CN116486635A - 路面团雾检测预警方法、***、存储介质及终端 - Google Patents
路面团雾检测预警方法、***、存储介质及终端 Download PDFInfo
- Publication number
- CN116486635A CN116486635A CN202210028404.6A CN202210028404A CN116486635A CN 116486635 A CN116486635 A CN 116486635A CN 202210028404 A CN202210028404 A CN 202210028404A CN 116486635 A CN116486635 A CN 116486635A
- Authority
- CN
- China
- Prior art keywords
- fog
- visibility
- data
- road
- image
- 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 51
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 230000007613 environmental effect Effects 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims description 30
- 239000003595 mist Substances 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 21
- 230000004927 fusion Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000010355 oscillation Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 4
- 230000000007 visual effect Effects 0.000 abstract description 4
- 230000010485 coping Effects 0.000 abstract description 3
- 230000001537 neural effect Effects 0.000 abstract description 3
- 238000003062 neural network model Methods 0.000 abstract description 3
- 239000013598 vector Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 229910052697 platinum Inorganic materials 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
- G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
- G08G1/096783—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a roadside individual element
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Atmospheric Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种路面团雾检测预警方法、***、存储介质及终端,应用于路侧设备,其包括:获取目标路段的图像数据和环境数据;基于能见度估计模型和所述图像数据获得目标路段的能见度估计值;基于团雾预测模型及所述环境数据和能见度估计值获得目标路段的团雾预测结果;基于所述能见度估计值和所述团雾预测结果生成团雾预警信息。本发明考虑到团雾的可移动性、团雾与环境数据的相关性,及其历史变化规律对团雾进行预测,在团雾尚未发生或到达的情况下对车辆进行提前预警,为车辆提供更充分的应对时间;采用卷积神经网络‑循环神经网络模型模拟人眼的视觉特性,提升能见度估计精度;具有精度高、可用性强、覆盖面广等优势。
Description
技术领域
本发明涉及道路交通领域,特别是涉及一种路面团雾检测预警方法、***、存储介质及终端。
背景技术
团雾是受局部地区小气候环境的影响,在数十米到上百米的局部范围内出现的雾,具有突发性、局地性、尺度小、浓度大、内部能见度低等特点。团雾的覆盖面积大小不一,分布不均匀,大的团雾长可达五公里,小的团雾仅有几百米。团雾一般出现于地势低洼、空气湿度大、温差大的区域,且受风力的影响,团雾可以移动。
由于团雾区域性强、预测预报难,车辆难以提前得到通知或警示时就已进入团雾区域,尤其是在高速公路上,团雾导致能见度的突然变化,对高速公路交通安全极具危害性。据统计,雾天发生交通事故的概率比平常高出几倍,甚至几十倍,因浓雾、团雾造成多车连续追尾事故屡有发生。因此,亟需提出一种路面团雾的检测预警方案,其对提高道路交通安全性,避免交通事故,保障人民的生命、财产权具有重要意义。
发明内容
