[发明专利]一种道路异常事件检测管理装置及其方法

权利要求书

1.一种智能道路异常事件检测管理装置，其特征在于，包括现场道路摄像头组(401)、后台服务器(402)、应用程序接口(403)、道路异常事件管理平台(404)；所述现场道路摄像头组(401)通过数据总线和地址总线与后台服务器(402)连接，道路异常事件管理平台(404)通过互联网TCP/IP协议调用预编好的应用程序接口(403)发送和接收后台服务器(402)数据；

所述现场道路摄像头组(401)，用于实时采集道路现场图片；

所述后台服务器(402)，预置基于深度学习训练两种CNN卷积神经网络，针对采集的现场道路图片进行道路异常事件检测和数据存储；

所述应用程序接口(403)，用于道路异常事件管理平台(404)与后台服务器(402)的网络连接通道；

所述道路异常事件管理平台(404)，用于查看和处理道路异常事件预警信息；

所述基于深度学习训练两种CNN卷积神经网络包括：

用于分割图片路面部分的卷积网络：

第一卷积层，名称Road_L1，卷积核大小为7x7，共64层，后接最大池化层，最大池化层的池化核大小为3x3，第一卷积层的输出特征图大小为112x112；第一卷积层后接第二卷积组；

第二卷积组，该组命名为Road_L2_x，第二卷积组由三组卷积核组成，其中每组结构均为以下描述：1x1卷积核，共64层，后接3x3卷积核，共64层，后接1x1卷积核，共256层；第二卷积组各卷积核分别命名为Road_L2_1、Road_L2_2、Road_L2_3、……、Road_L2_8、Road_L2_9；Road_L2_1后接Road_L2_2，Road_L2_2后接Road_L2_3，以此类推；Road_L2_9后接最大池化层，池化核大小为2x2；第二卷积组输出特征图大小为56x56，第二卷积组后接第三卷积组；

第三卷积组，该组命名为Road_L3_x，第三卷积组由四组卷积核组成，其中每组结构均为以下描述：1x1卷积核，共128层，后接3x3卷积核，共128层，后接1x1卷积核，共512层；第二卷积组各卷积核分别命名为Road_L3_1、Road_L3_2、Road_L3_3、……、Road_L3_11、Road_L3_12；Road_L3_1后接Road_L3_2，Road_L3_2后接Road_L3_3，Road_L3_3后接Road_L3_4，以此类推；Road_L3_12后接最大池化层，池化核大小为2x2；第三卷积组输出特征图大小为28x28，第三卷积组后接第四卷积组；

第四卷积组，该组命名为Road_L4_x，第四卷积组由二十三组卷积核组成，其中每组结构均为以下描述：1x1卷积核，采样率为2，共256层，后接3x3卷积核，采样率为2，共256层，后接1x1卷积核，采样率为2，共1024层；二十三组卷积核分别命名为Road_L4_1、Road_L4_2、Road_L4_3、……、Road_L4_69；Road_L4_1后接Road_L4_2，Road_L4_2后接Road_L4_3，Road_L4_3后接Road_L4_4，以此类推；Road_L4_69后接最大池化层，池化核大小为2x2，第四卷积组输出特征图大小为28x28，第四卷积组后接空洞卷积空间金字塔池化层；

空洞卷积空间金字塔池化层，该组命名为ASPP_x，ASPP由四组卷积核和一个全局平均池化层组成，其中各结构均为以下描述：1x1卷积核，共256层，后接3x3卷积核，共256层，采样率为6，后接3x3卷积核，共256层，采样率为12，后接3x3卷积核，共256层，采样率为18，后接全局平均池化层；四组卷积核分别命名为ASPP_1、ASPP_2、ASPP_3；ASPP_1后接ASPP_2，ASPP_2后接ASPP_3；全局平均池化层池化核大小为2x2，第五卷积组输出特征图大小为28x28；

用于分割图片路面部分的卷积网络的所有卷积核输入均进行Batchnorm归一化处理，激活函数均使用Relu函数进行激活；

用于道路物体识别的深度卷积网络：

第一卷积层，名称Layer1，卷积核大小为3x3，共32层，第一卷积层的输出特征图大小为256x256；第一卷积层后接第二卷积组；

第二卷积组，该组命名为Layer2_x，第二卷积组由三个卷积核组成，其中每个结构为以下描述：3x3卷积核，共64层，卷积步长为2，后接1x1卷积核，共32层，后接3x3卷积核，共64层；三个卷积核分别命名为Layer2_1、Layer2_2、Layer2_3；Layer2_1后接Layer2_2，Layer2_2后接Layer2_3；第二卷积组输出特征图大小为128x128，第二卷积组后接第三卷积组；

