道内的照明情况，为后续隧道亮度值的计算提供了保障，以便于后续所述导航灯在导航时的亮度设置，本发明通过实时拍摄所述隧道内的交通图像，可以了解所述隧道内的交通情况，便于后续的交通流量的分析，对所述交通图像进行背景去除处理，可以将所述交通图像中的无关图像去除掉，提高了图像的整体质量，并且提高了后续所述隧道内的交通流量分析准确性，本发明通过根据所述视频流数据，预测所述隧道内的行为事件，以便于后续根据所述行为事件设置警示语，进而提前预防事故的发生，本发明通过结合所述隧道亮度值、所述交通流量、所述预警提示信息以及所述疏散指引标识，创建所述隧道内的安全导航方案，可以提高所述隧道的安全导航效率，降低了所述隧道内的事故发生率。因此，本发明实施例提供的一种AI物联网隧道的安全导航方法及系统，能够提高隧道的安全导航效率。
附图说明
图1为本发明一实施例提供的一种AI物联网隧道的安全导航方法的流程示意图；
图2为本发明一实施例提供的一种AI物联网隧道的安全导航系统的功能模块图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于低压电力电容器样品的最优抽样方法。本申请实施例中，所述一种基于低压电力电容器样品的最优抽样方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述一种基于低压电力电容器样品的最优抽样方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的一种AI物联网隧道的安全导航方法的流程示意图。在本实施例中，所述一种AI物联网隧道的安全导航方法包括步骤S1—S6。
S1、测试待导航隧道的出口和入口的光照度数值，根据所述光照度数值，计算出所述隧道内的光照衰弱系数，根据所述光照衰弱系数，确定所述隧道内的能见度。
本发明通过根据所述光照度数值，计算出所述隧道内的光照衰弱系数，可以了解所述隧道内的光照衰减程度，以便于提高后续能见度的计算准确性，其中，所述光照度数值是所述隧道的出口和入口对应的光照强度的大小，所述光照衰弱系数表示从所述隧道的外面到里面对应的光照减弱的程度，可选的，测试待导航隧道的出口和入口对应的光照度可以通过光照度测量仪实现。
作为本发明的一个实施例，所述根据所述光照度数值，计算出所述隧道内的光照衰弱系数，包括：对所述光照度数值进行筛选处理，得到目标光照度，根据所述目标光照度，构建所述隧道对应的光照散点图，对所述光照散点图中的点位进行拟合处理，得到拟合光照曲线，计算所述拟合光照曲线对应的斜率积分，将所述斜率积分作为所述隧道内的光照衰弱系数。
其中，所述目标光照度是所述光照度数值中关于所述隧道内的光照数值去除后得到的光照度，所述光照散点图是所述目标光照度在一起构建的图表，所述拟合光照曲线是所述光照散点图中的点位经过平滑曲线依次连接后得到的曲线，所述斜率积分是所述拟合光照曲线对应的平均斜率。
可选的，所述目标光照度可以通过根据所述光照度数值之间的变化大小进行筛选处理，在所述隧道内的光照度会趋于平稳趋势，数值变化程度非常小，因此以变化程度最小的光照度为界限，将之后的数值删除即可，构建所述隧道对应的光照散点图可以通过制图工具实现，如visio制图工具，对所述光照散点图中的点位进行拟合处理可以通过拟合函数实现，可以通过计算所述拟合光照曲线上某一点处的切线斜率与自变量的变化率之积，得到点斜率积分，计算所有的点斜率积分的积分平均值，积分平均值即为所述拟合光照曲线对应的斜率积分，将所述斜率积分作为所述隧道内的光照衰弱系数。
本发明通过根据所述光照衰弱系数，确定所述隧道内的能见度，以便于后续制定所述隧道内的导航灯的工作模式，其中，所述能见度表示所述隧道内的可见程度。
作为本发明的一个实施例，所述根据所述光照衰弱系数，确定所述隧道内的能见度，包括：
通过下述公式确定所述隧道内的能见度：
A=B*exp(-a*d)；
其中，A表示隧道内的能见度，B表示是能见度修正系数，a是光照衰弱系数，d表示隧道内的出入口之间的距离值。
S2、采集隧道内的隧道环境光源数据，根据所述环境光源数据，计算隧道内的光源辐射强度，结合所述环境光源数据、所述光源辐射强度以及所述能见度，利用预设的亮度检测器计算出隧道亮度值。
