CN116311910A - 一种基于机器学习的交通事故告警方法 - Google Patents

Abstract

本发明提供一种基于机器学习的交通事故告警方法，属于交通运输领域，本发明通过在事故多发点，如十字路口、弯道等事故多发地点设置智能数据采集设备，同时在该区域部署边缘计算处理模块。结合该地点的道路信息、路况数据以及历史事故数据，利用深度学习技术，识别已经发生的交通安全事故。将识别后的信息上传到云服务端，实现及时发现道路交通安全事故的目的，同时与交通事故处理中心进行联动，以实现快速处理，减少人员伤亡和财产损失的目的。

Description

一种基于机器学习的交通事故告警方法

技术领域

本发明涉及交通运输领域，尤其涉及一种基于机器学习的交通事故告警方法。

背景技术

随着社会的发展，车辆交通已经成为人们生活的一部分。现代社会，道路通车里程、机动车和驾驶人数量都在不断的增长。车辆交通在为生活提供便利性的同时，也带了很多问题，每年因道路交通安全事故造成的人员伤亡和公共财产损失也在不断增长。在不断提升车辆安全性，通过法律法规确保驾驶人行车规范的同时，如何在事故发生后迅速到达事故现场开展救援活动也成为一个问题。传统的事故识别模式，依赖工作人员目视巡检，效率低且有滞后性。

发明内容

为了解决以上技术问题，本发明提供了一种基于机器学习的交通事故告警方法。基于现有技术的不足，本发明提供了一种基于机器学习的交通事故告警***，在使用机器视觉分析交通事故的同时，引入音频数据减少误判，同时通过在事故易发地部署边缘计算节点，极大的提高了交通事故识别的准确性和实时性。

本发明的技术方案是：

一种基于机器学习的交通事故告警方法，通过在道路交通事故易发生区域，设置边缘计算模块和数据收集模块，对过往车辆的运行状态以及行驶轨迹进行追踪和识别；当边缘计算模块判断有安全事故发生时，将相关的音频、视频数据上传到云端，联动云端对数据进行处理。

具体步骤包括：

1)在事故易发区部署智能数据采集装置和边缘计算节点；

2)通过收集到的数据在云端训练目标追踪模型；

3)将目标追踪模型下发到边缘计算节点；

4)边缘计算节点实时跟踪过往车辆运动轨迹，将疑似安全事故数据上报；

5)云端使用交通事故识别模型对数据进行分析；

6)若分析结果为发生交通安全事故，云端向相关部门推送告警信息。

进一步的，

云计算中心根据收集到的音频、视频数据，对数据中的车辆信息进行标注，将标注后的数据用于训练车辆目标识别模型。

云计算中心根据历史交通事故数据，以及智能数据设备所在的道路交通信息，基于Mask R-CNN神经网络，建立交通事故识别模型。

云计算中心结合历史交通事故数据，智能数据采集装置所在的道路交通信息，形成个性化的车辆目标识别模型。

在边缘节点部署目标追踪模型，所述目标追踪模型，即使用DeepSORT目标追踪模型对车辆运动轨迹进行追踪。

边缘计算节点实时跟踪过往车辆的运动轨迹，计算车辆的速度变化、加速度变化、行驶角度变化；当发现车辆的运动行驶轨迹与其他车辆、护栏重合，或者加速度、行驶角度发生变化时，将智能采集设备收集到的数据上传到云计算中心，并推送告警。

云计算中心接收到边缘节点的告警后，使用交通事故识别模型对智能采集设备收集到的音频、视频数据进行分析。

若云计算中心分析的结果为发生了交通安全事故，则推送交通事故告警信息，发送事故发生的地点和视频、音频数据。

本发明在使用机器视觉分析交通事故的同时，引入音频数据减少误判，同时通过在事故易发地部署边缘计算节点，极大的提高了交通事故识别的准确性和实时性。

本发明的有益效果是

通过在道路交通事故易发生区域，设置边缘计算模块和数据收集模块，对过往车辆的运行状态以及行驶轨迹进行追踪和识别。当边缘计算模块判断有安全事故发生时，将相关的音频、视频数据上传到云端，联动云端对数据进行处理，减少误报的概率，同时边缘计算单元的存在可以减少数据传输到云端的压力。当云计算单元识别到交通事故发生的概率较高，及时将视频、事故发生地点等数据通知到相关部门，以实现快速处理，减少人员伤亡和财产损失的目的。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，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的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。

