详情

原文传递一种基于深度学习的高速公路抛洒物检测方法及系统

专利名称：	一种基于深度学习的高速公路抛洒物检测方法及系统
摘要：	本发明涉及人工智能领域，特别是一种基于深度学习的高速公路抛洒物检测方法及系统。通过ResNet残差网络建立目标ResNet高速公路抛洒物智能检测模型；获取高速公路中实时行驶车辆的实时车辆行驶图像数据集，将实时车辆行驶图像数据集输入至目标ResNet高速公路抛洒物智能检测模型中进行识别，得到车辆抛洒物类型；根据车辆抛洒物类型判断其对高速公路的行驶危险程度，若车辆抛洒物类型判断为高危险程度，则对系统进行预警，并通知管理人员对车辆抛洒物进行清除；若车辆抛洒物类型判断为低危险程度，则将行驶车辆信息输入至数据库中进行存储。可以及时识别高速公路中的抛洒物，对抛洒物进行危险程度判定，则进行预警通知可以提高高速公路的行驶安全性。
专利类型：	发明专利
国家地区组织代码：	广东;44
申请人：	深圳市九洲卓能电气有限公司
发明人：	王越;许奎
专利状态：	有效
申请日期：	2023-09-27T00:00:00+0800
发布日期：	2023-11-03T00:00:00+0800
申请号：	CN202311256269.1
公开号：	CN116994216A
代理机构：	深圳锴权知识产权代理事务所(普通合伙)
代理人：	罗修华
分类号：	G06V20/54;G06V10/10;G06V10/20;G06V10/82;G06N3/0464;G06N3/048;G06N3/08;G;G06;G06V;G06N;G06V20;G06V10;G06N3;G06V20/54;G06V10/10;G06V10/20;G06V10/82;G06N3/0464;G06N3/048;G06N3/08
申请人地址：	518063 广东省深圳市南山区粤海街道高新区南区科技南12路九洲电器大厦6楼
主权项：	1.一种基于深度学习的高速公路抛洒物检测方法，其特征在于，所述高速公路抛洒物检测方法包括以下步骤：获取系统中高速公路的历史车辆行驶图像数据，对历史车辆行驶图像数据进行数据预处理，得到历史车辆行驶图像数据集；通过ResNet残差网络建立ResNet高速公路抛洒物智能检测模型，通过DIoU函数优化所述ResNet高速公路抛洒物智能检测模型中的FCOS目标检测器，得到初始ResNet高速公路抛洒物检测智能模型；将所述历史车辆行驶图像数据集输入至所述初始ResNet高速公路抛洒物智能检测模型中进行训练，得到目标ResNet高速公路抛洒物智能检测模型；通过图像采集装置获取高速公路中实时行驶车辆的实时车辆行驶图像数据集，将所述实时车辆行驶图像数据集输入至所述目标ResNet高速公路抛洒物智能检测模型中进行识别，得到车辆抛洒物类型；根据所述车辆抛洒物类型判断其对高速公路的行驶危险程度，若所述车辆抛洒物类型判断为高危险程度，则对系统进行预警，并通知管理人员对车辆抛洒物进行清除；若所述车辆抛洒物类型判断为低危险程度，则通过高速公路摄像装置获取所述实时行驶车辆的行驶车辆信息，将所述行驶车辆信息输入至高速公路车辆监控数据库中进行存储。 2.