東藍公路災害預測智能視頻分析技術新突破

發布日期:2019-03-27

?????? 數字公路的建設,主要建設內容包括外場及內場建設兩大部分,其中外場建設包括視頻監控、交通流量監測、超限超載監測、可變情報板等,內場建設包括監控中心、主機、存儲、網絡等基礎設施以及綜合管理平臺、應用軟件建設等。
?????? 其中外場建設中,視頻監控占的比例最大,特別是一些山區的公路,由于距離遠,狹長彎曲,氣候及地質條件較差,導致容易發生山體滑坡、坍塌等嚴重地質災害,從而造成重大的人員傷亡事故和財產損失。因而這些路段是視頻監控重點監控區域。

?????? 隨著攝像頭日益增多,值班人員輪詢工作量也逐漸加大,急需一種智能的手段協助職能部門更快更準確地發現山區的地質災害。
?????? 從上世紀90年代起,智能視頻分析技術的雛形產品開始被逐漸的應用到交通監控領域中,伴隨著監控系統數字化、高清化以及大規模化的進程,其技術已日趨成熟,逐步完成了從概念產品向市場產品的轉化。但對于地質災害等的智能分析識別普遍存在識別率低,誤報率高等缺陷,未能得到很好的應用。
?????? 基于此,東藍數碼提出了基于卷積神經網絡的山區公路地質災害檢測方法,并成功應用于公司交通項目中。

?????? 卷積神經網絡(CNN)介紹:
?????? 卷積神經網絡(Convolutional Neural Networks,以下簡稱CNN) 是一類包含卷積計算且具有深度結構的前饋神經網絡,是深度學習的代表算法之一,廣泛的應用于圖像識別。我們來看看CNN的基本結構,一個常見的CNN例子如下圖:

?????? 上圖是一個圖形識別的CNN模型。可以看出最左邊的船的圖像就是我們的輸入層,計算機理解為輸入若干個矩陣。
?????? 接著是卷積層(Convolution Layer),這個是CNN特有的,卷積層的激活函數使用的是ReLU,即ReLU(x)=max(0,x)。在卷積層后面是池化層(Pooling layer),這個也是CNN特有的。
?????? 卷積層+池化層的組合可以在隱藏層出現很多次,上圖中出現兩次。而實際上這個次數是根據模型的需要而來的。當然我們也可以靈活使用使用卷積層+卷積層,或者卷積層+卷積層+池化層的組合,這些在構建模型的時候沒有限制。但是最常見的CNN都是若干卷積層+池化層的組合。
?????? CNN從90年代的LeNet開始,21世紀初沉寂了10年,直到12年AlexNet開始又再煥發第二春,從ZF Net到VGG,GoogLeNet再到ResNet和最近的DenseNet。

?????? 基于卷積神經網絡算法,結合大量的訓練樣本,東藍數碼成功研發了基于卷積神經網絡的山區公路地質災害檢測方法,在訓練集和驗證集達到了90%以上的準確率,可以大大減少職能部門的工作量,提高山區地質災害預警的準確性和及時性。

?????? 東藍智能視頻分析技術在山區公路地質災害檢測中的成功應用,拓寬了東藍的業務方向,為東藍在交通領域的深耕細作奠定了基礎。今后,我們定當再接再厲,不斷創新,為廣大客戶提供更細致專業的服務。

山东体彩快乐扑克开奖结果