一种基于人工智能的车辆运行风险检测方法及系统与流程

1.本发明涉及人工智能技术领域，具体而言，涉及一种基于人工智能的车辆运行风险检测方法及系统。


背景技术：

2.随着社会的发展，车辆越来越多，但是人们在驾驶车辆时往往对于车辆的运行风险不清楚，导致在驾驶时发生突发情况而导致车祸产生，现需要一种能够对于车辆的风险进行检测的方法，来快速检测车辆的运行风险，为驾驶员在驾驶车辆时提供预警，减少车祸发生的可能性。


技术实现要素：

3.本发明的目的在于提供一种基于人工智能的车辆运行风险检测方法及系统，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
4.第一方面，本技术提供了一种基于人工智能的车辆运行风险检测方法，包括：
5.获取至少两个时间段的车辆运行视频信息和车辆设备的参数信息，所述车辆设备的参数信息包括车辆设备的温度信息、车辆设备的湿度信息和车辆设备受到的压力信息；
6.将所有的所述车辆运行视频信息进行轮廓识别处理，并将轮廓识别处理后的车辆运行视频信息的进行分类，得到至少一个车辆图像的轮廓图像信息；
7.将所述车辆图像的轮廓图像信息进行风险识别处理，得到第一信息，所述第一信息包括所有车辆图像的轮廓图像信息中车辆的外部运行风险特征和所述外部运行风险特征对应的风险等级信息；
8.将所述车辆设备的参数信息进行统计处理和回归分析，得到第二信息，所述第二信息包括车辆设备的内部运行风险特征和所述内部运行风险对应的风险等级信息；
9.将所述第一信息和第二信息基于预设的风险值计算公式进行筛选，得到车辆的运行风险。
10.另一方面，本技术还提供了一种基于人工智能的车辆运行风险检测系统，包括：
11.第一获取单元，用于获取至少两个时间段的车辆运行视频信息和车辆设备的参数信息，所述车辆设备的参数信息包括车辆设备的温度信息、车辆设备的湿度信息和车辆设备受到的压力信息；
12.第一处理单元，用于将所有的所述车辆运行视频信息进行轮廓识别处理，并将轮廓识别处理后的车辆运行视频信息的进行分类，得到至少一个车辆图像的轮廓图像信息；
13.第二处理单元，用于将所述车辆图像的轮廓图像信息进行风险识别处理，得到第一信息，所述第一信息包括所有车辆图像的轮廓图像信息中车辆的外部运行风险特征和所述外部运行风险特征对应的风险等级信息；
14.第三处理单元，用于将所述车辆设备的参数信息进行统计处理和回归分析，得到第二信息，所述第二信息包括车辆设备的内部运行风险特征和所述内部运行风险对应的风
险等级信息；
15.第四处理单元，用于将所述第一信息和第二信息基于预设的风险值计算公式进行筛选，得到车辆的运行风险。
16.本发明的有益效果为：
17.本发明通过对车辆的运行视频信息进行风险识别，获取车辆图像外部轮廓是否有损坏，是否影响车辆运行，这样可以快速确定车辆是否有运行风险，对车辆外部风险进行预警，其中本发明通过对视频信息中不同区域的车辆外部图像进行分类处理，这样可以进行多个图像同时进行检测，减少计算时间，增加检测效率，并且本发明还通过对车辆设备的参数信息进行检测，判断内部参数的变化情况，针对于内部参数的变化情况是否会导致车辆运行风险的产生，进而为车辆运行风险进行一个预测，并针对预测得到的车辆运行风险进行预警。
18.本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
19.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
20.图1为本发明实施例中所述的基于人工智能的车辆运行风险检测方法流程示意图；
21.图2为本发明实施例中所述的基于人工智能的车辆运行风险检测系统结构示意图。
具体实施方式
22.为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
23.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
24.实施例1：
25.本实施例提供了一种基于人工智能的车辆运行风险检测方法。
