CN117372979A - 道路巡检方法、装置、电子设备及存储介质 - Google Patents
道路巡检方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117372979A CN117372979A CN202311198959.6A CN202311198959A CN117372979A CN 117372979 A CN117372979 A CN 117372979A CN 202311198959 A CN202311198959 A CN 202311198959A CN 117372979 A CN117372979 A CN 117372979A
- Authority
- CN
- China
- Prior art keywords
- road condition
- image
- abnormal road
- abnormal
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000007689 inspection Methods 0.000 title claims abstract description 35
- 230000002159 abnormal effect Effects 0.000 claims abstract description 124
- 238000007781 pre-processing Methods 0.000 claims abstract description 27
- 230000004927 fusion Effects 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 239000004575 stone Substances 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 abstract description 5
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- 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
-
- 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
-
- 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
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- 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
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Computational Linguistics (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及车辆技术领域,提供了一种道路巡检方法、装置、电子设备及存储介质。该方法包括:利用本车辆的摄像组件实时采集路况视频,并对采集的路况视频进行预处理,得到待识别图像;将待识别图像输入至已完成训练的异常路况图像识别模型;当待识别图像中包括异常路况,则获取异常路况图像;利用本车辆的探测组件实时对路况进行探测,得到原始数据,并对原始数据进行预处理和数据融合标定,得到异常路况的位置;将异常路况图像和异常路况的位置作为异常路况信息提交至信息管理平台。本申请能够实现全自动、无感知的自动采集、识别、将异常路况提交到信息管理平台的一体化解决方案,弥补了当前道路交通巡检难度大、基础设施投入成本高的问题。
Description
技术领域
本申请涉及车辆技术领域,尤其涉及一种道路巡检方法、装置、电子设备及存储介质。
背景技术
目前国内的大部分道路巡检还处于人力巡检的阶段,当道路中发生红绿灯异常、路面塌陷、路面施工、路面有陷坑或者石块等危险情况,而路政监管部门没有第一时间发现这种问题并及时对道路进行养护维修,在此期间驾驶员很可能由于注意力不集中或者反应不过来而急打方向盘躲避,从而引发交通事故。
例如,驾驶员在驾驶途中突然遇到突发状况,如遇到意外掉落的物品,驾驶员只能依靠经验和本能的反应速度来规避风险,如果驾驶员反应及时,可以侥幸躲过,如果驾驶员反应不及时很容易发生交通事故,造成交通堵塞。在驾驶途中,受限于驾驶精力和时间成本,驾驶员也不大可能分心拿出手机拨打路政举报电话,以对异常路况的道路进行维修和养护。
