CN110176143A - 一种基于深度学习算法的高速公路交通拥堵检测方法 - Google Patents
一种基于深度学习算法的高速公路交通拥堵检测方法 Download PDFInfo
- Publication number
- CN110176143A CN110176143A CN201910497362.9A CN201910497362A CN110176143A CN 110176143 A CN110176143 A CN 110176143A CN 201910497362 A CN201910497362 A CN 201910497362A CN 110176143 A CN110176143 A CN 110176143A
- Authority
- CN
- China
- Prior art keywords
- picture
- congestion
- alexnet
- traffic congestion
- deep learning
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于深度学习算法的高速公路交通拥堵检测方法,基于卷积神经网络(CNN)的分类器,利用支持向量机(SVM)代替AlexNet与VGGNet中的全连接层,对高速公路交通状态进行二分类,即拥堵与不拥堵。本发明对比两种算法的检测精度与计算速度,确定运用迁移学习的AlexNet+SVM的效果最优。
Description
技术领域
本发明属于高速公路检测技术领域,特别涉及一种基于深度学习算法的高速公路交通拥堵检测方法。
背景技术
随着交通拥堵问题的日益突出以及智能交通***(ITS)的不断发展,高速公路交通拥堵的实时检测成为当今交的研究热点。高速公路拥堵检测对交通控制、路径诱导以及提升出行效率具有重要意义。由于目前交通环境的复杂性,大多数检测方法很难根据光照、天气等情况进行自动识别和报告交通拥堵情况,因此如何克服干扰条件准确的判断交通状态是解决交通拥堵问题的关键。
目前对于交通拥堵的检测方法大体可以分为两种。一种是基于汽车数据的拥堵检测,汽车数据可以为出租车、公交车等的GPS数据,该方式主要采用车检器及路边传感器对汽车数据进行采集,利用采集到的数据进行拥堵判别,但由于在我国高速公路上,车检器的安装比较稀疏且一些已经失去工作能力,因此获取到的数据存在异常且不完备,这给实时判别交通拥堵状态带来了很大问题。如文献[1]张亚茹,赵海涛,刘南杰等.基于GPS数据的交通拥堵检测[J].计算机技术与发展,2017,27(1):139-142、文献[2]李勇.基于出租车GPS数据的城市交通拥堵识别和关联性分析[D].哈尔滨:哈尔滨工业大学,2016。文献[1]、[2]都是利用GPS数据对交通拥堵进行检测。文献[1]首先对原始GPS数据进行清洗与修复,即数据预处理,其次使用K-means算法对GPS数据进行了聚类分析,实现不同簇下的研究区域的划分,最后采用了局域簇内样本数量进行随机抽样的交通状态检测方法对交通状态进行了判别。文献[2]通过预处理出租车GPS数据、轨迹化处理、划分路网和时段、拆分轨迹、计算轨迹速度以及计算每天各时段每个网格的平均速度,识别出每天各时段的交通拥堵区域。该方法可以对交通拥堵进行判别,但庞大的计算量与繁琐的数据预处理导致其不能有效的对交通拥堵进行实时判别,数据的丢失与异常更是会导致结果存在很大的差异性,精度难以提升。
第二种是基于图像的拥堵检测,该方法主要是利用高速公路监控摄像头获取视频图像,对图像进行处理,运用神经网络算法进行拥堵判别。该方法速度快,获取数据简便,是拥堵判别的研究热点。如文献[3]张家晨,陈庆奎.基于YOLO的道路车辆拥堵分析模型[J].计算机应用,2019,39(1)、文献[4]袁彬,张勇.基于图像纹理分析的交通拥堵检测算法[J].上海船舶运输科学研究所学报,2015,38(4):77-81.文献[3]基于YOLOv3目标检测算法,结合图片对应的特征值矩阵,通过相邻帧之间的特征矩阵做差并将差值逐项求和得到的结果与预设值进行比较来判断当前道路是处于拥堵状态还是正常通行状态,其能够同时对一条道路的三个车道进行状态统计分析,对单条车道的判断准确率能达到80%。文献[4]提出一种基于图像纹理分析的道路交通拥堵检测算法,该算法以图像块为基本处理单元,通过分析块内图像纹理的空域和时域变化,计算出道路的空间及时间占有率,并综合二者的变化特性实现道路交通拥堵的自动和快速检测。由于监控摄像头获取的图片质量参差不齐以及交通场景的复杂多变,基于图像的拥堵检测大多存在精度不高,误检率较高等问题。
上述文献中公开的技术数据处理繁琐,计算复杂,时效性低,检测精度不足等,因此在实际情况中难以应用。
发明内容
本发明的目的在于提供一种基于深度学习算法的高速公路交通拥堵检测方法,以解决上述问题。
为实现上述目的,本发明采用以下技术方案:
一种基于深度学习算法的高速公路交通拥堵检测方法,包括以下步骤:
步骤1,从高速公路监控***中获取视频数据,将视频数据截取成图片,对图片进行预处理;
