一种基于深度学习和图像识别的施工交通疏导系统及方法与流程

1.本发明涉及施工交通疏导装置技术领域，尤其涉及一种基于深度学习和图像识别的施工交通疏导系统及方法。


背景技术：

2.深度学习是一种基于人工神经网络的机器学习方法。通过多层次的神经网络结构，深度学习可以自动学习和提取图像中的高级特征，从而实现对复杂场景的识别和理解能力。在施工交通疏导系统中，深度学习技术可以用于训练一个图像识别模型，使其能够准确识别道路上的车辆、行人、交通标志和施工区域等，通过结合深度学习和图像识别技术，施工交通疏导装置可以实现实时监测和分析道路交通状况，并根据实际情况进行智能化的疏导和警示，该装置的工作原理是，通过摄像头阵列实时捕捉道路交通图像，然后将图像传输至数据处理单元。数据处理单元利用深度学习模型进行图像识别和分析，判断交通状况和施工区域，并生成相应的疏导信息。最后，通过显示屏和警示器向驾驶员和行人提供疏导指引，以确保交通安全和施工进展。
3.但现有的装置中用于捕捉交通状况的摄像头在施工环境中，其镜头处容易粘上灰尘，一般通过设置清理刷对其进行清理，但在实际运用的过程中，外部环境复杂，各种鸟虫异物停留在摄像头上，产生粪便等异物在太阳暴晒下硬化附着在镜头上，由于毛刷较软清理不干净，导致清洗效果较差，影响装置的识别捕捉效果。
4.同时，目前的图像处理算法也存在一些问题，现有算法基本都是基于opencv实现的，并没有针对交通领域的特点进行优化。


技术实现要素：

5.本发明的目的是为了解决现有技术中外部环境复杂，各种鸟虫异物停留在摄像头上，产生粪便等异物在太阳暴晒下硬化附着在镜头上，由于毛刷较软清理不干净，导致清洗效果较差，影响装置的识别捕捉效果问题，以及现有图像处理算法存在的问题，而提出的一种基于深度学习和图像识别的施工交通疏导系统及方法。
6.为了实现上述目的，本发明采用了如下技术方案：一种基于深度学习和图像识别的施工交通疏导系统，包括安装架，所述安装架的表面设置有固定座，所述固定座的表面设置有摄像头，所述固定座的一侧安装有网络通信模块，所述摄像头与网络通信模块通过导线相连，以接收云平台的控制数据，特点是，还包括：清理组件，设置在摄像头的镜头表面处，用于对摄像头表面镜头产生的异物进行清理；移动组件，设置在清理组件上，其一端安装在摄像头的表面，用于对增加清理组件清理时结构的强度；吹气组件，设置在清理组件上，对清理组件上清理残留的异物进行吹扫；
所述云平台设置有图像识别模块，用以接收摄像头的图像数据并处理，然后发出控制指令。
7.优选的，所述清理组件包括：安装盒，安装在摄像头的表面上，所述安装盒的底部内壁安装有驱动部；转动轴，所述转动轴通过轴承转动连接在摄像头的表面上，所述转动轴的表面固定有从动轮，所述从动轮的表面通过皮带传动有主动轮，所述主动轮的轴心处于驱动部的输出端固定连接；清理板，位于从动轮的一侧固定在转动轴的表面上；毛刷软管，呈等间距分布设置在清理板的表面上，所述毛刷软管的端部安装有毛刷头。
8.优选的，所述移动组件包括：连接板，所述连接板设置在第一伸缩杆的上方，所述连接板通过弹性件与清理板的表面相连；滑杆，呈等间距固定安装在连接板的底部表面，所述滑杆滑动连接在毛刷软管内；弧形板，设置在滑杆的上方，所述弧形板底部表面开设有滑槽，所述弧形板的表面固定有与摄像头相连的固定板；滚珠，安装在连接板的表面上，所述滚珠滑动连接在滑槽内。
9.优选的，所述吹气组件包括：延长板，固定在连接板一端的延长板；方形板，设置在延长板的一侧，所述方形板的端部固定有挤压板；气囊，安装在安装盒的顶部表面上，所述气囊的一侧面与挤压板相贴合，所述气囊的顶部连通有输气管；空腔，开设在清理板内，所述输气管的一端贯穿清理板与空腔相连通；喷气头，呈等间距分布设置在清理板的底部表面，所述喷气头位于相邻两个毛刷软管之间。
10.优选的，弹性件包括固定在连接板底部表面的第一伸缩杆，所述第一伸缩杆的底部与清理板固定相连，所述第一伸缩杆的表面套设有挤压弹簧，所述挤压弹簧的两端分别与连接板和清理板固定连接。
11.优选的，所述安装盒的顶部表面开设有开口，所述从动轮和主动轮上缠绕的皮带贯穿在开口内，所述清理板的一侧面固定有海棉条。
12.优选的，所述挤压板的一端固定有固定块，所述固定块的表面安装有第二伸缩杆，所述第二伸缩杆的端部固定有限位板，所述限位板固定在安装盒的表面上，所述第二伸缩杆的表面套设有复位弹簧，所述复位弹簧的两端分别与第二伸缩杆和限位板固定相连。
