基于道路灾害预警的AI智能图像识别方法技术

本发明专利技术提供了基于道路灾害预警的AI智能图像识别方法，包括：通过远端点位的监测设备对道路进行实时监测，获取道路视频；通过局端集中设备对道路视频的进行AI分析，并输出存在异物侵入的道路入侵图像；通过上位机云平台对异物侵入的道路入侵图像进行显示，并存储监测运行数据。本发明专利技术的道路灾害监测预警集中处理器把AI智能图像识别算法的监测处理结果，通过4G/5G网络上送到上位机服务器云平台，对异常情况进行及时告警，经人为确认后提前干预处理，避免行车事故的发生，提高道路运行的安全性。性。性。

【技术实现步骤摘要】
基于道路灾害预警的AI智能图像识别方法


[0001]本专利技术涉及道路灾害预测
，特别涉及一种基于道路灾害预警的AI智能图像识别方法。

技术介绍

[0002]目前，道路沿线存在多发、易发、突发自然灾害等不可预测事件的安全隐患严重区域，危及和影响安全行车。在列车运行时，哪怕是再小的突发事件也可能会导致重大事故的发生，严重危害国家财产及旅客生命安全。
[0003]由于异物入侵具有突发性和不可预测性，仅靠司机去目测观察入侵的异物将很难避免事故的发生。目前许多既有道路采用人工视频监测方式进行异物侵线监控，即在事故易发地段设置摄像机，通过人工观测的方式判断是否发生异物侵线。该监测方式需要耗费大量的人力，自动化程度低，经常会出现漏检的情况。