步骤2,根据高速公路工作人员上报的交通拥堵情况,确定拥堵图片与非拥堵图片,建立图像分类数据库;
步骤3,采用深度学习分类算法AlexNet,选取预训练好的AlexNet网络结构作为本分类模型的基础结构;
步骤4,对网络结构进行改进,使用SVM替代AlexNet最后的全连接层;
步骤5,对改进的网络模型进行训练验证及参数微调,利用图片数据库的80%作为训练集,剩下的作为测试集;确定学习率、动量、下降因子和下降周期的最优取值;
步骤6,将训练好的模型权重进行保存,对剩余20%的图片数据库数据进行测试;画出迭代次数与损失值,迭代次数与训练精度的关系曲线,判断网络效果;
步骤7,对新的数据集进行测试,判断交通拥堵状态。
进一步的,步骤1中,获取的视频数据每段时长为10分钟,将视频数据截取为图片,时间间隔为1s或2s,对图片进行预处理,剔除不清晰图片、未拍摄到高速公路图片以及摄像机维修图片,将所有图片大小变更为227*227。
进一步的,步骤2中选取30000张拥堵图像与20000张非拥堵图像,将拥堵图片与非拥堵图片分别存放于文件夹0与文件夹1,建立交通拥堵图片数据库,0为不堵,1为堵。
进一步的,深度学习分类算法AlexNet,其搭配卷积神经网络架构CNN,采用11×11×3的卷积核,步长为4,CNN的卷积过程可以表示为如下公式:
f[x,y]是原始图像的一部分,g[x,y]为CNN卷积核,在本发明中,x=11,y=11,*为卷积过程,n1,n2为卷积区域的像素点,x为每个像素点的点积;
AlexNet的输入是227×227×3的图像,图像经过5层CNN结构和3层全连接层进行训练,将所有的输入用权值求和后,利用ReLU激活函数减少计算量,权值求和公式如下:
yi=f(∑iωixi+b) 式(2)
其中,ωi为卷积核的权重,xi为图像矩阵每一格的值,b为偏置值。
ReLU激活函数公式如下:
f(x)=max(0,x) 式(3)
进一步的,步骤5中,采用计算机对网络进行训练验证,确定各参数情况如下:学习率(learning rate)为0.0001,动量(momentum)为0.9,下降因子(drop factor)为0.05,下降周期(drop period)为5。
与现有技术相比,本发明有以下技术效果:
本发明运用迁移学习,对传统AlexNet网络结构进行改进,使用SVM替代AlexNet的全连接层,相对传统拥堵检测方法及未改进的算法既保证了检测的精度,又大大降低了计算速度,其具体有如下优点,
第一:截取图片间隔的选取。本发明确定视频截取图片的时间间隔为1s,既保证了图片的数量又保证了图片的差异性;
第二:根据工作人员上报的拥堵情况确定拥堵图片集,保证了图片训练时分类正确;
第三:将拥堵图片与非拥堵图片分别放入文件夹1与文件夹0,使整个过程简单易操作,保证了数据库的质量与可操作性;
第四:选取预训练好的网络结构作为本发明的基础网络结构,在保证了训练精度的同时降低了数据训练时间;
第五:利用SVM替代AlexNet的全连接层,提升了检测精度。
利用所述的AlexNet+SVM模型,通过训练验证进行参数微调,确保其参数设计的合理性与正确性。
通过对AlexNet+SVM、VGGNet+SVM、运用迁移学习的AlexNet+SVM、 VGGNet+SVM模型分别进行训练测试,对比测试精度与训练时间寻找最优的算法与模型,确保本发明检测效果最优。
通过对各卷积层进行可视化,保证该模型提取特征的准确性,确保模型关键特征提取无较大偏差。
附图说明
图1为本发明的方法流程图。
图2为已建立的高速公路拥堵图片数据库。
图3为11×11×3卷积核的卷积过程。
图4为AlexNet的网络结构。
图5为本发明对AlexNet改进后的网络结构。
图6为网络训练过程中迭代次数与训练损失、训练精度的关系曲线。
具体实施方式
现结合说明书附图对本发明的具体实施方式做进一步的详细说明。
本发明提出的一种基于深度学习算法的高速公路拥堵检测方法,首先从高速公路监控摄像头获取视频数据,将视频数据处理成图片,对图片进行预处理;其次通过迁移学习选取预训练好的AlexNet网络作为本发明的基础网络结构,将AlexNet的全连接层替换为SVM;最后对网络进行训练验证,确定参数取值,对图片进行拥堵二分类。
如图1所示,方法流程为:
步骤1:本发明从高速公路监控***中获取视频数据,视频数据遍布高速公路某路段所有摄像机,每段视频时长约10分钟;运用程序将视频数据截取为图片,时间间隔为1s,保证图片的数量与质量;对图片进行预处理,剔除错误图片(不清晰图片、未拍摄到高速公路图片以及摄像机维修图片);将所有图片大小变更为227*227,即模型所需求的大小。
步骤2:交通拥堵界限具有强烈的主观意识,本发明根据工作人员上报情况确定拥堵与非拥堵图片集,分别放入文件夹1及文件夹0,即0为不拥堵,1为拥堵;最终选取30000张拥堵图片,20000张非拥堵图片建立交通拥堵图片数据库,如图2。