如权利要求1所述的一种基于深度学习的高速公路抛洒物检测方法，其特征在于，所述获取系统中高速公路的历史车辆行驶图像数据，对历史车辆行驶图像数据进行数据预处理，得到历史车辆行驶图像数据集，包括：获取系统中高速公路的历史车辆行驶图像数据，所述历史车辆行驶图像数据至少包括汽车行驶图像数据、货车行驶图像数据、客车行驶图像数据；基于单高斯分布模型对所述历史车辆行驶图像数据中的各个像素分别建立第一高斯分布；采集所述历史车辆行驶图像数据中的连续多帧图像，得到连续车辆行驶图像数据；将所述连续车辆行驶图像数据对所述高斯分布的参数进行更新，得到第二高斯分布；利用所述第二高斯分布的均值与所述连续车辆行驶图像数据中对应像素点的像素值进行对比；若所述像素值相差值大于80%，则判断为前景像素，若所述像素值相差值小于80%，则判断为背景像素；收集所有的连续车辆行驶图像数据中的前景像素和背景像素，得到历史车辆行驶图像数据集。 3.如权利要求1所述的一种基于深度学习的高速公路抛洒物检测方法，其特征在于，所述通过ResNet残差网络建立ResNet高速公路抛洒物智能检测模型，通过DIoU函数优化所述ResNet高速公路抛洒物智能检测模型中的FCOS目标检测器，得到初始ResNet高速公路抛洒物检测智能模型，包括：基于ResNet残差网络建立ResNet高速公路抛洒物智能检测模型，所述ResNet高速公路抛洒物智能检测模型至少包括输入层、卷积层、BN层、ReLU激活函数、输出层；通过DIoU函数优化所述ResNet高速公路抛洒物智能检测模型中的FCOS目标检测器；在所述ResNet高速公路抛洒物智能检测模型的深度可分离卷积层后增加一个逐点卷积层；在所述逐点卷积层后添加一个BN层，得到初始ResNet高速公路抛洒物检测智能模型。 4.如权利要求1所述的一种基于深度学习的高速公路抛洒物检测方法，其特征在于，所述将所述历史车辆行驶图像数据集输入至所述初始ResNet高速公路抛洒物智能检测模型中进行训练，得到目标ResNet高速公路抛洒物智能检测模型，包括：将所述历史车辆行驶图像数据集输入至所述初始ResNet高速公路抛洒物智能检测模型中进行训练；利用Adam自适应优化器优化所述初始ResNet高速公路抛洒物智能检测模型的结构参数；对初始ResNet高速公路抛洒物智能检测模型中的深度可分离卷积层和传统卷积层均采用ReLU激活函数；设置所述初始ResNet高速公路抛洒物智能检测模型中的Dropout的值=0.5，得到目标ResNet高速公路抛洒物智能检测模型。 5.如权利要求1所述的一种基于深度学习的高速公路抛洒物检测方法，其特征在于，所述通过图像采集装置获取高速公路中实时行驶车辆的实时车辆行驶图像数据集，将所述实时车辆行驶图像数据集输入至所述目标ResNet高速公路抛洒物智能检测模型中进行识别，得到车辆抛洒物类型，包括：过图像采集装置获取高速公路中实时行驶车辆的实时车辆行驶图像数据；基于单高斯分布模型对实时车辆行驶图像数据进行数据预处理，得到实时车辆行驶图像数据集；将所述实时车辆行驶图像数据集输入至所述目标ResNet高速公路抛洒物智能检测模型中进行识别，得到车辆抛洒物类型；所述车辆抛洒物类型至少包括固态抛洒物、液态抛洒物、固液混合抛洒物、路段截面影响抛洒物和路段影响抛洒物。 6.如权利要求1所述的一种基于深度学习的高速公路抛洒物检测方法，其特征在于，所述根据所述车辆抛洒物类型判断其对高速公路的行驶危险程度，若所述车辆抛洒物类型判断为高危险程度，则对系统进行预警，并通知管理人员对车辆抛洒物进行清除，包括：根据所述车辆抛洒物类型判断其对高速公路的行驶危险程度，若所述车辆抛洒物类型为固态抛洒物，且占比面积大于高速公路横截面积的7%，则判断为高危险程度；若所述车辆抛洒物类型为液态抛洒物，且长度大于5m，判断为高危险程度；若所述车辆抛洒物类型为固液混合抛洒物，且占比面积大于高速公路横截面积的5%，长度大于8m，则判断为高危险程度；若所述车辆抛洒物类型判断为高危险程度，则对系统进行预警，并通知管理人员对车辆抛洒物进行清除。 7.如权利要求1所述的一种基于深度学习的高速公路抛洒物检测方法，其特征在于，所述若所述车辆抛洒物类型判断为低危险程度，则通过高速公路摄像装置获取所述实时行驶车辆的行驶车辆信息，将所述行驶车辆信息输入至高速公路车辆监控数据库中进行存储，包括：若所述车辆抛洒物类型判断为低危险程度，则通过高速公路摄像装置获取所述实时行驶车辆的行驶车辆信息，所述行驶车辆信息至少包括车牌号信息、驾驶人信息车架号码信息；获取所述实时行驶车辆对应的车辆抛洒次数和车辆抛洒频率，若所述实时行驶车辆的抛洒次数大于3次，则将所述行驶车辆信息输入至高速公路车辆监控数据库中进行存储；若所述实时行驶车辆的车辆抛洒频率大于25%，则将所述行驶车辆信息输入至高速公路车辆监控数据库中进行存储；若高速公路车辆监控数据库中记载的行驶车辆在高速公路行驶，则调用高速公路摄像装置对行驶车辆进行重点监测。 8.一种基于深度学习的高速公路抛洒物检测系统，其特征在于，所述高速公路抛洒物检测系统包括以下模块：图像获取模块，用于获取系统中高速公路的历史车辆行驶图像数据，对历史车辆行驶图像数据进行数据预处理，得到历史车辆行驶图像数据集；模型建立模块，用于通过ResNet残差网络建立ResNet高速公路抛洒物智能检测模型，通过DIoU函数优化所述ResNet高速公路抛洒物智能检测模型中的FCOS目标检测器，得到初始ResNet高速公路抛洒物检测智能模型；模型训练模块，用于将所述历史车辆行驶图像数据集输入至所述初始ResNet高速公路抛洒物智能检测模型中进行训练，得到目标ResNet高速公路抛洒物智能检测模型；抛洒物识别模块，用于通过图像采集装置获取高速公路中实时行驶车辆的实时车辆行驶图像数据集，将所述实时车辆行驶图像数据集输入至所述目标ResNet高速公路抛洒物智能检测模型中进行识别，得到车辆抛洒物类型；识别预警模块，用于根据所述车辆抛洒物类型判断其对高速公路的行驶危险程度，若所述车辆抛洒物类型判断为高危险程度，则对系统进行预警，并通知管理人员对车辆抛洒物进行清除；车辆监控模块，用于若所述车辆抛洒物类型判断为低危险程度，则通过高速公路摄像装置获取所述实时行驶车辆的行驶车辆信息，将所述行驶车辆信息输入至高速公路车辆监控数据库中进行存储。 9.如权利要求8所述的一种基于深度学习的高速公路抛洒物检测系统，其特征在于，所述模型建立模块包括以下子模块：建立子模块，用于基于ResNet残差网络建立ResNet高速公路抛洒物智能检测模型，所述ResNet高速公路抛洒物智能检测模型至少包括输入层、卷积层、BN层、ReLU激活函数、输出层；优化子模块，用于通过DIoU函数优化所述ResNet高速公路抛洒物智能检测模型中的FCOS目标检测器；增加子模块，用于在所述ResNet高速公路抛洒物智能检测模型的深度可分离卷积层后增加一个逐点卷积层；得到子模块，用于在所述逐点卷积层后添加一个BN层，得到初始ResNet高速公路抛洒物检测智能模型。 10.如权利要求8所述的一种基于深度学习的高速公路抛洒物检测系统，其特征在于，所述模型训练模块包括以下子模块：训练子模块，用于将所述历史车辆行驶图像数据集输入至所述初始ResNet高速公路抛洒物智能检测模型中进行训练；优化子模块，用于利用Adam自适应优化器优化所述初始ResNet高速公路抛洒物智能检测模型的结构参数；激活子模块，用于对初始ResNet高速公路抛洒物智能检测模型中的深度可分离卷积层和传统卷积层均采用ReLU激活函数；得到子模块，用于设置所述初始ResNet高速公路抛洒物智能检测模型中的Dropout的值=0.5，得到目标ResNet高速公路抛洒物智能检测模型。
所属类别：	发明专利