针对上述情况,目前在一些道路上已经存在通过巡检机器人对道路进行日常巡检,但采用巡检机器人的方案存在成本高、数量少、速度慢、巡逻盲区大等问题。
发明内容
有鉴于此,本申请实施例提供了一种道路巡检方法、装置、电子设备及存储介质,以解决现有技术中道路巡检难度大、基础设施投入成本高的问题。
本申请实施例的第一方面,提供了一种道路巡检方法,包括:
在本车辆行驶过程中,利用本车辆的摄像组件实时采集路况视频,并对采集的路况视频进行预处理,得到待识别图像;
将待识别图像输入至已完成训练的异常路况图像识别模型,并通过异常路况图像识别模型识别待识别图像中是否包含异常路况;
当待识别图像中包括异常路况,则获取异常路况图像;
利用本车辆的探测组件实时对路况进行探测,得到原始数据,并对原始数据进行预处理和数据融合标定,得到异常路况的位置;
将异常路况图像和异常路况的位置作为异常路况信息提交至信息管理平台。
本申请实施例的第二方面,提供了一种道路巡检装置,包括:
预处理模块,被配置为在本车辆行驶过程中,利用本车辆的摄像组件实时采集路况视频,并对采集的路况视频进行预处理,得到待识别图像;
识别模块,被配置为将待识别图像输入至已完成训练的异常路况图像识别模型,并通过异常路况图像识别模型识别待识别图像中是否包含异常路况;
第一获取模块,被配置为当待识别图像中包括异常路况,则获取异常路况图像;
得到模块,被配置为利用本车辆的探测组件实时对路况进行探测,得到原始数据,并对原始数据进行预处理和数据融合标定,得到异常路况的位置;
提交模块,被配置为将异常路况图像和异常路况的位置作为异常路况信息提交至信息管理平台。
本申请实施例的第三方面,提供了一种电子设备,包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序,该处理器执行计算机程序时实现上述方法的步骤。
本申请实施例的第四方面,提供了一种可读存储介质,该可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
本申请实施例与现有技术相比存在的有益效果是:本申请实施例通过利用本车辆自带的已有的硬件资源,如摄像组件、探测组件等,在本车辆行驶过程中,利用本车辆的摄像组件实时采集路况视频,并对采集的路况视频进行预处理,得到待识别图像;将待识别图像输入至已完成训练的异常路况图像识别模型,并通过异常路况图像识别模型识别待识别图像中是否包含异常路况;当待识别图像中包括异常路况,则获取异常路况图像;利用本车辆的探测组件实时对路况进行探测,得到原始数据,并对原始数据进行预处理和数据融合标定,得到异常路况的位置;将异常路况图像和异常路况的位置作为异常路况信息提交至信息管理平台,能够实现全自动、无感知的自动采集、识别、将异常路况提交到信息管理平台的一体化解决方案,弥补了当前道路交通巡检难度大,基础设施投入成本高的问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,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它的附图。
图1是本申请实施例提供的一种道路巡检方法的流程示意图;
图2是本申请实施例提供的一种道路巡检装置的结构示意图;
图3是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
下面将结合附图详细说明本申请实施例的一种道路巡检方法、装置、电子设备及存储介质。
图1是本申请实施例提供的一种道路巡检方法的流程示意图。图1的道路巡检方法可以由车辆的控制器执行。该车辆可以为新能源汽车,可选地,该车辆可以为车辆网车辆。如图1所示,该道路巡检方法包括:
S101,在本车辆行驶过程中,利用本车辆的摄像组件实时采集路况视频,并对采集的路况视频进行预处理,得到待识别图像;
S102,将待识别图像输入至已完成训练的异常路况图像识别模型,并通过异常路况图像识别模型识别待识别图像中是否包含异常路况;
S103,当待识别图像中包括异常路况,则获取异常路况图像;
S104,利用本车辆的探测组件实时对路况进行探测,得到原始数据,并对原始数据进行预处理和数据融合标定,得到异常路况的位置;
S105,将异常路况图像和异常路况的位置作为异常路况信息提交至信息管理平台。
在本申请中,本车辆行驶过程中可以指车辆处于未熄火状态。