13.优选的，所述安装盒的顶部位于限位板的一侧设置有凹槽板，所述凹槽板的一侧面与摄像头相贴合。
14.优选的，所述安装架的一侧设置有指示灯，所述指示灯安装在安装柱上，所述安装柱的底部与其中一个立柱固定相连，两个所述立柱通过螺栓与安装架固定安装在一起。
15.一种基于深度学习和图像识别的施工交通疏导系统的使用方法，主要包括以下步骤：s1:在使用时，通过摄像头安装在固定座上，通过摄像头实时捕捉施工现场的道路交通图像，然后将图像数据通过网络通信模块传输至管理中心，利用管理中心的数据处理平台中的深度学习模型结合图像识别和理解图像中的内容，进而能够准确识别道路上的车辆、行人、交通标志和施工区域等，然后根据实际情况通过管理中心发出指令进行智能化的疏导和警示;s2:在使用的过程中，由于施工现场较为复杂的环境下，在摄像头的表面会产生较多的灰尘和异物，通过摄像头上设置的清理组件，实现对摄像头表面附着的异物进行及时的清理，避免灰尘和异物阻挡摄像头处的镜头，影响摄像头监控捕捉的正常使用，当清理组
件在运行时，通过清理组件带动移动组件同步运行，利用清理组件清理时产生的作用力，使得移动组件上的滑杆插入毛刷软管的内部，这样在对硬化较难清理的异物进行清理操作时，可轻松将其刮除，当移动组件在运行时带动吹气组件同步运行，使得吹气组件处产生的气流吹送至清理组件处，对相邻两个毛刷软管之间刮除时残留的异物进行吹落清理。
16.与现有技术相比，本发明提供了一种基于深度学习和图像识别的施工交通疏导系统，具备以下有益效果：1、该一种基于深度学习和图像识别的施工交通疏导系统，通过摄像头上设置的清理组件，当摄像头处的镜头处产生异物时，通过清理组件对摄像头处镜头表面进行自动清理，省去人工手动维修清理的麻烦，节省维修人员的劳动强调，提高装置的使用效果。
17.2、该一种基于深度学习和图像识别的施工交通疏导系统，通过通过清理组件和移动组件的相互配合下，在对摄像头表面镜头处进行清理时，带动移动组件同步运行，使得滑杆插入毛刷软管的内部，强化毛刷软管的结构强度，进而方便清理组件在对较硬的异物进行清洗时更加方便，进一步提高装置的清洗效果。
18.3、该一种基于深度学习和图像识别的施工交通疏导系统，通过移动组件和吹气组件的相互配合下，当移动组件在使用时，带动吹气组件同步运行，使得吹气组件产生的气流对清理组件处相邻两个毛刷软管之间残留的异物进行吹落清理，避免残留在清理组件上，对摄像头处的镜头造成二次污染。
19.该装置中未涉及部分均与现有技术相同或可采用现有技术加以实现，本发明在使用时通过清理组件、移动组件和吹气组件的相互配合下，能够对摄像头上较硬的异物进行刮除清理，自动化操作使用方便快捷，同时可避免在清理的过程中残留的异物对摄像头表面造成二次污染，清理效果更好，节省清理的时间，提高工作效率，保障装置的正常运行。
20.4、通过软件和硬件算法对异物进行处理，大大提高了图像识别效率。
附图说明
21.图1为本发明提出的一种基于深度学习和图像识别的施工交通疏导系统的整体结构示意图；图2为本发明提出的一种基于深度学习和图像识别的施工交通疏导系统的正视结构示意图；图3为本发明提出的一种基于深度学习和图像识别的施工交通疏导系统的俯视结构示意图；图4为本发明提出的一种基于深度学习和图像识别的施工交通疏导系统中摄像头局部立体结构示意图；图5为本发明提出的一种基于深度学习和图像识别的施工交通疏导系统中摄像头局部放大结构示意图；图6为本发明提出的一种基于深度学习和图像识别的施工交通疏导系统中清理组件局部剖面结构示意图；图7为本发明提出的一种基于深度学习和图像识别的施工交通疏导系统中移动组件局部立体结构示意图；图8为本发明提出的一种基于深度学习和图像识别的施工交通疏导系统中吹气组
件局部立体结构示意图。
22.图中：1、安装架；2、固定座；3、摄像头；4、网络通信模块；5、清理组件；51、安装盒；52、驱动部；53、主动轮；54、从动轮；55、转动轴；56、清理板；57、毛刷软管；58、毛刷头；6、移动组件；61、第一伸缩杆；62、连接板；63、挤压弹簧；64、滑杆；65、滚珠；66、滑槽；67、弧形板；68、固定板；7、吹气组件；71、延长板；72、方形板；73、挤压板；74、气囊；75、输气管；76、空腔；77、喷气头；8、开口；9、固定块；10、第二伸缩杆；11、复位弹簧；12、限位板；13、凹槽板；14、海棉条；15、指示灯；16、安装柱；17、立柱。