鉴于以上所述原因,本发明的目的在于提供一种路面团雾检测预警方法、***、存储介质及终端,用于提高道路交通安全性,避免因团雾造成交通事故的发生。
为实现上述目的及其它相关目的,本发明的第一方面提供一种路面团雾检测预警方法,应用于路侧设备,其包括:获取目标路段的图像数据和环境数据;基于能见度估计模型和所述图像数据获得目标路段的能见度估计值;基于团雾预测模型及所述环境数据和能见度估计值获得目标路段的团雾预测结果;基于所述能见度估计值和所述团雾预测结果生成团雾预警信息。
于本发明的第一方面的一些实施例中,所述环境数据包括能见度测量数据;所述能见度估计值的获取方式包括:预处理所述图像数据;基于所述能见度测量数据对预处理后的图像数据进行标注以获得能见度估计数据集;基于所述能见度估计数据集训练所述能见度估计模型;通过所述能见度估计模型的卷积神经网络提取图像特征;通过所述能见度估计模型的循环神经网络基于所述图像特征提取注意力特征;通过所述能见度估计模型融合所述图像特征和所述注意力特征,并对融合结果分类处理以获得所述能见度估计值。
于本发明的第一方面的一些实施例中,所述环境数据包括历史环境数据和实时环境数据;所述团雾预测结果的获取方式包括:基于所述历史环境数据和实时环境数据进行信息融合;将信息融合结果与目标路段的能见度前期振荡数据进行匹配;基于匹配结果进行权重分配以获得重要特征;将所述重要特征输入所述团雾预测模型以获得所述团雾预测结果。
于本发明的第一方面的一些实施例中,令所述团雾预测结果为第一预测结果;所述方法包括:多个路侧设备分别获得对应目标路段的所述第一预测结果;对各路侧设备的第一预测结果进行信息整合以获得第二预测结果。
于本发明的第一方面的一些实施例中,所述图像数据的预处理包括:提取所述待处理图像的感兴趣区域并统一尺寸以获得原始图像;将所述原始图像转换至颜色空间模型,并对其饱和度分量图做伪彩色处理以获得光谱滤波后的光谱图像;对所述原始图像和光谱图像进行图像运算以获得目标图像。
于本发明的第一方面的一些实施例中,所述环境数据包括温度数据、湿度数据、风速数据、风向数据和能见度测量数据中的任一种或多种的组合。
于本发明的第一方面的一些实施例中,所述环境数据包括历史环境数据;所述团雾预测模型的构建方式包括:对所述历史环境数据进行信息融合,并与对应的能见度前期振荡数据进行匹配以获得匹配结果;基于所述匹配结果进行权重分配以获得训练样本;将所述训练样本输入长短期记忆网络模型进行训练并输出特征序列,并将所述特征序列输入分类模型进行训练以获得所述团雾预测模型。
为实现上述目的及其它相关目的,本发明的第二方面提供一种路面团雾检测预警***,包括:采集模块,设于路侧设备上,用于采集目标路段的图像数据和环境数据;计算平台,与所述采集模块通信连接,用于接收并处理所述图像数据和环境数据;并基于能见度估计模型和所述图像数据获得目标路段的能见度估计值;基于团雾预测模型及所述环境数据和能见度估计值获得目标路段的团雾预测结果;基于所述能见度估计值和所述团雾预测结果生成团雾预警信息。
为实现上述目的及其它相关目的,本发明的第三方面提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述路面团雾检测预警方法。
为实现上述目的及其它相关目的,本发明的第四方面提供一种电子终端,包括:处理器及存储器;所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行所述路面团雾检测预警方法。
如上所述,本发明提出的路面团雾检测预警方法、***、存储介质及终端,通过实时采集路面的图像数据和环境数据,分析获得目标路段的能见度估计值,并结合历史数据获得团雾预测结果,进而生成团雾预警信息向道路上的车辆发出预警,提高道路交通安全性;本发明考虑到团雾的可移动性、团雾与环境数据的相关性,及其历史变化规律对团雾进行预测,在团雾尚未发生或到达的情况下对车辆进行提前预警,为车辆提供更充分的应对时间;进一步地,采用卷积神经网络-循环神经网络模型模拟人眼的视觉特性,提升能见度估计精度;通过整合多个路侧设备的预测结果,充分考虑不同区域之间的相互影响,准确预测团雾现象发生的时间、概率及其运动趋势等,具有精度高、可用性强、覆盖面广等优势。
附图说明
图1显示为本发明一实施例中一种路面团雾检测预警方法的流程示意图。
图2显示为本发明一实施例中另一种路面团雾检测预警方法的流程示意图。
图3显示为本发明一实施例中一种路面团雾检测预警***的结构示意图。
图4显示为本发明一实施例中一种电子终端的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其它优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,在下述描述中,参考附图,附图描述了本发明的若干实施例。应当理解,还可使用其它实施例,并且可以在不背离本发明的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的,并且本发明的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例,而并非旨在限制本发明。