步骤3:本发明采用深度学***均池化的模糊化效果,且AlexNet中步长比池化核的尺寸小,这样池化层的输出之间会有重叠和覆盖,提升了特征的丰富性;其还提出了LRN层,对局部神经元的活动创建竞争机制,使得其中响应比较大的值变得相对更大,并抑制其他反馈较小的神经元,增强了模型的泛化能力。本发明采用11×11×3的卷积核,步长为4,图3为CNN卷积过程,CNN 的卷积过程可以表示为如下公式:
f[x,y]是原始图像的一部分,g[x,y]为CNN卷积核,在本发明中,x=11,y=11,*为卷积过程,n1,n2为卷积区域的像素点,x为每个像素点的点积。
AlexNet的输入是227×227×3的图像,图像经过5层CNN结构和3层全连接层进行训练,将所有的输入用权值求和后,利用ReLU激活函数减少计算量。权值求和公式如下:
yi=f(∑iωixi+b)
式(2)
其中,ωi为卷积核的权重,xi为图像矩阵每一格的值,b为偏置值。
ReLU激活函数公式如下:
f(x)=max(0,x)
式(3)
如图4所示,AlexNet的网络结构图为:
步骤4:新网络需要数以百万计的图片进行训练,过程耗时且没必要。本发明采用预训练过的AlexNet网络结构作为基础网络结构,其已经具备一些图片基础特征,各节点也具备一些权重;将SVM替换AlexNet的最后三个全连接层,如图5。
步骤5:对改进的网络模型进行训练验证,利用图片数据库的80%作为训练集,剩下的作为测试集;采用Intel i7 [email protected]、GPU 1080的计算机对网络进行训练验证。特别地,确定各参数情况如下:学习率(learning rate)为0.0001,动量(momentum) 为0.9,下降因子(drop factor)为0.05,下降周期(drop period)为5;训练损失值、训练精度与迭代次数曲线关系如图6。
步骤6:将训练好的模型权重进行保存,对剩余20%的图片数据库数据进行测试。本发明为了验证该模型具备较高的拥堵检测精度以及快速的训练速度,将运用迁移学习的AlexNet+SVM分别与运用迁移学习的VGGNet+SVM、不使用迁移学习的AlexNet+SVM、 VGGNet+SVM进行对比验证,发现运用迁移学习的AlexNet+SVM的模型测试精度最高,可达到90%且训练速度仅为30分钟;具体结果如表1所示:
表1各网络模型效果对比表
本发明进一步对图片进行了测试,测试精度能维持在90%左右,且随着迭代次数的增加精度也在不断增加;并且对不同光照、天气等干扰条件下的检测率能达到90%,本发明所改进的网络结构可以应用于当前的高速公路监控***中,实现对交通拥堵的检测和报告。
Claims (5)
1.一种基于深度学习算法的高速公路交通拥堵检测方法,其特征在于,包括以下步骤:
步骤1,从高速公路监控***中获取视频数据,将视频数据截取成图片,对图片进行预处理;
步骤2,根据高速公路工作人员上报的交通拥堵情况,确定拥堵图片与非拥堵图片,建立图像分类数据库;
步骤3,采用深度学习分类算法AlexNet,选取预训练好的AlexNet网络结构作为本分类模型的基础结构;
步骤4,对网络结构进行改进,使用SVM替代AlexNet最后的全连接层;
步骤5,对改进的网络模型进行训练验证及参数微调,利用图片数据库的80%作为训练集,剩下的作为测试集;确定学习率、动量、下降因子和下降周期的最优取值;
步骤6,将训练好的模型权重进行保存,对剩余20%的图片数据库数据进行测试;画出迭代次数与损失值,迭代次数与训练精度的关系曲线,判断网络效果;
步骤7,对新的数据集进行测试,判断交通拥堵状态。
2.根据权利要求1所述的一种基于深度学习算法的高速公路交通拥堵检测方法,其特征在于,步骤1中,获取的视频数据每段时长为10分钟,将视频数据截取为图片,时间间隔为1s或2s,对图片进行预处理,剔除不清晰图片、未拍摄到高速公路图片以及摄像机维修图片,将所有图片大小变更为227*227。
3.根据权利要求1所述的一种基于深度学习算法的高速公路交通拥堵检测方法,其特征在于,步骤2中选取30000张拥堵图像与20000张非拥堵图像,将拥堵图片与非拥堵图片分别存放于文件夹0与文件夹1,建立交通拥堵图片数据库,0为不堵,1为堵。
4.根据权利要求1所述的一种基于深度学习算法的高速公路交通拥堵检测方法,其特征在于,深度学习分类算法AlexNet,其搭配卷积神经网络架构CNN,采用11×11×3的卷积核,步长为4,CNN的卷积过程可以表示为如下公式:
f[x,y]是原始图像的一部分,g[x,y]为CNN卷积核,在本发明中,x=11,y=11,为卷积过程,n1,n2为卷积区域的像素点,x为每个像素点的点积;
AlexNet的输入是227×227×3的图像,图像经过5层CNN结构和3层全连接层进行训练,将所有的输入用权值求和后,利用ReLU激活函数减少计算量,权值求和公式如下:
yi=f(∑iωixi+b) 式(2)
其中,ωi为卷积核的权重,xi为图像矩阵每一格的值,b为偏置值;
ReLU激活函数公式如下:
f(x)=max(0,x) 式(3)。
