一种基于深度学习的高速路汽车故障提示方法及装置制造方法及图纸

本申请实施例公开了一种基于深度学习的高速路汽车故障提示方法及装置，用于及时避让障碍。本申请实施例方法包括：将实时采集到的行车图像实时输入至预先训练好的神经网络模型中，所述神经网络模型用于对所述行车图像中车道上的目标障碍物进行识别，并输出故障判定结果；当所述故障判定结果为有故障车辆时，生成故障信息，所述故障信息中包含所述故障车辆的故障位置；将所述故障信息上传至服务器，以使得所述服务器根据所述故障信息确定需要推送故障提示的目标车辆，并将所述故障提示发送至所述目标车辆，所述目标车辆为需要经过所述故障位置的车辆。故障位置的车辆。故障位置的车辆。

【技术实现步骤摘要】
一种基于深度学习的高速路汽车故障提示方法及装置


[0001]本申请实施例涉及障碍物识别
，尤其涉及一种基于深度学习的高速路汽车故障提示方法及装置。

技术介绍

[0002]随着高速公路事业的蓬勃发展，交通事故发生的频率也随之上升，其中在发生交通事故后，事故车辆与过往车辆发生碰撞导致的二次事故，也是高速公路交通发生事故的一个重要原因。
[0003]在现有技术中，车辆出厂时会配备反光三角架，当车辆发生故障或者发生事故时，需要将反光三角标放置在距离车辆后方，以提示后方车辆。
[0004]当高速路上发生一起交通事故时，由于汽车在高速公路上行驶时时速非常快，后面的汽车即使看到了反光三脚标也很容易因为避让不及时引起二次事故，特别是在夜间或者弯道等视野不佳的地方，即使放置了反光三脚标也会难以看清，很容易导致后面驶来的汽车来不及避让，而引起二次事故。

