基于人工智能的高速公路监控管理方法及管理平台与流程

本技术涉及人工智能领域，具体而言，涉及一种基于人工智能的高速公路监控管理方法及管理平台。

背景技术：

1、随着智能交通系统的不断发展，高速公路监控图像的分析与处理在交通管理中扮演着越来越重要的角色。为了实现对高速公路监控图像中的异常情况进行自动识别，近年来，研究者们纷纷尝试利用神经网络等机器学习技术来处理这类问题。在传统的神经网络训练过程中，通常需要大量的标注数据来训练模型，以便模型能够准确地识别出图像中的异常情况。然而，在实际应用中，获取足够数量且各类异常情况分布均匀的标注数据是一项极具挑战性的任务。此外，由于高速公路监控图像中的异常情况多种多样，且不同异常情况的出现频率差异较大，这导致在构建训练数据集时，很容易出现某些异常类别的调试样例数量严重不足，而其他类别的调试样例数量过多的情况，造成长尾效应，影响调试获得的神经网络的识别精度和鲁棒性。

2、为了解决上述问题，研究者们尝试了各种数据增强和重采样技术来平衡调试样例集中的各类异常情况样例数量。然而，这些方法通常需要对原始数据进行复杂的预处理，并且可能引入额外的噪声或导致信息的丢失。因此，如何在不改变原始数据分布的情况下，通过改进神经网络的训练方法和调试策略，来提高神经网络对于各类异常情况的识别能力，仍然是当前智能交通领域亟待解决的问题。同时，如何高效地获取和利用调试样例，以加速神经网络的训练和优化过程，也是该领域的一个重要研究方向。

技术实现思路

1、本发明的目的在于提供一种一种基于人工智能的高速公路监控管理方法及管理平台。本技术是这样实现的：第一方面，本技术实施例提供了一种基于人工智能的高速公路监控管理方法，包括：获取初始高速公路监控图像；将所述初始高速公路监控图像加载到事前调试后的图像处理神经网络，得到第一异常识别标记集合，并将所述初始高速公路监控图像加载到事前调试后的基础异常识别神经网络，得到第二异常识别标记集合；所述基础异常识别神经网络为事先依据初始图像调试样例调试得到的神经网络，所述图像处理神经网络为事先依据图像库调试得到的神经网络；基于所述第一异常识别标记集合和所述第二异常识别标记集合构建第一调试样例、第二调试样例以及第三调试样例；所述第一调试样例包含的第一异常识别标记不但包含于所述第一异常识别标记集合，而且包含于所述第二异常识别标记集合，所述第二调试样例包含的第二异常识别标记包含于所述第一异常识别标记集合，同时不包含于所述第二异常识别标记集合，所述第三调试样例包含的第三异常识别标记包含于所述第二异常识别标记集合，同时不包含于所述第一异常识别标记集合；基于所述初始图像调试样例、所述第一调试样例、所述第二调试样例以及所述第三调试样例对所述基础异常识别神经网络进行调试，得到目标异常识别神经网络；获取目标高速公路监控图像；将所述目标高速公路监控图像加载到所述目标异常识别神经网络，得到一个目标异常识别标记集合和与所述一个目标异常识别标记集合对应的一个目标支持度集合；基于所述一个目标异常识别标记集合和所述一个目标支持度集合为所述目标高速公路监控图像生成目标异常标记结果；所述目标异常标记结果用于表征所述目标高速公路监控图像包含的异常类型。

2、在一些实施方式中，所述基于所述第一异常识别标记集合和所述第二异常识别标记集合构建第一调试样例、第二调试样例以及第三调试样例，包括：基于所述第一异常识别标记集合和所述第二异常识别标记集合确定所述第一异常识别标记、所述第二异常识别标记以及所述第三异常识别标记；将所述第一异常识别标记的支持度设定成第一设定值，构建所述第一调试样例；所述第一调试样例代表所述初始高速公路监控图像包含所述第一异常识别标记的支持度为所述第一设定值；将所述第二异常识别标记的支持度设定成第一推理置信度，构建所述第二调试样例；所述第一推理置信度代表所述基础异常识别神经网络推理所述初始高速公路监控图像是否包含所述第二异常识别标记的置信度，所述第二调试样例代表所述初始高速公路监控图像包含所述第二异常识别标记的支持度为所述第一推理置信度；将所述第三异常识别标记的支持度设定成第二推理置信度，构建所述第三调试样例；所述第二推理置信度小于所述基础异常识别神经网络推理所述初始高速公路监控图像是否包含所述第三异常识别标记的置信度，所述第三调试样例代表所述初始高速公路监控图像包含所述第三异常识别标记的支持度为所述第二推理置信度。