本车辆出厂时就配备了摄像组件和探测组件,摄像组件可以包括多个摄像头,例如车辆在出厂时,在车辆的前方、后方、侧方均配置有多个摄像头,车辆的摄像头可以随时对周围环境进行拍照和路况信息抓取。探测组件可以包括毫米波雷达、超声波雷达、激光雷达等多种传感器。
本申请实施例通过利用本车辆自带的已有的硬件资源,如摄像组件、探测组件等,在本车辆行驶过程中,利用本车辆的摄像组件实时采集路况视频,并对采集的路况视频进行预处理,得到待识别图像;将待识别图像输入至已完成训练的异常路况图像识别模型,并通过异常路况图像识别模型识别待识别图像中是否包含异常路况;当待识别图像中包括异常路况,则获取异常路况图像;利用本车辆的探测组件实时对路况进行探测,得到原始数据,并对原始数据进行预处理和数据融合标定,得到异常路况的位置;将异常路况图像和异常路况的位置作为异常路况信息提交至信息管理平台,能够实现全自动、无感知的自动采集、识别、将异常路况提交到信息管理平台的一体化解决方案,弥补了当前道路交通巡检难度大,基础设施投入成本高的问题。
在一示例性的实施例中,还包括:获取本车辆的位置数据。例如,可以利用本车辆自带的GPS模块获取本车辆的位置数据。
在一示例性的实施例中,对原始数据进行预处理和数据融合标定,得到异常路况的位置,包括:
对原始数据进行预处理,得到第一数据;
对位置数据和第一数据分别进行特征提取,并对提取的特征进行数据融合标定,得到异常路况的位置。
在一示例性的实施例中,探测组件包括多种类型传感器,例如毫米波雷达、超声波雷达、激光雷达等。
超声波雷达是通过超声波发射装置向外发出超声波,再利用接收器接收反射回来的超声波时间差来测算距离,其主要优势可以包括成本低,穿透性强,防水防尘。
毫米波雷达是把无线电波发射出去,根据接收回波与发送的时间差测量位置的距离数据,其主要优势可以包括可在夜间工作,探测距离远,可达200米距离,可绕过细小障碍物,穿透雾烟灰尘的能力强,安装隐蔽不影响车辆外观。
激光雷达是目标发射探测激光束,然后将接收到的从目标反射回来的信号与发射信号进行比较,作适当处理后,就可获得目标的有关信息,如目标距离、方位、高度、速度、姿态、甚至形状等参数。探测范围一般不超过150米,其主要优势可以包括其在所有雷达中传播速度最快,探测精度高,稳定性强,识别障碍物立体轮廓更准确。
在一示例性的实施例中,对原始数据进行预处理,得到第一数据,包括:对多种类型传感器探测得到的原始数据进行滤波、降噪、校准和归一化处理,得到第一数据。
本实施例通过对原始数据进行校准处理,可以消除环境噪声和误差。由于毫米波雷达、超声波雷达、激光雷达等传感器的工作原理和测量范围不同,因此需将多种类型传感器测得到的原始数据进行归一化处理,以保持所有数据在同一个坐标系下进行数据融合,以得到异常路况的位置。
在一示例性的实施例中,对位置数据和第一数据分别进行特征提取,并对提取的特征进行数据融合标定,得到异常路况的位置,包括:
对位置数据和第一数据分别进行特征提取,得到第二数据;
通过加权平均值算法、最大值算法和最小值算法中的至少一种,对第二数据进行数据融合标定,得到异常路况的位置。
本实施例通过加权平均值算法、最大值算法和最小值算法中的至少一种对第二数据进行数据融合标定,可以使得计算得到的异常路况的位置更加精准。可选地,对第二数据进行数据融合标定,并对数据融合标定的结果进行误差分析、精确评估等方法进行评估和验证,以保证得到异常路况的位置的准确性。
在一示例性的实施例中,对采集的路况视频进行预处理,得到待识别图像,包括:
每间隔第一时长对采集的路况视频进行切片取样处理,得到待识别图像。
其中第一时长可以设置为1秒、2秒或3秒等,本申请不做限定。
在本车辆行驶过程中,可以实时对采集的路况视频进行切片取样处理,得到待识别图像。
在一示例性的实施例中,异常路况图像识别模型训练过程包括:
获取多个异常路况的训练图像;
在卷积神经网络的各级卷积层上,对每个训练图像分别进行卷积操作和最大池化操作,得到向量参数;
将向量参数输入到卷积神经网络的全连接层,得到经训练的回归函数,并输出分类结果;
对分类结果进行比较和标签化,得到损失函数,并计算出损失函数的向量值,通过对损失函数的向量值进行求导,更新卷积神经网络的权重和偏移;
循环执行上述步骤,直到卷积神经网络的识别结果达到预定的识别标准,将卷积神经网络作为异常路况图像识别模型。
其中,异常路况的训练图像可以包括:红绿灯异常、意外掉落的物品,山上的落石,掉落的车胎、路面塌陷、路面施工、路面有陷坑和路面有石块中的一种或多种。当然,异常路况的训练图像还可以包括其他种类的异常路况,本申请不做限定。
