CN208538328U - 一种卷积神经网络路况监测器 - Google Patents
一种卷积神经网络路况监测器 Download PDFInfo
- Publication number
- CN208538328U CN208538328U CN201820771197.2U CN201820771197U CN208538328U CN 208538328 U CN208538328 U CN 208538328U CN 201820771197 U CN201820771197 U CN 201820771197U CN 208538328 U CN208538328 U CN 208538328U
- Authority
- CN
- China
- Prior art keywords
- convolutional neural
- neural networks
- monitoring device
- camera
- road
- 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.)
- Expired - Fee Related
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 48
- 238000012806 monitoring device Methods 0.000 title claims abstract description 31
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 230000005540 biological transmission Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000005070 sampling Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000000034 method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000007630 basic procedure Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本实用新型公开了一种卷积神经网络路况监测器，属于人工智能技术领域。本实用新型的核心是卷积神经网络，包含前端监测设备、传输设备、后端存储设备和显示设备四个部分。前端监测设备由摄像头组成，采集图像或视频信息，通过传输设备传送给计算机存储，作为已经训练过的卷积神经网络的输入，使用训练好的卷积神经网络判断道路异常情况并将道路情况显示在显示屏上，同时通过扬声器和指示灯对驾驶员进行预警，并具有行车记录功能，由此构成一个监测路况的路况监测器，通过上述模块之间的配合，实现监测器对路况的精准判断，能更好的辅助驾驶员判断当前路况，及时作出反应。
Description
技术领域
本实用新型涉及一种卷积神经网络路况监测器，属于人工智能技术领域。
背景技术
随着社会经济的发展和人民生活水平的提高，我国的交通运输业也得到了极大的发展，然而，人们对交通运输的需求也使得城市交通状况越发恶化，交通事故对我国国家财产和人民生命安全造成了极大的损失，因此，降低交通事故的发生率具有十分重大的意义。
在日常交通运输中，对道路异常情况进行监测，并及时对驾驶员发出警示，能有效地降低交通事故的发生率。道路异常情况包括行人突然出现，后方车辆突然加速，前方车辆突然变道等一系列突发状况。
随着图像处理技术的发展，人们已经开发了许多基于传统图像处理技术的道路监测***，但是没有得到广泛应用。而人工智能技术的发展，已经在计算机视觉，图像处理和模式识别等技术领域取得了令人瞩目的成就。因此，基于卷积神经网络的路况监测器具有巨大的潜力和重要的实用价值。
发明内容
本实用新型要解决的技术问题是提供一种卷积神经网络路况监测器，实现发生道路异常情况时及时对驾驶员进行警示。
本实用新型采用的技术方案是：一种卷积神经网络路况监测器，其特征在于：包括：
前端监测设备，包含4个摄像头，分别安装在车辆四周；
传输设备，包含视频线；
后端存储设备，包含计算机，计算机内设有卷积神经网络模块、单片机、存储模块，计算机通过传输设备分别与前端监测设备、后端显示设备连接，摄像头、存储模块、卷积神经网络模块均与单片机连接，卷积神经网络模块用于判断摄像头拍摄的照片中的路况是否异常，摄像头采集的信息均保存在存储模块中；
显示设备，安装在车内驾驶员看得到的地方，包含与单片机连接的1个显示器、1个扬声器和4个指示灯， 4个指示灯分别与4个摄像头对应，计算机根据每个摄像头采集的图像信息分别控制对应的指示灯工作；
电源模块，分别与前端监测设备、后端存储设备、显示设备连接。
具体地，所述的卷积神经网络模块是已经经过数据集训练完成的，已经具有判断道路状况的能力，单片机将摄像头采集的图片信息输入卷积神经网络模块，卷积神经网络模块判断图片中的情况是否处于道路异常情况并将判断结果传送给计算机中的单片机。
优选地，所述的显示器，具有分屏功能，用于显示汽车周围路况的图像或视频。