具体实施方式
23.下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。
24.在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
25.参照图1至图8，一种基于深度学习和图像识别的施工交通疏导系统，包括安装架1，安装架1的表面设置有固定座2，固定座2的表面设置有摄像头3，固定座2的一侧安装有网络通信模块4，摄像头3与网络通信模块4通过导线相连，以接收云平台的控制数据。
26.在本实施例中，还包括：清理组件5，设置在摄像头3的镜头表面处，用于对摄像头3表面镜头产生的异物进行清理。
27.移动组件6，设置在清理组件5上，其一端安装在摄像头3的表面，用于对增加清理组件5清理时结构的强度。
28.吹气组件7，设置在清理组件5上，对清理组件5上清理残留的异物进行吹扫。
29.所述云平台设置有图像识别模块，用以接收摄像头的图像数据并处理，然后发出控制指令。
30.本发明中，在使用时，通过摄像头3安装在固定座2上，通过摄像头3实时捕捉施工现场的道路交通图像，然后将图像数据通过网络通信模块4传输至管理中心，利用管理中心的数据处理平台中的深度学习模型结合图像识别和理解图像中的内容，进而能够准确识别道路上的车辆、行人、交通标志和施工区域等，然后根据实际情况通过管理中心发出指令进行智能化的疏导和警示，在使用的过程中，由于施工现场较为复杂的环境下，在摄像头3的表面会产生较多的灰尘和异物，通过摄像头3上设置的清理组件5，实现对摄像头3表面附着的异物进行及时的清理，避免灰尘和异物阻挡摄像头3处的镜头，影响摄像头3监控捕捉的正常使用，保障摄像头3的正常运行，这样避免维修人员人工手动爬高维修的麻烦，降低维修人员的劳动强度，当清理组件5在运行时，通过清理组件5带动移动组件6同步运行，利用清理组件5清理时产生的作用力，使得移动组件6上的滑杆64插入毛刷软管57的内部，增加毛刷软管57的结构强度，这样在对硬化较难清理的异物进行清理操作时，可轻松将其刮除，提高其装置的清理效果，避免传统方式毛刷材质较软清理不干净的现象发生，当移动组件6在运行时带动吹气组件7同步运行，使得吹气组件7处产生的气流吹送至清理组件5处，对相
邻两个毛刷软管57之间刮除时残留的异物进行吹落清理，避免异物残留对摄像头3表面造成二次污染，进一步提高装置的清理效果，使用方便快捷。
31.在一个实施例中，对云平台的图像识别模块进行详细描述。
32.步骤s1：获取摄像头的图像数据（即输入图像），并对图像进行预处理。该步骤包括：步骤s11：将输入图像被调整为预定尺寸（例如300
×
300像素）以适合交通图像识别网络。
33.步骤s12：逐一将输入图像的像素值除以预定数值（比如255），以使图像归一化，标准化为[0,1]范围。
[0034]
步骤s13：将输入图像进行随机裁剪、翻转、旋转或扭曲操作，以增加训练数据的多样性，对图像进行增强。
[0035]
步骤s2：行人检测，该步骤包括：步骤s21：调取已经训练的改进交通图像识别网络。输入图像被输入改进交通图像识别网络，该网络由基础网络（例如vgg-16）和几个额外层组成。其中，基础网络是一个预先训练的卷积神经网络（cnn），它从输入图像中提取低级特征。额外层被添加到基础网络的顶部，并生成不同比例和纵横比的特征图。特征图用于预测图像中对象的边界框和类标签。基础网络从输入图像中提取低级特征，而额外层则生成不同尺度和纵横比的特征图。改进后的交通图像识别网络利用交叉熵损失函数、反卷积和非极大值抑制来增强检测精度。
[0036]
损失函数由两项组成：定位损失和置信度损失。定位损失使用平滑l1损失来衡量预测边界框与地面真实边界框之间的差异。置信度损失使用softmax损失来衡量预测类标签与真实类标签之间的差异。在本实施例中，使用反卷积来提高小物体的检测精度,使用非极大值抑制（nms）来减少冗余或重叠边界框的数量。
[0037]