在一示例性的实施例中,在卷积神经网络的各级卷积层上,对每个训练图像分别进行卷积操作和最大池化操作,得到向量参数,包括:
在卷积神经网络的各级卷积层上,对每个训练图像分别进行卷积操作,得到每个训练图像在卷积层上的第一特征图像;
添加激活函数以引入非线性因素,并将引入非线性因素后的第一特征图像导入卷积神经网络的池化层中的图片池;
在卷积神经网络的池化层上,对每个第一特征图像分别进行最大池化操作,得到向量参数。
具体的,对不同的交通违章训练图像进行卷积操作,并生成第一特征图像,第一特征图像可识别出训练图像的不同特点特征。然后,添加激活函数以引入非线性因素,增加网络识别的宽容度和泛化程度。将将引入非线性因素后的第一特征图像导入卷积神经网络的池化层中的图片池。
在卷积神经网络的池化层中提取出特征的主要信息,减小第一特征图像的尺寸,提高训练图像识别的准确性,将多个池化窗口的最大值作为下一个的输入。
经过多次卷积和池化操作后,第一特征图像的尺寸特性会进一步变小,更精确,得到向量参数。
将向量参数输入到卷积神经网络的全连接层,得到经训练的回归函数,并输出分类结果。
对分类结果进行比较和标签化,得到损失函数,并计算出损失函数的向量值,通过对损失函数的向量值进行求导,更新卷积神经网络的权重和偏移,以使得损失函数向量值不断减小,从而提高图片识别的精确度。
循环执行上述步骤,直到卷积神经网络的识别结果达到预定的识别标准,将卷积神经网络作为交通违章图像识别模型。
在一示例性的实施例中,还包括:
将异常路况信息通过车联网同步传输给车联网内的其他车辆。
本实施例通过车辆网将异常路况信息同步传输给车辆网内的其他车辆,与车辆网中的其他车辆共享异常路况信息,可以为其他车辆预警,提醒其他车辆的驾驶员小心驾驶,防止事故发生,保证其他车辆的驾驶员和乘客的安全。
可选地,当信息管理平台接收到异常路况信息时,对异常路况所在的位置,状况,影响进行判别分析,得到判别分析结果,基于该判别分析结果,通知施工人员立即施工修复道路,解除隐患。
采用本申请实施例提供的技术方案,可实现如下有益效果:
通过使用新能源汽车自带的摄像头和传感器,在不添加硬件成本的基础上,通过卷积神经网络的图像处理算法和传感器数据融合算法,能够实现全自动、无感知的自动采集、识别、将异常路况提交到信息管理平台的一体化解决方案,不占用车主精力,弥补了当前道路交通巡检难度大,基础设施投入成本高的问题。
降低了道路巡检人员的工作量,不需要特定的巡检专用车或者设备,同时也扩大了巡检的范围,提高了道路路况整体水平。只要车辆能行驶到的地方,该地方就处于被监管,做到了道路巡检无死角,及时发现异常路况,及时将异常路况信息提交至信息管理平台。
降低了交通事故发生率,提高了道路的通行效率。
通过车辆网将异常路况信息同步传输给车辆网内的其他车辆,与车辆网中的其他车辆共享异常路况信息,可以为其他车辆预警,提醒其他车辆的驾驶员小心驾驶,防止事故发生,保证其他车辆的驾驶员和乘客的安全。
上述所有可选技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
图2是本申请实施例提供的一种道路巡检装置的示意图。如图2所示,该道路巡检装置包括:
预处理模块201,被配置为在本车辆行驶过程中,利用本车辆的摄像组件实时采集路况视频,并对采集的路况视频进行预处理,得到待识别图像;
识别模块202,被配置为将所述待识别图像输入至已完成训练的异常路况图像识别模型,并通过所述异常路况图像识别模型识别所述待识别图像中是否包含异常路况;
第一获取模块203,被配置为当所述待识别图像中包括异常路况,则获取异常路况图像;
得到模块204,被配置为利用本车辆的探测组件实时对路况进行探测,得到原始数据,并对所述原始数据进行预处理和数据融合标定,得到所述异常路况的位置;
提交模块205,被配置为将所述异常路况图像和所述异常路况的位置作为异常路况信息提交至信息管理平台。
本申请实施例提供设置预处理模块、识别模块、获取模块、得到模块和提交模块,能够实现全自动、无感知的自动采集、识别、将异常路况提交到信息管理平台的一体化解决方案,不占用车主精力,,降低了交通事故发生率,提高了道路的通行效率,弥补了当前道路交通巡检难度大,基础设施投入成本高,相关部门执勤人力短缺的问题。
在一示例性的实施例中,道路巡检装置还包括:第二获取模块,被配置为获取本车辆的位置数据;
得到模块204被具体配置为对原始数据进行预处理,得到第一数据;对位置数据和第一数据分别进行特征提取,并对提取的特征进行数据融合标定,得到异常路况的位置。
