一种基于深度学习的道路驾驶技能考试自动打分的方法和装置制造方法及图纸

本发明专利技术公开了一种基于深度学习的道路驾驶技能考试自动打分的方法和装置，属于机器视觉技术领域，在道路驾驶技能考试中，车载端通过深度学习模型实现对考生的操作行为进行自动打分。本发明专利技术和现有技术相比，通过使用深度学习的Faster R‑CNN模型，实现考生操作行为的准确评价，并且实现紧急情况的紧急避让。进而提高了道路驾驶技能考试的智能化以及安全性和准确度。

【技术实现步骤摘要】
一种基于深度学习的道路驾驶技能考试自动打分的方法和装置
本专利技术涉及机器视觉
，具体地说是一种基于深度学习的道路驾驶技能考试自动打分的方法和装置。
技术介绍
目前道路驾驶技能考试的打分系统分为电子打分和安全员打分两个部分，电子打分只是检测考生对车辆的操作情况进行打分，比如是否熄火，灯光使用是否正确，速度和档位是否匹配等。安全员打分为是否礼让行人和车辆，是否安全驾驶等。但安全员打分有很大的不确定性，遇到紧急状况，安全员在副驾驶座位，只能踩制动器，而无法紧急避让，就让道路驾驶技能考试产生很大的安全隐患。
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，提供一种提高驾驶技能考试结果准确性与安全性的一种基于深度学习的道路驾驶技能考试自动打分的方法和装置。本专利技术解决其技术问题所采用的技术方案是：一种基于深度学习的道路驾驶技能考试自动打分的方法，在道路驾驶技能考试中，车载端通过深度学习模型实现对考生的操作行为进行自动打分。进一步，优选的方法，具体方法如下：S1、服务器端采集考试道路环境的视频信息；S2、对采集到的视频信息中的特征向量进行人工标记；S3、对人工标记后的数据进行训练，生成深度学习模型；S4、将深度学习模型加载至车载端；S6、车载端实时获取考试道路环境信息，利用深度学习模型检索并识别出特征向量的状态信息；S7、结合道路环境的状态信息，对考生的操作行为进行评价。进一步，优选的方法，所述的特征向量包括，行人、车辆及路标。一种基于深度学习的道路驾驶技能考试自动打分的装置，自动打分装置在道路驾驶技能考试中应用于车载端，包括数据采集模块、图像检索与识别模块、自动打分模块；所述的数据采集模块，用于实时获取考试道路环境信息；所述的图像检索与识别模块，用于利用深度学习模型检索并识别出道路环境中的特征向量的状态信息；所述的自动打分模块，用于结合道路环境的状态信息，基于深度学习模型对考生的操作行为进行评价。进一步的，优选的结构为，还包括紧急避让模块，所述的紧急避让模块用于识别紧急状况，并控制操作车辆采取紧急避让动作。本专利技术的一种基于深度学习的道路驾驶技能考试自动打分的方法和装置和现有技术相比，有益效果为，通过使用深度学习的的FasterR-CNN模型，实现考生操作行为的准确评价，并且实现紧急情况的紧急避让。进而提高了道路驾驶技能考试的智能化以及安全性和准确度。附图说明下面结合附图对本专利技术进一步说明。附图1为一种基于深度学习的道路驾驶技能考试自动打分的装置的结构框图。具体实施方式下面结合附图和具体实施例对本专利技术作进一步说明。分析客户的动线轨迹，首先在图像中需要对客户进行定位检索。FasterR-CNN模型是一个通用的物体检测模型，该模型能够自动识别图像中可识别对象在图像中的像素位置和对象类别。是基于深度学习的目标检测中应用最广泛的模型。本专利技术为一种基于深度学习的道路驾驶技能考试自动打分的方法和装置，通过使用深度学习的的FasterR-CNN模型，实现考生操作行为的准确评价，并且实现紧急情况的紧急避让。进而提高了道路驾驶技能考试的智能化以及安全性和准确度。实施例1：一种基于深度学习的道路驾驶技能考试自动打分的方法，在道路驾驶技能考试中，车载端通过深度学习模型实现对考生的操作行为进行自动打分。具体方法如下：S1、服务器端采集考试道路环境的视频信息；S2、对采集到的视频信息中的特征向量进行人工标记；所述的特征向量包括，行人、车辆及路标；S3、对人工标记后的数据进行训练，生成深度学习模型；S4、将深度学习模型加载至车载端；S6、车载端实时获取考试道路环境信息，利用深度学习模型检索并识别出特征向量的状态信息；S7、结合道路环境的状态信息，对考生的操作行为进行评价。一种基于深度学习的道路驾驶技能考试自动打分的装置，自动打分装置在道路驾驶技能考试中应用于车载端，包括数据采集模块、图像检索与识别模块、自动打分模块；所述的数据采集模块，用于实时获取考试道路环境信息；所述的图像检索与识别模块，用于利用深度学习模型检索并识别出道路环境中的特征向量的状态信息；所述的自动打分模块，用于结合道路环境的状态信息，基于深度学习模型对考生的操作行为进行评价。还包括紧急避让模块，所述的紧急避让模块用于识别紧急状况，并控制操作车辆采取紧急避让动作。具体的实施方法为：1.使用摄像头采集行人、车辆、路标等道路环境的视频信息。2.使用深度学习的FasterR-CNN模型对道路环境视频进行检索，识别出行人，车辆，路标等状态信息，提高了识别的准确程度；3.根据实时的道路环境状况信息对考试的操作行为进行判断，并对其打分。比如根据图像识别模块的出的道路环境信息对判断考试有没有避让行人，车辆，有无按照交通标志行驶，并对其打分。4.实时识别道路环境状况，若遇到紧急状况，考试车辆自动进行紧急避让。比如采取紧急制动，以避免意外的发生。本专利技术基于深度学习的道路驾驶技能考试自动打分的方法和装置可以提高打分的准确性以及考生的安全性。通过上面具体实施方式，所述
的技术人员可容易的实现本专利技术。但是应当理解，本专利技术并不限于上述的几种具体实施方式。在公开的实施方式的基础上，所述
的技术人员可任意组合不同的技术特征，从而实现不同的技术方案。本文档来自技高网...

【技术保护点】
1.一种基于深度学习的道路驾驶技能考试自动打分的方法，其特征在于， 在道路驾驶技能考试中，车载端通过深度学习模型实现对考生的操作行为进行自动打分。

【技术特征摘要】
1.一种基于深度学习的道路驾驶技能考试自动打分的方法，其特征在于，在道路驾驶技能考试中，车载端通过深度学习模型实现对考生的操作行为进行自动打分。2.根据权利要求1所述的一种基于深度学习的道路驾驶技能考试自动打分的方法，其特征在于，具体方法如下：S1、服务器端采集考试道路环境的视频信息；S2、对采集到的视频信息中的特征向量进行人工标记；S3、对人工标记后的数据进行训练，生成深度学习模型；S4、将深度学习模型加载至车载端；S6、车载端实时获取考试道路环境信息，利用深度学习模型检索并识别出特征向量的状态信息；S7、结合道路环境的状态信息，对考生的操作行为进行评价。3.根据权利要求2所述的一种基于深度学习的道路驾驶技能考试自动打...

【专利技术属性】
技术研发人员：尹青山，段成德，于治楼，
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