本发明涉及车辆交通事故预警,尤其涉及一种基于神经网络的交通事故处理方法、装置及存储介质。
背景技术:
1、车辆已经成为户外出行不可缺少的交通工具,一方面,目前车辆的保有量快速增长,另一方面,道路建设日新月异,路况出现不断复杂化的趋势。在车辆多、路况复杂的情况下,难以保证驾驶者能够了解所行驶行经的所有道路,有必要采取措施保证行车安全。
2、目前现有技术可以通过车身传感器的数据判断交通事故,进行紧急电话的拨打。但是,现有技术一般都针对较严重的交通事故进行处理,还有大量细分场景下的数据,无法提供相应的处理方法。
技术实现思路
1、本发明所要解决的技术问题在于,提供一种基于神经网络的交通事故处理方法、装置及存储介质,引入卷积神经网络对交通事故类型进行识别,有效提高识别准确性,同时针对不同的交通事故类型,能够生成不同的处理措施。
2、根据汽车电缆时间上的电流稳定性系数以及空间上的温度分布特征,结合汽车环境因素的影响,确定电缆使用过程中的损耗,并通过神经网络模型实时预测汽车电缆的损耗程度,从而能够及时发现电缆问题并进行风险预警。
3、为了实现上述目的,本发明实施例提供了一种基于神经网络的交通事故处理方法,包括:
4、获取车辆周围的图像数据、车身传感器数据以及行车数据;
5、将所述图像数据输入至预设的交通事故识别模型,得到所述交通事故识别模型输出的交通事故类型;其中,所述交通事故识别模型是根据不同物体的图像数据及其对应的分类标签进行分类训练得到的;
6、基于预设的交通事故算法,根据所述交通事故类型、所述车身传感器数据以及所述行车数据,计算得到交通事故状态以及交通事故等级;
7、根据所述交通事故状态、所述交通事故等级以及所述车辆当前所处的位置,生成相应的交通事故处理措施。
8、作为上述方案的改进,所述将所述图像数据输入至预设的交通事故识别模型,得到所述交通事故识别模型输出的交通事故类型,具体包括:
9、将所述图像数据输入至预设的交通事故识别模型,通过所述交通事故识别模型对所述图像数据进行分类;
10、根据分类结果确定相应的交通事故类型。
11、作为上述方案的改进,所述交通事故识别模型的训练方法具体包括:
12、获取不同物体的图像数据,并对所述不同物体的图像数据进行预处理,得到待训练图像集;其中,所述待训练图像集包括多个待训练的图像样本以及每个图像样本的分类标签;
13、通过所述待训练图像集对预先构建的卷积神经网络进行分类训练,得到训练好的交通事故识别模型;其中,所述卷积神经网络包括第一卷积层、第二卷积层、第一池化层、第二池化层、第一全连接层、第二全连接层以及输出层;所述第一卷积层、所述第一池化层、所述第二卷积层、所述第二池化层、所述第一全连接层、所述第二全连接层以及所述输出层依次连接。
14、作为上述方案的改进,所述卷积神经网络的损失函数为:
15、
16、其中,l为所有图像样本的损失函数值,li为第i个图像样本的损失函数值,m为图像样本的类别总数,n为图像样本的总数,yic为第i个图像样本的符号函数,c为图像样本经卷积神经网络分类后的类别,若第i个图像样本经卷积神经网络分类后的类别等于第i个图像样本的真实类别,则yic=1;若第i个图像样本经卷积神经网络分类后的类别不等于第i个图像样本的真实类别,则yic=0;pic为第i个图像样本在第二全连接层输出的结果,用于表征第i个图像样本属于类别c的预测概率。
17、作为上述方案的改进,所述基于预设的交通事故算法,根据所述交通事故类型、所述车身传感器数据以及所述行车数据,计算得到交通事故状态以及交通事故等级,具体包括:
18、基于预设的交通事故判断表,根据所述交通事故类型、所述车身传感器数据以及所述行车数据,得到所述交通事故状态;
19、对每一所述车身传感器数据的状态进行评分,将所有所述车身传感器数据的分数相加得到所述交通事故等级。
20、作为上述方案的改进,所述根据所述交通事故状态、所述交通事故等级以及所述车辆当前所处的位置,生成相应的交通事故处理措施,具体包括:
21、调取预设的处理措施映射表,从所述处理措施映射表中查找与所述交通事故状态、所述交通事故等级以及所述车辆当前所处的位置相对应的交通事故处理措施。
22、作为上述方案的改进,所述方法还包括:
23、将所述交通事故处理措施下发至车机,以使车机执行所述交通事故处理措施。
24、本发明实施例还提供了一种基于神经网络的交通事故处理装置,包括:
25、获取模块,用于获取车辆周围的图像数据、车身传感器数据以及行车数据;
26、识别模块,用于将所述图像数据输入至预设的交通事故识别模型,得到所述交通事故识别模型输出的交通事故类型;其中,所述交通事故识别模型是根据不同物体的图像数据及其对应的分类标签进行分类训练得到的;
27、计算模块,用于基于预设的交通事故算法,根据所述交通事故类型、所述车身传感器数据以及所述行车数据,计算得到交通事故状态以及交通事故等级;
28、生成模块,用于根据所述交通事故状态、所述交通事故等级以及所述车辆当前所处的位置,生成相应的交通事故处理措施。
29、本发明实施例还提供了一种基于神经网络的交通事故处理装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的基于神经网络的交通事故处理方法。
30、本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一项所述的基于神经网络的交通事故处理方法。
31、相对于现有技术,本发明实施例提供的一种基于神经网络的交通事故处理方法、装置及存储介质的有益效果在于:通过获取车辆周围的图像数据、车身传感器数据以及行车数据;将所述图像数据输入至预设的交通事故识别模型,得到所述交通事故识别模型输出的交通事故类型;其中,所述交通事故识别模型是根据不同物体的图像数据及其对应的分类标签进行分类训练得到的;基于预设的交通事故算法,根据所述交通事故类型、所述车身传感器数据以及所述行车数据,计算得到交通事故状态以及交通事故等级;根据所述交通事故状态、所述交通事故等级以及所述车辆当前所处的位置,生成相应的交通事故处理措施。本发明实施例引入卷积神经网络对交通事故类型进行识别,有效提高识别准确性,同时针对不同的交通事故类型,能够生成不同的处理措施。
1.一种基于神经网络的交通事故处理方法,其特征在于,包括:
2.如权利要求1所述的基于神经网络的交通事故处理方法,其特征在于,所述将所述图像数据输入至预设的交通事故识别模型,得到所述交通事故识别模型输出的交通事故类型,具体包括:
3.如权利要求2所述的基于神经网络的交通事故处理方法,其特征在于,所述交通事故识别模型的训练方法具体包括:
4.如权利要求3所述的基于神经网络的交通事故处理方法,其特征在于,所述卷积神经网络的损失函数为:
5.如权利要求4所述的基于神经网络的交通事故处理方法,其特征在于,所述基于预设的交通事故算法,根据所述交通事故类型、所述车身传感器数据以及所述行车数据,计算得到交通事故状态以及交通事故等级,具体包括:
6.如权利要求5所述的基于神经网络的交通事故处理方法,其特征在于,所述根据所述交通事故状态、所述交通事故等级以及所述车辆当前所处的位置,生成相应的交通事故处理措施,具体包括:
7.如权利要求6所述的基于神经网络的交通事故处理方法,其特征在于,所述方法还包括:
8.一种基于神经网络的交通事故处理装置,其特征在于,包括:
9.一种基于神经网络的交通事故处理装置,其特征在于,包括处理器和存储器,所述存储器中存储有计算机程序,且所述计算机程序被配置为由所述处理器执行,所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的基于神经网络的交通事故处理方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储