5.根据权利要求1所述的一种基于深度学习算法的高速公路交通拥堵检测方法,其特征在于,步骤5中,采用计算机对网络进行训练验证,确定各参数情况如下:学习率learningrate为0.0001,动量momentum为0.9,下降因子drop factor为0.05,下降周期drop period为5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910497362.9A CN110176143A (zh) | 2019-06-10 | 2019-06-10 | 一种基于深度学习算法的高速公路交通拥堵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910497362.9A CN110176143A (zh) | 2019-06-10 | 2019-06-10 | 一种基于深度学习算法的高速公路交通拥堵检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110176143A true CN110176143A (zh) | 2019-08-27 |
Family
ID=67698045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910497362.9A Pending CN110176143A (zh) | 2019-06-10 | 2019-06-10 | 一种基于深度学习算法的高速公路交通拥堵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110176143A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517497A (zh) * | 2019-09-05 | 2019-11-29 | 中国科学院长春光学精密机械与物理研究所 | 一种道路交通分类方法、装置、设备、介质 |
CN110533098A (zh) * | 2019-08-28 | 2019-12-03 | 长安大学 | 一种基于卷积神经网络识别绿通车车厢装载类型的方法 |
CN111368931A (zh) * | 2020-03-09 | 2020-07-03 | 第四范式(北京)技术有限公司 | 训练图像分类模型的方法及装置、计算机装置及存储介质 |
CN113033383A (zh) * | 2021-03-23 | 2021-06-25 | 山东大学 | 基于深度学习的透水路面堵塞无损检测方法及*** |
CN113076893A (zh) * | 2021-04-09 | 2021-07-06 | 太原理工大学 | 一种基于深度学习的高速公路疏水管堵塞态势感知方法 |
CN117292552A (zh) * | 2023-11-27 | 2023-12-26 | 深圳市诚识科技有限公司 | 基于机器视觉的高速路况分析***及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018030772A1 (ko) * | 2016-08-10 | 2018-02-15 | 중앙대학교 산학협력단 | 감응식 교통 신호 제어 방법 및 그 장치 |
CN108510739A (zh) * | 2018-04-28 | 2018-09-07 | 重庆交通大学 | 一种道路交通状态识别方法、***及存储介质 |
-
2019
- 2019-06-10 CN CN201910497362.9A patent/CN110176143A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018030772A1 (ko) * | 2016-08-10 | 2018-02-15 | 중앙대학교 산학협력단 | 감응식 교통 신호 제어 방법 및 그 장치 |
CN108510739A (zh) * | 2018-04-28 | 2018-09-07 | 重庆交通大学 | 一种道路交通状态识别方法、***及存储介质 |
Non-Patent Citations (4)
Title |
---|
倪铮,文韬: "一种基于CNN和RNN深度神经网络的天气预测模型—以北京地区雷暴的 6小时临近预报为何", 《数值计算与计算机应用》 * |
周飞燕,金林鹏,董军: "卷积神经网络研究综述", 《计算机学报》 * |
宋佳蓉,杨忠,张天翼,韩家明,朱家远: "基于卷积神经网络和多类SVM 的交通标志识别", 《应用科技》 * |
纪宇: "基于AlexNet模型的高速公路拥堵状态识别", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533098A (zh) * | 2019-08-28 | 2019-12-03 | 长安大学 | 一种基于卷积神经网络识别绿通车车厢装载类型的方法 |
CN110533098B (zh) * | 2019-08-28 | 2022-03-29 | 长安大学 | 一种基于卷积神经网络识别绿通车车厢装载类型的方法 |