再者,如同在本文中所使用的,单数形式“一”、“一个”和“该”旨在也包括复数形式,除非上下文中有相反的指示。应当进一步理解,术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组,但不排除一个或多个其它特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的,或意味着任一个或任何组合。因此,“A、B或C”或者“A、B和/或C”意味着“以下任一个:A; B;C;A和B;A和C;B和C;A、B和C”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时,才会出现该定义的例外。
本发明的目的在于提供一种路面团雾检测预警方法、***、存储介质及终端,用于提高道路交通安全性。
为了使本发明的目的、技术方案及优点更加清楚明白,通过下述实施例并结合附图,对本发明实施例中的技术方案进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例一
如图1所示,本发明实施例提出一种路面团雾检测预警方法的流程示意图,其包括:
步骤S11.获取目标路段的图像数据和环境数据。具体的,路侧设备可通过安装相应的采集模块来采集相应的数据,或者,路侧设备可通过与附近的气象站点、环境监测站点等通信连接获取所需的环境数据,如能见度测量数据、温度数据、湿度数据、风速数据、风向数据等。
例如,在路侧设备上安装摄像模组来采集图像数据,所述摄像模组包括摄像装置、存储装置和处理装置。所述摄像装置包括但不限于:照相机、视频摄像机、集成有光学***或CCD 芯片的摄像模块、集成有光学***和CMOS芯片的摄像模块等。又例如,在路侧设备上安装能见度检测仪、温度传感器、湿度传感器、风速传感器、风向传感器等,采集能见度测量数据、温度数据、湿度数据、风速数据、风向数据等环境数据。
步骤S12.基于能见度估计模型和所述图像数据获得目标路段的能见度估计值。例如,可通过尺度不变特征变换(Scale-invariant feature transform,SIFT)算子计算图像的关键点及其对应的特征向量,将该特征向量作为训练数据,通过深度学习模型建立图像数据与能见度的映射关系。
在本实施例较佳的实施方式中,所述能见度估计值的获取方式包括:预处理所述图像数据;基于所述能见度测量数据对预处理后的图像数据进行标注以获得能见度估计数据集;基于所述能见度估计数据集训练所述能见度估计模型;通过所述能见度估计模型的卷积神经网络(Convolutional Neural Networks,CNN)提取图像特征;通过所述能见度估计模型的循环神经网络(Recurrent Neural Network,RNN)基于所述图像特征提取注意力特征;通过所述能见度估计模型融合所述图像特征和所述注意力特征,并对融合结果分类处理以获得所述能见度估计值。本实施方式采用CNN-RNN模型模拟人眼的视觉特性,可有效提升能见度估计精度。
该实施方式还可表述如下:将训练样本送入以CNN网络为骨干的图像特征提取网络,由图像特征提取网络输出特征向量f1;各层输出再送入以RNN网络为骨干的注意力区域模块,由注意力区域模块输出特征向量f2,其中注意力区域模块为搜寻图像中最远的区域;将得到的特征向量f1与f2做特征融合,得到特征向量f;通过softmax层实现分类功能。
在本实施例较佳的实施方式中,所述图像数据的预处理包括:提取所述待处理图像的感兴趣区域并统一尺寸以获得原始图像;将所述原始图像转换至颜色空间模型(如HSV颜色空间模型),并对其饱和度分量图做伪彩色处理以获得光谱滤波后的光谱图像;对所述原始图像和光谱图像进行图像运算以获得目标图像。
在一些示例中,对所述原始图像和光谱图像进行算术运算,即对原始图像和光谱图像中对应像素的灰度值作加、减、乘或除等运算后,将运算结果作为目标图像相应像素的灰度值。优选对所述原始图像和光谱图像采用数值相加的方式获得目标图像,尤其适用于本发明的能见度估计模型。
在一些示例中,所述方法包括:基于所述能见度估计值计算相应路段的能见度级别,例如,可参考气象部门的标准,如《QX/T 76-2007高速公路能见度监测及浓雾的预警预报》,将团雾图像划分为五个等级:(1)能见度一级:代表能见度50米以下;(2)能见度二级:代表能见度50到100米;(3)能见度三级:代表能见度100到200米;(4)能见度四级:代表能见度200到500米;(5)能见度五级:代表能见度500米以上。进一步地,基于所述能见度级别设定预警级别,能见度级别越低,即能见度范围越小,则设定的预警级别越高。
步骤S13.基于团雾预测模型及所述环境数据和所述能见度估计值获得目标路段的团雾预测结果。所述团雾预测结果包括团雾发生时间、团雾发生概率、团雾发生位置、团雾运动方向、团雾运动速度、团雾覆盖大小、团雾能见度等级等等。
在本实施例较佳的实施方式中,所述环境数据包括历史环境数据和实时环境数据;所述团雾预测结果的获取方式包括:基于所述历史环境数据和实时环境数据进行信息融合;将信息融合结果与目标路段的能见度前期振荡数据进行匹配;基于匹配结果进行权重分配以获得重要特征;将所述重要特征输入所述团雾预测模型以获得所述团雾预测结果。
