【技术实现步骤摘要】
本申请涉及交通控制，具体而言，本申请涉及一种基于深度学习的交通信号灯调控方法、设备及介质。
技术介绍
1、目前，随着人们生活水平的提高，汽车成为人们主要的代步工具，由于汽车的使用越来越多，很多车流量大的路口容易造成堵塞。经常会看到红灯一边的道路上汽车排着长长的队，绿灯一边无汽车通行，虽然这种路口安装有信号灯，但是由于这种信号灯的相位时长固定，难以有效适应路口的实际车流量，所以容易出现车流量大的车道严重堵塞，其他车道无车通行，导致交通拥堵，降低交通流畅度和通行效率。
技术实现思路
1、本申请实施例提供了一种基于深度学习的交通信号灯调控方法、设备及介质，可以解决现有交通信号灯的相位时长固定，不能适应实际车流量，容易出现交通拥堵，交通流畅差，通行效率低的问题。为了实现该目的，本申请实施例提供了如下几个方案。
2、根据本申请实施例的一个方面，提供了一种基于深度学习的交通信号灯调控方法，所述方法，包括：
3、确定交通信号灯的相位信息，利用预设算法和雷达获取所述相位信息对应的车辆信息，所述相位信息包括用于指示车辆通行的当前相位和下一相位，所述预设算法包括基于深度学习算法的目标检测算法和目标追踪算法，所述车辆信息包括车辆数量、车辆类型；
4、根据所述车辆信息满足的条件确定当前相位对应的相位时长，所述条件包括相位优化条件、交通流不均匀条件中的任一种。
5、在一个可能的实现方式中，所述深度学习算法包括yolov5算法、deepsort算法，所述预设算法
6、调整所述yolov5算法，利用调整后的所述yolov5算法生成所述目标检测算法，所述调整包括：利用carafe上采样算子替代所述yolov5算法中的上采样算子，将dyhead作为所述yolov5算法的检测头；
7、利用所述deepsort算法得到所述目标追踪算法。
8、在一个可能的实现方式中，所述利用预设算法和雷达获取所述相位信息对应的车辆信息，包括：
9、采集车道上车辆的图像，利用所述预设算法处理所述图像以获取每条车道上的第一车辆信息，并利用雷达获取每条车道的第二车辆信息；
10、确定所述相位信息对应的车道，根据所述车道、所述第一车辆信息、所述第二车辆信息获取所述相位信息对应的车辆信息。
11、在一个可能的实现方式中，所述条件为相位优化条件，所述根据所述车辆信息满足的条件确定当前相位对应的相位时长，包括：
12、根据所述预设算法对应的车辆信息和所述雷达对应的车辆信息确定排队车辆数；
13、获取所述排队车辆数对应的通行时长，根据所述通行时长以及所述当前相位和所述下一相位对应的车辆数量计算平均通行时长，所述平均通行时长对应的时间段包括当前相位和下一相位所在的时间段；
14、根据所述平均通行时长、所述当前相位对应的车辆数确定所述当前相位对应的相位时长。
15、在一个可能的实现方式中，所述条件为交通流不均匀条件，所述根据所述车辆信息满足的条件确定当前相位对应的相位时长，包括：
16、根据所述预设算法对应的车辆信息和所述雷达对应的车辆信息确定当前相位以及下一相位的排队车辆数；
17、根据所述排队车辆数、相位过渡时间以及下一相位对应的车辆数与当前相位对应的车辆数比较结果确定所述当前相位对应的相位时长。
18、在一个可能的实现方式中，所述方法，包括：
19、若确定所述相位时长小于预定的最大绿灯持续时间，则获取所述当前相位对应的车辆编队的车辆加入信息，所述车辆加入信息包括待加入车辆的加入时间、速度、类型；
20、根据所述车辆加入信息、所述车辆编队中车辆的速度以及所述最大绿灯持续时间调整所述当前相位对应的相位时长。
21、在一个可能的实现方式中，所述方法，包括：
22、若确定所述当前相位满足空放打断条件，则打断所述当前相位，切换至下一相位，所述空放打断条件包括所述当前相位对应的实际通行时长小于所述相位时长、其他相位对应的车辆数多于当前相位的车辆数且大于预设数量中的至少一种。
23、在一个可能的实现方式中，所述方法，包括：
24、获取所述当前相位对应的溢出区域的车辆监测信息，所述溢出区域是基于所述车辆信息的获取范围确定的，所述车辆监测信息包括车辆占比、车辆停留时间；
25、若确定溢出区域对应的车辆满足溢出条件，则根据预定的溢出控制方式调整所述相位时长，所述溢出条件包括所述车辆占比大于预设占比，所述车辆停留时间达到预设阈值，所述溢出控制方式包括减少溢出区域对应的相位的相位时长。
26、根据本申请实施例的一个方面，提供一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现如上所述方法的步骤。
27、根据本申请实施例的一个方面，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如上所述方法的步骤。
28、本申请实施例提供的技术方案带来的有益效果是：
29、本申请提供的基于深度学习的交通信号灯调控方法确定交通信号灯的相位信息，利用基于深度学习算法的目标检测算法、目标追踪算法以及雷达获取相位信息对应的车辆信息；根据车辆信息满足的条件确定当前相位对应的相位时长，本申请实施例能够获取车流量的实际数据，根据该实际数据灵活调整相位时长，有效避免交通拥堵，提升交通流畅度和提高通行效率。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的交通信号灯调控方法，其特征在于，所述方法，包括：
2.根据权利要求1所述的基于深度学习的交通信号灯调控方法，其特征在于，所述深度学习算法包括YOLOv5算法、DeepSORT算法，所述预设算法的获取，包括：
3.根据权利要求1所述的基于深度学习的交通信号灯调控方法，其特征在于，所述利用预设算法和雷达获取所述相位信息对应的车辆信息，包括：
4.根据权利要求1所述的基于深度学习的交通信号灯调控方法，其特征在于，所述条件为相位优化条件，所述根据所述车辆信息满足的条件确定当前相位对应的相位时长，包括：
5.根据权利要求1所述的基于深度学习的交通信号灯调控方法，其特征在于，所述条件为交通流不均匀条件，所述根据所述车辆信息满足的条件确定当前相位对应的相位时长，包括：
6.根据权利要求1所述的基于深度学习的交通信号灯调控方法，其特征在于，所述方法，包括：
7.根据权利要求1所述的基于深度学习的交通信号灯调控方法，其特征在于，所述方法，包括：
8.根据权利要求1所述的基于深度学习的交通信号灯
9.一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-8中任一项所述方法的步骤。
10.一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1-8任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于深度学习的交通信号灯调控方法，其特征在于，所述方法，包括：
2.根据权利要求1所述的基于深度学习的交通信号灯调控方法，其特征在于，所述深度学习算法包括yolov5算法、deepsort算法，所述预设算法的获取，包括：
3.根据权利要求1所述的基于深度学习的交通信号灯调控方法，其特征在于，所述利用预设算法和雷达获取所述相位信息对应的车辆信息，包括：
4.根据权利要求1所述的基于深度学习的交通信号灯调控方法，其特征在于，所述条件为相位优化条件，所述根据所述车辆信息满足的条件确定当前相位对应的相位时长，包括：
5.根据权利要求1所述的基于深度学习的交通信号灯调控方法，其特征在于，所述条件为交通流不均匀条件，所述...
【专利技术属性】
技术研发人员：张凯龙，丘钰霞，
申请(专利权)人：广州元沣智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。