26.参见图1，图中示出了本方法包括步骤s1、步骤s2、步骤s3、步骤s4和步骤s5。
27.步骤s1、获取至少两个时间段的车辆运行视频信息和车辆设备的参数信息，所述车辆设备的参数信息包括车辆设备的温度信息、车辆设备的湿度信息和车辆设备受到的压力信息；
28.可以理解的是本步骤通过摄像设备获取不同时间段的车辆运行视频信息来进行存储和分析，其中车辆运行视频信息包括车辆运行时拍摄到车辆外壳的视频信息，为之后的检测车辆外壳是否有运行风险做准备，并且本步骤中通过湿度传感器、温度传感器和压力传感器来获取车辆发动机舱内的温度信息、湿度信息和受到的压力信息，进而确定车辆发动机内部的运行风险。
29.可以理解的是本步骤通过设备智能获取视频信息，并进行处理和风险识别，还有风险等级的判断，最终智能化的判断哪些风险需要及时预警和处理，并报告至驾驶员，不用人工进行操作，体现人工智能的快速高效准确的优点。
30.步骤s2、将所有的所述车辆运行视频信息进行轮廓识别处理，并将轮廓识别处理后的车辆运行视频信息的进行分类，得到至少一个车辆图像的轮廓图像信息；
31.可以理解的是本步骤通过对车辆运行视频中的每帧图像进行轮廓识别，确定每帧图像内的车辆的轮廓信息，本步骤中步骤s2包括步骤s21、步骤s22和步骤s23。
32.步骤s21、将所有的所述车辆运行视频信息进行图像增强处理，并将增强处理后的每帧车辆运行视频信息进行图像识别，得到每帧车辆运行视频信息中的车辆图像；
33.可以理解的是本步骤中的通过将车辆运行视频进行图像增强处理，其中将每帧图像进行分解，得到每帧运行视频信息的高频分量和低频分量，其中利用顶帽变换的方法对低频分量进行增强，对高频分量进行锐化处理进行增强，得到增强处理后的车辆运行视频信息，并进行识别，获取增强后的图像内的车辆图像。
34.步骤s22、将每帧所述车辆运行视频信息中的车辆图像进行轮廓识别处理，得到所述车辆图像的轮廓信息，所述车辆图像的轮廓信息包括车体图像的轮廓信息、轮胎图像的轮廓信息、车窗图像的轮廓信息和车灯图像的轮廓信息；
35.可以理解的是本步骤通过轮廓识别处理确定车辆外部轮廓的进行识别，其中本步骤中，步骤s22包括步骤s221、步骤s222和步骤s223。
36.步骤s221、将每帧所述车辆运行视频信息中的车辆图像进行灰度变换，得到所有车辆图像的灰度图像，并按照将所述灰度图像内的同一灰度值的像素点进行连线，其中采用线性插值法对所述连线进行插值处理，得到至少四个轮廓图像；
37.可以理解的本步骤通过将所有的车辆视频信息中的每帧图像进行灰度变换，并将每帧变换得到的灰度图像进行轮廓提取，其中通过线性插值法来补充进行插值，减少灰度图像的提取误差。
38.步骤s222、将所有的所述轮廓图像进行框选，并将框选后的轮廓图像建立直角坐标系，其中将以框选采用的目标框的左下角作为坐标原点，框选后的轮廓图像内的像素点作为坐标点，得到所述轮廓图像的坐标值；
39.步骤s223、基于所有的所述轮廓图像的像素点坐标值进行判断，得到包含区域范围为最大范围的轮廓图像，并将所述包含区域范围为最大范围的轮廓图像作为车辆图像的轮廓图像。
40.可以理解的是本步骤通过框选轮廓图像和建立直角坐标系来确定轮廓的坐标，进
而确定轮廓的范围，然后将最大轮廓范围的图像作为车辆图像的轮廓图像，本步骤还通过将所有的轮廓图像分别与预设的不同角度观察到的车辆轮廓图像进行对比，进而减少误差。
41.步骤s23、将所述车辆图像的轮廓信息进行标记序号，并将标记序号后的轮廓信息进行分类，得到至少一个车辆图像的轮廓信息。
42.可以理解的是本步骤是通过对车辆图像内的车辆轮廓进行识别，然后通过识别到的轮廓进行分类，将所有的轮廓按照预设的车辆外壳名称进行标记和排列序号，例如一号车门、二号车门、三号车门和四号车门，其中车门为标记名称，一号、二号、三号、四号均为排列序号，进而确定车辆外壳的轮廓信息。
43.步骤s3、将所述车辆图像的轮廓图像信息进行风险识别处理，得到第一信息，所述第一信息包括所有车辆图像的轮廓图像信息中车辆的外部运行风险特征和所述外部运行风险特征对应的风险等级信息；
