一种交通安全设施巡查检测方法及系统技术方案

本公开公开了一种交通安全设施巡查检测方法及系统，涉及到交通安全检测领域，其中方法具体包括：获取交通安全设施的视频图像数据及地理位置坐标信息；将视频图像数据做数据标定得到目标交通安全设施，将目标交通安全设施与参照标的进行数据组合成教案设施标定数据；构建设备状态识别模型，利用深度学习算法进行训练精度；利用训练好的设备状态识别模型对道路实施进行状态异常识别。通过车辆搭载录像设备的方式，实现对于道路上的护栏、标志标牌、杆件、摄像头、信号灯是否倾倒、歪斜状况的自动化评估，实现低成本高效率的交通安全设施巡查检测。测。测。

【技术实现步骤摘要】
一种交通安全设施巡查检测方法及系统


[0001]本公开涉及交通安全检测
，尤其涉及一种交通安全设施巡查检测方法及系统。

技术介绍

[0002]交通安全设施是指为保障行车和行人的安全，充分发挥道路的作用，在道路沿线所设置的人行地道、人行天桥、照明设备、护栏、标注、标志标线等设施的总称，交通安全设施包括：交通标志、标线、护栏、隔离栅、轮廓标、诱导标、防眩设施等。
[0003]现有技术中，交通安全设施巡查工作需要检查道路上的护栏、标志标牌、杆件、摄像头、信号灯是否倾倒、歪斜，采用人工肉眼观察费时费力，而且精度差成本高，因此需要一种交通安全设施巡查检测方法来满足人们的需求。