本发明提供了一种基于机器学习的交通事故告警方法，包含如下步骤：

a)在交通事故易发路段，如道路收窄区域，交汇车路段，弯道等路段部署智能数据采集设备，用于采集过往车辆的行驶数据。所述智能数据采集设备，即可以收集过往车辆的音频、视频数据。

b)智能采集设备将收集到的数据上传到云计算中心。

c)云计算中心根据收集到的音频、视频数据，对数据中的车辆信息进行标注，将标注后的数据用于训练车辆目标识别模型。所述车辆目标识别模型，即使用YOLOv5目标检测模型。

d)云计算中心根据历史交通事故数据，以及智能数据设备所在的道路交通信息，基于Mask R-CNN神经网络，建立交通事故识别模型。

e)云计算中心结合历史交通事故数据，智能数据采集设备所在的道路交通信息，形成个性化的车辆目标识别模型。

f)云计算中心将车辆目标识别模型下发给边缘计算节点。

g)边缘计算节点使用车辆目标模型，对过往车辆进行识别。

h)在边缘节点部署目标追踪模型，所述目标追踪模型，即使用DeepSORT目标追踪模型对车辆运动轨迹进行追踪。

i)边缘计算节点实时跟踪过往车辆的运动轨迹，计算车辆的速度变化、加速度变化、行驶角度变化。当发现车辆的运动行驶轨迹与其他车辆、护栏重合，或者加速度、行驶角度发生剧烈变化时，将智能采集设备收集到的数据上传到云计算中心，并推送告警。

j)云计算中心接收到边缘节点的告警后，使用交通事故识别模型对智能采集设备收集到的音频、视频数据进行分析。

k)若云计算中心分析的结果为发生了交通安全事故，则向相关部门推送交通事故告警信息，发送事故发生的地点和视频、音频数据。

通过在事故多发点，如十字路口、弯道等事故多发地点设置智能数据采集设备，同时在该区域部署边缘计算处理模块。结合该地点的道路信息、路况数据以及历史事故数据，利用深度学习技术，识别已经发生的交通安全事故。将识别后的信息上传到云服务端，实现及时发现道路交通安全事故的目的。

以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (9)

1.一种基于机器学习的交通事故告警方法，其特征在于，

通过在道路交通事故易发生区域，设置边缘计算模块和数据收集模块，对过往车辆的运行状态以及行驶轨迹进行追踪和识别；当边缘计算模块判断有安全事故发生时，将相关的音频、视频数据上传到云端，联动云端对数据进行处理。

2.根据权利要求1所述的方法，其特征在于，

具体步骤包括：

1)在事故易发区部署智能数据采集装置和边缘计算节点；

2)通过收集到的数据在云端训练目标追踪模型；

3)将目标追踪模型下发到边缘计算节点；

4)边缘计算节点实时跟踪过往车辆运动轨迹，将事故数据上报；

5)云端使用交通事故识别模型对数据进行分析；

6)若分析结果为发生交通安全事故，云端向各部门推送告警信息。

3.根据权利要求2所述的方法，其特征在于，

云计算中心根据收集到的音频、视频数据，对数据中的车辆信息进行标注，将标注后的数据用于训练车辆目标识别模型。

4.根据权利要求3所述的方法，其特征在于，

云计算中心根据历史交通事故数据，以及智能数据设备所在的道路交通信息，基于Mask R-CNN神经网络，建立交通事故识别模型。

5.根据权利要求4所述的方法，其特征在于，

云计算中心结合历史交通事故数据，智能数据采集装置所在的道路交通信息，形成个性化的车辆目标识别模型。

6.根据权利要求5所述的方法，其特征在于，

在边缘节点部署目标追踪模型，所述目标追踪模型，即使用DeepSORT目标追踪模型对车辆运动轨迹进行追踪。

7.根据权利要求5所述的方法，其特征在于，

边缘计算节点实时跟踪过往车辆的运动轨迹，计算车辆的速度变化、加速度变化、行驶角度变化；当发现车辆的运动行驶轨迹与其他车辆、护栏重合，或者加速度、行驶角度发生变化时，将智能采集设备收集到的数据上传到云计算中心，并推送告警。

8.根据权利要求1所述的方法，其特征在于，

云计算中心接收到边缘节点的告警后，使用交通事故识别模型对智能采集设备收集到的音频、视频数据进行分析。

9.根据权利要求8所述的方法，其特征在于，

若云计算中心分析的结果为发生了交通安全事故，则推送交通事故告警信息，发送事故发生的地点和视频、音频数据。