本发明通过根据所述环境光源数据，计算隧道内的光源辐射强度，可以得到所述隧道内的照明情况，为后续隧道亮度值的计算提供了保障，以便于后续所述导航灯在导航时的亮度设置，其中，所述隧道环境光源数据是所述隧道内除了隧道灯条以外的其他光源数据，所述光源辐射强度表示所述隧道内的环境光源在单位面积内的光传输总能量，可选地，采集隧道内的隧道环境光源数据可以通过数据采集器实现，所述数据采集器是由脚本语言编译，可以通过提取所述环境光源数据中的光源温度和以及光源折射角度等数据，通过斯特藩-玻尔兹曼定律公式计算出所述隧道内的光源辐射强度。
本发明通过根据所述光源辐射强度和所述能见度，利用预设的亮度检测器计算出隧道亮度值，可以了解所述隧道内的明暗程度，以便于后续提高所述导航灯的亮度设置的准确性，其中，所述隧道亮度值表示所述隧道内的明暗程度。
作为本发明的一个实施例，所述结合所述环境光源数据、所述光源辐射强度以及所述能见度，利用预设的亮度检测器计算出隧道亮度值，包括：根据所述环境光源数据，确定所述隧道内的环境光源类型，分析所述环境光源类型中对应的光源原色，查询所述光源原色中每个原色之间的原色冲突系数和原色增强系数，结合所述原色冲突系数、所述原色增强系数以及所述光源辐射强度，计算出所述光源原色对应的辐射总强度，结合所述辐射总强度和所述能见度，利用预设的亮度检测器计算出隧道亮度值。
其中，所述环境光源类型是所述环境光源数据中存在的光源种类，如形式车辆的车灯或者车身的反光，所述光源原色是所述环境光源类型中存在的基本组成颜色，所述原色冲突系数表示所述光源原色中每个原色之间的冲突程度，所述原色增强系数表示所述光源原色中每个原色之间的增强程度，所述辐射总强度是所述隧道内的所有颜色的总传输能量。
可选的，可以通过根据所述环境光源数据记载的光源名称确定所述隧道内的环境光源类型，分析所述环境光源类型中对应的光源原色可以通过光谱仪实现，可以通过查询CRI评估标准表中对应的颜色差值平均值，根据颜色差值平均值之间的差值确定所述光源原色中每个原色之间的原色冲突系数，所述原色增强系数可以通过计算颜色样本的面积增益值得到，若颜色之间为增强效果：则计算所述原色增强系数和所述光源辐射强度的乘积，得到第一乘积，若颜色之间为增强效果：计算所述原色冲突系数和所述光源辐射强度的乘积，得到第二乘积，第一乘积和第二乘积的和值，以此得到所述隧道内的辐射总强度。
可选的，作为本发明的一个可选实施例，所述结合所述辐射总强度和所述能见度，利用预设的亮度检测器计算出隧道亮度值，包括：
所述亮度检测器的具体计算过程为：
；
其中，D表示隧道亮度值，b表示辐射总强度对应的光源原色的序列号，δ表示辐射总强度的数量，Eb表示光源原色中第b个原色对应的辐射总强度，F表示能见度，α表示吸光度系数，β表示辐射总强度对应的平均值。
S3、实时拍摄所述隧道内的交通图像，对所述交通图像进行背景去除处理，得到交通主体图像，标记出所述交通主体图像中的车辆数量，根据所述车辆数量，分析所述隧道内的交通流量。
本发明通过实时拍摄所述隧道内的交通图像，可以了解所述隧道内的交通情况，便于后续的交通流量的分析，对所述交通图像进行背景去除处理，可以将所述交通图像中的无关图像去除掉，提高了图像的整体质量，并且提高了后续所述隧道内的交通流量分析准确性，其中，所述交通图像是所述隧道内关于交通车流的图像，所述交通主体图像是所述交通图像中关于交通参与者的图像，如汽车、摩托车以及自行车等，可选的，实时拍摄所述隧道内的交通图像可以通过摄像装备实现。
作为本发明的一个实施例，所述对所述交通图像进行背景去除处理，得到交通主体图像，包括：对所述交通图像进行图像去噪处理，得到去噪交通图像，对所述去噪交通图像进行图像增强处理，得到增强交通图像，提取所述增强交通图像中的图像特征，计算所述图像特征中每个特征的特征方差值，根据所述特征方差值，识别所述增强交通图像中的背景图像，对所述增强交通图像中的所述背景图像进行去除处理，得到目标交通图像，检测所述目标交通图像中的图像主体，根据所述图像主体，对所述目标交通图像进行图像分割处理，得到交通主体图像。
其中，所述去噪交通图像是所述交通图像中的噪声经过去除后得到的图像，所述图像特征是所述增强交通图像中的表征，所述特征方差值表示所述图像特征中每个特征的变化范围，数值越大，则表示该特征包含的信息越多，所述图像主体是所述目标交通图像中的显著物体或对象。
可选的，对所述交通图像进行图像去噪处理可以通过小波变换法实现，对所述去噪交通图像进行图像增强处理可以通过灰度变换增强方法实现，提取所述增强交通图像中的图像特征可以通过HOG特征提取算法实现，计算所述图像特征中每个特征的特征方差值可以通过方差计算器实现，根据所述特征方差值对应的数值大小识别所述增强交通图像中的背景图像，检测所述目标交通图像中的图像主体可以通过卷积神经网络实现，对所述目标交通图像进行图像分割处理可以通过图像分割算法实现，如阈值分割法。
可选的，作为本发明的一个可选实施例，所述对所述增强交通图像中的所述背景图像进行去除处理，得到目标交通图像，包括：
可以通过下述公式对所述增强交通图像中的所述背景图像进行去除处理：
；
其中，G表示目标交通图像，imagecreate表示图像生成函数，φ表示目标交通图像的像素权重，i表示背景图像中的像素通道数，He表示增强交通图像中的第e个像素，e和e+1分别表示增强交通图像和背景图像的像素序列号，θ表示背景图像中的像素数量，ωe+1表示背景图像中的第e+1个像素，exp表示指数函数。
本发明通过根据所述车辆数量，分析所述隧道内的交通流量，可以得到所述隧道内的交通情况，以便于后续发生突发事故时，可以进行安全导航，其中，所述交通流量是所述隧道内在单位时间内的车流量，可选的，标记出所述交通主体图像中的车辆数量可以通过标注工具实现，如颜色标注工具，所述隧道内的交通流量可以通过车辆数量除以单位时间得到。
S4、收集所述隧道内的视频流数据，根据所述视频流数据，预测所述隧道内的行为事件，根据所述行为事件，设置所述隧道对应的预警提示信息。
本发明通过根据所述视频流数据，预测所述隧道内的行为事件，以便于后续根据所述行为事件设置警示语，进而提前预防事故的发生，其中，所述视频流数据是所述隧道内的视频数据，所述行为事件是根据所述视频流数据预测可能发生的事故。
作为本发明的一个实施例，所述根据所述视频流数据，预测所述隧道内的行为事件，包括：识别所述视频流数据中的动态目标，并对所述视频流数据进行分帧处理，得到分帧视频，根据所述分帧视频，绘制所述动态目标对应的动态轨迹，识别所述动态目标对应的目标动作，分析所述目标动作对应的动作属性，结合所述动态轨迹和所述动作属性，确定所述动态目标对应的行为趋势，根据所述行为趋势，利用预设的深度学习模型预测所述动态目标对应的动态行为事件，计算所述动态行为事件对应的发生几率，根据所述发生几率，从所述动态行为事件中筛选出所述隧道内的行为事件。
其中，所述动态目标是所述视频流数据中的运动主体，如车辆或者行人等，所述分帧视频是所述视频流数据中视频按照一定的帧率分帧后得到的视频画面，所述动态轨迹是所述动态目标的行动路径，所述目标动作是所述动态目标对应的执行活动，如转弯或者行走，所述动作属性是所述目标动作对应的特征，所述行为趋势是所述动态目标对应的行为倾向，所述深度学习模型是用于预测接下来会发生的事情的模型，如逻辑回归模型，所述动态行为事件是所述动态目标之后会发生事情，所述发生几率表示所述动态事件对应的发生可能性。
可选的，识别所述视频流数据中的动态目标可以通过目标检测算法实现，对所述视频流数据进行分帧处理可以通过分帧工具实现，如PR工具，所述动态轨迹可以通过根据所述分帧视频中所述动态目标的变化位置绘制，识别所述动态目标对应的目标动作可以通过密集轨迹算法实现，如DT算法，分析所述目标动作对应的动作属性可以通过属性分析工具实现，所述属性分析工具是由JAVA语言编译，确定所述动态目标对应的行为趋势可以通过定性预测法实现，根据所述行为趋势，计算所述动态行为事件对应的发生几率可以通过古典概率法实现。
本发明通过根据所述行为事件，设置所述隧道对应的预警提示信息，以便于提高所述导航灯的导航安全性，其中，所述预警提示信息是对会发生的行为事件进行提示，可选的，设置所述隧道对应的预警提示信息可以通过编程所述行为事件相应的代码实现。
S5、在发生火灾时，实时采集所述隧道内的环境空气样本，分析所述环境空气样本中的样本成分，根据所述样本成分，计算出所述隧道内的空气物质浓度，根据所述空气物质浓度，设置所述隧道内的疏散指引标识。
本发明通过分析所述环境空气样本中的样本成分，可以了解所述隧道内的空气包含的具体物质，便于监测所述隧道内的空气变化，并且提高后续空气物质浓度的计算准确率，其中，所述环境空气样本是从所述隧道内采集的空气，所述样本成分是所述环境空气样本中的组成物质，可选的，实时采集所述隧道内的环境空气样本可以通过空气采样器实现，分析所述环境空气样本中的样本成分可以通过离子色谱法实现。
本发明通过根据所述样本成分，计算出所述隧道内的空气物质浓度，以便于了解所述隧道内的空气污染程度，进而可以设置所述隧道内的安全指引信息，其中，所述空气物质浓度表示所述隧道内的空气悬浮物含量的多少，所述疏散指引标识是在所述隧道内发生的火灾时对应的疏散指引字符，可选地，设置所述隧道内的疏散指引标识可以通过根据所述空气物质浓度的高度进行设置，如疏散指引方向可以朝向所述空气物质浓度较低的方向。
作为本发明的一个实施例，所述根据所述样本成分，计算出所述隧道内的空气物质浓度，包括：
通过下述公式计算出所述隧道内的空气物质浓度：
；
其中，M表示隧道内的空气物质浓度，VS表示样本成分对应的总体积，j表示样本成分对应的序列号，t表示样本成分的总数量，Qj表示样本成分中第j个成分对应的成分质量，TVj表示样本成分中第j个成分的采集体积。
S6、结合所述隧道亮度值、所述交通流量、所述预警提示信息以及所述疏散指引标识，创建所述隧道内的安全导航方案。
本发明通过结合所述隧道亮度值、所述交通流量、所述预警提示信息以及所述疏散指引标识，创建所述隧道内的安全导航方案，可以提高所述隧道的安全导航效率，降低了所述隧道内的事故发生率，可选的，可以通过所述隧道亮度值设置所述导航灯的显示亮度，根据所述交通流量设置所述导航灯的闪烁频率，根据所述预警提示信息设置所述导航灯的提示文字，根据所述疏散指引标识设置所述导航灯的指引方向，根据显示亮度、闪烁频率、提示文字以及指引方向，以此创建所述隧道内的安全导航方案。
本发明通过根据所述光照度数值，计算出所述隧道内的光照衰弱系数，可以了解所述隧道内的光照衰减程度，以便于提高后续能见度的计算准确性，本发明通过根据所述环境光源数据，计算隧道内的光源辐射强度，可以得到所述隧道内的照明情况，为后续隧道亮度值的计算提供了保障，以便于后续所述导航灯在导航时的亮度设置，本发明通过实时拍摄所述隧道内的交通图像，可以了解所述隧道内的交通情况，便于后续的交通流量的分析，对所述交通图像进行背景去除处理，可以将所述交通图像中的无关图像去除掉，提高了图像的整体质量，并且提高了后续所述隧道内的交通流量分析准确性，本发明通过根据所述视频流数据，预测所述隧道内的行为事件，以便于后续根据所述行为事件设置警示语，进而提前预防事故的发生，本发明通过结合所述隧道亮度值、所述交通流量、所述预警提示信息以及所述疏散指引标识，创建所述隧道内的安全导航方案，可以提高所述隧道的安全导航效率，降低了所述隧道内的事故发生率。因此，本发明实施例提供的一种AI物联网隧道的安全导航方法，能够提高隧道的安全导航效率。
参照图2所示，为本发明一实施例提供的AI物联网隧道的安全导航系统的功能模块图。
本发明所述AI物联网隧道安全导航系统100可以设置于云端服务器中，在实现形式上，可以作为一个或多个服务设备，也可以作为一应用安装于云端(例如直播服务运营方的服务器、服务器集群等)上，或者也可以开发为网站。根据实现的功能，所述AI物联网隧道安全导航系统100包括能见度检测器模块101、亮度检测器模块102、车辆检测器模块103、视频事件检测器模块104、火灾探测器模块105及安全导航模块106。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述能见度检测器模块101，用于测试待导航隧道的出口和入口的光照度数值，根据所述光照度数值，计算出所述隧道内的光照衰弱系数，根据所述光照衰弱系数，确定所述隧道内的能见度；
所述亮度检测器模块102，用于采集隧道内的隧道环境光源数据，根据所述环境光源数据，计算隧道内的光源辐射强度，结合所述环境光源数据、所述光源辐射强度以及所述能见度，利用预设的亮度检测器计算出隧道亮度值；
所述车辆检测器模块103，用于实时拍摄所述隧道内的交通图像，对所述交通图像进行背景去除处理，得到交通主体图像，标记出所述交通主体图像中的车辆数量，根据所述车辆数量，分析所述隧道内的交通流量；
所述视频事件检测器模块104，用于收集所述隧道内的视频流数据，根据所述视频流数据，预测所述隧道内的行为事件，根据所述行为事件，设置所述隧道对应的预警提示信息；
所述火灾探测器模块105，用于在发生火灾时，实时采集所述隧道内的环境空气样本，分析所述环境空气样本中的样本成分，根据所述样本成分，计算出所述隧道内的空气物质浓度，根据所述空气物质浓度，设置所述隧道内的疏散指引标识；
所述安全导航模块106，用于结合所述隧道亮度值、所述交通流量、所述预警提示信息以及所述疏散指引标识，创建所述隧道内的安全导航方案。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种AI物联网隧道的安全导航方法，其特征在于，所述方法包括：
测试待导航隧道的出口和入口的光照度数值，根据所述光照度数值，计算出所述隧道内的光照衰弱系数，根据所述光照衰弱系数，确定所述隧道内的能见度；
