CN109815912B - 一种基于人工智能的高速公路安全巡查系统 - Google Patents

Abstract

本发明提供了一种基于人工智能的高速公路安全巡查系统，包括数据集合模型模块、训练模型模块和模型应用模块，数据集合模型模块，包括高速照相机的图像数据、GPS数据和图像识别数据；训练模型模块，用以对数据集合模型模块的数据进行分类学习，并将学习结果储存至数据库中；模型应用模块，用以对监测车采集的道路信息进行分析处理，将分析处理结果储存至数据库并发送至PC端或移动终端。本发明能够对道路信息进行全面识别，对道路上的车辆进行有效监测，及时上报，能够做到24小时监测和预警，给过往车辆进行提醒，减少人工巡查次数，提高巡检效率，让工作人员工作环境更安全，工作效率更高效，节省人力物力，提高道路行驶安全。

Description

一种基于人工智能的高速公路安全巡查系统

技术领域

本发明涉及高速公路安全巡查领域，具体地说是一种基于人工智能的高速公路安全巡查系统。

背景技术

传统的道路巡检方式，需要路政和养护部门一天多次上路巡查，遇到异常情况，需要下车拍照，让工作人员处于危险的位置，且拍摄照片信息无法及时上报。该方式存在人工成本高、巡查次数多、巡查效率低等诸多问题。而且高速公路交通线路多，传统巡查手段耗时耗力，且面临的危险性可能造成二次事故，往往会因为事故资料收集太慢而影响交通正常使用，并且对于其他车辆出行无法做到有效预警。

发明内容

本发明的目的是解决上述现有技术的不足，提供一种基于人工智能的高速公路安全巡查系统。

本发明解决其技术问题所采用的技术方案是：

一种基于人工智能的高速公路安全巡查系统，包括数据集合模型模块、训练模型模块和模型应用模块，

所述数据集合模型模块，包括高速照相机的图像数据、GPS数据和图像识别数据；所述高速照相机的图像数据和GPS数据通过监测车获取；

所述训练模型模块，用以对数据集合模型模块的数据进行分类学习，并将学习结果储存至数据库中；

所述模型应用模块，用以对监测车采集的道路信息经训练模型模块进行分析处理，将分析处理结果储存至数据库并发送至PC端或移动终端。

优选的，所述高速照相机的图像数据包括路面图像数据、车辆图像数据和标牌图像数据，

所述路面图像数据包括地面干燥的正常路面图像集合、坑洼路面图像集合、含有异物路面图像集合和含有冰雪的路面图像集合；

所述车辆图像数据包括车辆种类图像数据和车辆状态图像数据，所述车辆种类图像数据包括小型乘用车图像集合、货物运输车图像集合和特种车辆图像集合；所述车辆状态图像数据包括正常行驶的车辆图像集合、停止状态的车辆图像集合和非正常行驶的车辆图像集合，所述非正常行驶的车辆图像集合包括逆行、超速、长时间占用应急车道的车辆图像集合；

所述标牌图像数据包括道路标牌图像集合、车辆车牌图像集合和路段桩号图像集合。

优选的，所述图像识别数据是通过OCR识别模式对道路标牌图像数据、车辆车牌图像数据和路段桩号图像数据进行识别获取，包括识别的道路标牌图像数据、车辆车牌图像数据和路段桩号图像数据。

进一步的，所述GPS数据包括所要监测路段的始点坐标和终点坐标、采集的每一张图像所对应的坐标。

进一步的，每一张图像的坐标是利用GPS的RTK动态测量技术获取的。

优选的，所述训练模型模块包括采用高性能分布式深度学习框架PaddlePaddle的人工智能识别系统，通过自动模型选择模式(Auto Model Search)模式智能选择匹配的网格结构和超参数，提高模型的效果，采用的Early Stopping策略，降低过拟合风险，提高识别准确性；根据人工图像标注，通过ICNet图像级联网络的图像语义分割技术进行图像语义分割，获取高分辨率图像的准确性和低复杂度网络的效率之间的平衡，并将学习结果储存至数据库。

优选的，所述监测车包括GPS模块、高速摄像机和网络传输模块，所述GPS模块用以定位高速摄像机拍摄图像坐标，并定位所要监测路段的始点坐标和终点坐标；所述高速摄像机，用以拍摄路面图像、车辆图像和标牌图像；所述网络传输模块，用以将高速摄像机拍摄的图像和GPS模块定位的坐标上传至服务器控制平台。

进一步的，所述服务器控制平台通过OCR识别模式对高速摄像机拍摄的标牌图像进行图像识别。

本发明能够对道路信息进行全面识别，对道路上的车辆进行有效监测，及时上报，能够做到24小时监测和预警，给过往车辆进行提醒，使得交通出行更安全，减少人工巡查次数，提高巡检效率，让工作人员工作环境更安全，工作效率更高效，节省人力物力，提高道路行驶安全。

