CN115359301A - 一种基于云端平台的数据挖掘方法 - Google Patents
一种基于云端平台的数据挖掘方法 Download PDFInfo
- Publication number
- CN115359301A CN115359301A CN202211081456.6A CN202211081456A CN115359301A CN 115359301 A CN115359301 A CN 115359301A CN 202211081456 A CN202211081456 A CN 202211081456A CN 115359301 A CN115359301 A CN 115359301A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- vehicle
- model
- cloud
- 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 35
- 238000007418 data mining Methods 0.000 title claims abstract description 34
- 230000008447 perception Effects 0.000 claims abstract description 15
- 238000012937 correction Methods 0.000 claims abstract description 9
- 238000002372 labelling Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000005065 mining Methods 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于云端平台的数据挖掘方法，包括：感知数据及车辆信号采集模块：车端平台利用设备进行采集，并针对不同情况采用不同措施以获得车辆完整信息数据；数据挖掘装置：用于将车辆采集后的原始数据发送给云端平台，云端平台针对不同的数据需求，利用已部署的算法模型及采集策略进行特殊数据挖掘；数据处理模块：用于获取筛选后的数据进行去重、切片，并使用大模型进行预标注；自动矫正模块：用于将标注完的数据回传至本地平台，完成矫正后即可进行模型迭代，本发明结合车载传感器对数据进行挖掘分类打标，能够有效减少后期对于数据的标注成本，且能够精准的自动采集当前感知模型所需要的难例数据。
Description
技术领域
本发明涉及自动驾驶数据处理领域，特别是涉及一种基于云端平台的数据挖掘方法。
背景技术
随着人工智能技术的发展，用户对于智能驾驶相关产品在汽车上的快速落地需求，自动驾驶相关产品的安全、稳定性成为重要研究方向。现阶段主流方法均基于深度学习技术完成对汽车行驶过程中的场景识别，深度学习模型的训练数据直接决定最终感知模型识别精度。因为交通场景的复杂多变性，无法完成对所有交通场景的覆盖学习，所以感知模型对于无法识别、识别错误的场景需要长时间的数据积累学习，该过程会耗费大量的人力物力资源。
传统的智能驾驶难例场景挖掘方法需要耗费大量的测试人员跟车测试，依靠技术人员的经验来采集潜在的难例场景数据，该方法严重耗费人力物力资源，并且对于采集人员的技术素养要求高，具体实施过程中也会产生大量的无效采集数据，效率低下。
发明内容
为了克服现有技术的不足，本发明提供一种基于云端平台的数据挖掘方法，结合车载传感器对数据进行挖掘分类打标，能够有效减少后期对于数据的标注成本，且能够精准的自动采集当前感知模型所需要的难例数据，整个采集过程无需技术人员跟车测试，有效提升采集效率，具备较高的推广价值。
为解决上述技术问题，本发明提供如下技术方案：一种基于云端平台的数据挖掘方法，包括：感知数据及车辆信号采集模块：车端平台利用设备进行采集，并针对不同情况采用不同措施以获得车辆完整信息数据；数据挖掘装置：用于将车辆采集后的原始数据发送给云端平台，云端平台针对不同的数据需求，利用已部署的算法模型及采集策略进行特殊数据挖掘；数据处理模块：用于获取筛选后的数据进行去重、切片，并使用大模型进行预标注；自动矫正模块：用于将标注完的数据回传至本地平台，完成矫正后即可进行模型迭代。
作为本发明的一种优选技术方案，所述感知数据及车辆信号采集模块中的设备包括摄像头、激光雷达、毫米波雷达、超声波雷达等传感器，所述感知数据及车辆信号采集模块对车身的挡位、底盘、轮胎等信号进行采集，并保存采集到的车身数据及道路感知数据。
作为本发明的一种优选技术方案，所述数据挖掘装置包括图像质量分析模块、工况识别挖掘模块、大模型DIFF模块、目标跟踪模块、以图搜图模块、车身信号分析模块、云端地图索引模块。
作为本发明的一种优选技术方案，所述图像质量分析模块用于根据摄像头的镜头脏污等情况，进行图像质量分析。