采集隧道内的隧道环境光源数据，根据所述环境光源数据，计算隧道内的光源辐射强度，结合所述环境光源数据、所述光源辐射强度以及所述能见度，利用预设的亮度检测器计算出隧道亮度值，其中，所述结合所述环境光源数据、所述光源辐射强度以及所述能见度，利用预设的亮度检测器计算出隧道亮度值，包括：
根据所述环境光源数据，确定所述隧道内的环境光源类型，分析所述环境光源类型中对应的光源原色；
查询所述光源原色中每个原色之间的原色冲突系数和原色增强系数；
结合所述原色冲突系数、所述原色增强系数以及所述光源辐射强度，计算出所述光源原色对应的辐射总强度；
结合所述辐射总强度和所述能见度，利用预设的亮度检测器计算出隧道亮度值；
所述亮度检测器的具体计算过程为：
；
其中，D表示隧道亮度值，b表示辐射总强度对应的光源原色的序列号，表示辐射总强度的数量，Eb表示光源原色中第b个原色对应的辐射总强度，F表示能见度，a表示吸光度系数，/>表示辐射总强度对应的平均值；
实时拍摄所述隧道内的交通图像，对所述交通图像进行背景去除处理，得到交通主体图像，标记出所述交通主体图像中的车辆数量，根据所述车辆数量，分析所述隧道内的交通流量；
收集所述隧道内的视频流数据，根据所述视频流数据，预测所述隧道内的行为事件，根据所述行为事件，设置所述隧道对应的预警提示信息；
在发生火灾时，实时采集所述隧道内的环境空气样本，分析所述环境空气样本中的样本成分，根据所述样本成分，计算出所述隧道内的空气物质浓度，根据所述空气物质浓度，设置所述隧道内的疏散指引标识；
结合所述隧道亮度值、所述交通流量、所述预警提示信息以及所述疏散指引标识，创建所述隧道内的安全导航方案。
2.如权利要求1所述的一种AI物联网隧道的安全导航方法，其特征在于，所述根据所述光照度数值，计算出所述隧道内的光照衰弱系数，包括：
对所述光照度数值进行筛选处理，得到目标光照度；
根据所述目标光照度，构建所述隧道对应的光照散点图；
对所述光照散点图中的点位进行拟合处理，得到拟合光照曲线；
计算所述拟合光照曲线对应的斜率积分，将所述斜率积分作为所述隧道内的光照衰弱系数。
3.如权利要求1所述的一种AI物联网隧道的安全导航方法，其特征在于，所述根据所述光照衰弱系数，确定所述隧道内的能见度，包括：
通过下述公式确定所述隧道内的能见度：
；
其中，A表示隧道内的能见度，B表示是能见度修正系数，a是光照衰弱系数，d表示隧道内的出入口之间的距离值。
4.如权利要求1所述的一种AI物联网隧道的安全导航方法，其特征在于，所述对所述交通图像进行背景去除处理，得到交通主体图像，包括：
对所述交通图像进行图像去噪处理，得到去噪交通图像；
对所述去噪交通图像进行图像增强处理，得到增强交通图像；
提取所述增强交通图像中的图像特征，计算所述图像特征中每个特征的特征方差值；
根据所述特征方差值，识别所述增强交通图像中的背景图像；
对所述增强交通图像中的所述背景图像进行去除处理，得到目标交通图像；
检测所述目标交通图像中的图像主体，根据所述图像主体，对所述目标交通图像进行图像分割处理，得到交通主体图像。
5.如权利要求4所述的一种AI物联网隧道的安全导航方法，其特征在于，所述对所述增强交通图像中的所述背景图像进行去除处理，得到目标交通图像，包括：
可以通过下述公式对所述增强交通图像中的所述背景图像进行去除处理：
；
其中，G表示目标交通图像，imagecreate表示图像生成函数，表示目标交通图像的像素权重，i表示背景图像中的像素通道数，He表示增强交通图像中的第e个像素，e和e+1分别表示增强交通图像和背景图像的像素序列号，/>表示背景图像中的像素数量，/>表示背景图像中的第e+1个像素，exp表示指数函数。
6.如权利要求1所述的一种AI物联网隧道的安全导航方法，其特征在于，所述根据所述视频流数据，预测所述隧道内的行为事件，包括：
识别所述视频流数据中的动态目标，并对所述视频流数据进行分帧处理，得到分帧视频；
根据所述分帧视频，绘制所述动态目标对应的动态轨迹，识别所述动态目标对应的目标动作；
分析所述目标动作对应的动作属性，结合所述动态轨迹和所述动作属性，确定所述动态目标对应的行为趋势；
根据所述行为趋势，利用预设的深度学习模型预测所述动态目标对应的动态行为事件；
计算所述动态行为事件对应的发生几率，根据所述发生几率，从所述动态行为事件中筛选出所述隧道内的行为事件。
7.如权利要求1所述的一种AI物联网隧道的安全导航方法，其特征在于，所述根据所述样本成分，计算出所述隧道内的空气物质浓度，包括：