所述信息融合可选的有原始数据融合、特征融合和决策融合,其中优选特征融合,通过对所采集的原始环境数据进行特征提取,对提取的特征信息进行综合分析处理来获得所需信息。本实施例通过对同一采集模块采集的历史数据和实时数据进行时间融合,对不同位置的采集模块采集的数据进行空间融合,充分利用能见度检测仪、温度传感器、湿度传感器、风速传感器、风向传感器等资源.将各种传感器在空间和时间上的互补与冗余信息依据某种优化准则或算法组合,产生对目标路段的团雾的一致性解释和描述,提高团雾预测的准确性。
在本实施例较佳的实施方式中,所述团雾预测模型的构建方式包括:对所述历史环境数据进行信息融合,并与对应的能见度前期振荡数据进行匹配以获得匹配结果;基于所述匹配结果进行权重分配以获得训练样本;将所述训练样本输入长短期记忆网络模型(Long Short-Term Memory,LSTM)进行训练并输出特征序列,并将所述特征序列输入分类模型进行训练以获得所述团雾预测模型。
步骤S14.基于所述能见度估计值和所述团雾预测结果生成团雾预警信息。所述团雾预警信息包括但不限于团雾覆盖大小、团雾地理位置、团雾能见度等级、团雾发生概率及时间等等。具体的,可通过在路侧设备(如警示灯、显示屏、情报板、交通诱导屏)上直接播报或显示预警信息,也可与车辆通信并发送对应的预警信息。其中,路侧设备可基于一定的预警策略发送不同程度、不同等级的预警信号。
在本实施例较佳的实施方式中,令所述团雾预测结果为第一预测结果;所述方法包括:多个路侧设备分别获得对应目标路段的所述第一预测结果;对各路侧设备的第一预测结果进行信息整合以获得第二预测结果,确定目标路段出现团雾的概率及团雾运动趋势。
具体的,如图2所示,本发明实施例提出另一种路面团雾检测预警方法的流程示意图,各个路侧设备(路侧设备1,路侧设备2,···,路侧设备n)分别采集相关传感信息,其中相关传感信息包括但不限于温度、湿度、风速、风向等以及能见度估计级别;计算平台通过通信模块与路侧设备连接,对获得的传感信息结合各自的历史信息,进行信息融合,并与能见度前期震荡等先验信息匹配;根据匹配的结果,通过一定的权重分配,获得重要特征;将获得的重要特征输入团雾预测模型,得到预测结果;根据各个路侧设备的预测结果,通过一定的信息整合,演进趋势推演,进而确定各自所在区域之后的某时刻是否会有团雾现象发生及其运动趋势等;计算平台通过路侧设备,包括但不限于警示灯、显示屏、情报板、交通诱导屏等,根据一定策略生成不同等级的预警信号,对高速公路上的驾驶人进行不同程度的预警。
在一些示例中,在高速公路全路段的各路段分别设有采集模块于路侧设备上,通过采集模块采集对应路段的图像数据和环境数据,基于所采集的数据分别获得对应路段的第一预测结果,包括团雾发生的时间、概率、位置、覆盖面积、运动趋势等等;通过整合不同路段的第一预测结果获得目标路段的第二预测结果。本实施方式考虑到相邻路段团雾运动之间的相互影响,提高目标路段团雾预测结果的准确性。优选的,仅整合目标路段及其相邻两侧路段的团雾预测结果,忽略更远路段对目标路段的影响,降低计算量,实现预测效率和预测精度之间的平衡。
在另一些示例中,分别在路侧设备上对应不同路段和不同车道设置采集模块,采集对应路段和对应车道的图像数据和环境数据,并基于采集的数据预测得到第一预测结果;进而整合不同路段、不同车道的预测结果以获得目标路段的第二预测结果。本实施方式不仅考虑不同路段之间的团雾运动的影响,还考虑不同车道之间团雾运动的影响,进一步提高团雾检测预警的准确性。
在一些实施方式中,所述方法可应用于控制器,所述电控单元例如为ARM(Advanced RISC Machines)控制器、FPGA(Field Programmable Gate Array)控制器、SoC(System on Chip)控制器、DSP(Digital Signal Processing)控制器、或者MCU(Microcontroller Unit)控制器等等。在一些实施方式中,所述方法也可应用于包括存储器、存储控制器、一个或多个处理单元 (CPU)、外设接口、RF电路、音频电路、扬声器、麦克风、输入/输出(I/O)子***、显示屏、其它输出或控制设备,以及外部端口等组件的计算机;所述计算机包括但不限于如台式电脑、笔记本电脑、平板电脑、智能手机、智能电视、个人数字助理(Personal Digital Assistant,简称PDA)等个人电脑。在另一些实施方式中,所述方法还可应用于服务器,所述服务器可以根据功能、负载等多种因素布置在一个或多个实体服务器上,也可以由分布的或集中的服务器集群构成。
实施例二
如图3所示,本发明实施例提出一种路面团雾检测预警***的结构示意图,其包括:
采集模块31,设于路侧设备上,用于采集目标路段的图像数据和环境数据。所述采集模块31可选的有照相机、视频摄像机、集成有光学***或CCD芯片的摄像模块、集成有光学***和CMOS芯片的摄像模块等,还可选用能见度检测仪、温度传感器、湿度传感器、风速传感器、风向传感器等。
计算平台32,与所述采集模块31通信连接,用于接收并处理所述图像数据和环境数据;通过能见度估计模型基于所述图像数据获得目标路段的能见度估计值;通过团雾预测模型基于所述环境数据和所述能见度估计值获得目标路段的团雾预测结果;基于所述能见度估计值和团雾预测结果生成团雾预警信息。
所述计算平台32可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以是设于路侧设备、采集模块当中,也可以为单独设置的后台、服务器、云计算平台等。