使用深度学习框架tensorflow构建和训练的。该网络是使用tensorflow的api和模块在python中实现的。该网络在带有注释边界框和类标签的大规模图像数据集上进行训练，例如coco或pascalvoc。该网络使用带有动量、学习率衰减、权重衰减和批量归一化的随机梯度下降进行训练。网络经过一定数量的epoch训练，直到收敛或达到所需的性能水平。
[0038]
步骤s22：检测输出。改进的交通图像识别网络的输出是一组边界框，其中包含输入图像中检测到的每个行人的置信度分数和类标签。
[0039]
步骤s3：对行人跟踪。该步骤包括：步骤s31：深度排序算法。检测输出被输入深度检测模块，使用卡尔曼滤波器来预测每个被跟踪行人的状态，并使用深度神经网络来提取外观特征以进行关联。深度检测模块为每个被跟踪的行人分配一个唯一的id，并随着时间的推移更新他们的轨迹。
[0040]
深度检测模块由两个主要部分组成：卡尔曼滤波器和深度神经网络。卡尔曼滤波器根据每个跟踪对象之前的观察结果和运动动态来预测其状态。深度神经网络根据检测到的对象的边界框和类标签提取外观特征。深度检测模块使用检测网络为图像序列的每帧中的每个检测到的对象生成一组带有置信度分数和类标签的边界框。检测输出作为输入馈入跟踪算法。该检测模块使用hungarian算法根据轨道的交集(iou)值和置信度分数将检测分配给轨道。另外，该检测模块使用余弦距离度量来比较检测和轨迹的外观特征，以提高关联精度。
[0041]
该算法通过使用轨迹管理模块来处理遮挡、漏检和误报，该模块根据轨迹的年龄、可见性和置信度创建、删除或更新轨迹。该算法还使用运动模型，根据每个轨迹的历史记录和卡尔曼滤波器预测来估计每个轨迹的位置和速度。
[0042]
步骤s32：跟踪输出，深度检测模块的输出为一组边界框，其中包含输入图像序列中每个被跟踪行人的id和轨迹。
[0043]
步骤s4：检测校正，该步骤具体包括：步骤s41：调用预存储的改进cascader-cnn网络。检测输出被馈送到改进的cascader-cnn网络中，该网络是一种多级目标检测架构，使用可变形卷积和组归一化来提高检测性能。改进的cascader-cnn网络通过应用一系列区域提议网络(rpn)和感兴趣区域(roi)对齐层以及不断增加的iou阈值来细化检测到的行人的边界框。
[0044]
步骤s42：校正输出，改进的cascader-cnn网络的输出是一组校正后的边界框，其中包含输入图像中检测到的每个行人的置信度分数和类标签。
[0045]
步骤s43：输出融合，通过根据iou值和id匹配边界框，将校正输出与跟踪输出融合。融合输出是算法的最终结果，其中包含输入图像序列中每个被跟踪行人的边界框、置信度分数、类标签、id和轨迹。
[0046]
在进一步的实施例中，还可以通过摄像头和激光雷达进行配合，采集相关数据，并处理，具体过程如下：步骤s1：传感器数据采集。该步骤包括：步骤s11：摄像头数据采集。相机以一定的帧速率（例如，30fps）和分辨率（例如，1920
×
1080像素）捕获场景的rgb图像。
[0047]
步骤s12：激光雷达数据采集。lidar使用激光束以一定的旋转速率（例如10hz）和角分辨率（例如0.1度）扫描场景。lidar返回场景的点云，其中包含每个点的3d坐标（x、y、z）和强度值。
[0048]
在上述步骤中，图像和点云具有不同的帧速率、分辨率和坐标系。
[0049]
步骤s2：传感器数据校准。该步骤包括：步骤s21：使用校准板或棋盘图案来估计相机的内在和外在参数，以对相机进行标定。内在参数包括焦距、主点、畸变系数等，而外在参数包括描述相机相对于世界坐标系的位姿的旋转矩阵和平移向量。
[0050]
步骤s22：激光雷达标定，激光雷达的内在和外在参数也可以使用校准板或棋盘图案来估计。内在参数包括旋转速率、角分辨率、距离分辨率等，而外在参数包括描述激光雷达相对于与相机相同的世界坐标系的位姿的旋转矩阵和平移向量。
[0051]
步骤s23：相机与激光雷达标定，使用两个传感器都可见的校准板或棋盘图案来估计描述lidar相对于相机的相对姿态的变换矩阵。变换矩阵用于将lidar点云投影到相机图像平面上，反之亦然。
[0052]
校准估计每个传感器的内在和外在参数以及它们之间的变换矩阵。
[0053]
步骤s3：行人检测，该步骤包括：步骤s31：基于摄像头的检测。相机图像被输入深度神经网络（例如yolov3），执行对象检测和分类。网络的输出是一组边界框，其中包含图像中每个检测到的对象（包括行人）的置信度分数和类标签。