技术实现思路

[0004]本专利技术提供一种基于道路灾害预警的AI智能图像识别方法，用以解决由于异物入侵具有突发性和不可预测性，仅靠司机去目测观察入侵的异物将很难避免事故的发生。目前许多既有线路采用人工视频监测方式进行异物侵线监控，即在事故易发地段设置摄像机，通过人工观测的方式判断是否发生异物侵线。该监测方式需要耗费大量的人力，自动化程度低，经常会出现漏检的情况。
[0005]本专利技术提出一种基于道路灾害预警的AI智能图像识别方法，包括：
[0006]通过远端点位的监测设备对道路进行实时监测，获取道路视频；
[0007]通过局端集中设备对道路视频的进行AI分析，并输出存在异物侵入的道路入侵图像；
[0008]通过上位机云平台对异物侵入的道路入侵图像进行显示，并存储监测运行数据。
[0009]优选的，所述监测设备包括：摄像头远端光电收发器；其中，
[0010]每个远端点位至少安装一台摄像头，并通过摄像头采集道路视频；
[0011]每个远端点位至少安装一个远端光电收发器，其用于将电口转换为光口，并进行数据传输。
[0012]优选的，所述局端集中设备包括道路灾害监测预警集中处理器和局端集中光电收发器；其中，
[0013]道路灾害监测预警集中处理器用于通过AI神经网络深度的异物识别算法对道路视频数据进行识别分析，判断是否存在异物侵入；其中，
[0014]当存在异物侵入信号时，将上送告警信号传输至上位机云平台；其中，
[0015]所述上位机云平台用于对远端点位的监测设备和局端集中设备进行管理，并显示告警信息和存储道路数据。
[0016]优选的，所述道路灾害监测预警集中处理器包括电源模块、AI智能核心模块、工控
机模块、交换机模块、通信模块；其中，
[0017]电源模块用于提供交流电源，并具有外挂POE设备供电端口；
[0018]AI智能核心模块内配置有AI神经网络深度学习的异物识别算法；
[0019]工控机模块用于对道路数据进行大数据分析，并控制远端点位的监测设备和局端集中设备进行通信处理和数据调度；
[0020]通信模块包括4G通信功能和5G通信功能。
[0021]优选的，所述AI分析前包括：
[0022]通过预先设置异物数据库；
[0023]设置异物识别深度学习模型的初始模型参数和训练中止条件，基于异物数据集对异物识别深度学习模型进行多次迭代训练，以初始模型参数计算每一次迭代生成的模型参数值；
[0024]当满足训练中止条件时生成一个模型节点；
[0025]保存最后一次迭代训练生成的模型参数值为模型节点的节点信息，并在该模型节点的基础上继续迭代训练，直至下一次满足所述训练中止条件时，生成下一个模型节点；
[0026]接收用户的重新训练指令并获取异物更新数据集；其中，
[0027]异物更新数据集包括异物数据集、样例数据集和异物更新数据集；
[0028]所述样例数据集包括第二训练样本、第二训练样本对应的标签、第二训练样本对应的权重、第二测试样本、第二测试样本对应的标签以及第二测试样本对应的权重；
[0029]第二训练样本和第二测试样本由异物更新数据集构成；
[0030]所述重新训练指令还包括选择一个模型节点为父模型节点，基于所述第二数据集对所述深度学习模型进行多次迭代训练，以父模型节点保存的模型参数值为初始模型参数计算每一次迭代生成的模型参数值；
[0031]当满足所述训练中止条件后生成一个子模型节点；
[0032]保存最后一次迭代训练生成的模型参数值为所述子模型节点的节点信息；
[0033]生成AI智能图像识别模型，并确定AI智能图像识别模型的展示界面；其中，
[0034]展示界面的信息包括：按照模型节点生成时间的关系生成的关系图，以及父模型节点与所述子模型节点的关系图；
[0035]展示界面还设有用户交互界面，所述用户交互界面包括所述选择一个模型节点为父模型节点的交互操作。
[0036]优选的，所述AI分析包括如下步骤：
[0037]对道路视频进行分帧，生成帧图像集合；
[0038]在帧图像上设置多个锚框，并将每个锚框作为一个候选区域；其中，
[0039]锚框由帧图像的宽度和高度进行阵列划分，构成多个小方框区域；
[0040]根据候选区域和帧图像上的目标真实物体的预测框的位置关系，对候选区域进行标注；其中，
[0041]当预测框与候选区域的距离低于预设基准距离值时，目标真实物体为正样本；
[0042]当预测框与候选区域的距离高于预设基准距离值时，目标真实物体为负样本；
[0043]基于卷积神经网络提取图片特征并对候选区域的位置和类别进行预测，确定每个预测框的标签值；
[0044]根据标签值，判断帧图像上是否存在异物侵入。
[0045]优选的，所述AI分析还包括：
[0046]获取帧图像集合，并按照时刻进行帧图像排序，生成帧图像序列；
[0047]通过帧图像序列计算相邻帧图像的帧差绝对值，并通过侦差绝对值的阈值进行二值化，确定帧图像集合中每个帧图像的非差背景图和偏差前景图；
[0048]通过轮廓边缘提取算法从偏差前景图中确定前景区域轮廓，并在每个帧图像中进行前景区域轮廓定位；
[0049]计算相邻帧图像的前景区域轮廓的像素交并比，根据交并比，进行帧图像偏差前景图的异变像素融合，确定入侵异物；
[0050]并在帧图像中，计算入侵异物的图像完整性；
[0051]通过图像完整性，确定道路入侵图像。
[0052]优选的，所述方法还包括：
[0053]在摄像头范围内的道路上设置异物，并获取实时道路图像；
[0054]根据实时道路图像，判断上位机云平台是否报警；
[0055]当上位机云平台报警时，移开异物，并判断是否还存在报警信息。
[0056]优选的，所述方法还包括：
[0057]预先建立异物数据库，并在异物数据库中添加分类增加机制；
[0058]获取道路入侵图像，并确定道路入侵图像上的新本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于道路灾害预警的AI智能图像识别方法，其特征在于，包括：通过远端点位的监测设备对道路进行实时监测，获取道路视频；通过局端集中设备对道路视频的进行AI分析，并输出存在异物侵入的道路入侵图像；通过上位机云平台对异物侵入的道路入侵图像进行显示，并存储监测运行数据。2.如权利要求1所述的基于道路灾害预警的AI智能图像识别方法，其特征在于，所述监测设备包括：摄像头远端光电收发器；其中，每个远端点位至少安装一台摄像头，并通过摄像头采集道路视频；每个远端点位至少安装一个远端光电收发器，其用于将电口转换为光口，并进行数据传输。3.如权利要求1所述的基于道路灾害预警的AI智能图像识别方法，其特征在于，所述局端集中设备包括道路灾害监测预警集中处理器和局端集中光电收发器；其中，道路灾害监测预警集中处理器用于通过AI神经网络深度的异物识别算法对道路视频数据进行识别分析，判断是否存在异物侵入；其中，当存在异物侵入信号时，将上送告警信号传输至上位机云平台；其中，所述上位机云平台用于对远端点位的监测设备和局端集中设备进行管理，并显示告警信息和存储道路数据。4.如权利要求1所述的基于道路灾害预警的AI智能图像识别方法，其特征在于，所述道路灾害监测预警集中处理器包括电源模块、AI智能核心模块、工控机模块、交换机模块、通信模块；其中，电源模块用于提供交流电源，并具有外挂POE设备供电端口；AI智能核心模块内配置有AI神经网络深度学习的异物识别算法；工控机模块用于对道路数据进行大数据分析，并控制远端点位的监测设备和局端集中设备进行通信处理和数据调度；通信模块包括4G通信功能和5G通信功能。5.如权利要求1所述的基于道路灾害预警的AI智能图像识别方法，其特征在于，所述AI分析前包括：通过预先设置异物数据库；设置异物识别深度学习模型的初始模型参数和训练中止条件，基于异物数据集对异物识别深度学习模型进行多次迭代训练，以初始模型参数计算每一次迭代生成的模型参数值；当满足训练中止条件时生成一个模型节点；保存最后一次迭代训练生成的模型参数值为模型节点的节点信息，并在该模型节点的基础上继续迭代训练，直至下一次满足所述训练中止条件时，生成下一个模型节点；接收用户的重新训练指令并获取异物更新数据集；其中，异物更新数据集包括异物数据集、样例数据集和异物更新数据集；所述样例数据集包括第二训练样本、第二训练样本对应的标签、第二训练样本对应的权重、第二测试样本、第二测试样本对应的标签以及第二测试样本对应的权重；第二训练样本和第二测试样本由异物更新数据集构成；所述重新训练指令还包括选择一个模型节点为父模型节点，基于所述第二数据集对所
述深度学习模型进行多次迭代训练，以父模型节点保存的模型参数值为初始模型参数计算每一次迭代生成的模型参数值；当满足所述训练中止条件后生成一个子模型节点；保存最后一次迭代训练生成的模型参数值为所述子模型节点的节点信息；生成AI智能图像识别模型，并确定AI智能图像识别模型的展示界面；其中，展示界面的信息包括：按照模型节点生成时间的关系生成的关系图，以及父模型节点与所述子模型节点的关系图；展示界面还设有用户交互界面，所述用户交互界面包括所述选择一个模型节点为父模型节点的交互操作。6.如权利要求1所述的基于道路灾害预警的AI智能图像识别方法，其特征在于，所述AI分析包括如下步骤：对道路视频进行...

【专利技术属性】
技术研发人员：李庆，郭修杰，赵彦超，张志永，张家新，屈金燕，盛雪清，金飞飞，
申请(专利权)人：北京锐为信科技有限公司，
类型：发明
国别省市：