在一示例性的实施例中,探测组件包括多种类型传感器;得到模块204被具体配置为对多种类型传感器探测得到的原始数据进行滤波、降噪、校准和归一化处理,得到第一数据。
在一示例性的实施例中,得到模块204被具体配置为对位置数据和第一数据分别进行特征提取,得到第二数据;通过加权平均值算法、最大值算法和最小值算法中的至少一种,对第二数据进行数据融合标定,得到异常路况的位置。
在一示例性的实施例中,预处理模块201被具体配置为每间隔第一时长对采集的路况视频进行切片取样处理,得到待识别图像。
在一示例性的实施例中,识别模块202中,异常路况图像识别模型训练过程包括:
获取多个异常路况的训练图像;
在卷积神经网络的各级卷积层上,对每个训练图像分别进行卷积操作和最大池化操作,得到向量参数;
将向量参数输入到卷积神经网络的全连接层,得到经训练的回归函数,并输出分类结果;
对分类结果进行比较和标签化,得到损失函数,并计算出损失函数的向量值,通过对损失函数的向量值进行求导,更新卷积神经网络的权重和偏移;
循环执行上述步骤,直到卷积神经网络的识别结果达到预定的识别标准,将卷积神经网络作为异常路况图像识别模型。
在一示例性的实施例中,道路巡检装置还包括:传输模块,被配置为将异常路况信息通过车联网同步传输给车联网内的其他车辆。
图3是本申请实施例提供的电子设备3的示意图。如图3所示,该实施例的电子设备3包括:处理器301、存储器302以及存储在该存储器302中并且可在处理器301上运行的计算机程序303。处理器301执行计算机程序303时实现上述各个方法实施例中的步骤。或者,处理器301执行计算机程序303时实现上述各装置实施例中各模块/单元的功能。
电子设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备3可以包括但不仅限于处理器301和存储器302。本领域技术人员可以理解,图3仅仅是电子设备3的示例,并不构成对电子设备3的限定,可以包括比图示更多或更少的部件,或者不同的部件。
处理器301可以是中央处理单元(Central Processing Unit,CPU),也可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
存储器302可以是电子设备3的内部存储单元,例如,电子设备3的硬盘或内存。存储器302也可以是电子设备3的外部存储设备,例如,电子设备3上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。存储器302还可以既包括电子设备3的内部存储单元也包括外部存储设备。存储器302用于存储计算机程序以及电子设备所需的其它程序和数据。
基于同一发明构思,本申请实施例提供了一种可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一实施例所述方法的步骤。
本申请实施例提供的可读存储介质,与前面的各实施例具有相同的发明构思及相同的有益效果,该可读存储介质中未详细示出的内容可参照前面的各实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、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,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个可读存储介质中(例如计算机可读存储介质)。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可以存储在计算机可读存储介质中,该计算机程序在被处理器执行时,可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、电载波信号、电信信号以及软件分发介质等。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种道路巡检方法,其特征在于,包括:
在本车辆行驶过程中,利用本车辆的摄像组件实时采集路况视频,并对采集的路况视频进行预处理,得到待识别图像;
将所述待识别图像输入至已完成训练的异常路况图像识别模型,并通过所述异常路况图像识别模型识别所述待识别图像中是否包含异常路况;
当所述待识别图像中包括异常路况,则获取异常路况图像;
利用本车辆的探测组件实时对路况进行探测,得到原始数据,并对所述原始数据进行预处理和数据融合标定,得到所述异常路况的位置;
将所述异常路况图像和所述异常路况的位置作为异常路况信息提交至信息管理平台。