[0054]
步骤s32：基于激光雷达的检测。lidar点云被输入另一个深度神经网络（例如pointpillars），该网络在3d空间中执行对象检测和分类。网络的输出是一组定向边界框，其中包含点云中每个检测到的对象（包括行人）的置信度分数和类标签。
[0055]
步骤s33：检测融合。基于相机的检测和基于lidar的检测通过根据iou值和类标签匹配边界框来融合。融合检测输出是一组边界框，其中包含2d和3d空间中每个检测到的行人的置信度分数和类标签。
[0056]
步骤s4：行人跟踪。该步骤包括：步骤s41：多目标跟踪算法。融合的检测输出被输入到多目标跟踪方法中，该方法使用卡尔曼滤波器来预测每个被跟踪行人的状态，并使用匈牙利算法根据iou值和置信度分数将检测分配给跟踪。多目标跟踪算法为每个被跟踪的行人分配一个唯一的id，并随着时间的推移更新他们的轨迹。
[0057]
步骤s42：跟踪输出，多目标跟踪算法的输出是一组边界框，其中包含2d和3d空间中每个被跟踪行人的id和轨迹。
[0058]
在进一步的实施例中，对于镜头污染，提供一种基于图像学习的图像恢复方法，数据处理流程如下：步骤s1：采集输入图像并进行图像劣化处理。该步骤包括：步骤s11：镜片污染模拟，通过在干净图像上添加一层灰尘、水滴或其他污染物来模拟镜头污染。污染层是通过从一组模仿不同类型污染效果的预定义掩模或纹理中随机采样而生成的。
[0059]
步骤s12：图像模糊。通过应用高斯滤波器或运动模糊滤波器来模拟污染引起的散焦或运动模糊，对污染图像进行进一步模糊。
[0060]
步骤s13：图像噪声。通过添加高斯噪声或泊松噪声来模拟弱光条件下的传感器噪声或散粒噪声，模糊图像会进一步损坏。
[0061]
步骤s2：对输入图像进行修复处理。该步骤包括：步骤s21：构建并训练深度神经网络，降级图像被输入深度神经网络（例如u-net），执行端到端图像恢复。该网络由具有跳跃连接的编码器和解码器架构组成，用于学习从退化图像中提取高级特征并重建干净图像。
[0062]
步骤s22：图像输出，深度神经网络的输出是减少或消除了镜头污染、模糊和噪声影响的恢复图像。
[0063]
通过本实施例，结合硬件和软件的算法处理，可以对施工过程中的输入图像数据进行高清处理，从而提高数据监测的质量，提高安全性能。如果存在污染，则可以通过本方法的步骤s2进行预处理，然后在进行行人识别和跟踪。
[0064]
在优选的一个实施例中，参照图5和图6，清理组件5包括：安装盒51，安装在摄像头3的表面上，安装盒51的底部内壁安装有驱动部52；转动轴55，转动轴55通过轴承转动连接在摄像头3的表面上，转动轴55的表面固定有从动轮54，从动轮54的表面通过皮带传动有主动轮53，主动轮53的轴心处于驱动部52的输出端固定连接；清理板56，位于从动轮54的一侧固定在转动轴55的表面上；毛刷软管57，呈等间距分布设置在清理板56的表面上，毛刷软管57的端部安装有毛刷头58。
[0065]
具体地，其中驱动部52可采用正反电机等驱动源代替驱动，当启动驱动部52时，带
动转动轴55往复正反转动，使得清理板56表面安装的毛刷软管57贴合摄像头3的镜头表面进行刮除清理操作，将摄像头3表面附着的灰尘和异物清理，其中毛刷头58的设置，可对镜头表面起到防护的效果，采用柔性材料制成，如橡胶或纱布，其中安装盒51的设置，可对驱动部52起到防护的效果，同时便于安装，需要说明的是，其中毛刷软管57采用橡胶材料制成，其内部为中空状。
[0066]
在优选的一个实施例中，参照图5、图6和图7，移动组件6包括：连接板62，连接板62设置在第一伸缩杆61的上方，连接板62通过弹性件与清理板56的表面相连；滑杆64，呈等间距固定安装在连接板62的底部表面，滑杆64滑动连接在毛刷软管57内；弧形板67，设置在滑杆64的上方，弧形板67底部表面开设有滑槽66，弧形板67的表面固定有与摄像头3相连的固定板68；滚珠65，安装在连接板62的表面上，滚珠65滑动连接在滑槽66内。
[0067]
具体地，当清理板56在转动时，带动上方的连接板62同步转动，此时连接板62端部安装的滚珠65在滑槽66的内部滑动，由于弧形板67的底部一端向另一端厚度逐渐变厚，利用其结构的特性，此时连接板62在移动的过程中受挤压的作用力向下移动，使得连接板62底部安装的滑杆64对应插入毛刷软管57的内部，进而增强毛刷软管57的结构强度，使得毛刷软管57更加坚硬，当毛刷软管57在移动清理的过程中，遇到硬化较难清理的异物时，轻松的将附着的异物进行刮除清理，这样提高了装置的清理效果，避免出现清理不干净的现象发生。