44.可以理解的是本步骤通过对车辆的轮廓图像进行风险识别，本步骤中，步骤s3包括步骤s31、步骤s32、步骤s33和步骤s34。
45.步骤s31、将所述车辆图像的轮廓图像信息和预设的历史车辆图像的轮廓图像进行对比，得到轮廓差异图像；
46.可以理解的是本步骤通过将所有的车辆轮廓图像和预设的历史车辆图像的轮廓图像进行对比，得到多出来的轮廓图像或者不同的轮廓图像，并命名为轮廓差异图像。
47.步骤s32、将所述轮廓差异图像的位置进行识别，得到轮廓差异图像对应的轮廓图像信息标号；
48.步骤s33、将所述轮廓图像信息标号按照预设的风险识别分析表进行识别分析，得到车辆的外部运行风险特征；
49.可以理解的是本步骤通过对轮廓差异图像的位置与标记了位置的车辆轮廓图像进行对比，确定轮廓差异图像位于的位置，例如，车辆窗户坏了一个洞，所述洞的差异图像位于的位置就在标记的位置的窗户区域，进而推算出窗户上出现了外部风险特征。
50.步骤s34、将所述车辆外部运行风险特征与预设的历史风险事故数据进行关联分析，得到每个所述车辆的外部运行风险特征与所述历史风险事故数据的关联度值，并按照从大到小的顺序所述关联度值进行分级，得到车辆的外部运行风险特征对应的等级信息。
51.可以理解的是本步骤将外部风险特征的范围、位置区域等数据和预设的历史风险事故数据进行关联分析，得到每个车辆的风险特征数据与所述历史风险事故数据的关联度值进行关联，并按照从大到小的顺序确定所述外部运行风险特征对应的等级，例如，窗户上有个洞的轮廓图像的关联度值为0.4，轮胎位置的轮廓图像为扁形的关联度值为0.8，车门上有刮花的轮廓图像的关联度值为0.2，则将轮胎位置的轮廓图像为扁形的等级标为1级，窗户上有个洞的轮廓图像标为2级，车门上有刮花的轮廓图像标为3级。
52.步骤s4、将所述车辆设备的参数信息进行统计处理和回归分析，得到第二信息，所述第二信息包括车辆设备的内部运行风险特征和所述内部运行风险对应的风险等级信息；
53.可以理解的是本步骤中通过对车辆设备的参数信息进行统计和回归分析，确定车辆内部风险特征和等级，本步骤中，步骤s4包括步骤s41、步骤s42、步骤s43和步骤s44。
54.步骤s41、将所有的车辆设备的参数信息按照预设的时间序列进行分段统计，得到
至少两个时间段的车辆设备的参数信息；
55.可以理解的是本步骤通过对参数信息按照不同的时间段进行分段统计，例如早上8点-9点，9点-12点，12点-2点等，按照车辆运行的位置和车辆运行区域的气温等来确定分段的时间，分段得到至少两个时间段的车辆设备的参数信息。
56.步骤s42、将所述至少两个时间段的车辆设备的参数信息分为拟合集和验证集，并将所述拟合集和验证集输入时间序列预测模型进行回归分析和拟合，拟合得到车辆设备的预估参数信息；
57.可以理解的是本步骤通过将同一时间段发生时间在前的参数信息作为拟合集，将同一时间段发生时间在后的参数信息作为验证集，然后的锅时间序列预测模型进行回归分析和拟合，其中时间序列预测模型为，将拟合集内所有的参数信息进行向量转换，并作为自变量，通过计算自变量的变化梯度和建立hessian矩阵，然后基于预设的模型参数计算公式计算得到最优的模型参数，然后将拟合集的参数信息和最优的模型参数输入值预设的lstm神经网络学习算法进行拟合，然后采用验证集进行验证，若验证正确，则得到车辆设备的预估参数信息。
58.其中，预设的模型参数计算公式为：
[0059][0060]
其中，x
n 1
最优的模型参数，x
n 1
为第n个模型参数，a为计算步长，为hessian矩阵，gn为自变量的变化梯度。
[0061]
步骤s43、将所述参数信息和所述预估参数信息进行组合，并将组合得到的参数数据与预设的第一阈值进行对比，得到至少一个类别的内部运行风险特征；
[0062]
可以理解的是本步骤将所述参数信息和对应的所述预估参数信息进行求平均数计算，并将计算得到的参数数据和第一阈值进行对比，将大于所述预设的第一阈值的参数数据作为运行风险特征。
[0063]