2.根据权利要求1所述的方法,其特征在于,还包括:获取本车辆的位置数据;
以及,对所述原始数据进行预处理和数据融合标定,得到所述异常路况的位置,包括:
对所述原始数据进行预处理,得到第一数据;
对所述位置数据和所述第一数据分别进行特征提取,并对提取的特征进行数据融合标定,得到所述异常路况的位置。
3.根据权利要求2所述的方法,其特征在于,所述探测组件包括多种类型传感器;对所述原始数据进行预处理,得到第一数据,包括:
对多种类型传感器探测得到的原始数据进行滤波、降噪、校准和归一化处理,得到第一数据。
4.根据权利要求2所述的方法,其特征在于,所述对所述位置数据和所述第一数据分别进行特征提取,并对提取的特征进行数据融合标定,得到所述异常路况的位置,包括:
对所述位置数据和所述第一数据分别进行特征提取,得到第二数据;
通过加权平均值算法、最大值算法和最小值算法中的至少一种,对所述第二数据进行数据融合标定,得到所述异常路况的位置。
5.根据权利要求1所述的方法,其特征在于,对采集的路况视频进行预处理,得到待识别图像,包括:
每间隔第一时长对采集的路况视频进行切片取样处理,得到待识别图像。
6.根据权利要求1至5任一所述的方法,其特征在于,所述异常路况图像识别模型训练过程包括:
获取多个异常路况的训练图像;其中,异常路况的训练图像包括:红绿灯异常、意外掉落的物品,山上的落石,掉落的车胎、路面塌陷、路面施工、路面有陷坑和路面有石块中的一种或多种;
在卷积神经网络的各级卷积层上,对每个训练图像分别进行卷积操作和最大池化操作,得到向量参数;
将所述向量参数输入到所述卷积神经网络的全连接层,得到经训练的回归函数,并输出分类结果;
对所述分类结果进行比较和标签化,得到损失函数,并计算出所述损失函数的向量值,通过对所述损失函数的向量值进行求导,更新所述卷积神经网络的权重和偏移;
循环执行上述步骤,直到所述卷积神经网络的识别结果达到预定的识别标准,将所述卷积神经网络作为异常路况图像识别模型。
7.根据权利要求1所述的方法,其特征在于,还包括:
将所述异常路况信息通过车联网同步传输给所述车联网内的其他车辆。
8.一种道路巡检装置,其特征在于,包括:
预处理模块,被配置为在本车辆行驶过程中,利用本车辆的摄像组件实时采集路况视频,并对采集的路况视频进行预处理,得到待识别图像;
识别模块,被配置为将所述待识别图像输入至已完成训练的异常路况图像识别模型,并通过所述异常路况图像识别模型识别所述待识别图像中是否包含异常路况;
第一获取模块,被配置为当所述待识别图像中包括异常路况,则获取异常路况图像;
得到模块,被配置为利用本车辆的探测组件实时对路况进行探测,得到原始数据,并对所述原始数据进行预处理和数据融合标定,得到所述异常路况的位置;
提交模块,被配置为将所述异常路况图像和所述异常路况的位置作为异常路况信息提交至信息管理平台。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。
10.一种可读存储介质,所述可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311198959.6A CN117372979A (zh) | 2023-09-15 | 2023-09-15 | 道路巡检方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311198959.6A CN117372979A (zh) | 2023-09-15 | 2023-09-15 | 道路巡检方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117372979A true CN117372979A (zh) | 2024-01-09 |
Family
ID=89403070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311198959.6A Pending CN117372979A (zh) | 2023-09-15 | 2023-09-15 | 道路巡检方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117372979A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649098A (zh) * | 2024-01-29 | 2024-03-05 | 北京数通魔方科技有限公司 | 一种基于人工智能的巡检方法以及系统 |
CN117726324A (zh) * | 2024-02-07 | 2024-03-19 | 中国水利水电第九工程局有限公司 | 一种基于数据识别的公路交通施工巡检方法及系统 |
-
2023
- 2023-09-15 CN CN202311198959.6A patent/CN117372979A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649098A (zh) * | 2024-01-29 | 2024-03-05 | 北京数通魔方科技有限公司 | 一种基于人工智能的巡检方法以及系统 |
CN117726324A (zh) * | 2024-02-07 | 2024-03-19 | 中国水利水电第九工程局有限公司 | 一种基于数据识别的公路交通施工巡检方法及系统 |
CN117726324B (zh) * | 2024-02-07 | 2024-04-30 | 中国水利水电第九工程局有限公司 | 一种基于数据识别的公路交通施工巡检方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108513674B (zh) | 一种车前积雪与结冰的检测报警方法、存储介质和服务器 | |
CN117372979A (zh) | 道路巡检方法、装置、电子设备及存储介质 | |
WO2018047115A1 (en) | Object recognition and classification using multiple sensor modalities | |
CN106295459A (zh) | 基于机器视觉和级联分类器的车辆检测和预警方法 | |
CN108859952B (zh) | 车辆变道预警方法、装置和雷达 | |
RU2769921C2 (ru) | Способы и системы для автоматизированного определения присутствия объектов | |
CN110632617A (zh) | 一种激光雷达点云数据处理的方法及装置 | |
CN114945802A (zh) | 用于识别和更新自动驾驶车辆的设计适用域的系统、设备和方法 | |
CN115257784A (zh) | 基于4d毫米波雷达的车路协同系统 | |
US11645832B1 (en) | Sensor fusion for precipitation detection and control of vehicles | |
CN111477011A (zh) | 一种用于道路路口预警的检测装置及检测方法 | |
CN113221724B (zh) | 车辆抛洒物检测方法及系统 | |
CN114842643A (zh) | 视频车辆检测模型在线更新方法、装置及雷视融合系统 | |
CN108693517B (zh) | 车辆定位方法、装置和雷达 | |
CN113050081B (zh) | 遮挡物的检测方法和装置、雷达、车辆、存储介质 | |
CN108663368A (zh) | 一种实时监测高速公路路网夜间整体能见度的系统及方法 | |
EP4116738A1 (en) | Radar device and method for classifying objects | |
CN112163466B (zh) | 一种基于uwb的限高高度确定方法、装置和系统 | |
JP7470967B2 (ja) | システム、プログラム、機械学習方法、及び機械学習モデル等 | |
CN112016496A (zh) | 用于目标检测的方法、装置及设备 | |
CN112735121A (zh) | 一种基于图像级激光雷达全息感知系统 | |
US11756420B2 (en) | Vehicle detection system | |
CN114581615B (zh) | 一种数据处理方法、装置、设备和存储介质 | |
CN110341716B (zh) | 车速计算方法、装置、自动驾驶系统及存储介质 | |
US20240182049A1 (en) | Methods and apparatus for tamper detection of a vehicle system |
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 |