[0068]
在优选的一个实施例中，参照图5、图6和图8，吹气组件7包括延长板71，固定在连接板62一端的延长板71；方形板72，设置在延长板71的一侧，方形板72的端部固定有挤压板73；气囊74，安装在安装盒51的顶部表面上，气囊74的一侧面与挤压板73相贴合，气囊74的顶部连通有输气管75；空腔76，开设在清理板56内，输气管75的一端贯穿清理板56与空腔76相连通；喷气头77，呈等间距分布设置在清理板56的底部表面，喷气头77位于相邻两个毛刷软管57之间。
[0069]
具体地，在连接板62的一端设置的延长板71，在连接板62下压移动时，带动延长板71同步移动，使得延长板71与方形板72接触，通过方形板72带动挤压板73移动，挤压气囊74，气囊74受挤压将气囊74内的空气输送至输气管75，然后进入空腔76的内部，然后通过多个喷气头77喷出，其中相邻两个毛刷软管57中设置有呈倾斜状的喷气头77，且喷气头77喷气口位置设置有防尘网，避免异物进入喷气头77内，喷气头77处喷出的气流对毛刷软管57上清理残留的异物和灰尘进行吹落清理，避免对摄像头3表面镜头处造成二次污染，使用方便，进一步提高了装置的清理效果，节省清理的时间，提高工作效率。
[0070]
在优选的一个实施例中，参照图1-图8，弹性件包括固定在连接板62底部表面的第一伸缩杆61，第一伸缩杆61的底部与清理板56固定相连，第一伸缩杆61的表面套设有挤压弹簧63，挤压弹簧63的两端分别与连接板62和清理板56固定连接，安装盒51的顶部表面开设有开口8，从动轮54和主动轮53上缠绕的皮带贯穿在开口8内，清理板56的一侧面固定有海棉条14，挤压板73的一端固定有固定块9，固定块9的表面安装有第二伸缩杆10，第二伸缩杆10的端部固定有限位板12，限位板12固定在安装盒51的表面上，第二伸缩杆10的表面套设有复位弹簧11，复位弹簧11的两端分别与第二伸缩杆10和限位板12固定相连，安装盒51的顶部位于限位板12的一侧设置有凹槽板13，凹槽板13的一侧面与摄像头3相贴合，安装架1的一侧设置有指示灯15，指示灯15安装在安装柱16上，安装柱16的底部与其中一个立柱17
固定相连，两个立柱17通过螺栓与安装架1固定安装在一起。
[0071]
具体地，当清理组件5在清理后复位时，通过挤压弹簧63的设置，可挤压连接板62，使其复位，便于下一次的清理操作，在清理组件5清理时，在清理板56的侧边处设置海棉条14，可预先对附着的容易清理的灰尘进行擦拭清理，而其中开口8的设置，方便清理组件5的正常运行，其中凹槽板13的设置，在使用过程中清理掉的异物掉落至凹槽板13内，方便导流，避免残留在安装盒51上，其中第二伸缩杆10和复位弹簧11的设置，便于将挤压板73安装在气囊74的一侧，当延长板71与方形板72分离时，可利用复位弹簧11的弹性回弹带动挤压板73复位，进而使得气囊74复原，便于下一次的充气然后挤压气流输送吹气操作，而限位板12可对气囊74的另一侧面进行限位，方便配合挤压板73对气囊74进行挤压操作。
[0072]
在进一步的实施例中，对于部分场景，需要对小目标进行检测，例如在一些路段，有小动迁徙，需要进行识别和判断。为此，给出如下数据处理过程。
[0073]
步骤s1、采集输入图像，构建图像输入序列。在此步骤中，场景的图像序列由相机以一定的帧速率（例如，30fps）和分辨率（例如，1920
×
1080像素）捕获。
[0074]
步骤s2：构建并调用多尺度特征融合网络，将图像序列被输入到多尺度特征融合网络中，针对每帧中执行对象检测和分割。
[0075]
多尺度特征融合网络由三个主要组件组成：主干网络、特征金字塔网络和掩模r-cnn头。网络输出每帧中每个检测到的对象的边界框、掩模、置信度分数和类标签。
[0076]
步骤s3：构建并调用重新识别网络。多尺度特征融合网络的输出被馈送到重新识别网络中，该网络在图像序列中执行对象跟踪和重新识别。
[0077]
重识别网络由两个主要部分组成：连体网络和注意力机制。重识别网络输出图像序列中每个跟踪对象的id和轨迹。