所述能见度传感器(又名能见度观测仪、能见度检测仪)可选的有透射式能见度传感器和散射式能见度传感器,散射式传感器又包括前向散射式传感器、后向散射式传感器和总散射式传感器,其中优选前向散射式传感器,其具有体积小、性价比高的特点,尤其适用于本发明的在路侧设备的安装集成,以及高速公路上的大范围覆盖。
所述温度传感器可选的有热电偶温度传感器、热敏电阻温度传感器、铂电阻(RTD)温度传感器、IC温度传感器、声学温度传感器、红外温度传感器、微波温度传感器等等,IC温度传感器又包括模拟输出和数字输出两种类型。其中,优选模拟输出IC温度传感器,其测温误差小、价格低、响应速度快、传输距离远、体积小、微功耗、***电路简单,尤其适用于本发明。
所述湿度传感器可选的有湿敏电阻传感器、湿敏电容传感器等。所述风速传感器可选的有机械式风速传感器、超声波式风速传感器等。所述风向传感器可选的有光电式风向传感器、电压式风向传感器和罗盘式风向传感器等。
在一些示例中,所述路侧设备包括路灯、警示灯、显示屏、情报板、交通诱导屏中的任一种或多种组合。在所述路侧设备包括路灯、警示灯的情况下,所述计算平台32可通过控制路灯发光的颜色和闪烁频率等方式进行预警。在所述路侧设备包括显示屏、情报板或交通诱导屏的情况下,所述计算平台32可通过控制显示屏、情报板或交通诱导屏显示相应的文字或图像信息等进行预警。
在本实施例较佳的实施方式中,所述***还包括定位模块,设于所述路侧设备,用于获取团雾位置数据;所述计算平台32与所述定位模块通信连接,用于接收并处理所述团雾位置数据以发送所述团雾预警信号。所述定位模块可选的有北斗定位***、GPS(GlobalPositioning System)全球定位***、伽利略卫星导航***、俄罗斯全球导航卫星***等中的任一种或多种的组合。
在本实施例较佳的实施方式中,所述***包括通信模块,用于实现所述计算平台32与采集模块31以及车辆之间的通信。所述通信模块包括有线通信模块和无线通信模块,其中,所述无线通信模块又包括3G/4G/5G通信模块、NB-IoT通信模块、LoRa通信模块、Zigbee通信模块、Z-wave通信模块、Wifi通信模块、蓝牙通信模块中的任意一种或多种的组合。
在一些示例中,所述***包括预警单元,与所述计算平台32通信连接,用于接收计算平台32发出的团雾预警信号并执行预警动作。所述预警单元可选的有声音预警单元,如蜂鸣器、扬声器、语音播报装置等;或可选用文字预警单元,如可在显示屏、情报板或交通诱导屏上显示文字预警信息;或可选用光预警单元,通过发出一定颜色、闪烁频率、照射距离的光线进行预警;或可与车辆终端或用户的移动终端通信连接并发送预警信息;或可通过投影装置向一定区域投影预警,等等。
优选的,所述预警单元13设置有不同的预警等级,例如预警等级随能见度等级的升高而递减,即能见度越高,预警等级越小。例如,一级预警可通过文字显示预警,二级预警可通过文字预警和语音播报的结合,三级预警可通过特殊的声音装置引起车辆注意;进一步地,预警级别越高,接收到预警信息的路侧设备的覆盖范围就越广。
需要说明的是,本实施例提供的***与上文中提供的方法、实施方式类似,故不再赘述。另外需要说明的是,应理解以上***的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,计算平台32可以为单独设立的处理元件,也可以集成在上述***的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述***的存储器中,由上述***的某一个处理元件调用并执行以上计算平台32的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(digital signal processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(Central Processing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上*** (system-on-a-chip,简称SOC)的形式实现。
实施例三
如图4所示,本发明实施例提供一种电子终端的结构示意图。本实施例提供的电子终端,包括:处理器41、存储器42、通信器43;存储器42通过***总线与处理器41和通信器43连接并完成相互间的通信,存储器42用于存储计算机程序,通信器43用于和其它设备进行通信,处理器41用于运行计算机程序,使电子终端执行如上路面团雾检测预警方法的各个步骤。
上述提到的***总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称 PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该***总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其它设备 (例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
实施例四