步骤s44、基于所述内部运行风险特征对应的参数数据与所述预设的第一阈值的比值，确定每个所述内部运行风险特征的风险等级。
[0064]
可以理解的是本步骤将所述大于预设的第一阈值的参数数据与所述预设的第一阈值进行对比相除，得到相除的比值，进而对所述比值进行排序，例如有三个内部运行风险特征，比值分别为2、4和6三个内部运行风险特征对应的等级分别为3级、2级和1级。
[0065]
步骤s5、将所述第一信息和第二信息基于预设的风险值计算公式进行筛选，得到车辆的运行风险。
[0066]
可以理解的是本步骤通过对第一信息和第二信息按照预设的风险值计算公式进行筛选，并基于筛选结果来确定车辆的运行风险，本步骤中，步骤s5包括步骤s51、步骤s52和步骤s53。
[0067]
步骤s51、将所述第一信息和第二信息按照预设的风险值计算公式进行计算，得到车辆的运行风险值；
[0068]
可以理解的是，所述风险值计算公式如下：
[0069]
s＝n 2(-log
10
(p1)) (-log
10
(p2))
[0070]
其中s为筛选后的车辆的运行风险值，n为预设的历史风险阈值数据，p1为外部风
险特征对应的风险等级，p2为内部风险特征对应的风险等级。
[0071]
步骤s52、将所述车辆的运行风险值与预设的第二阈值进行对比，若所述车辆的运行风险值大于或等于预设的第二阈值，则判断所述车辆具备运行风险，并将所述运行风险值标记为红色发送至驾驶员的通讯设备；
[0072]
步骤s53、若所述车辆的运行风险值小于预设的第二阈值，则判断所述车辆运行安全，并所述运行风险值标记为绿色发送至驾驶员的通讯设备。
[0073]
可以理解的是上述步骤通过对车辆的运行风险值与所述第二阈值进行对比，判断车辆的风险值是否超过预期的标准，则表明车辆运行会有风险，需要提示驾驶员。
[0074]
实施例2：
[0075]
如图2所示，本实施例提供了一种基于人工智能的车辆运行风险检测系统，所述系统包括第一获取单元701、第一处理单元702、第二处理单元703、第三处理单元704和第四处理单元705。
[0076]
第一获取单元701，用于获取至少两个时间段的车辆运行视频信息和车辆设备的参数信息，所述车辆设备的参数信息包括车辆设备的温度信息、车辆设备的湿度信息和车辆设备受到的压力信息；
[0077]
第一处理单元702，用于将所有的所述车辆运行视频信息进行轮廓识别处理，并将轮廓识别处理后的车辆运行视频信息的进行分类，得到至少一个车辆图像的轮廓图像信息；
[0078]
第二处理单元703，用于将所述车辆图像的轮廓图像信息进行风险识别处理，得到第一信息，所述第一信息包括所有车辆图像的轮廓图像信息中车辆的外部运行风险特征和所述外部运行风险特征对应的风险等级信息；
[0079]
第三处理单元704，用于将所述车辆设备的参数信息进行统计处理和回归分析，得到第二信息，所述第二信息包括车辆设备的内部运行风险特征和所述内部运行风险对应的风险等级信息；
[0080]
第四处理单元705，用于将所述第一信息和第二信息基于预设的风险值计算公式进行筛选，得到车辆的运行风险。
[0081]
在本公开的一种具体实施方式中，所述第一处理单元702包括第一处理子单元7021、第二处理子单元7022和第三处理子单元7023。
[0082]
第一处理子单元7021，用于将所有的所述车辆运行视频信息进行图像增强处理，并将增强处理后的每帧车辆运行视频信息进行图像识别，得到每帧车辆运行视频信息中的车辆图像；
[0083]
第二处理子单元7022，用于将每帧所述车辆运行视频信息中的车辆图像进行轮廓识别处理，得到所述车辆图像的轮廓信息，所述车辆图像的轮廓信息包括车体图像的轮廓信息、轮胎图像的轮廓信息、车窗图像的轮廓信息和车灯图像的轮廓信息；
[0084]
第三处理子单元7023，用于将所述车辆图像的轮廓信息进行标记序号，并将标记序号后的轮廓信息进行分类，得到至少一个车辆图像的轮廓信息。
[0085]
在本公开的一种具体实施方式中，所述第二处理子单元7022包括第四处理子单元70221、第五处理子单元70222和第六处理子单元70223。
