一种基于神经网络模型的无人机巡检违章停车的方法技术

本发明专利技术公开了一种基于神经网络模型的无人机巡检违章停车的方法，属于人工智能技术领域，基于深度学习中的图像识别算法，训练特定深度学习的模型，并将该模型应用于无人机系统，实现停车场违规停车行为的检测。实现方法如下：采集停车场所图像信息，并标定停车数据集；利用S1得到的停车数据集训练神经网络模型参数；将训练完成的神经网络模型用于对无人机采集的视频图像进行识别分类，分类类别对应停车数据集标定目标；无人机将巡航拍摄的图像发送至控制中心，控制中心基于图像识别算法判定停车是否违规，并发送相应控制指令至无人机。本发明专利技术将图像识别技术与无人机系统相结合，能不断优化管理结构，实现大型停车场的智能管理。

A method of illegal parking inspection based on neural network model for UAV inspection

The invention discloses a method for UAV patrolling and parking violations based on neural network model, which belongs to the field of artificial intelligence technology. Based on the image recognition algorithm in depth learning, the model for specific depth learning is trained and applied to UAV system to detect parking violations. The realization methods are as follows: collecting the image information of parking lot and demarcating the parking data set; training the parameters of neural network model with the parking data set obtained by S1; using the trained neural network model to recognize and classify the video images captured by UAV, classifying the classes corresponding to the parking data set and demarcating the target; The cruise images are sent to the control center, which determines whether the parking is illegal based on the image recognition algorithm, and sends the corresponding control commands to the UAV. The invention combines the image recognition technology with the UAV system, and can continuously optimize the management structure to realize the intelligent management of large parking lot.