CN110517497A (zh) * | 2019-09-05 | 2019-11-29 | 中国科学院长春光学精密机械与物理研究所 | 一种道路交通分类方法、装置、设备、介质 |
CN111368931A (zh) * | 2020-03-09 | 2020-07-03 | 第四范式(北京)技术有限公司 | 训练图像分类模型的方法及装置、计算机装置及存储介质 |
CN111368931B (zh) * | 2020-03-09 | 2023-11-17 | 第四范式(北京)技术有限公司 | 确定图像分类模型的学习率的方法 |
CN113033383A (zh) * | 2021-03-23 | 2021-06-25 | 山东大学 | 基于深度学习的透水路面堵塞无损检测方法及*** |
CN113076893A (zh) * | 2021-04-09 | 2021-07-06 | 太原理工大学 | 一种基于深度学习的高速公路疏水管堵塞态势感知方法 |
CN117292552A (zh) * | 2023-11-27 | 2023-12-26 | 深圳市诚识科技有限公司 | 基于机器视觉的高速路况分析***及方法 |
CN117292552B (zh) * | 2023-11-27 | 2024-02-09 | 深圳市诚识科技有限公司 | 基于机器视觉的高速路况分析***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110176143A (zh) | 一种基于深度学习算法的高速公路交通拥堵检测方法 | |
CN110310261B (zh) | 一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法 | |
CN106504233B (zh) | 基于Faster R-CNN的无人机巡检图像电力小部件识别方法及*** | |
Li et al. | Sewer pipe defect detection via deep learning with local and global feature fusion | |
CN110189317A (zh) | 一种基于深度学习的道路影像智能采集和识别方法 | |
CN112233073A (zh) | 一种变电设备红外热成像异常实时检测方法 | |
Bo et al. | Particle pollution estimation from images using convolutional neural network and weather features | |
CN110070530A (zh) | 一种基于深度神经网络的输电线路覆冰检测方法 | |
CN109934805A (zh) | 一种基于低照度图像和神经网络的水污染检测方法 | |
CN110084165A (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN111444939A (zh) | 电力领域开放场景下基于弱监督协同学习的小尺度设备部件检测方法 | |
Cao et al. | CNN-based intelligent safety surveillance in green IoT applications | |
CN105138982A (zh) | 一种基于多特征聚类及分类的人群异常检测与评估方法 | |
CN108596203A (zh) | 并联池化层对受电弓碳滑板表面磨耗检测模型的优化方法 | |
CN116310785B (zh) | 基于YOLO v4的无人机影像路面病害检测方法 | |
CN103679214B (zh) | 基于在线面积估计和多特征决策融合的车辆检测方法 | |
CN110222593A (zh) | 一种基于小规模神经网络的车辆实时检测方法 | |
CN105261148A (zh) | 一种基于天网监控***的***件预警疏散方法 | |
CN104978567A (zh) | 基于场景分类的车辆检测方法 | |
CN106650823A (zh) | 一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法 | |
CN109886937A (zh) | 基于超像素分割图像识别的绝缘子缺陷检测方法 | |
CN109086803A (zh) | 一种基于深度学习与个性化因子的雾霾能见度检测***及方法 | |
CN110059076A (zh) | 一种输变电线路设备的故障数据库半自动化建立方法 | |
CN114202803A (zh) | 一种基于残差网络的多阶段人体异常动作检测方法 | |
CN103489012A (zh) | 一种基于支持向量机的人群密集度检测方法及*** |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190827 |