作为本发明的一种优选技术方案，所述工况识别挖掘模块根据不同的工况需求提取想要的图像数据信息。
作为本发明的一种优选技术方案，所述大模型DIFF模块对车端模型检测的结果与云端大模型检测后的结果进行差异化比对，获取当前车端模型的漏检图像数据，大模型为使用海量数据和复杂网络训练出的深度学习识别模型，由于车载端计算芯片的算力及算子支持限制而无法上车部署。
作为本发明的一种优选技术方案，所述目标跟踪模块对车载模型检测的目标结果进行前后场景跟踪分析，根据预设规则判定当前跟踪目标是否漏检、误检。从而挖掘出当前车载模型待优化数据。
作为本发明的一种优选技术方案，所述以图搜图模块主要是对于数据集中罕见、错误率较高的图像样本数据挖掘，利用深度卷积神经网路学习该图像的卷积特征，遍历图像数据库，查找特征相似度较高的图像样本。
作为本发明的一种优选技术方案，所述车身信号分析模块用于对车身信息进行分析，若车端模型的识别结果为正常行驶，而车身信号中存在司机紧急刹车、转向等信号时，触发数据自动收集策略，采集后的图像数据判定为需要挖掘的异常数据。
作为本发明的一种优选技术方案，所述云端地图索引模块将云端平台嵌入地图信息模块，配合采集的道路数据可直接提取需要的隧道、高架桥、泥泞等道路数据。
与现有技术相比，本发明能达到的有益效果是：
本发明结合车载传感器对数据进行挖掘分类打标，能够有效减少后期对于数据的标注成本，且能够精准的自动采集当前感知模型所需要的难例数据，整个采集过程无需技术人员跟车测试，有效提升采集效率，具备较高的推广价值。
附图说明
图1为本发明的整体流程示意图；
图2为本发明中整体模块方框图；
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施例，进一步阐述本发明，但下述实施例仅仅为本发明的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其它实施例，都属于本发明的保护范围。下述实施例中的实验方法，如无特殊说明，均为常规方法，下述实施例中所用的材料、试剂等，如无特殊说明，均可从商业途径得到。
实施例:
实施例1：
如图1、图2所示，本发明提供，一种基于云端平台的数据挖掘方法，包括：感知数据及车辆信号采集模块：车端平台利用设备进行采集，并针对不同情况采用不同措施以获得车辆完整信息数据；数据挖掘装置：用于将车辆采集后的原始数据发送给云端平台，云端平台针对不同的数据需求，利用已部署的算法模型及采集策略进行特殊数据挖掘；数据处理模块：用于获取筛选后的数据进行去重、切片，并使用大模型进行预标注；自动矫正模块：用于将标注完的数据回传至本地平台，完成矫正后即可进行模型迭代，所述感知数据及车辆信号采集模块中的设备包括摄像头、激光雷达、毫米波雷达、超声波雷达等传感器，所述感知数据及车辆信号采集模块对车身的挡位、底盘、轮胎等信号进行采集，并保存采集到的车身数据及道路感知数据，所述数据挖掘装置包括图像质量分析模块、工况识别挖掘模块、大模型DIFF模块、目标跟踪模块、以图搜图模块、车身信号分析模块、云端地图索引模块；
本发明首先通过感知数据及车辆信号采集模块采集数据，利用摄像头、激光雷达、毫米波雷达、超声波雷达等传感器对车身的挡位、底盘、轮胎等信号进行采集，并保存采集到的车身数据及道路感知数据，再通过数据挖掘装置将车辆采集后的原始数据发送给云端平台，云端平台针对不同的数据需求，利用已部署的算法模型及采集策略进行特殊数据挖掘，数据挖掘装置包括图像质量分析模块、工况识别挖掘模块、大模型DIFF模块、目标跟踪模块、以图搜图模块、车身信号分析模块、云端地图索引模块，通过数据处理模块对获取筛选后的数据进行去重、切片，并使用大模型进行预标注，自动矫正模块将标注完的数据回传至本地平台，完成矫正后即可进行模型迭代，能够有效减少后期对于数据的标注成本，且能够精准的自动采集当前感知模型所需要的难例数据，整个采集过程无需技术人员跟车测试，有效提升采集效率，具备较高的推广价值。
实施例2：
一种基于云端平台的数据挖掘方法，所述图像质量分析模块用于根据摄像头的镜头脏污等情况，进行图像质量分析，所述工况识别挖掘模块根据不同的工况需求提取想要的图像数据信息，所述大模型DIFF模块对车端模型检测的结果与云端大模型检测后的结果进行差异化比对，获取当前车端模型的漏检图像数据，大模型为使用海量数据和复杂网络训练出的深度学***台嵌入地图信息模块，配合采集的道路数据可直接提取需要的隧道、高架桥、泥泞等道路数据；
在对数据挖掘过程中，图像质量分析模块根据摄像头的镜头脏污等情况，进行图像质量分析，工况识别挖掘模块根据不同的工况需求提取想要的图像数据信息，大模型DIFF模块对车端模型检测的结果与云端大模型检测后的结果进行差异化比对，获取当前车端模型的漏检图像数据，其中大模型为使用海量数据和复杂网络训练出的深度学***台嵌入地图信息模块，配合采集的道路数据可直接提取需要的隧道、高架桥、泥泞等道路数据。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于云端平台的数据挖掘方法，其特征在于：包括：
感知数据及车辆信号采集模块：车端平台利用设备进行采集，并针对不同情况采用不同措施以获得车辆完整信息数据；
数据挖掘装置：用于将车辆采集后的原始数据发送给云端平台，云端平台针对不同的数据需求，利用已部署的算法模型及采集策略进行特殊数据挖掘；
数据处理模块：用于获取筛选后的数据进行去重、切片，并使用大模型进行预标注；
自动矫正模块：用于将标注完的数据回传至本地平台，完成矫正后即可进行模型迭代。
2.根据权利要求1所述的一种基于云端平台的数据挖掘方法，其特征在于：所述感知数据及车辆信号采集模块中的设备包括摄像头、激光雷达、毫米波雷达、超声波雷达等传感器，所述感知数据及车辆信号采集模块对车身的挡位、底盘、轮胎等信号进行采集，并保存采集到的车身数据及道路感知数据。
3.根据权利要求1所述的一种基于云端平台的数据挖掘方法，其特征在于：所述数据挖掘装置包括图像质量分析模块、工况识别挖掘模块、大模型DIFF模块、目标跟踪模块、以图搜图模块、车身信号分析模块、云端地图索引模块。
4.根据权利要求3所述的一种基于云端平台的数据挖掘方法，其特征在于：所述图像质量分析模块用于根据摄像头的镜头脏污等情况，进行图像质量分析。
5.根据权利要求3所述的一种基于云端平台的数据挖掘方法，其特征在于：所述工况识别挖掘模块根据不同的工况需求提取想要的图像数据信息。
6.根据权利要求3所述的一种基于云端平台的数据挖掘方法，其特征在于：所述大模型DIFF模块对车端模型检测的结果与云端大模型检测后的结果进行差异化比对，获取当前车端模型的漏检图像数据，大模型为使用海量数据和复杂网络训练出的深度学习识别模型，由于车载端计算芯片的算力及算子支持限制而无法上车部署。
7.根据权利要求3所述的一种基于云端平台的数据挖掘方法，其特征在于：所述目标跟踪模块对车载模型检测的目标结果进行前后场景跟踪分析，根据预设规则判定当前跟踪目标是否漏检、误检。从而挖掘出当前车载模型待优化数据。
8.根据权利要求3所述的一种基于云端平台的数据挖掘方法，其特征在于：所述以图搜图模块主要是对于数据集中罕见、错误率较高的图像样本数据挖掘，利用深度卷积神经网路学习该图像的卷积特征，遍历图像数据库，查找特征相似度较高的图像样本。
9.根据权利要求3所述的一种基于云端平台的数据挖掘方法，其特征在于：所述车身信号分析模块用于对车身信息进行分析，若车端模型的识别结果为正常行驶，而车身信号中存在司机紧急刹车、转向等信号时，触发数据自动收集策略，采集后的图像数据判定为需要挖掘的异常数据。
10.根据权利要求3所述的一种基于云端平台的数据挖掘方法，其特征在于：所述云端地图索引模块将云端平台嵌入地图信息模块，配合采集的道路数据可直接提取需要的隧道、高架桥、泥泞等道路数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211081456.6A CN115359301A (zh) | 2022-09-06 | 2022-09-06 | 一种基于云端平台的数据挖掘方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211081456.6A CN115359301A (zh) | 2022-09-06 | 2022-09-06 | 一种基于云端平台的数据挖掘方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115359301A true CN115359301A (zh) | 2022-11-18 |
Family
ID=84006162
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211081456.6A Pending CN115359301A (zh) | 2022-09-06 | 2022-09-06 | 一种基于云端平台的数据挖掘方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115359301A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117312807A (zh) * | 2023-11-29 | 2023-12-29 | 浙江万胜智能科技股份有限公司 | 一种断路器的控制状态分析方法及*** |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105955233A (zh) * | 2016-04-28 | 2016-09-21 | 郑州宇通客车股份有限公司 | 一种基于数据挖掘的车辆故障诊断方法及*** |