3、在一些实施方式中，所述将所述第三异常识别标记的支持度设定成第二推理置信度，构建所述第三调试样例，包括：获取所述基础异常识别神经网络推理所述初始高速公路监控图像是否包含所述第三异常识别标记的置信度；将所述置信度和第二设定值的相乘结果作为所述第二推理置信度，将所述第三异常识别标记的支持度设定成所述第二推理置信度，构建所述第三调试样例；所述第二设定值为1/x，其中，x≥1。

4、在一些实施方式中，所述基于所述初始图像调试样例、所述第一调试样例、所述第二调试样例以及所述第三调试样例对所述基础异常识别神经网络进行调试，得到目标异常识别神经网络，包括：基于所述初始图像调试样例、所述第一调试样例、所述第二调试样例以及所述第三调试样例对所述基础异常识别神经网络进行调试，得到过渡异常识别神经网络；调试得到所述过渡异常识别神经网络采用的调谐参数为第一调谐参数；基于所述初始图像调试样例、所述第一调试样例对所述过渡异常识别神经网络进行细节优化，得到所述目标异常识别神经网络；调试得到所述目标异常识别神经网络采用的调谐参数为第二调谐参数，所述第二调谐参数小于所述第一调谐参数。

5、在一些实施方式中，所述基于所述初始图像调试样例、所述第一调试样例对所述过渡异常识别神经网络进行细节优化，得到所述目标异常识别神经网络，包括：如果所述过渡异常识别神经网络包括初始图像处理组件和分类组件，则为所述初始图像处理组件初始化第二调谐参数，并为所述分类组件初始化第三调谐参数；所述第三调谐参数大于所述第一调谐参数；依据所述第二调谐参数和所述第三调谐参数对所述过渡异常识别神经网络进行细节优化，得到所述目标异常识别神经网络。

6、在一些实施方式中，所述基于所述初始图像调试样例、所述第一调试样例、所述第二调试样例以及所述第三调试样例对所述基础异常识别神经网络进行调试，得到目标异常识别神经网络，包括：基于所述初始图像调试样例、所述第一调试样例、所述第二调试样例以及所述第三调试样例构造目标图像调试样例；一个所述目标图像调试样例包括一张高速公路监控图像、一个异常识别标记集合以及与所述一个目标异常识别标记集合对应的一个支持度集合；将所述目标图像调试样例划分为多个训练批，依次加载到所述基础异常识别神经网络，对所述基础异常识别神经网络进行反复调试，得到所述目标异常识别神经网络。

7、在一些实施方式中，所述将所述目标图像调试样例划分为多个训练批，依次加载到所述基础异常识别神经网络，对所述基础异常识别神经网络进行反复调试，得到所述目标异常识别神经网络，包括：基于以下操作将所述目标图像调试样例划分为多个训练批，依次加载到所述基础异常识别神经网络，对所述基础异常识别神经网络进行反复调试，得到所述目标异常识别神经网络；当下一次调试中当下训练批采用的高速公路监控图像被确定为当下高速公路监控图像，每次调试调取全部所述目标图像调试样例进行调试，每一批基于所述目标图像调试样例中的部分进行调试；将所述当下高速公路监控图像加载到初始图像处理组件，得到目标特征表示；所述目标特征表示的特征维数与所述基础异常识别神经网络能够推理的异常标记类型数一致，所述目标特征表示的每一特征维数的特征值用以指示对应异常类型的支持度，所述基础异常识别神经网络包括所述初始图像处理组件；将所述目标特征表示加载到分类组件，得到当下异常识别标记以及与所述当下异常识别标记对应的当下支持度；所述基础异常识别神经网络包括所述分类组件，所述当下异常识别标记表示所述基础异常识别神经网络推理所述当下高速公路监控图像包含的异常识别标记；基于所述当下高速公路监控图像对应的所述一个异常识别标记集合、所述一个支持度集合以及所述当下异常识别标记和所述当下支持度确定目标误差；依据所述目标误差优化所述基础异常识别神经网络的网络参变量，直至所述目标误差符合设定的优化停止要求，得到所述目标异常识别神经网络。