【技术实现步骤摘要】
一种基于神经网络模型的无人机巡检违章停车的方法
本专利技术涉及人工智能
，具体地说是一种基于神经网络模型的无人机巡检违章停车的方法。
技术介绍
随着城市的迅速发展，城市车辆越来越多，停车难的问题也越来越突出，随之而来的是停车场的规模不断拓展。随着不断扩大的的停车场建设，停车场内停车产生的各种问题日益凸显，停车管理变的更加复杂。尤其是露天停车场，各种不合理停车的现象普遍存在，违规停车对人们的出行带来了很多麻烦，如果一辆车堵在路上或者停放位置不正，就有可能导致后面车辆都无法正常通行的情况。而由于停车场规模的不断扩大，传统的人工巡检、人工指挥和人工管理已经远远不能满足大型停车场的需求。在大数据应用日渐广泛的今天，如何能够有效利用停车场数据资源，将数据分析与停车管理有效结合，从而高效实现大型停车场快速智能管理，是目前需要解决的问题。
技术实现思路
本专利技术的技术任务是针对以上不足之处，提供一种基于神经网络模型的无人机巡检违章停车的方法，将数据分析与无人机系统相结合，不断优化管理结构，实现大型停车场的智能管理。本专利技术解决其技术问题所采用的技术方案是：一种基于神经网络模型的无人机巡检违章停车的方法，基于深度学习中的图像识别算法，训练特定深度学习的模型，并将该模型应用于无人机系统，实现停车场违规停车行为的检测；其实现方法如下：S1：采集停车场所图像信息，并标定停车数据集；S2：利用S1得到的停车数据集训练神经网络模型参数；S3：将训练完成的神经网络模型用于对无人机采集的视频图像进行识别分类，分类类别对应停车数据集标定目标；S4：无人机将巡航拍摄的图像发送至控制中心，控制中心基于图像识别算法判定停车是否违规，并发送相应控制指令至无人机。图像识别算法是计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象，也就是让计算机像人一样读懂图像的内容。借助图像识别技术，我们不仅可以通过图片搜索更快的获取信息，还可以产生一种新的与外部世界交互的方式，从而会让外部世界更加智能的运行。目前，深度学习的快速发展，在图像目标识别领域得到长足的应用，可以通过训练神经网络模型，来识别图像中的特定目标。针对露天停车场以及道路上的停车位，用无人机来检测有诸多优势，首先，无人机机动性好，既可以飞到半空中对整个停车场所进行拍摄，又可以沿着停车位巡航，对单独的车辆进行定位拍摄；另外，无人机巡检的方法可以极大的节省人力，管理人员只需要在数据中心对无人机进行简单的操作即可。无人机可以实现高空航拍检测车辆、自动巡航检测车辆和自动记录违规车辆车牌。优选的，标定停车数据集是将采集到的停车场所的图像信息进行标注，标注目标包括车辆、车头、空置停车位、车牌和停车线。对于特殊场景或随着发展和改进出现的停车场多样化场景中，上述这些标注目标无法较好的反应停车信息时，可新增标注目标，并将新增后的标注目标进行神经网络模型训练，以达到实时更新模型，适应停车场多样化的需求。进一步的，对无人机采集的视频图像分类类别包括车辆、车头、空置停车位、车牌和停车线；车头检测用于判断停车朝向是否满足规定；车牌检测用于检测到违规车辆后对车牌的拍照取证；空置停车位检测用于获得停车场当前空置停车位的数量和方位，可以作为停车引导的依据；停车线检测用于判断停车位上的车辆是否存在压线或超出停车位的情况。通过以上信息分类，控制中心可以较准确的辨别出车辆的停车信息。当然，出于改进，在停车数据集标注目标进行改变的同时，无人机采集的视频图像分类类别也会随之改变。优选的，训练神经网络模型参数，选定SSD模型作为图像识别的神经网络模型，修改最后的全连接层，将分类类别设定为标定停车数据集的标注类别，将标定的数据用于训练该神经网络模型，训练完成后的图像识别模型在无人机系统上实现。在露天停车场中，无人机首先飞至半空对整个停车场进行航拍，识别车辆位置、空置停车位以及车头方向，将包含这些信息的图像发送至控制中心，控制中心通过对比无人机发来的停车位置与标准的停车位，判断停车是否违规，包括挡路车辆和车头朝向不对等行为；然后无人机按巡航路线对停车位逐一巡航检查，该过程由工作人员控制或按预定路径开始，对停车不到位、超出车位边框的现象进行检查，对违规车辆自动进行车牌拍照取证。无人机系统亦可应用于室内停车场，在室内停车场中，由于室内停车场的空间有限，无法进行高空航拍，可直接进行巡检。无人机按巡航路线对停车位逐一进行巡航检查，将拍摄的车辆图像信息发送至控制中心，控制中心通过对比无人机发来的停车位置与标准的停车位，判断停车是否违规，并对停车不到位、超出车位边框的现象进行检查，对违规车辆自动进行车牌拍照取证。优选的，无人机巡航路线包括指定巡航路线和自动巡航路线，指定巡航路线根据控制中心反馈停车违规信息以及违规多发地而指定，可根据控制中心获取的车辆违规数据信息，指定无人机巡航路线；自动巡航路线为预先设定路线，保证整个停车场的停车秩序。指定巡航路线和自动巡航路线可由多架无人机共同完成，在停车场较繁忙时，既能保证停车场局部畅通，又能保证整个停车场秩序井然。优选的，采集停车场所图像信息包括不定时采集特殊场景信息，当图像信息分类类别与数据集标定目标匹配不当、效果不好时，将该图像信息重新标注，并用于神经网络模型的进一步训练，对特殊场景适当增加分类类别，重新修改训练神经网络模型。以此保证数据的多样化、多场景和不定时性，满足不同场景、不同时间段的需求。优选的，使用无人机航拍进行停车场图像信息的采集。使数据集信息与使用中巡航采集的信息更加贴近，判断更加准确。优选的，控制中心设置有显示屏，用于展示无人机拍摄的图像信息。工作人员可事实观测停车场停车信息，便于管理。本专利技术的一种基于神经网络模型的无人机巡检违章停车的方法和现有技术相比，具有以下有益效果：本方法基于图像识别技术在无人机平台上实现停车场违规停车行为的检测，应用深度学习中的图像识别算法，训练特定深度的学习模型，进而应用于无人机拍摄的停车信息智能检测，包括高空航拍检测车辆、自动巡航检测车辆和自动记录违规车辆车牌，囊括了从高空检测、自动巡航、违规定位的整个流程。可以检查车辆的停放位置、车头方向、是否挡路等行为。无人机具有机动性强、可高空拍摄、可自动巡航等特点，非常适合露天停车场违规停车的行为检测，有助于智慧停车场的管理。采用无人机巡检的方法，管理人员只需要在数据中心对无人机进行简单的操作即可，可以极大的节省人力，提高管理效率。附图说明图1是本专利技术基于神经网络模型的无人机巡检违章停车方法的原理图。具体实施方式下面结合具体实施例对本专利技术作进一步说明。一种基于神经网络模型的无人机巡检违章停车的方法，基于深度学习中的图像识别算法，训练特定深度学习的模型，并将该模型应用于无人机系统，通过无人机高空航拍、自动巡航和车位检测的方法实现停车场违规停车行为的检测，检查车辆停放位置、车头方向、是否挡路等行为，并自动对违规车辆拍照取证。图像识别算法是计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象，也就是让计算机像人一样读懂图像的内容。借助图像识别技术，我们不仅可以通过图片搜索更快的获取信息，还可以产生一种新的与外部世界交互的方式，从而会让外部世界更加智能的运行。目前，深度学习的快速发展，在图像目标本文档来自技高网...

【技术保护点】
1.一种基于神经网络模型的无人机巡检违章停车的方法，其特征在于基于深度学习中的图像识别算法，训练特定深度学习的模型，并将该模型应用于无人机系统，实现停车场违规停车行为的检测；其实现方法如下：S1：采集停车场所图像信息，并标定停车数据集；S2：利用S1得到的停车数据集训练神经网络模型参数；S3：将训练完成的神经网络模型用于对无人机采集的视频图像进行识别分类，分类类别对应停车数据集标定目标；S4：无人机将巡航拍摄的图像发送至控制中心，控制中心基于图像识别算法判定停车是否违规，并发送相应控制指令至无人机。

【技术特征摘要】
1.一种基于神经网络模型的无人机巡检违章停车的方法，其特征在于基于深度学习中的图像识别算法，训练特定深度学习的模型，并将该模型应用于无人机系统，实现停车场违规停车行为的检测；其实现方法如下：S1：采集停车场所图像信息，并标定停车数据集；S2：利用S1得到的停车数据集训练神经网络模型参数；S3：将训练完成的神经网络模型用于对无人机采集的视频图像进行识别分类，分类类别对应停车数据集标定目标；S4：无人机将巡航拍摄的图像发送至控制中心，控制中心基于图像识别算法判定停车是否违规，并发送相应控制指令至无人机。2.根据权利要求1所述的一种基于神经网络模型的无人机巡检违章停车的方法，其特征在于标定停车数据集是将采集到的停车场所的图像信息进行标注，标注目标包括车辆、车头、空置停车位、车牌和停车线。3.根据权利要求2所述的一种基于神经网络模型的无人机巡检违章停车的方法，其特征在于对无人机采集的视频图像分类类别包括车辆、车头、空置停车位、车牌和停车线；车头检测用于判断停车朝向是否满足规定；车牌检测用于检测到违规车辆后对车牌的拍照取证；空置停车位检测用于获得停车场当前空置停车位的数量和方位；停车线检测用于判断停车位上的车辆是否存在压线或超出停车位的情况。4.根据权利要求1或2所述的一种基于神经网络模型的无人机巡检违章停车的方法，其特征在于训练神经网络模型参数，选定SSD模型作为图像识别的神经网络模型，修改最后的全连接层，将分类类别设定为标定停车数据集的标注类...

【专利技术属性】
技术研发人员：周玉山，于治楼，姜凯，
申请(专利权)人：济南浪潮高新科技投资发展有限公司，
类型：发明
国别省市：山东,37