技术实现思路

[0004]本公开的目的在于提供一种交通安全设施巡查检测方法，以解决上述
技术介绍
中提出的人工肉眼观察费时费力，而且精度差成本高的问题。
[0005]为实现上述目的，本公开提供如下技术方案：一种交通安全设施巡查检测方法，包括以下步骤：
[0006]S1，获取交通安全设施的视频图像数据及地理位置坐标信息；
[0007]S2，将视频图像数据做数据标定得到目标交通安全设施，将目标交通安全设施与参照标的进行数据组合成教案设施标定数据；
[0008]S3，构建设备状态识别模型，利用深度学习算法进行训练精度；
[0009]S4，利用训练好的设备状态识别模型对道路实施进行状态异常识别。
[0010]优选地，所述S1具体包括：
[0011]在巡检车上安装摄像头，对道路上安装正确的交通安全设施进行视频图像数据样本采集，同时采集地理位置坐标信息。
[0012]优选地，所述S2具体包括：
[0013]将视频图像数据做数据标定，将交通安全设施框定，并选择框定图像场景内一个固定建筑物作为参照标的；
[0014]将目标交通安全设施与参照标的的像素比例、地理位置坐标、摄像头朝向角度进行数据组合成教案设施标定数据。
[0015]优选地，视频图像数据包括：道路上的护栏、标志标牌、杆件、摄像头及信号灯是否倾倒或歪斜。
[0016]优选地，所述S3中深度学习算法采用卷积神经网络，原始的视频图像数据经过多个卷积核卷积后形成多张特征图，特征图的长与宽不变，但深度增加，随后经过下次采样减少特征数量，经过多次卷积与下采样后形成高维度的特征图，再进入分类器进行分类得到目标视频图像数据。
[0017]优选地，所述S4具体包括：在巡检时，巡检车上的自动巡检设备根据地理位置信息实时调整摄像头朝向角度，拍摄视频图像，并用实时检测识别交通安全设备和参照标的。
[0018]优选地，所述S4之后还包括：检测到目标后，通过调整摄像头镜头参数和角度，将参照标的的像素与标定参数匹配，匹配完成后计算交通安全设备与标定参数的值是否相符，如果相符则设备状态正常，不相符则设备状态异常。
[0019]本公开还提供了一种交通安全设施巡查检测系统，所述系统用于实现交通安全设施巡查检测方法，包括：
[0020]数据采集模块，配置为获取交通安全设施的视频图像数据及地理位置坐标信息；
[0021]标定模块，配置为将视频图像数据做数据标定得到目标交通安全设施，将目标交通安全设施与参照标的进行数据组合成教案设施标定数据；
[0022]建模模块，配置为构建设备状态识别模型，利用深度学习算法进行训练精度；
[0023]识别模块，配置为利用训练好的设备状态识别模型对道路实施进行状态异常识别。
[0024]本公开的有益效果是：
[0025]本公开中，用户可通过车辆搭载录像设备的方式，实现对于道路上的护栏、标志标牌、杆件、摄像头、信号灯是否倾倒、歪斜状况的自动化评估，实现低成本高效率的交通安全设施巡查检测。
附图说明
[0026]图1为本公开提出的一种交通安全设施巡查检测方法的流程图示意图。
具体实施方式
[0027]下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。
[0028]参照图1，本公开实施例提供了一种交通安全设施巡查检测方法，包括以下步骤：
[0029]S1，获取交通安全设施的视频图像数据及地理位置坐标信息；
[0030]S2，将视频图像数据做数据标定得到目标交通安全设施，将目标交通安全设施与参照标的进行数据组合成教案设施标定数据；
[0031]S3，构建设备状态识别模型，利用深度学习算法进行训练精度；
[0032]S4，利用训练好的设备状态识别模型对道路实施进行状态异常识别。
[0033]需要说明的是，上述各步骤S1～S4的顺序不做任何限定，可以任意打乱。
[0034]本公开的思路是：通过交通安全设施巡查，检查道路上的护栏、标志标牌、杆件、摄像头、信号灯是否倾倒、歪斜。进而能及时知道交通设备是否异常。
[0035]在一个具体的实施场景中，包括以下步骤：
[0036]第一步，在巡检车上安装摄像头，对道路安装正确的交安设施进行视频图像数据样本采集，同时采集地理位置坐标信息。
[0037]第二步，将样本视频图像数据做数据标定，将图像中的交安设施框定，并选择框定图像场景内一个固定建筑物(例如，楼房或铁塔)作为参照标的。将目标交安设施与参照标的的像素比例，地理位置坐标、摄像头朝向角度等数据组合成教案设施标定数据。
[0038]第三步 历用深度学习算法，训练目标识别功能，训练系统可以检测和识别交安设备和参照标的。
[0039]第四步，巡检时，巡检车上的自动巡检设备根据地理位置信息实时调整摄像头朝向角度，拍摄视频图像，并用实时检测识别交安设备和参照标的。检测到目标后，通过调整摄像头镜头参数和角度，将参照标的的像素与标定参数匹配，匹配完成后计算交安设备与标定参数的值是否相符。如果相符则设备状态正常，不相符则设备状态异常。
[0040]交通安全设施巡查检测方法，S1、在巡检车上安装摄像头，对道路安装正确的交通安全设施进行视频图像数据样本采集，同时采集地理位置坐标信息。
[0041]优选的方案，所述S3中深度学习算法参照卷积神经网络，卷积神经网络一般由卷积层、池化层及全连接层组成。卷积层和池化层交替连接以提取图像的深层特征，再由分类器根据提取的特征进行分类。原始图像经过多个卷积核卷积后形成多张特征图，特征图的长与宽基本不变，但深度增加，随后经过下采样减少特征数量。经过多次卷积与下采样后形成高维度的特征图，再进入分类器进行分类。
[0042]本公开实施例还提供了一种交通安全设施巡查检测系统，所述系统用于实现上述交通安全设施巡查检测方法，包括：
[0043]数据采集模块，配置为获取交通安全设施的视频图像数据及地理位置坐标信息；
[0044]标定模块，配置为将视频图像数据做数据标定得到目标交通安全设施，将目标交通安全设施与参照标的进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通安全设施巡查检测方法，其特征在于，包括以下步骤：S1，获取交通安全设施的视频图像数据及地理位置坐标信息；S2，将视频图像数据做数据标定得到目标交通安全设施，将目标交通安全设施与参照标的进行数据组合成教案设施标定数据；S3，构建设备状态识别模型，利用深度学习算法进行训练精度；S4，利用训练好的设备状态识别模型对道路实施进行状态异常识别。2.根据权利要求1所述的一种交通安全设施巡查检测方法，其特征在于，所述S1具体包括：在巡检车上安装摄像头，对道路上安装正确的交通安全设施进行视频图像数据样本采集，同时采集地理位置坐标信息。3.根据权利要求1所述的一种交通安全设施巡查检测方法，其特征在于，所述S2具体包括：将视频图像数据做数据标定，将交通安全设施框定，并选择框定图像场景内一个固定建筑物作为参照标的；将目标交通安全设施与参照标的的像素比例、地理位置坐标、摄像头朝向角度进行数据组合成教案设施标定数据。4.根据权利要求1所述的一种交通安全设施巡查检测方法，其特征在于，视频图像数据包括：道路上的护栏、标志标牌、杆件、摄像头及信号灯是否倾倒或歪斜。5.根据权利要求1所述的一种交通安全设施巡查检测方法，其特征在于，所述S3中深度学习算法采用卷积神经网络，原始的视频图像数据经过多个卷积核卷积后形成多张特征...

【专利技术属性】
技术研发人员：曹顺，
申请(专利权)人：武汉纵横智慧城市股份有限公司，
类型：发明
国别省市：