东蓝公路灾害预测智能视频分析技术新突破

发布日期:2019-03-27

       数字公路的建设,主要建设内容包括外场及内场建设两大部分,其中外场建设包括视频监控、交通流量监测、超限超载监测、可变情报板等,内场建设包括监控中心、主机、存储、网络等基础设施以及综合管理平台、应用软件建设等。
       其中外场建设中,视频监控占的比例最大,特别是一些山区的公路,由于距离远,狭长弯曲,气候及地质条件较差,导致容易发生山体滑坡、坍塌等严重地质灾害,从而造成重大的人员伤亡事故和财产损失。因而这些路段是视频监控重点监控区域。

       随着摄像头日益增多,值班人员轮询工作量也逐渐加大,急需一种智能的手段协助职能部门更快更准确地发现山区的地质灾害。
       从上世纪90年代起,智能视频分析技术的雏形产品开始被逐渐的应用到交通监控领域中,伴随着监控系统数字化、高清化以及大规模化的进程,其技术已日趋成熟,逐步完成了从概念产品向市场产品的转化。但对于地质灾害等的智能分析识别普遍存在识别率低,误报率高等缺陷,未能得到很好的应用。
       基于此,东蓝数码提出了基于卷积神经网络的山区公路地质灾害检测方法,并成功应用于公司交通项目中。

       卷积神经网络(CNN)介绍:
       卷积神经网络(Convolutional Neural Networks,以下简称CNN) 是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一,广泛的应用于图像识别。我们来看看CNN的基本结构,一个常见的CNN例子如下图:

       上图是一个图形识别的CNN模型。可以看出最左边的船的图像就是我们的输入层,计算机理解为输入若干个矩阵。
       接着是卷积层(Convolution Layer),这个是CNN特有的,卷积层的激活函数使用的是ReLU,即ReLU(x)=max(0,x)。在卷积层后面是池化层(Pooling layer),这个也是CNN特有的。
       卷积层+池化层的组合可以在隐藏层出现很多次,上图中出现两次。而实际上这个次数是根据模型的需要而来的。当然我们也可以灵活使用使用卷积层+卷积层,或者卷积层+卷积层+池化层的组合,这些在构建模型的时候没有限制。但是最常见的CNN都是若干卷积层+池化层的组合。
       CNN从90年代的LeNet开始,21世纪初沉寂了10年,直到12年AlexNet开始又再焕发第二春,从ZF Net到VGG,GoogLeNet再到ResNet和最近的DenseNet。

       基于卷积神经网络算法,结合大量的训练样本,东蓝数码成功研发了基于卷积神经网络的山区公路地质灾害检测方法,在训练集和验证集达到了90%以上的准确率,可以大大减少职能部门的工作量,提高山区地质灾害预警的准确性和及时性。

       东蓝智能视频分析技术在山区公路地质灾害检测中的成功应用,拓宽了东蓝的业务方向,为东蓝在交通领域的深耕细作奠定了基础。今后,我们定当再接再厉,不断创新,为广大客户提供更细致专业的服务。