附图说明

构成本发明的一部分附图用来提供对本发明的进一步理解。在附图中：

图1是本发明一种基于人工智能的高速公路安全巡查系统的工作流程图。

图2是本发明一种基于人工智能的高速公路安全巡查系统的训练模型阶段的流程图。

图3是本发明监测车的结构示意图。

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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1-3所示，一种基于人工智能的高速公路安全巡查系统，包括数据集合模型模块、训练模型模块和模型应用模块，

所述数据集合模型模块，包括高速照相机的图像数据、GPS数据和图像识别数据；所述高速照相机的图像数据和GPS数据通过监测车获取；

所述高速照相机的图像数据包括路面图像数据、车辆图像数据、标牌图像数据和道路信息数据，由于基于人工智能识别技术，需要提供大量的训练数据，因此将所需识别数据分为以下集合；

所述路面图像数据包括地面干燥的正常路面图像集合、坑洼路面图像集合、含有异物路面图像集合和含有冰雪的路面图像集合；

所述车辆图像数据包括车辆种类图像数据和车辆状态图像数据，所述车辆种类图像数据包括小型乘用车图像集合、货物运输车图像集合和特种车辆图像集合；所述车辆状态图像数据包括正常行驶的车辆图像集合、停止状态的车辆图像集合和非正常行驶的车辆图像集合，所述非正常行驶的车辆图像集合包括逆行、超速、长时间占用应急车道的车辆图像集合；

所述标牌图像数据包括道路标牌图像集合、车辆车牌图像集合和路段桩号图像集合。采用GPS与OCR模式识别相结合的模式，根据所要监测的路段设置起始与终止的GPS坐标，监测车在道路上运行的时候，每采集一张照片同时记录照片所在的GPS坐标，对每张照片进行OCR模式识别，将识别出来的标牌信息与相对应的GPS数据信息同时记录到数据集合中。所述图像识别数据是通过OCR识别模式对道路标牌图像数据、车辆车牌图像数据和路段桩号图像数据进行识别获取，包括识别的道路标牌图像数据、车辆车牌图像数据和路段桩号图像数据，还包括提前标注的所要监测的路段的路产路权信息。采用OCR模式识别功能，以及车辆监测功能，在巡检的过程中，自动根据道路标识牌内容制定巡检路段的车辆行驶规范，可以有效的在监测路面路况的情况下同时巡视车辆运行问题，对于有行驶的问题的车辆及时上报及时处置，做到路面巡查与车辆巡查相结合，大大提高道路行驶安全。以往的人工智能巡查系统不具有这项功能。

所述GPS数据包括所要监测路段的始点坐标和终点坐标、采集的每一张图像所对应的坐标。每一张图像的坐标是利用GPS的RTK动态测量技术获取的，并存入数据集合中。

所述训练模型模块，用以对数据集合模型模块的数据进行分类学习，并将学习结果储存至数据库中；基于人工智能技术的关键在于对系统进行大量的学习，包括正确信息与错误信息，学习的信息量越大对所判断的事物的准确率也就越大。所述训练模型模块采用高性能分布式深度学习框架PaddlePaddle的人工智能识别系统，通过自动模型选择模式(Auto Model Search)模式智能选择最合适的网格结构和超参数，提高模型的效果，克服以往方法的人工智能识别技术只能人为通过选择识别网格模式和设置参数，容易造成识别率低等问题。采用的Early Stopping策略，降低过拟合风险，提高识别准确性，采用这套人工智能识别系统图像分类超过67％模型的Top-1Accuracy>90％；绝大部分模型Top-1Accuracy>80％，而以往的智能识别系统在道路巡检方面只能达到Top-1Accuracy>60％识别率低，不具有实用性。

在训练模式中，需要将采集到的图像数据按照数据集合模型模块的数据集合分类形式，通过网络传输技术上传到人工智能识别技术服务器，进行分类学习。人工智能识别技术通过对上传的图像数据进行不断的搜寻不同照片的相同点，再根据人为定义的含义，即人工图像标注，达到图像语义分割的效果。这其中，图像语义分割就是将图像像素按照表达的语义含义的不同进行分组和分割，图像语义就是指对图像内容的理解。而在人工智能识别技术中采用ICNet(Image Cascade Network)图像级联网络的图像语义分割技术，这种方法相对于其他的方法好处在于具有更快的速度和更高的准确性，其思路是将输入图像变换为不同的分辨率，然后用不同计算复杂度的子网络计算不同分辨率的输入，然后将结果合并。ICNet由三个子网络组成，计算复杂度高的网络处理低分辨率输入，计算复杂度低的网络处理分辨率高的网络，通过这种方式在高分辨率图像的准确性和低复杂度网络的效率之间获得平衡，并将学习结果储存至数据库。

所述模型应用模块，用以对监测车采集的道路信息经训练模型模块进行分析处理，并将分析处理结果储存至数据库并发送至PC端或移动终端。

所述监测车包括GPS模块、高速摄像机和网络传输模块，所述GPS模块用以定位高速摄像机拍摄图像坐标，并定位所要监测路段的始点坐标和终点坐标；所述高速摄像机，用以拍摄路面图像、车辆图像和标牌图像；所述网络传输模块，用以将高速摄像机拍摄的图像和GPS模块定位的坐标上传至服务器控制平台。所述服务器控制平台通过OCR识别模式对高速摄像机拍摄的标牌图像进行图像识别。

首先需要对所测路段进行基础信息的录入，包括起始点和终止点坐标，路产路权信息，路段桩号等。然后采用监测车对道路信息进行采集，通过车载设备控制台控制网络传输模块上传到服务器控制平台，由人工智能识别系统对图像信息进行识别，所述道路信息包括路面图像数据、车辆图像数据、标牌图像数据和其他道路信息数据，根据既定的规则，对于路面状况，车辆违法信息，标识牌信息与GPS信息相对应，GPS信息与路段桩号相对应，将这些信息在系统中处理完成后下达到道路管理者的终端中包括PC终端、移动终端等。方便管理者及时处置道路路面问题，减少路面对驾驶者的影响。采用监测车收集数据，服务器处理数据，用户终端机接收数据的道路巡检一体化，可以使管理者者及时发现问题，及时处置问题，并能够24小时全天候监测和预警，减小由于信息不流畅造成的处置不及时从而导致道路行驶安全的问题；提高了巡检的效率，节省人力物力，解决了以往方法只能靠人为去调查，容错率低，效率低，费用高等问题。

通过该系统给道路建立全生命周期影像记录，通过人工智能技术处理道路巡查视频，自动识别并记录路面、护栏、气象、设施、车辆、标牌、路产路权等信息，为过往车辆、运营和交管部门提供实时且全面的路况信息，为业主方提供道路历史信息档案。

尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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,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 (4)

1.一种基于人工智能的高速公路安全巡查系统，包括数据集合模型模块、训练模型模块和模型应用模块，

所述数据集合模型模块，包括高速照相机的图像数据、GPS数据和图像识别数据；所述高速照相机的图像数据和GPS数据通过监测车获取；

所述训练模型模块，用以对数据集合模型模块的数据进行分类学习，并将学习结果储存至数据库中；

所述模型应用模块，用以对监测车采集的道路信息经训练模型模块进行分析处理，将分析处理结果储存至数据库并发送至PC端或移动终端；

所述高速照相机的图像数据包括路面图像数据、车辆图像数据和标牌图像数据，

所述路面图像数据包括地面干燥的正常路面图像集合、坑洼路面图像集合、含有异物路面图像集合和含有冰雪的路面图像集合；

所述车辆图像数据包括车辆种类图像数据和车辆状态图像数据，所述车辆种类图像数据包括小型乘用车图像集合、货物运输车图像集合和特种车辆图像集合；所述车辆状态图像数据包括正常行驶的车辆图像集合、停止状态的车辆图像集合和非正常行驶的车辆图像集合，所述非正常行驶的车辆图像集合包括逆行、超速、长时间占用应急车道的车辆图像集合；

所述标牌图像数据包括道路标牌图像集合、车辆车牌图像集合和路段桩号图像集合；

所述图像识别数据是通过OCR识别模式对道路标牌图像数据、车辆车牌图像数据和路段桩号图像数据进行识别获取，包括识别的道路标牌图像数据、车辆车牌图像数据和路段桩号图像数据；

所述GPS数据包括所要监测路段的始点坐标和终点坐标、采集的每一张图像所对应的坐标；

所述训练模型模块包括采用高性能分布式深度学习框架PaddlePaddle的人工智能识别系统，通过自动模型选择模式智能选择匹配的网格结构和超参数，提高模型的效果，采用的EarlyStopping策略，降低过拟合风险，提高识别准确性；根据人工图像标注，通过ICNet图像级联网络的图像语义分割技术进行图像语义分割，获取高分辨率图像的准确性和低复杂度网络的效率之间的平衡，并将学习结果储存至数据库。

2.根据权利要求1所述的一种基于人工智能的高速公路安全巡查系统，其特征在于：每一张图像的坐标是利用GPS的RTK动态测量技术获取的。

3.根据权利要求1所述的一种基于人工智能的高速公路安全巡查系统，其特征在于：所述监测车包括GPS模块、高速摄像机和网络传输模块，所述GPS模块用以定位高速摄像机拍摄图像坐标，并定位所要监测路段的始点坐标和终点坐标；所述高速摄像机，用以拍摄路面图像、车辆图像和标牌图像；所述网络传输模块，用以将高速摄像机拍摄的图像和GPS模块定位的坐标上传至服务器控制平台。

4.根据权利要求3所述的一种基于人工智能的高速公路安全巡查系统，其特征在于：所述服务器控制平台通过OCR识别模式对高速摄像机拍摄的标牌图像进行图像识别。

Images