[0078]
步骤s2进一步为：步骤s21：调用骨干网络。骨干网络是预先训练的卷积神经网络（cnn），它从输入图像中提取低级特征。骨干网络包括resnet、vgg或mobilenet等架构。
[0079]
步骤s22：构建并调用特征金字塔网络。
[0080]
特征金字塔网络是融合来自骨干网络不同级别的特征以生成多尺度特征图的模块。特征金字塔网络使用横向连接和上采样操作来组合来自不同分辨率和尺度的特征。可以增强对单尺度特征图可能错过的小或被遮挡物体的检测性能。
[0081]
步骤s23：掩模r-cnn头。maskr-cnnhead是一个模块，在多尺度特征图上应用区域提议网络(rpn)和感兴趣区域(roi)对齐层，以生成和细化检测到的对象的边界框和掩模。
[0082]
maskr-cnn头还使用全连接层和softmax层来预测检测到的对象的置信度分数和类标签。maskr-cnn头提高了分割精度，并减少了可能具有低置信度分数或错误类别标签的小或被遮挡对象的误报。
[0083]
步骤s3进一步为：步骤s31：构建连体网络。从每帧中检测到的对象的边界框和掩模中提取外观特征。连体网络由两个相同的分支组成，共享相同的权重和参数，使用对比损失来学习根据外观特征区分不同对象。
[0084]
步骤s32：构建注意力机制的相关参数，形成注意力矩阵，使用注意力矩阵来存储和随时间更新相似度分数，计算不同帧中检测到的对象的外观特征之间的相似度得分的模
块，然后使用阈值来选择跨帧中最相似的对象对，并为它们分配相同的id，最后使用运动模型根据每个跟踪对象的历史记录和卡尔曼滤波器预测来估计其位置和速度。
[0085]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种基于深度学习和图像识别的施工交通疏导系统，包括安装架（1），所述安装架（1）的表面设置有固定座（2），所述固定座（2）的表面设置有摄像头（3），所述固定座（2）的一侧安装有网络通信模块（4），所述摄像头（3）与网络通信模块（4）通过导线相连，以接收云平台的控制数据，其特征在于，还包括：清理组件（5），设置在摄像头（3）的镜头表面处，用于对摄像头（3）表面镜头产生的异物进行清理；移动组件（6），设置在清理组件（5）上，其一端安装在摄像头（3）的表面，用于对增加清理组件（5）清理时结构的强度；吹气组件（7），设置在清理组件（5）上，对清理组件（5）上清理残留的异物进行吹扫；所述云平台设置有图像识别模块，用以接收摄像头的图像数据并处理，然后发出控制指令。2.根据权利要求1所述的一种基于深度学习和图像识别的施工交通疏导系统，其特征在于，所述清理组件（5）包括：安装盒（51），安装在摄像头（3）的表面上，所述安装盒（51）的底部内壁安装有驱动部（52）；转动轴（55），所述转动轴（55）通过轴承转动连接在摄像头（3）的表面上，所述转动轴（55）的表面固定有从动轮（54），所述从动轮（54）的表面通过皮带传动有主动轮（53），所述主动轮（53）的轴心处于驱动部（52）的输出端固定连接；清理板（56），位于从动轮（54）的一侧固定在转动轴（55）的表面上；毛刷软管（57），呈等间距分布设置在清理板（56）的表面上，所述毛刷软管（57）的端部安装有毛刷头（58）。3.根据权利要求2所述的一种基于深度学习和图像识别的施工交通疏导系统，其特征在于，所述移动组件（6）包括：连接板（62），所述连接板（62）设置在第一伸缩杆（61）的上方，所述连接板（62）通过弹性件与清理板（56）的表面相连；滑杆（64），呈等间距固定安装在连接板（62）的底部表面，所述滑杆（64）滑动连接在毛刷软管（57）内；弧形板（67），设置在滑杆（64）的上方，所述弧形板（67）底部表面开设有滑槽（66），所述弧形板（67）的表面固定有与摄像头（3）相连的固定板（68）；滚珠（65），安装在连接板（62）的表面上，所述滚珠（65）滑动连接在滑槽（66）内。4.根据权利要求3所述的一种基于深度学习和图像识别的施工交通疏导系统，其特征在于，所述吹气组件（7）包括：延长板（71），固定在连接板（62）一端的延长板（71）；方形板（72），设置在延长板（71）的一侧，所述方形板（72）的端部固定有挤压板（73）；气囊（74），安装在安装盒（51）的顶部表面上，所述气囊（74）的一侧面与挤压板（73）相贴合，所述气囊（74）的顶部连通有输气管（75）；空腔（76），开设在清理板（56）内，所述输气管（75）的一端贯穿清理板（56）与空腔（76）相连通；喷气头（77），呈等间距分布设置在清理板（56）的底部表面，所述喷气头（77）位于相邻