通过下述公式计算出所述隧道内的空气物质浓度：
；
其中，M表示隧道内的空气物质浓度，VS表示样本成分对应的总体积，j表示样本成分对应的序列号，t表示样本成分的总数量，Qj表示样本成分中第j个成分对应的成分质量，TVj表示样本成分中第j个成分的采集体积。
8.一种AI物联网隧道的安全导航系统，其特征在于，所述系统包括：
能见度检测器模块，用于测试待导航隧道的出口和入口的光照度数值，根据所述光照度数值，计算出所述隧道内的光照衰弱系数，根据所述光照衰弱系数，确定所述隧道内的能见度；
亮度检测器模块，用于采集隧道内的隧道环境光源数据，根据所述环境光源数据，计算隧道内的光源辐射强度，结合所述环境光源数据、所述光源辐射强度以及所述能见度，利用预设的亮度检测器计算出隧道亮度值，其中，所述结合所述环境光源数据、所述光源辐射强度以及所述能见度，利用预设的亮度检测器计算出隧道亮度值，包括：
根据所述环境光源数据，确定所述隧道内的环境光源类型，分析所述环境光源类型中对应的光源原色；
查询所述光源原色中每个原色之间的原色冲突系数和原色增强系数；
结合所述原色冲突系数、所述原色增强系数以及所述光源辐射强度，计算出所述光源原色对应的辐射总强度；
结合所述辐射总强度和所述能见度，利用预设的亮度检测器计算出隧道亮度值；
所述亮度检测器的具体计算过程为：
；
其中，D表示隧道亮度值，b表示辐射总强度对应的光源原色的序列号，表示辐射总强度的数量，Eb表示光源原色中第b个原色对应的辐射总强度，F表示能见度，a表示吸光度系数，/>表示辐射总强度对应的平均值；
车辆检测器模块，用于实时拍摄所述隧道内的交通图像，对所述交通图像进行背景去除处理，得到交通主体图像，标记出所述交通主体图像中的车辆数量，根据所述车辆数量，分析所述隧道内的交通流量；
视频事件检测器模块，用于收集所述隧道内的视频流数据，根据所述视频流数据，预测所述隧道内的行为事件，根据所述行为事件，设置所述隧道对应的预警提示信息；
火灾探测器模块，用于在发生火灾时，实时采集所述隧道内的环境空气样本，分析所述环境空气样本中的样本成分，根据所述样本成分，计算出所述隧道内的空气物质浓度，根据所述空气物质浓度，设置所述隧道内的疏散指引标识；
安全导航模块，用于结合所述隧道亮度值、所述交通流量、所述预警提示信息以及所述疏散指引标识，创建所述隧道内的安全导航方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311665977.0A CN117367411B (zh) | 2023-12-07 | 2023-12-07 | 一种ai物联网隧道的安全导航方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311665977.0A CN117367411B (zh) | 2023-12-07 | 2023-12-07 | 一种ai物联网隧道的安全导航方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117367411A CN117367411A (zh) | 2024-01-09 |
| CN117367411B true CN117367411B (zh) | 2024-04-16 |
Family
ID=89404429
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311665977.0A Active CN117367411B (zh) | 2023-12-07 | 2023-12-07 | 一种ai物联网隧道的安全导航方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117367411B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102004035856A1 (de) * | 2003-08-14 | 2005-03-10 | Roland Bittner | Elektrische Zusatzeinrichtung für Verkehrseinrichtungen wie Verkehrsschild, Verkehrsampel, Verkehrsleitpfosten und Verkehrsleitbake sowie Verkehrshinweissystem, Verkehrsunfallverminderungssystem |