8、在一些实施方式中，所述基于所述第一异常识别标记集合和所述第二异常识别标记集合构建第一调试样例、第二调试样例以及第三调试样例之后，所述方法还包括：基于所述初始图像调试样例确定一个初始异常识别标记集合中各个初始异常识别标记对应的调试样例的个数；将所述调试样例的个数达到个数阈值的所述初始异常识别标记作为第一初始异常识别标记，并将所述调试样例的个数没有达到所述个数阈值的所述初始异常识别标记作为第二初始异常识别标记；丢弃包含所述第一初始异常识别标记的所述第二调试样例和所述第三调试样例，留存包含所述第二初始异常识别标记的所述第二调试样例和所述第三调试样例。

9、在一些实施方式中，所述将所述初始高速公路监控图像加载到事前调试后的基础异常识别神经网络，得到第二异常识别标记集合之前，所述方法还包括：将所述初始图像调试样例中的高速公路监控图像样例加载到所述基础异常识别神经网络，得到目标推理置信度；所述目标推理置信度代表所述基础异常识别神经网络推理出所述高速公路监控图像样例是否包含样例异常识别标记的置信度，所述高速公路监控图像样例事先注释了是否包含所述样例异常识别标记；获取一个鉴别参数集合；所述一个鉴别参数集合中的一个鉴别参数用于与所述目标推理置信度一起确定目标推理结果，所述目标推理结果用于指示所述高速公路监控图像样例是否包含所述样例异常识别标记；基于所述目标推理置信度和所述一个鉴别参数集合，确定得到所述样例异常识别标记的目标鉴别参数；所述目标鉴别参数是所述一个鉴别参数集合中均衡系数最大的参数，所述均衡系数由所述目标推理结果和所述高速公路监控图像样例事先注释了是否包含所述样例异常识别标记一起确定得到；将所述目标鉴别参数设定成所述基础异常识别神经网络的目标网络参变量；在所述基础异常识别神经网络中所述目标鉴别参数用于确定所述第二异常识别标记集合。

10、第二方面，本技术提供了一种管理平台，包括：一个或多个处理器；存储器；一个或多个计算机程序；其中所述一个或多个计算机程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个计算机程序被所述处理器执行时，实现如上所述的方法。

11、本技术的有益效果至少包括：在本技术实施例中，采用获取初始高速公路监控图像；将初始高速公路监控图像加载到事前调试后的图像处理神经网络，得到第一异常识别标记集合，并将初始高速公路监控图像加载到事前调试后的基础异常识别神经网络，得到第二异常识别标记集合；基础异常识别神经网络为事先依据初始图像调试样例调试得到的神经网络，图像处理神经网络为事先依据图像库调试得到的神经网络；基于第一异常识别标记集合和第二异常识别标记集合构建第一调试样例、第二调试样例以及第三调试样例；第一调试样例包含的第一异常识别标记不但包含于第一异常识别标记集合，而且包含于第二异常识别标记集合，第二调试样例包含的第二异常识别标记包含于第一异常识别标记集合，同时不包含于第二异常识别标记集合，第三调试样例包含的第三异常识别标记包含于第二异常识别标记集合，同时不包含于第一异常识别标记集合；基于初始图像调试样例、第一调试样例、第二调试样例以及第三调试样例对基础异常识别神经网络进行调试，得到目标异常识别神经网络的过程，即将初始高速公路监控图像分别加载到事前调试后的图像处理神经网络与基础异常识别神经网络，以确定第一异常识别标记集合和第二异常识别标记集合，然后，依据第一异常识别标记集合和第二异常识别标记集合构建第一调试样例、第二调试样例以及第三调试样例，基于第一调试样例、第二调试样例以及第三调试样例对基础异常识别神经网络进行调试，得到目标异常识别神经网络，实现对图像调试样例中各个样例分类的数量平衡的效果，以令基础异常识别神经网络在调试环节可以对各异常情况进行更好的学习，增加目标异常识别神经网络的鲁棒性和泛化性，同时，缓解因图像调试样例中不同异常识别标记对应的调试样例的个数相差太大而引起异常识别神经网络的推理误差大的问题。

12、此外，依据第一异常识别标记集合和第二异常识别标记集合构建的第一调试样例、第二调试样例以及第三调试样例都能被用以调试基础异常识别神经网络，帮助高效完成调试样例的获取流程，不但增加了基础异常识别神经网络的调试速度，也帮助目标异常识别神经网络对不同异常种类的识别效果更好。

13、在后面的描述中，将部分地陈述其他的特征。在检查后面内容和附图时，本领域的技术人员将部分地发现这些特征，或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面，当前申请中的特征可以被实现和获得。