| CN107438873A (zh) * | 2017-07-07 | 2017-12-05 | 驭势科技（北京）有限公司 | 一种用于控制车辆行驶的方法与设备 |
| US20190047572A1 (en) * | 2016-02-05 | 2019-02-14 | Tevva Motors Limited | Range Extender Control |
| CN111104903A (zh) * | 2019-12-19 | 2020-05-05 | 南京邮电大学 | 一种深度感知交通场景多目标检测方法和*** |
| CN111491127A (zh) * | 2020-04-21 | 2020-08-04 | 新石器慧通（北京）科技有限公司 | 基于无人车远程驾驶的视频通话方法及*** |
| CN112346046A (zh) * | 2020-10-30 | 2021-02-09 | 合肥中科智驰科技有限公司 | 基于车载毫米波雷达的单目标跟踪方法及其*** |
| CN112415904A (zh) * | 2019-08-23 | 2021-02-26 | 郑州宇通客车股份有限公司 | 一种自动驾驶车辆的远程控制方法、装置及*** |
| CN113085655A (zh) * | 2021-05-11 | 2021-07-09 | 国网黑龙江省电力有限公司电力科学研究院 | 一种车载电动汽车综合服务*** |
| CN113762406A (zh) * | 2021-09-15 | 2021-12-07 | 东软睿驰汽车技术（沈阳）有限公司 | 数据的挖掘方法、装置和电子设备 |
| CN113780064A (zh) * | 2021-07-27 | 2021-12-10 | 华为技术有限公司 | 一种目标跟踪方法以及装置 |
| CN114155500A (zh) * | 2021-11-30 | 2022-03-08 | 联陆智能交通科技(上海)有限公司 | 基于车身传感器异常路面实时采集分享***及方法 |
| CN114379581A (zh) * | 2021-11-29 | 2022-04-22 | 江铃汽车股份有限公司 | 基于自动驾驶下的算法迭代***及方法 |
| CN114511715A (zh) * | 2022-01-05 | 2022-05-17 | 惠州市德赛西威汽车电子股份有限公司 | 一种驾驶场景数据挖掘方法 |
-
2022
- 2022-09-06 CN CN202211081456.6A patent/CN115359301A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190047572A1 (en) * | 2016-02-05 | 2019-02-14 | Tevva Motors Limited | Range Extender Control |
| CN105955233A (zh) * | 2016-04-28 | 2016-09-21 | 郑州宇通客车股份有限公司 | 一种基于数据挖掘的车辆故障诊断方法及*** |
| CN107438873A (zh) * | 2017-07-07 | 2017-12-05 | 驭势科技（北京）有限公司 | 一种用于控制车辆行驶的方法与设备 |
| CN112415904A (zh) * | 2019-08-23 | 2021-02-26 | 郑州宇通客车股份有限公司 | 一种自动驾驶车辆的远程控制方法、装置及*** |
| CN111104903A (zh) * | 2019-12-19 | 2020-05-05 | 南京邮电大学 | 一种深度感知交通场景多目标检测方法和*** |
| CN111491127A (zh) * | 2020-04-21 | 2020-08-04 | 新石器慧通（北京）科技有限公司 | 基于无人车远程驾驶的视频通话方法及*** |
| CN112346046A (zh) * | 2020-10-30 | 2021-02-09 | 合肥中科智驰科技有限公司 | 基于车载毫米波雷达的单目标跟踪方法及其*** |
| CN113085655A (zh) * | 2021-05-11 | 2021-07-09 | 国网黑龙江省电力有限公司电力科学研究院 | 一种车载电动汽车综合服务*** |
| CN113780064A (zh) * | 2021-07-27 | 2021-12-10 | 华为技术有限公司 | 一种目标跟踪方法以及装置 |
| CN113762406A (zh) * | 2021-09-15 | 2021-12-07 | 东软睿驰汽车技术（沈阳）有限公司 | 数据的挖掘方法、装置和电子设备 |
| CN114379581A (zh) * | 2021-11-29 | 2022-04-22 | 江铃汽车股份有限公司 | 基于自动驾驶下的算法迭代***及方法 |
| CN114155500A (zh) * | 2021-11-30 | 2022-03-08 | 联陆智能交通科技(上海)有限公司 | 基于车身传感器异常路面实时采集分享***及方法 |
| CN114511715A (zh) * | 2022-01-05 | 2022-05-17 | 惠州市德赛西威汽车电子股份有限公司 | 一种驾驶场景数据挖掘方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117312807A (zh) * | 2023-11-29 | 2023-12-29 | 浙江万胜智能科技股份有限公司 | 一种断路器的控制状态分析方法及*** |
| CN117312807B (zh) * | 2023-11-29 | 2024-02-06 | 浙江万胜智能科技股份有限公司 | 一种断路器的控制状态分析方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110532896B (zh) | 一种基于路侧毫米波雷达和机器视觉融合的道路车辆检测方法 | |
| CN108765404B (zh) | 一种基于深度学习图像分类的道路破损检测方法及装置 | |
| CN102737247B (zh) | 一种柴油车尾气烟度图像识别*** | |
| Lekshmipathy et al. | Vibration vs. vision: Best approach for automated pavement distress detection | |
| KR101977052B1 (ko) | 무인비행체를 이용한 도로상태 조사시스템 및 이를 이용한 조사방법 | |
| CN103914682A (zh) | 一种车牌识别方法及*** | |
| CN112883936A (zh) | 一种对车辆违规行为的检测方法及其*** | |
| CN115359301A (zh) | 一种基于云端平台的数据挖掘方法 | |
| Thiruppathiraj et al. | Automatic pothole classification and segmentation using android smartphone sensors and camera images with machine learning techniques | |
| CN112669615B (zh) | 一种基于摄像头的停车位检测方法和*** | |
| Cruz et al. | Classified counting and tracking of local vehicles in manila using computer vision | |
| Sathya et al. | Pothole Detection Using YOLOv3 Model | |
| Kamenetsky et al. | Aerial car detection and urban understanding | |
| CN111325811B (zh) | 一种车道线数据的处理方法及处理装置 | |
| CN114973156B (zh) | 一种基于知识蒸馏的夜间渣土车检测方法 | |
| CN113838282B (zh) | 基于北斗定位的车辆异常行为检测方法 | |
| Pribe et al. | Learning to associate observed driver behavior with traffic controls | |
| CN115409691A (zh) | 融合激光测距和监控图像的双模态学习边坡风险检测方法 | |
| CN114494986A (zh) | 道路场景识别方法及其装置 | |
| CN114037750A (zh) | 一种轨道虚拟应答器的实现方法 | |
| Govada et al. | Road deformation detection | |
| CN112053571A (zh) | 一种高速公路车辆轨迹跟踪方法及跟踪*** | |
| KR20220107875A (ko) | 카메라를 활용한 딥러닝 기반 다차로 무인교통과속단속 시스템 | |
| CN112052824A (zh) | 基于YOLOv3算法的煤气管道特定物体目标检测告警方法、装置、***及存储介质 | |
| CN113963243A (zh) | 一种基于人工智能的黑烟车检测方法 |
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 |
Application publication date: 20221118 |