[0086]
第四处理子单元70221，用于将每帧所述车辆运行视频信息中的车辆图像进行灰
度变换，得到所有车辆图像的灰度图像，并按照将所述灰度图像内的同一灰度值的像素点进行连线，其中采用线性插值法对所述连线进行插值处理，得到至少四个轮廓图像；
[0087]
第五处理子单元70222，用于将所有的所述轮廓图像进行框选，并将框选后的轮廓图像建立直角坐标系，其中将以框选采用的目标框的左下角作为坐标原点，框选后的轮廓图像内的像素点作为坐标点，得到所述轮廓图像的坐标值；
[0088]
第六处理子单元70223，用于基于所有的所述轮廓图像的像素点坐标值进行判断，得到包含区域范围为最大范围的轮廓图像，并将所述包含区域范围为最大范围的轮廓图像作为车辆图像的轮廓图像。
[0089]
在本公开的一种具体实施方式中，所述第二处理单元703包括第一对比子单元7031、第一识别子单元7032、第二识别子单元7033和第一分析子单元7034。
[0090]
第一对比子单元7031，用于将所述车辆图像的轮廓图像信息和预设的历史车辆图像的轮廓图像进行对比，得到轮廓差异图像；
[0091]
第一识别子单元7032，用于将所述轮廓差异图像的位置进行识别，得到轮廓差异图像对应的轮廓图像信息标号；
[0092]
第二识别子单元7033，用于将所述轮廓图像信息标号按照预设的风险识别分析表进行识别分析，得到车辆的外部运行风险特征；
[0093]
第一分析子单元7034，用于将所述车辆外部运行风险特征与预设的历史风险事故数据进行关联分析，得到每个所述车辆的外部运行风险特征与所述历史风险事故数据的关联度值，并按照从大到小的顺序所述关联度值进行分级，得到车辆的外部运行风险特征对应的等级信息。
[0094]
在本公开的一种具体实施方式中，所述第三处理单元704包括第七处理子单元7041、第二分析子单元7042、第二对比子单元7043和第八处理子单元7044。
[0095]
第七处理子单元7041，用于将所有的车辆设备的参数信息按照预设的时间序列进行分段统计，得到至少两个时间段的车辆设备的参数信息；
[0096]
第二分析子单元7042，用于将所述至少两个时间段的车辆设备的参数信息分为拟合集和验证集，并将所述拟合集和验证集输入时间序列预测模型进行回归分析和拟合，拟合得到车辆设备的预估参数信息；
[0097]
第二对比子单元7043，用于将所述参数信息和所述预估参数信息进行组合，并将组合得到的参数数据与预设的第一阈值进行对比，得到至少一个类别的内部运行风险特征；
[0098]
第八处理子单元7044，用于基于所述内部运行风险特征对应的参数数据与所述预设的第一阈值的比值，确定每个所述内部运行风险特征的风险等级。
[0099]
在本公开的一种具体实施方式中，所述第四处理单元705包括第九处理子单元7051、第三对比子单元7052和第四对比子单元7053。
[0100]
第九处理子单元7051,将所述第一信息和第二信息按照预设的风险值计算公式进行计算，得到车辆的运行风险值；
[0101]
第三对比子单元7052，将所述车辆的运行风险值与预设的第二阈值进行对比，若所述车辆的运行风险值大于或等于预设的第二阈值，则判断所述车辆具备运行风险，并将所述运行风险值标记为红色发送至驾驶员的通讯设备；
[0102]
第四对比子单元7053，若所述车辆的运行风险值小于预设的第二阈值，则判断所述车辆运行安全，并所述运行风险值标记为绿色发送至驾驶员的通讯设备。
[0103]
需要说明的是，关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0104]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
[0105]
以上所述，仅为本发明的具体实施方式，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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。