| KR20070078333A (ko) * | 2006-01-26 | 2007-07-31 | 신흥대학산학협력단 | 터널화재 위험도의 예측방법 및 시스템 |
| TW200735409A (en) * | 2005-03-18 | 2007-09-16 | Mitsubishi Chem Corp | Light-emitting device, white light-emitting device, illuminator, and image display |
| CN101105690A (zh) * | 2007-07-26 | 2008-01-16 | 武汉理工大学 | 城市长隧道监控系统中的多传感器融合方法 |
| JP2008096346A (ja) * | 2006-10-13 | 2008-04-24 | Xanavi Informatics Corp | ナビゲーション装置、および避難経路の案内方法 |
| CN104751634A (zh) * | 2015-04-22 | 2015-07-01 | 贵州大学 | 高速公路隧道行车图像采集信息的综合应用方法 |
| CN106485868A (zh) * | 2015-08-27 | 2017-03-08 | 杭州海康威视数字技术股份有限公司 | 火情的监测方法、系统和火情的监测服务器 |
| CN115100865A (zh) * | 2022-06-24 | 2022-09-23 | 上海市政工程设计研究总院（集团）有限公司 | 隧道洞口区域交通安全的管控系统 |
| CN116434533A (zh) * | 2022-12-15 | 2023-07-14 | 江西交通职业技术学院 | 一种基于5g的ai智慧公路隧道综合监测平台 |
-
2023
- 2023-12-07 CN CN202311665977.0A patent/CN117367411B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102004035856A1 (de) * | 2003-08-14 | 2005-03-10 | Roland Bittner | Elektrische Zusatzeinrichtung für Verkehrseinrichtungen wie Verkehrsschild, Verkehrsampel, Verkehrsleitpfosten und Verkehrsleitbake sowie Verkehrshinweissystem, Verkehrsunfallverminderungssystem |
| TW200735409A (en) * | 2005-03-18 | 2007-09-16 | Mitsubishi Chem Corp | Light-emitting device, white light-emitting device, illuminator, and image display |
| KR20070078333A (ko) * | 2006-01-26 | 2007-07-31 | 신흥대학산학협력단 | 터널화재 위험도의 예측방법 및 시스템 |
| JP2008096346A (ja) * | 2006-10-13 | 2008-04-24 | Xanavi Informatics Corp | ナビゲーション装置、および避難経路の案内方法 |
| CN101105690A (zh) * | 2007-07-26 | 2008-01-16 | 武汉理工大学 | 城市长隧道监控系统中的多传感器融合方法 |
| CN104751634A (zh) * | 2015-04-22 | 2015-07-01 | 贵州大学 | 高速公路隧道行车图像采集信息的综合应用方法 |
| CN106485868A (zh) * | 2015-08-27 | 2017-03-08 | 杭州海康威视数字技术股份有限公司 | 火情的监测方法、系统和火情的监测服务器 |
| CN115100865A (zh) * | 2022-06-24 | 2022-09-23 | 上海市政工程设计研究总院（集团）有限公司 | 隧道洞口区域交通安全的管控系统 |