本发明实施例提出一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现项所述路面团雾检测预警方法。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述,本发明提供路面团雾检测预警方法、***、存储介质及终端,通过实时采集路面的图像数据和环境数据,分析获得目标路段的能见度估计值,并结合历史数据获得团雾预测结果,进而生成团雾预警信息向道路上的车辆发出预警,提高道路交通安全性;本发明考虑到团雾的可移动性、团雾与环境数据的相关性,及其历史变化规律对团雾进行预测,在团雾尚未发生或到达的情况下对车辆进行提前预警,为车辆提供更充分的应对时间;进一步地,采用卷积神经网络-循环神经网络模型模拟人眼的视觉特性,提升能见度估计精度;通过整合多个路侧设备的预测结果,充分考虑不同区域之间的相互影响,准确预测团雾现象发生的时间、概率及其运动趋势等,具有精度高、可用性强、覆盖面广等优势。因此,本发明有效克服了现有技术中的种种缺点而具有高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种路面团雾检测预警方法,其特征在于,应用于路侧设备,其包括:
获取目标路段的图像数据和环境数据;
基于能见度估计模型和所述图像数据获得目标路段的能见度估计值;
基于团雾预测模型及所述环境数据和能见度估计值获得目标路段的团雾预测结果;
基于所述能见度估计值和所述团雾预测结果生成团雾预警信息。
2.根据权利要求1所述的路面团雾检测预警方法,其特征在于,所述环境数据包括能见度测量数据;所述能见度估计值的获取方式包括:
预处理所述图像数据;
基于所述能见度测量数据对预处理后的图像数据进行标注以获得能见度估计数据集;
基于所述能见度估计数据集训练所述能见度估计模型;
通过所述能见度估计模型的卷积神经网络提取图像特征;
通过所述能见度估计模型的循环神经网络基于所述图像特征提取注意力特征;
通过所述能见度估计模型融合所述图像特征和所述注意力特征,并对融合结果分类处理以获得所述能见度估计值。
3.根据权利要求1所述的路面团雾检测预警方法,其特征在于,所述环境数据包括历史环境数据和实时环境数据;所述团雾预测结果的获取方式包括:
基于所述历史环境数据和实时环境数据进行信息融合;
将信息融合结果与目标路段的能见度前期振荡数据进行匹配;
基于匹配结果进行权重分配以获得重要特征;
将所述重要特征输入所述团雾预测模型以获得所述团雾预测结果。
4.根据权利要求1所述的路面团雾检测预警方法,其特征在于,令所述团雾预测结果为第一预测结果;所述方法包括:
多个路侧设备分别获得对应目标路段的所述第一预测结果;
对各路侧设备的第一预测结果进行信息整合以获得第二预测结果。
5.根据权利要求2所述的路面团雾检测预警方法,其特征在于,所述图像数据的预处理包括:
提取所述待处理图像的感兴趣区域并统一尺寸以获得原始图像;
将所述原始图像转换至颜色空间模型,并对其饱和度分量图做伪彩色处理以获得光谱滤波后的光谱图像;
对所述原始图像和光谱图像进行图像运算以获得目标图像。
6.根据权利要求1所述的路面团雾检测预警方法,其特征在于,所述环境数据包括温度数据、湿度数据、风速数据、风向数据和能见度测量数据中的任一种或多种的组合。
7.根据权利要求1所述的路面团雾检测预警方法,其特征在于,所述环境数据包括历史环境数据;所述团雾预测模型的构建方式包括:
对所述历史环境数据进行信息融合,并与对应的能见度前期振荡数据进行匹配以获得匹配结果;
基于所述匹配结果进行权重分配以获得训练样本;
将所述训练样本输入长短期记忆网络模型进行训练并输出特征序列,并将所述特征序列输入分类模型进行训练以获得所述团雾预测模型。
8.一种路面团雾检测预警***,其特征在于,包括:
采集模块,设于路侧设备上,用于采集目标路段的图像数据和环境数据;
计算平台,与所述采集模块通信连接,用于接收并处理所述图像数据和环境数据;并基于能见度估计模型和所述图像数据获得目标路段的能见度估计值;基于团雾预测模型及所述环境数据和能见度估计值获得目标路段的团雾预测结果;基于所述能见度估计值和所述团雾预测结果生成团雾预警信息。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述路面团雾检测预警方法。
10.一种电子终端,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如权利要求1至7中任一项所述路面团雾检测预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210028404.6A CN116486635A (zh) | 2022-01-11 | 2022-01-11 | 路面团雾检测预警方法、***、存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210028404.6A CN116486635A (zh) | 2022-01-11 | 2022-01-11 | 路面团雾检测预警方法、***、存储介质及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116486635A true CN116486635A (zh) | 2023-07-25 |
Family