优选地，所述的摄像头采集的图像信息包含汽车周围行人、车辆、路障等信息。
优选地，所述的摄像头采用带音频的摄像头。
优选地，所述的计算机通过网络模块与云端连接。
本实用新型的有益效果为：相对于现有的传统的路况监测器对图像信息判断处理的速度缓慢和精度不足，本实用新型通过将摄像头，扬声器等和卷积神经网络结合，构成一个基于卷积神经网络的路况监测器，提高了图像识别的精度和速度，能更加准确快速地判断道路情况，及时地向驾驶员发出警示信号，并且具有配置灵活，方便携带等优点。因此，本实用新型具有广泛的适用性，且市场潜力巨大。
附图说明
图1是本实用新型的整体结构示意图；
图2是卷积神经网络结构图；
图3是4×4二维神经网络示意图；
图4是本实用新型的基本流程图。
具体实施方式
下面结合附图和具体实施例，对本实用新型作进一步清楚、完整地说明。
实施例1：如图1-4所示，一种卷积神经网络路况监测器，包括：
前端监测设备，包含4个摄像头，分别安装在车辆四周，用于获取汽车行驶时周围路况的图像或视频，并把获得的图像或视频传送给后端存储设备；
传输设备，包含视频线，负责***的图像信号通路；
后端存储设备，包含计算机，计算机内设有卷积神经网络模块、单片机、存储模块，计算机通过传输设备分别与前端监测设备、后端显示设备连接，摄像头、存储模块、卷积神经网络模块均与单片机连接，卷积神经网络模块用于判断摄像头拍摄的照片中的路况是否异常，摄像头采集的信息均保存在存储模块中，存储模块使得本实用新型的路况监测器带有行车记录功能，图1中的存储器即为存储模块；
所述的卷积神经网络模块是已经经过数据集训练完成的，已经具有判断道路状况的能力，单片机将摄像头采集的图片信息输入卷积神经网络模块，卷积神经网络模块判断图片中的情况是否处于道路异常情况并将判断结果传送给计算机中的单片机；
显示设备，安装在车内驾驶员看得到的地方，包含1个显示器、1个扬声器和4个指示灯， 4个指示灯分别与4个摄像头对应，计算机根据每个摄像头的采集图像信息分别控制对应的指示灯工作，即：哪个摄像头拍摄的图像被判断成异常情况，对应的指示灯就亮；若道路状况异常，则由计算机中的单片机向扬声器和指示灯发出预警信号，扬声器发出警示声音，指示灯发出警示灯光，显示器用于显示摄像头采集到的信息；
电源模块，分别与前端监测设备、后端存储设备、显示设备连接，为整个***提供稳定的供电。
在本实施例中，前端监测设备由摄像头组成,本实施例中的摄像头采用的是赛威的SW-089摄像头，镜头采用3.6mm，像素为1920(H)×1080（V），本实施例对摄像头没有特殊要求，市场上摄像头非常多，一般都能满足本实施例的要求。本实施例显示屏采用LUVIEW的JY-MS07型号的液晶显示屏，屏幕尺寸为7英寸，本实施例对显示屏没有特殊要求，一般都能满足本实施例的要求。扬声器用于当监测到道路状况异常时播放语音提示信息，比如警示音。本实施例对扬声器没有特殊要求，一般市场上的扬声器都可满足要求。LED指示灯是一种固态的半导体器件，它可以直接把电转化为光。当监测到道路状况异常时，根据异常状态，LED指示灯发出不同强弱和颜色的亮光，刺激驾驶员。也可以用于指示***的工作状态。本实施例对指示灯没有特殊要求，一般市场上的LED指示灯都可满足要求。
进一步地，所述的显示器，具有分屏功能，用于显示汽车周围路况的图像或视频。
进一步地，所述的摄像头采用采集的图像信息包含汽车周围行人、车辆、路障信息等一系列障碍物的融合。
进一步地，所述的摄像头采用带音频的摄像头，可以在采集图像信息的同时采集声音信息。
进一步地，所述的计算机通过网络模块与云端连接，计算机接收到的摄像头采集到的图像信息可以传到网络上，方便相关人员查看。
本实用新型中，所述的卷积神经网络模块是已经经过数据集训练完成的，已经具有判断道路状况的能力，将图片输入卷积神经网络，由卷积神经网络判断图片中的情况是否处于道路异常情况。
本实用新型的核心卷积神经网络是一种深层神经网络模块，一般来说，它的基本结构包括五层，分别是输入层、卷积层、子采样层、全连接层和输出层。每层由多个二维平面构成，每个平面又由多个神经元构成。基本结构如图2所示。
原始输入图像经过卷积层，与卷积核进行卷积操作，得到一组卷积层特征图集合，卷积操作可以提取出输入特征图的多个特征。这些特征图再与子采样层的池化模型进行池化操作，对特征图进行二次特征提取。池化操作可以降低输入特征图的数据量，还可以避免出现过拟合现象。最后，将最后一层子采样特征图全部展开，重组成一个一维列向量(全连接层)，该一维列向量和输出层采用全连接的方式连接（全连接的层数可以根据实际情况增减）。
卷积神经网络通过输入特征图的感受域与卷积核进行卷积提取局部特征，和全连接方式相比，使得网络的参数大幅减少。计算时，多个卷积核分别对图像的不同感受域进行卷积提取出多个特征图（每个卷积核卷积得到一幅与之对应的特征图），此时，卷积核参数对所有的感受域而言都是不变的，所以大大减少了训练参数，提升了网络的学习性能。