技术实现思路

[0005]为了解决上述技术问题，本申请实施例提供了一种基于深度学习的高速路汽车故障提示方法及装置，用于提前接收提醒，及时避让障碍。
[0006]本申请第一方面提供了一种基于深度学习的高速路汽车故障提示方法，应用于行车记录仪，包括：
[0007]将实时采集到的行车图像实时输入至预先训练好的神经网络模型中，所述神经网络模型用于对所述行车图像中车道上的目标障碍物进行识别，并输出故障判定结果；
[0008]当所述故障判定结果为有故障车辆时，生成故障信息，所述故障信息中包含所述故障车辆的故障位置；
[0009]将所述故障信息上传至服务器，以使得所述服务器根据所述故障信息确定需要推送故障提示的目标车辆，并将所述故障提示发送至所述目标车辆，所述目标车辆为需要经过所述故障位置的车辆。
[0010]可选地，所述将实时采集到的行车图像实时输入至预先训练好的神经网络模型中包括：
[0011]实时采集行车视频；
[0012]将采集的行车视频提取为图像；
[0013]将所述图像实时输入至预先训练好的神经网络模型中。
[0014]可选地，所述神经网络模型还用于通过所述行车图像中车道上的目标障碍物确定车道信息；
[0015]所述故障信息中还包括所述车道信息。
[0016]本申请第二方面提供了一种基于深度学习的高速路汽车故障提示方法，应用于服
务器，包括：
[0017]接收初始车辆发送的故障信息，所述故障信息为所述初始车辆将行车记录仪实时采集到的图像实时输入至预先训练好的神经网络模型，并当所述神经网络模型判定有故障车辆时，行车记录仪生成的信息，所述故障信息中包含故障车辆的故障位置；
[0018]根据所述故障位置确定目标车辆，所述目标车辆为需要经过所述故障位置的车辆；
[0019]当所述目标车辆距离所述故障位置小于预设距离时，向所述目标车辆发送提醒信息。
[0020]可选地，所述根据所述故障位置确定目标车辆包括：
[0021]确定经过所述故障位置的至少一条导航线路；
[0022]确定所述导航线路上需要经过所述故障位置的车辆为目标车辆。
[0023]可选地，在向所述目标车辆发送提醒信息之后，所述方法还包括：
[0024]接收当所述目标车辆经过故障位置时发送的更新故障信息。
[0025]可选地，所述方法还包括：
[0026]当根据所述更新故障信息确定所述目标障碍物已经解除时，向已接收提醒信息的车辆发送解除故障的提示信息。
[0027]本申请第三方面提供了一种基于深度学习的高速路汽车故障提示装置，包括：
[0028]输入单元，用于将实时采集到的行车图像实时输入至预先训练好的神经网络模型中，所述神经网络模型用于对所述行车图像中车道上的目标障碍物进行识别，并输出故障判定结果；
[0029]生成单元，用于当所述故障判定结果为有故障车辆时，生成故障信息，所述故障信息中包含故障车辆的故障位置；
[0030]上传单元，用于将所述故障信息上传至服务器，以使得所述服务器根据所述故障信息确定需要推送故障提示的目标车辆，并将所述故障提示发送至所述目标车辆，所述目标车辆为需要经过所述故障位置的车辆。
[0031]本申请第四方面提供了一种基于深度学习的高速路汽车故障提示装置，包括：
[0032]接收单元，用于接收初始车辆发送的故障信息，所述故障信息为所述初始车辆将行车记录仪实时采集到的图像实时输入至预先训练好的神经网络模型，并当所述神经网络模型判定有故障车辆时，行车记录仪生成的信息，所述故障信息中包含故障车辆的故障位置；
[0033]确定单元，用于根据所述故障位置确定目标车辆，所述目标车辆为需要经过所述故障位置的车辆；
[0034]发送单元，用于当所述目标车辆距离所述故障位置小于预设距离时，向所述目标车辆发送提醒信息。
[0035]本申请第五方面提供了一种基于深度学习的高速路汽车故障提示装置，包括：
[0036]中央处理器，存储器，输入输出接口，有线或无线网络接口以及电源；
[0037]所述存储器为短暂存储存储器或持久存储存储器；
[0038]所述中央处理器配置为与所述存储器通信，并执行所述存储器中的指令操作以执行第二方面所述方法。
[0039]本申请第六方面提供了一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使得计算机执行第一方面或第二方面所述方法。
[0040]从以上技术方案可以看出，本申请实施例具有以下优点：
[0041]将采集到的行车图像实时输入至模型中，用于所述模型对所述图像进行识别后得到判定结果，当所述判定结果为有故障车辆时，生成故障信息，所述故障信息中包含所述故障车辆的故障位置，将所述故障信息上传至服务器，用于所述服务器根据所述故障信息确定需要推送故障提示的目标车辆，所述目标车辆为与所述故障位置在相同路线上的车辆，从而让司机能够提前收到高速路汽车故障提醒信息，及时避让障碍。
附图说明
[0042]为了更清楚地说明本申请中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0043]图1为本申请实施例中基于深度学习的高速路汽车故障提示方法一个示意图；
[0044]图2为本申请实施例中基于深度学习的高速路汽车故障提示方法另一示意图；
[0045]图3为本申请实施例中基于深度学习的高速路汽车故障提示方法另一示意图；
[0046]图4为本申请实施例中基于深度学习的高速路汽车故障提示方法另一示意图；
[0047]图5为本申请实施例中基于深度学习的高速路汽车故障提示方法另一示意图；
[0048]图6为本申请实施例中基于深度学习的高速路汽车故障提示装置一个示意图；
[0049]图7为本申请实施例中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的高速路汽车故障提示方法，应用于行车记录仪，其特征在于，包括：将实时采集到的行车图像实时输入至预先训练好的神经网络模型中，所述神经网络模型用于对所述行车图像中车道上的目标障碍物进行识别，并输出故障判定结果；当所述故障判定结果为有故障车辆时，生成故障信息，所述故障信息中包含所述故障车辆的故障位置；将所述故障信息上传至服务器，以使得所述服务器根据所述故障信息确定需要推送故障提示的目标车辆，并将所述故障提示发送至所述目标车辆，所述目标车辆为需要经过所述故障位置的车辆。2.根据权利要求1所述的基于深度学习的高速路汽车故障提示方法，其特征在于，所述将实时采集到的行车图像实时输入至预先训练好的神经网络模型中包括：实时采集行车视频；将采集的行车视频提取为图像；将所述图像实时输入至预先训练好的神经网络模型中。3.根据权利要求1所述的基于深度学习的高速路汽车故障提示方法，其特征在于，所述神经网络模型还用于通过所述行车图像中车道上的目标障碍物确定车道信息；所述故障信息中还包括所述车道信息。4.一种基于深度学习的高速路汽车故障提示方法，应用于服务器，其特征在于，包括：接收初始车辆发送的故障信息，所述故障信息为所述初始车辆将行车记录仪实时采集到的图像实时输入至预先训练好的神经网络模型，并当所述神经网络模型判定有故障车辆时，行车记录仪生成的信息，所述故障信息中包含故障车辆的故障位置；根据所述故障位置确定目标车辆，所述目标车辆为需要经过所述故障位置的车辆；当所述目标车辆距离所述故障位置小于预设距离时，向所述目标车辆发送提醒信息。5.根据权利要求4所述的基于深度学习的高速路汽车故障提示方法，其特征在于，所述根据所述故障位置确定目标车辆包括：确定经过所述故障位置的至少一条导航线路；确定所述导航线路上需要经过所述故障位置的车辆为目标车辆。6.根据权利要求4至5中任一项所述的基于深度学习...

【专利技术属性】
技术研发人员：何则波，
申请(专利权)人：深圳市修远文化创意有限公司，
类型：发明
国别省市：