ID=87221834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210028404.6A Pending CN116486635A (zh) | 2022-01-11 | 2022-01-11 | 路面团雾检测预警方法、***、存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116486635A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117275250A (zh) * | 2023-09-20 | 2023-12-22 | 南京鑫荣汇信息科技有限公司 | 一种用于高速公路雾区诱导的预警装备及方法 |
-
2022
- 2022-01-11 CN CN202210028404.6A patent/CN116486635A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117275250A (zh) * | 2023-09-20 | 2023-12-22 | 南京鑫荣汇信息科技有限公司 | 一种用于高速公路雾区诱导的预警装备及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6831414B2 (ja) | 測位のための方法、測位のための装置、デバイス及びコンピュータ読み取り可能な記憶媒体 | |
US10078790B2 (en) | Systems for generating parking maps and methods thereof | |
US11521022B2 (en) | Semantic state based sensor tracking and updating | |
Guo et al. | GPS-based citywide traffic congestion forecasting using CNN-RNN and C3D hybrid model | |
JP7042983B2 (ja) | センサーデータおよび分散デバイスデータを用いたオブジェクト集団推定の結合モデリング | |
Alsolami et al. | Hybrid statistical and machine learning methods for road traffic prediction: A review and tutorial | |
CN109389863A (zh) | 提示方法及相关设备 | |
CN113155173B (zh) | 感知性能评测方法、装置、电子装置和存储介质 | |
WO2021082464A1 (zh) | 预测车辆的目的地的方法和装置 | |
US11829959B1 (en) | System and methods for fully autonomous potholes detection and road repair determination | |
CN109961001A (zh) | 对空间成像数据的自适应处理 | |
CN108694829B (zh) | 基于无人机群移动平台的交通流量识别监测网络和方法 | |
CN112149503A (zh) | 目标事件检测方法、装置和电子设备和可读介质 | |
CN114445803A (zh) | 驾驶数据的处理方法、装置及电子设备 | |
CN113935442B (zh) | 汽车自动驾驶功能测试道路的分类方法、设备和存储介质 | |
CN110796360A (zh) | 一种固定型交通检测源多尺度数据融合方法 | |
CN112649900A (zh) | 一种能见度的监测方法、装置、设备、***和介质 | |
Casas-Avellaneda et al. | Detection and localization of potholes in roadways using smartphones | |
Varjo et al. | Image based visibility estimation during day and night | |
CN116486635A (zh) | 路面团雾检测预警方法、***、存储介质及终端 | |
Wang et al. | Hyperlocal environmental data with a mobile platform in urban environments | |
CN117079148A (zh) | 城市功能区的识别方法、装置、设备和介质 | |
Yap et al. | A global feature-rich network dataset of cities and dashboard for comprehensive urban analyses | |
Sharma et al. | Deep Learning-Based Object Detection and Classification for Autonomous Vehicles in Different Weather Scenarios of Quebec, Canada | |
CN110765900A (zh) | 一种基于dssd的自动检测违章建筑方法及*** |
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 |