本实施例中，先将数据集输入卷积神经网络中，向神经网络展示大量的训练范例，然后逐渐对网络参数进行调整，直至它能够反馈出适合本实施例的分类。然后将摄像头采集到的图像信息输入已经经过训练的卷积神经网络中，经过卷积层与卷积核进行卷积操作，得到一组卷积层特征图集合，提取出输入特征图的多个特征，这些特征图再与子采样层的池化模型进行池化操作，对特征图进行二次特征提取，通过多次卷积池化操作，最后，将最后一层子采样特征图全部展开，重组成一个一维列向量，该一维列向量和输出层采用全连接的方式连接。由此对道路异常状况进行判断，并警示驾驶员。
图3给出的是二维一层CNN网络结构，可以进一步构筑多层的CNN，增加学习的深度，提高对路况判断的速度和精度，如同现在的深度学习网络架构。
卷积神经网络路况监测器信号处理的基本流程如图4所示，由四个部分组成：1、图像信息采集，在车身四周安装摄像头，监控车身周围路况，通过摄像头采集汽车行驶时周围道路的图像信息；2、图像处理，将图像信息输入卷积神经网络进行处理，包含对行人，车辆和路障等障碍物的识别，并计算其它车辆的行驶速度，获得有效识别道路异常状况的数据特征；3、道路异常状况判断，由已经训练完成的卷积神经网络处理，判断周围路况是否处于异常状态，包括是否有行人突然出现，后方车辆突然加速超车和前方车辆是否急转弯急刹车等，将由卷积神经网络处理的结果返回并决定是否发出警示；4、预警指示，预警***由声音和灯光组成，当接到计算机发出的预警指示时，根据道路异常状态等级，通过扬声器和指示灯发出不同强弱的声音和灯光来提示驾驶员注意。
本实用新型体积小，方便携带安装，可作为汽车零部件安装于汽车上，实现路况监测器的精准控制，能更好的辅助驾驶员判断当前路况，及时作出反应。
以上结合附图对本实用新型作了详细说明，但这只是为了便于理解而举的一个形象化的实例，本实用新型并仅不限于上述实施方式，根据本实用新型的技术方案及其较佳实施例的描述，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本实用新型宗旨的前提下作出各种变化。
Claims (6)
1.一种卷积神经网络路况监测器，其特征在于：包括：
前端监测设备，包含4个摄像头，分别安装在车辆四周；
传输设备，包含视频线；
后端存储设备，包含计算机，计算机内设有卷积神经网络模块、单片机、存储模块，计算机通过传输设备分别与前端监测设备、后端显示设备连接，摄像头、存储模块、卷积神经网络模块均与单片机连接，卷积神经网络模块用于判断摄像头拍摄的照片中的路况是否异常，摄像头采集的信息均保存在存储模块中；
显示设备，安装在车内驾驶员看得到的地方，包含与单片机连接的1个显示器、1个扬声器和4个指示灯， 4个指示灯分别与4个摄像头对应，计算机根据每个摄像头的采集图像信息分别控制对应的指示灯工作；
电源模块，分别与前端监测设备、后端存储设备、显示设备连接。
2.根据权利要求1所述的一种卷积神经网络路况监测器，其特征在于：所述的卷积神经网络模块是已经经过数据集训练完成的，已经具有判断道路状况的能力，单片机将摄像头采集的图片信息输入卷积神经网络模块，卷积神经网络模块判断图片中的情况是否处于道路异常情况并将判断结果传送给计算机中的单片机。
3.根据权利要求1所述的一种卷积神经网络路况监测器，其特征在于：所述的显示器，具有分屏功能，用于显示汽车周围路况的图像或视频。
4.根据权利要求1所述的一种卷积神经网络路况监测器，其特征在于：所述的摄像头采集的图像信息包含汽车周围行人、车辆、路障等信息。
5.根据权利要求1所述的一种卷积神经网络路况监测器，其特征在于：所述的摄像头采用带音频的摄像头。
6.根据权利要求1或4所述的一种卷积神经网络路况监测器，其特征在于：所述的计算机通过网络模块与云端连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201820771197.2U CN208538328U (zh) | 2018-05-23 | 2018-05-23 | 一种卷积神经网络路况监测器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201820771197.2U CN208538328U (zh) | 2018-05-23 | 2018-05-23 | 一种卷积神经网络路况监测器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN208538328U true CN208538328U (zh) | 2019-02-22 |
Family
ID=65393721
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201820771197.2U Expired - Fee Related CN208538328U (zh) | 2018-05-23 | 2018-05-23 | 一种卷积神经网络路况监测器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN208538328U (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109785633A (zh) * | 2019-03-14 | 2019-05-21 | 百度在线网络技术（北京）有限公司 | 危险路况提醒方法、装置、车载终端、服务器及介质 |