两个毛刷软管（57）之间。5.根据权利要求3所述的一种基于深度学习和图像识别的施工交通疏导系统，其特征在于，弹性件包括固定在连接板（62）底部表面的第一伸缩杆（61），所述第一伸缩杆（61）的底部与清理板（56）固定相连，所述第一伸缩杆（61）的表面套设有挤压弹簧（63），所述挤压弹簧（63）的两端分别与连接板（62）和清理板（56）固定连接。6.根据权利要求2所述的一种基于深度学习和图像识别的施工交通疏导系统，其特征在于，所述安装盒（51）的顶部表面开设有开口（8），所述从动轮（54）和主动轮（53）上缠绕的皮带贯穿在开口（8）内，所述清理板（56）的一侧面固定有海棉条（14）。7.根据权利要求4所述的一种基于深度学习和图像识别的施工交通疏导系统，其特征在于，所述挤压板（73）的一端固定有固定块（9），所述固定块（9）的表面安装有第二伸缩杆（10），所述第二伸缩杆（10）的端部固定有限位板（12），所述限位板（12）固定在安装盒（51）的表面上，所述第二伸缩杆（10）的表面套设有复位弹簧（11），所述复位弹簧（11）的两端分别与第二伸缩杆（10）和限位板（12）固定相连。8.根据权利要求2所述的一种基于深度学习和图像识别的施工交通疏导系统，其特征在于，所述安装盒（51）的顶部位于限位板（12）的一侧设置有凹槽板（13），所述凹槽板（13）的一侧面与摄像头（3）相贴合。9.根据权利要求1所述的一种基于深度学习和图像识别的施工交通疏导系统，其特征在于，所述安装架（1）的一侧设置有指示灯（15），所述指示灯（15）安装在安装柱（16）上，所述安装柱（16）的底部与其中一个立柱（17）固定相连，两个所述立柱（17）通过螺栓与安装架（1）固定安装在一起。10.一种基于深度学习和图像识别的施工交通疏导系统的使用方法，使用权利要求4所述的一种基于深度学习和图像识别的施工交通疏导系统，其特征在于，主要包括以下步骤：s1:在使用时，通过摄像头（3）安装在固定座（2）上，通过摄像头（3）实时捕捉施工现场的道路交通图像，然后将图像数据通过网络通信模块（4）传输至管理中心，利用管理中心的数据处理平台中的深度学习模型结合图像识别和理解图像中的内容，进而能够准确识别道路上的车辆、行人、交通标志和施工区域等，然后根据实际情况通过管理中心发出指令进行智能化的疏导和警示;s2:在使用的过程中，由于施工现场较为复杂的环境下，在摄像头（3）的表面会产生较多的灰尘和异物，通过摄像头（3）上设置的清理组件（5），实现对摄像头（3）表面附着的异物进行及时的清理，避免灰尘和异物阻挡摄像头（3）处的镜头，影响摄像头（3）监控捕捉的正常使用，当清理组件（5）在运行时，通过清理组件（5）带动移动组件（6）同步运行，利用清理组件（5）清理时产生的作用力，使得移动组件（6）上的滑杆（64）插入毛刷软管（57）的内部，这样在对硬化较难清理的异物进行清理操作时，可轻松将其刮除，当移动组件（6）在运行时带动吹气组件（7）同步运行，使得吹气组件（7）处产生的气流吹送至清理组件（5）处，对相邻两个毛刷软管（57）之间刮除时残留的异物进行吹落清理。

技术总结
本发明公开了一种基于深度学习和图像识别的施工交通疏导系统及方法，包括安装架，所述安装架的表面设置有固定座，所述固定座的表面设置有摄像头，所述固定座的一侧安装有网络通信模块，所述摄像头与网络通信模块通过导线相连，清理组件，设置在摄像头的镜头表面处，图像识别模块，被配置在云平台中；本发明在使用时通过清理组件、移动组件和吹气组件的相互配合下，能够对摄像头上较硬的异物进行刮除清理，自动化操作使用方便快捷，同时可避免在清理的过程中残留的异物对摄像头表面造成二次污染，清理效果更好，节省清理的时间，提高工作效率，保障装置的正常运行。保障装置的正常运行。保障装置的正常运行。


技术研发人员：赵晓明 李振宇 刘翔 刘乐飞 耿杰 孙佳鲁 马航标 胡全亮 李杏 江盈盈
受保护的技术使用者：中铁建工集团有限公司
技术研发日：2023.08.11
技术公布日：2023/10/11