第三卷积组，该组命名为Layer3_x，第三卷积组由一个卷积核和2组卷积核组成，其中第一个卷积核大小为3x3，共128层，卷积步长为2；后接2组卷积核均为以下描述：1x1卷积核，共64层，后接3x3卷积核，共128层；第三卷积组各卷积核分别命名为Layer3_1、Layer3_2、Layer3_3、Layer3_4、Layer3_5；Layer3_1后接Layer3_2，Layer3_2后接Layer3_3，Layer3_3后接Layer3_4，Layer3_4后接Layer3_5；第三卷积组输出特征图大小为64x64，第三卷积组后接第四卷积组；

第四卷积组，该组命名为Layer4_x，第四卷积组由一个卷积核和8组卷积核组成，其中第一个卷积核大小为3x3，共256层，卷积步长为2；后接8组卷积核均为以下描述：1x1卷积核，共128层，后接3x3卷积核，共256层；第四卷积组各卷积核分别命名为Layer4_1、Layer4_2、Layer4_3、……、Layer4_16、Layer4_17；Layer4_1后接Layer4_2，Layer4_2后接Layer4_3，Layer4_3后接Layer4_4，以此类推；第三卷积组输出特征图大小为32x32，第四卷积组后接第五卷积组；

第五卷积组，该组命名为Layer5_x，第五卷积组由一个卷积核和8组卷积核组成，其中第一个卷积核大小为3x3，共512层，卷积步长为2；后接8组卷积核均为以下描述：1x1卷积核，共256层，后接3x3卷积核，共512层；第四卷积组各卷积核分别命名为Layer5_1、Layer5_2、Layer5_3、……、Layer5_16、Layer5_17；Layer5_1后接Layer5_2，Layer5_2后接Layer5_3，Layer5_3后接Layer5_4，以此类推；第三卷积组输出特征图大小为16x16，第五卷积组后接第六卷积组；

第六卷积组，该组命名为Layer6_x，第六卷积组由一个卷积核和4组卷积核组成，其中第一个卷积核大小为3x3，共1024层，卷积步长为2；后接8组卷积核均为以下描述：1x1卷积核，共512层，后接3x3卷积核，共1024层；第四卷积组各卷积核分别命名为Layer6_1、Layer6_2、Layer6_3、……、Layer4_8、Layer4_9；Layer6_1后接Layer6_2，Layer6_2后接Layer6_3，Layer6_3后接Layer6_4，以此类推；第六卷积组输出特征图大小为32x32，第六卷积组后接Layer7_x输出层；

第一输出组，该组命名为Layer7_x，第一输出组由3组卷积核和一个卷积核组成，其中3组卷积核均为以下描述：1x1卷积核，共512层，后接3x3卷积核，共1024层；后接1x1卷积核，共255层；第一输出组各层分别命名为Layer7_1、Layer7_2、Layer7_3、……、Layer7_6、Layer7_7；Layer7_1后接Layer7_2，Layer7_2后接Layer7_3，Layer7_3后接Layer7_4，以此类推；第二输出组输出特征图大小为8x8，第一输出组后接第二输出组；

第二输出组，该组命名为Layer8_x，第二输出组上接Layer7_5，由一个卷积核、上采样层、拼接层、三组卷积核和1个卷积核组成，其中第一个卷积核大小为3x3，共256层；后接上采样层，扩大一倍特征尺寸；后接拼接层，与Layer5_5拼接；后接3组卷积核均为以下描述：1x1卷积核，共256层，后接3x3卷积核，共512层；后接1x1卷积核，共255层；第二输出组各层分别命名为Layer8_1、Layer8_2、Layer8_3、……、Layer8_9、Layer8_3、Layer4_10；Layer8_1后接Layer8_2，Layer8_2后接Layer8_3，Layer8_3后接Layer8_4，以此类推；第二输出组输出特征图大小为16x16，第二输出组后接第三输出组；

第三输出组，该组命名为Layer9_x，第三输出组上接Layer8_8，由一个卷积核、上采样层、拼接层、三组卷积核和1个卷积核组成，其中第一个卷积核大小为3x3，共128层；后接上采样层，扩大一倍特征尺寸；后接拼接层，与Layer4_5拼接；后接3组卷积核均为以下描述：1x1卷积核，共256层，后接3x3卷积核，共512层；后接1x1卷积核，共255层；第二输出组各层分别命名为Layer9_1、Layer9_2、Layer9_3、……、Layer9_3、Layer3_10；Layer9_1后接Layer9_2，Layer9_2后接Layer9_3，Layer9_3后接Layer9_4，以此类推；第三输出组输出特征图大小为16x16；

用于道路物体识别的深度卷积网络的所有卷积核输入均进行Batchnorm归一化处理，激活函数均使用leaky relu函数进行激活，无特殊说明，卷积步长均为1。