| CN116434533A (zh) * | 2022-12-15 | 2023-07-14 | 江西交通职业技术学院 | 一种基于5g的ai智慧公路隧道综合监测平台 |
Non-Patent Citations (3)
| Title |
|---|
| 公路隧道照明采用不同光色光源的光效研究;洪伟鹏等;公路交通技术;20121025(第05期);118-124 * |
| 基于层次分析法的城市道路照明系统评估与优化;岳阳等;中国照明电器;20160725(第07期);8-12 * |
| 基于物联网技术的智慧隧道运营管控系统;刘志辉等;电子技术与软件工程;20200501(第09期);156-158 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117367411A (zh) | 2024-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110415529B (zh) | 车辆违章的自动处理方法、装置、计算机设备和存储介质 | |
| CN107153363B (zh) | 无人驾驶汽车的仿真测试方法及装置、设备与可读介质 | |
| CN113033604A (zh) | 一种基于SF-YOLOv4网络模型的车辆检测方法、系统及存储介质 | |
| CN106710253B (zh) | 一种高可靠性智能路口交通控制系统及控制方法 | |
| CN113052159A (zh) | 一种图像识别方法、装置、设备及计算机存储介质 | |
| CN115690615B (zh) | 一种面向视频流的深度学习目标识别方法及系统 | |
| CN114495421B (zh) | 智能化开放式道路施工作业监测预警方法及系统 | |
| CN116168356A (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
| CN109544981B (zh) | 图像处理方法、装置、设备和介质 | |
| CN117367411B (zh) | 一种ai物联网隧道的安全导航方法及系统 | |
| CN117523820A (zh) | 一种基于人工智能的高速公路风险监测方法及系统 | |
| CN113486885A (zh) | 一种车牌识别方法、装置、电子设备及存储介质 | |
| CN117455237A (zh) | 一种基于多源数据的道路交通事故风险预测方法 | |
| CN117128950A (zh) | 一种点云地图构建方法、装置、电子设备和存储介质 | |
| CN111724607A (zh) | 转向灯使用检测方法、装置、计算机设备和存储介质 | |
| Watanabe et al. | A method for the estimation of coexisting risk-inducing factors in traffic scenarios | |
| CN110765900A (zh) | 一种基于dssd的自动检测违章建筑方法及系统 | |
| CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
| US20160300486A1 (en) | Identification of vehicle parking using data from vehicle sensor network | |
| Haryono et al. | Accuracy in Object Detection based on Image Processing at the Implementation of Motorbike Parking on the Street | |
| CN114898140A (zh) | 一种基于paa算法的行为检测方法、装置及可读介质 | |
| CN114038040A (zh) | 机房巡检监督方法、装置、设备 | |
| CN114419018A (zh) | 图像采样方法、系统、设备及介质 | |
| CN114581863A (zh) | 车辆危险状态识别方法及系统 | |
| CN113793373A (zh) | 一种能见度检测方法、装置、设备及介质 |
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 |