| CN110228484A (zh) * | 2019-06-17 | 2019-09-13 | 福州视驰科技有限公司 | 一种具有辅助驾驶功能的低时延智能远程驾驶*** |
| CN111144301A (zh) * | 2019-12-26 | 2020-05-12 | 江西交通职业技术学院 | 一种基于深度学习的道路路面缺陷快速预警装置 |
| CN111666839A (zh) * | 2020-05-25 | 2020-09-15 | 东华大学 | 一种基于改进Faster RCNN的道路行人检测*** |
-
2018
- 2018-05-23 CN CN201820771197.2U patent/CN208538328U/zh not_active Expired - Fee Related
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109785633A (zh) * | 2019-03-14 | 2019-05-21 | 百度在线网络技术（北京）有限公司 | 危险路况提醒方法、装置、车载终端、服务器及介质 |
| CN110228484A (zh) * | 2019-06-17 | 2019-09-13 | 福州视驰科技有限公司 | 一种具有辅助驾驶功能的低时延智能远程驾驶*** |
| CN111144301A (zh) * | 2019-12-26 | 2020-05-12 | 江西交通职业技术学院 | 一种基于深度学习的道路路面缺陷快速预警装置 |
| CN111666839A (zh) * | 2020-05-25 | 2020-09-15 | 东华大学 | 一种基于改进Faster RCNN的道路行人检测*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN208538328U (zh) | 一种卷积神经网络路况监测器 | |
| US10776938B2 (en) | Camera systems using filters and exposure times to detect flickering illuminated objects | |
| CN111079586B (zh) | 基于深度学习与双目摄像的自动驾驶目标检测***及方法 | |
| CN104751600B (zh) | 基于虹膜识别的防疲劳驾驶安全设备及其使用方法 | |
| CN105844257B (zh) | 基于机器视觉雾天行车错失道路标志牌的预警***及方法 | |
| DE102017127346A1 (de) | Bremslichterkennung | |
| CN110781883B (zh) | 一种基于360度环视摄像头的车位尺寸识别***及方法 | |
| CN107481521B (zh) | 基于车联网的交通事件智能举证方法及*** | |
| CN104952121A (zh) | 一种行车记录仪 | |
| CN204440645U (zh) | 一种夜间行车违法使用远光灯行为自动取证设备 | |
| CN104599443A (zh) | 一种基于信息融合的驾驶行为预警车载终端及其预警方法 | |
| CN106469309A (zh) | 车辆监控的方法和装置、处理器、图像采集设备 | |
| CN102542806A (zh) | 高速公路行驶车辆遮挡号牌实时监测***及其控制方法 | |
| CN104952209A (zh) | 一种驾驶预警方法及装置 | |
| WO2020041178A1 (en) | Camera assessment techniques for autonomous vehicles | |
| CN103500341A (zh) | 一种用于道路标识牌的识别装置 | |
| CN204332007U (zh) | 一种基于信息融合的驾驶行为预警车载终端 | |
| CN104954738A (zh) | 一种移动侦测方法及装置 | |
| CN107226024A (zh) | 一种高精度的车辆视距采集与处理***及方法 | |
| CN109624667A (zh) | 一种汽车智能防交通摄像装置炫目的方法及*** | |
| CN211844251U (zh) | 一种复杂天气下的智能汽车辅助驾驶终端 | |
| CN204883859U (zh) | 一种智能防盗行车记录仪 | |
| CN208969681U (zh) | 一种无人驾驶公交车的站台乘客检测*** | |
| CN108583564B (zh) | 一种车辆安全行驶*** | |
| CN211628409U (zh) | 一种基于鱼眼镜头的大场景识别相机 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190222 Termination date: 20190523 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |