图像采集设备的校验方法、装置、计算机设备和存储介质与流程

本申请涉及如计算机技术领域，特别是涉及一种图像采集设备的校验方法、装置、计算机设备和存储介质。

背景技术：

图像采集设备是一种利用自动化检测与测量技术捕获交通违法或交通事故的设备，利用网络将采集的信息传回相关部门进行分析处理，并以此为证据对违反交通规则的当事人进行处罚，以减少交通事故的发生。

为了保证图像采集设备采集到的交通数据为有效的交通数据，需要对图像采集设备的采集的交通数据进行审核，传统技术中大多需要人工对交通数据的有效性进行判断，导致对图像采集设备采集到的交通数据的处理效率低下。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够提高交通数据处理效率的图像采集设备的校验方法、装置、计算机设备和存储介质。

一种图像采集设备的校验方法，所述方法包括：

获取图像采集设备采集的交通数据；

从所述交通数据的交通图像中提取路面信息以及目标车辆；

获取所述目标车辆的行驶信息，根据所述行驶信息以及路面信息得到所述目标车辆的行驶状态；

从所述交通数据的文字信息中提取违法类别标识；

将所述行驶状态与所述违法类别标识进行匹配，将匹配成功的交通数据提取为有效交通数据；

从所述文字信息中提取所述交通数据的总数量，计算所述有效交通数据的数量与所述总数量的比值，将所述比值大于等于预设比值的图像采集设备提取为有效设备。

在一个实施例中，所述从所述交通数据的所述交通图像中提取路面信息，包括：

从所述交通数据中提取交通图像；

将所述交通图像输入场景分割模型，以通过所述场景分割模型根据预先训练的分割参数对所述交通图像进行像素级别分割，得到路面信息，所述路面信息中包含位于路面上的交通标志。

在一个实施例中，所述从所述交通数据的交通图像中提取目标车辆，包括：

从所述交通数据中提取交通图像；

将所述交通图像输入目标检测模型，得到待审核车辆；

将所述待审核车辆输入机器学习模型，得到各所述待审核车辆对应的车辆属性信息；

从所述文字信息中提取目标属性信息，将各所述车辆属性信息与所述目标属性信息进行匹配，将匹配成功的车辆属性信息对应的待审核车辆提取为目标车辆。

在一个实施例中，所述获取所述目标车辆的行驶信息，包括：

对所述待审核车辆进行目标跟踪，得到各所述待审核车辆的行驶信息；

从所述待审核车辆的行驶信息中提取所述目标车辆对应的行驶信息。

在一个实施例中，所述根据所述行驶信息以及路面信息得到所述目标车辆的行驶状态，包括：

将所述行驶信息与所述路面信息按照预设的规则进行组合，得到所述目标车辆的行驶状态，所述目标行驶状态包括目标车辆是否违法以及违法类型。

在一个实施例中，所述计算所述有效交通数据与所述总数量的比值之后，还包括：

当所述比值小于预设比值时，判别所述图像采集设备违法抓拍质量不合格，将所述图像采集设备提取为无效设备；

将所述无效设备对应的设备标识发送至用户终端。

在一个实施例中，所述获取图像采集设备采集的交通数据之前，还包括：

在服务器中设置预设比值。

一种图像采集设备的校验装置，所述装置包括：

数据获取模块，用于获取图像采集设备采集的交通数据；

数据提取模块，用于从所述交通数据的交通图像中提取路面信息以及目标车辆；

行驶状态获取模块，用于获取所述目标车辆的行驶信息，根据所述行驶信息以及路面信息得到所述目标车辆的行驶状态；

违法标识提取模块，用于从所述交通数据的文字信息中提取违法类别标识；

有效数据判别模块，用于将所述行驶状态与所述违法类别标识进行匹配，将匹配成功的交通数据提取为有效交通数据；

有效设备判别模块，用于从所述文字信息中提取所述交通数据的总数量，计算所述有效交通数据的数量与所述总数量的比值，将所述比值大于等于预设比值的图像采集设备提取为有效设备。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

上述图像采集设备的校验方法、装置、计算机设备和存储介质，获取图像采集设备采集的交通数据；利用深度学习算法从交通数据中自动提取路面信息以及交通数据，提高了获取效率以及准确率；获取目标车辆的行驶信息，根据行驶信息以及路面信息得到目标车辆的行驶状态；从交通数据的文字信息中提取违法类别标识；将行驶状态与违法类别标识进行匹配，将匹配成功的交通数据提取为有效交通数据，实现了自动判别交通数据的有效性。从文字信息中提取交通数据的总数量，计算有效交通数据与总数量的比值，将比值大于等于预设比值的图像采集设备提取为有效设备，通过计算有效数据的比例判别图像采集设备的有效性，实现了快速准确地对图像采集设备有效性的判别。

附图说明

图1为一个实施例中图像采集设备的校验方法的应用场景图；

图2为一个实施例中图像采集设备的校验方法的流程示意图；

图3为一个实施例中提取目标车辆的流程示意图；

图4为一个实施例中图像采集设备有效性判别流程示意图；

图5为一个实施例中图像采集设备的校验装置的结构框图；

图6为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的图像采集设备的校验方法，可以应用于如图1所示的应用环境中。其中，图像采集设备102通过网络与服务器104进行通信。服务器104可以获取图像采集设备102采集的交通数据，服务器104从交通数据的交通图像中提取路面信息以及目标车辆；服务器104获取目标车辆的行驶信息，根据行驶信息以及路面信息得到目标车辆的行驶状态；服务器104从交通数据的文字信息中提取违法类别标识；服务器104将行驶状态与违法类别标识进行匹配，服务器104将匹配成功的交通数据提取为有效交通数据；服务器104从文字信息中提取交通数据的总数量，计算有效交通数据与总数量的比值，将比值大于等于预设比值的图像采集设备提取为有效设备。进一步地，服务器104还可以将判别是否有效的结果反馈至用户终端，以使用户终端可以及时对图像采集设备102进行维护。

其中，图像采集设备可以是电子警察、数码相机等各种可以采集交通数据的设备。用户终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。当服务器104为独立的服务器时，服务器104中可以部署多个数据库，每个数据库中可以存储特定的图像采集设备采集的交通数据；当服务器104为多个服务器组成的服务器集群时，每个服务器中部署的数据库中可以存储特定的图像采集设备采集的交通数据。

在一个实施例中，如图2所示，提供了一种图像采集设备的校验方法，以该方法应用于图1中的服务器104为例进行说明，方法包括以下步骤：

步骤210，获取图像采集设备采集的交通数据。

交通数据中可包括由图像采集设备实时拍摄道路得到的交通图像，也可以包括从图像采集设备实时拍摄的视频流中截取图像帧，得到的交通图像。具体地，交通图像中可包含道路、道路上的车辆、交通标志等。

交通数据中还可以包含文字信息，文字信息为配置信息，是对该交通数据的解释说明信息。具体地，文字信息中可包含交通数据的来源信息，其中，来源信息中可包含图像采集设备的名称以及型号等。文字信息中可包含交通数据对应的交通类别标识信息，其中，交通类别标识可包括交通违章类型，如闯红灯违章、停车违章、转弯违章、逆行违章、超速违章等，并且交通类别标识可以为交通违章行为代码，例如闯红灯违章对应的行为代码为001，停车违章对应的行为代码为002等。文字信息中还可包含交通数据中的目标车辆信息，其中目标车辆可为该交通数据中发生违章行为的车辆，更加具体地，文字信息中还可以包括目标车辆的车辆标识、车辆标识种类、车辆标识颜色、车辆颜色、车辆型号等，文字信息中还可以包含交通数据中的交通标志等。

具体地，服务器可以通过api接口获取交通数据，服务器也可以云端下载交通数据，服务器也可以从本地获取交通数据等，在此，对服务器获取交通数据的方式不做限制。

步骤220，从交通数据的交通图像中提取路面信息以及目标车辆。

路面信息可包含路面上的交通标志，目标车辆是待进行违法性判别的车辆。具体地，服务器可通过深度学习算法从交通数据中提取路面信息，如深度学习算法可以为场景分割算法。服务器可利用目标检测算法从交通数据中提取目标车辆，如，通过基于yolov3改进的深度神经网络的目标检测算法，获取交通图像中的疑似违法的目标车辆。

步骤230，获取目标车辆的行驶信息，根据行驶信息以及路面信息得到目标车辆的行驶状态。

具体地，服务器可以基于深度学习网络的对多个疑似违法的目标车辆进行跟踪，得到各个目标车辆的行驶信息，行驶信息中包含目标车辆的行驶轨迹。如服务器基于dasiamrpn深度学习算法对目标车辆进行跟踪，得到各目标车辆的行驶信息。然后根据行驶信息以及路面信息得到目标车辆的行驶状态，其中，行驶状态可以为目标车辆是否违法以及违法的类型等。

步骤240，从交通数据的文字信息中提取违法类别标识。

违法类别标识可以记录在文字信息中，违法类别标识用于标识交通违章类别，比如闯红灯违章、停车违章、逆行违章等。

步骤250，将行驶状态与违法类别标识进行匹配，将匹配成功的交通数据提取为有效交通数据。

服务器需要将获取的交通数据进行有效性验证，具体地，服务器从文字信息中提取事先记录的违法类别标识，将获取的车辆的行驶状态与违法类别标识进行匹配，当匹配成功时，服务器判别图像采集设备采集的该条交通数据为达标的，即该交通数据为有效交通数据，当匹配不成功时，服务器判别该交通数据为不达标的，记为无效交通数据。其中，无效交通数据可包括，获取的交通数据中的目标车辆不存在违章行为，但是图像采集设备将其该目标车辆标识存在违章行为，或者交通数据中的目标车辆存在的违章行为与违法类别标识不匹配等。

如当服务器获取的交通数据中的目标车辆为闯红灯违章，并且从文字信息中提取的违法类别标识为闯红灯违章，那么服务器判别该条交通数据为有效交通数据，即图像采集设备能够准确地采集到车辆的违法行为数据。

需要说明的是，在另一个实施例中，还可包括服务器判断获取的交通数据为有争议的交通数据。

步骤260，从文字信息中提取交通数据的总数量，计算有效交通数据的数量与总数量的比值，将比值大于等于预设比值的图像采集设备提取为有效设备。

服务器从文字信息中获取图像采集设备采集的交通数据的总数量，并对各交通数据的有效性进行判别，当有效交通数据的数量大于服务器中预先设置的预设阈值时，服务器判别该图像采集设备为有效的设备，可以正常工作，否则判别该图像采集设备为无效设备，需要对图像采集设备进行维护。

进一步地，对无效设备，还支持数据导出及派发操作，可实现线上交通数据实时感知，线下交通数据及时处理并反馈结果的互动操作。

在本实施例中，服务器可以实时获取图像采集设备采集的交通数据，实时对获取的交通数据进行有效性检验，当存在不合格的图像采集设备时，还包括发出提示信息，以进行预警提示，及时对图像采集设备进行维修，避免图像采集设备漏采集违反交通规则的目标车辆，给交通带来潜在的安全隐患。

并且，通过对图像采集设备抓拍的交通数据，即违法数据证据链，可以自动分拣分类及数据统计分析，智能获取疑似不达标即无效的图像采集设备，实现数据的智能审核以及智能验收。

在一个实施例中，从交通数据的交通图像中提取路面信息，包括：从交通数据中提取交通图像；将交通图像输入场景分割模型，以通过场景分割模型根据预先训练的分割参数对交通图像进行像素级别分割，得到路面信息，路面信息中包含位于路面上的交通标志。

服务器对获取的交通图像进行场景建模，如通过深度学习、机器学习、卷积神经网络等多种智能识别算法，对图像信息进行像素级的场景分割，获取路面交通标志，如道路标线、车道线、停止线、斑马线、信号灯位置、状态等多种场景信息，实现场景建模。

服务器可利用预先训练的场景分割模型对交通图像进行场景建模，得到位于路面上的交通标志。

场景分割模型的获取方法可包括：服务器将包含交通标志的交通图像输入神经网络模型进行训练，得到训练好的场景分割模型。然后将交通图像输入训练好的场景分割模型中，通过场景分割模型根据预先训练的分割参数对交通图像进行像素级别分割，得到路面信息中的交通标志。具体地，场景分割模型可以为语义分割模型，利用语义分割模型可以自动从交通图像中分割出交通标志，如基于ccnet语义分割模型，自动分割出路面上交通标志，交通标志可为停止线、黄线和导向线等。

在本实施例中，通过场景分割模型实现对交通图像中的路面信息自动提取，不仅实现了路面信息提取的准确性，同时也提高了路面信息获取的效率。

如图3所示，提供了一个实施例中提取目标车辆的流程示意图。在一个实施例中，从交通数据的交通图像中提取目标车辆，包括：

步骤s310，从交通数据中提取交通图像。

服务器从交通数据中提取交通图像。

步骤s320，将交通图像输入目标检测模型，得到待审核车辆。

服务器将交通图像输入目标检测模型，以通过目标检测模型检测并提取交通图像中的待审核车辆。待审核车辆可以是交通图像中的所有车辆，包括实际产生违法行为的车辆也可以包含未产生违法行为的车辆。

需要说明的是，目标检测模型也可以是预先训练的模型，服务器将包含车辆的交通图像输入目标检测模型进行训练，得到训练好的目标检测模型。服务器将交通图像输入训练好的目标检测模型，通过目标检测模型根据预先训练的特征参数对交通图像进行目标检测，得到待审核车辆。如目标检测模型可为卷积神经网络模型、yolov模型等，其中yolov模型又分为yolov1模型、yolov2模型以及yolov3模型。如利用yolov3模型获取交通图像中的待审核车辆等。

步骤s330，将待审核车辆输入机器学习模型，得到各待审核车辆对应的车辆属性信息。

车辆属性信息用于表征车辆的特征。服务器获取图像采集设备采集的交通数据，从交通数据中提取交通图像，利用目标检测模型提取交通图像中的待审核车辆，利用机器学习模型，得到各待审核车辆的车辆属性信息。如车辆属性信息包括车辆的颜色、车辆标识等，其中车辆标识可为车牌号。

步骤s340，从文字信息中提取目标属性信息，将各车辆属性信息与目标属性信息进行匹配，将匹配成功的车辆属性信息对应的待审核车辆提取为目标车辆。

文字信息中记录了该交通数据对应的目标车辆的目标属性信息，如目标车辆的车牌号、车辆型号、号牌种类、车标等等。服务器将从文字信息中获取的目标属性信息与各待审核车辆的车辆属性信息进行匹配，将匹配成功的车辆属性信息对应的待审核车辆提取为目标车辆。

在本实施例中，通过目标检测模型实现对交通图像中的待审核车辆的自动识别与提取，实现了数据的自动化处理与检测，提高了图像处理的效率与准确性。并且通过将待审核车辆的车辆属性信息与目标属性信息进行匹配，确定目标车辆，实现了对目标车辆的快速获取。

在一个实施例中，获取目标车辆的行驶信息，包括：对待审核车辆进行目标跟踪，得到各待审核车辆的行驶信息；从待审核车辆的行驶信息中提取目标车辆对应的行驶信息。

服务器获取交通图像中的待审核车辆之后，还包括对待审核车辆进行目标跟踪，得到各待审核车辆的行驶信息。服务器还可以基于深度网络学习算法的对待审核车辆进行跟踪，获取待审核目标车辆的行驶轨迹，其中深度学习网络算法可为视觉目标根据算法中的dasiamrpn算法等。

服务器得到各待审核车辆的行驶信息后，还包括：服务器从待审核车辆中提取目标车辆，以及从待审核车辆的行驶信息中提取目标车辆的行驶信息。其中行驶信息可为车辆的行驶轨迹。

在本实施例中，服务器通过深度学习算法获取各目标车辆的行驶信息，实现了对车辆在预设时间内的运行状态的获取，进可以获取车辆在预设时间内的行驶轨迹，在该时间段内对车辆的违法行为进行判别。

在一个实施例中，根据行驶信息以及路面信息得到目标车辆的行驶状态，包括：将行驶信息与路面信息按照预设的规则进行组合，得到目标车辆的行驶状态，目标行驶状态包括目标车辆是否违法以及违法类型。

服务器对交通图像进行场景建模得到路面信息，路面信息中包含各交通标志，服务器对交通图像进行目标检测以及目标跟踪得到目标车辆的行驶信息。服务器将获取的路面信息以及行驶信息按照预设的规则进行组合，得到目标车辆的行驶状态，行驶状态包括目标车辆是否违法以及违法类型。

其中，按照预设的规则进行组合可包括计算目标车辆与路面信息之间的位置信息，根据位置信息判别目标车辆在当前的交通标志下是否违法，以及如果违法，所涉及的违法类型。例如，服务器判别该目标车辆为违法车辆，并且违法类型为闯红灯违法或者转弯违法等。在其他实施例中，还可以包括按照其他的规则进行组合得到目标车辆的行驶状态，在此不做限制。

需要说明的是，服务器还可以依据道路交通安全法的gat832及gat995的标准需求，对目标车辆的抓拍效果与场景建模中的车道线、地面标示、标线等指示信息进行匹配，实现对证据链的抓拍有效性的判别。

在本实施例中，通过将路面信息与行驶信息进行组合，可以得到目标车辆的行驶状态，进而可以根据行驶状态判别目标车辆是否违法以及若发生违法，还可以得到违法类型。

在一个实施例中，计算有效交通数据与总数量的比值之后，还包括：当比值小于预设比值时，判别图像采集设备违法抓拍质量不合格，将图像采集设备提取为无效设备；将无效设备对应的设备标识发送至用户终端。

当服务器判别比值小于预设比值时，说明图像采集设备采集的交通数据中，不合格的交通数据的比例较大，图像采集设备的对交通数据的有效采集率较小。

图像采集设备用于采集违反交通规则的目标车辆对应的交通数据，当图像采集设备出故障时，采集到的交通数据为无效的交通数据，将无效的交通数据传送至交通部门或者其他部门，不仅造成无效的数据传输，也会给交通部门带来信息干扰，更严重地，还存在不能及时将出现违反交通规则的目标车辆及时抓取，及时制止，给交通安全带来极大的隐患。特别是当图像采集设备升级改造后，需要对图像采集设备的采集交通数据的有效性进行审核，以保证升级改造后的图像采集设备处于正常的工作状态。

当服务器判别图像采集设备采集的交通数据不合格时，还包括将不合格的消息及时推送至用户终端，以帮助用户终端及时对不合格的图像采集设备进行维护，进而提高图像采集设备采集到的交通数据的有效率。

在一个实施例中，获取图像采集设备采集的交通数据之前，还包括：在服务器中设置预设比值。

具体地，服务器在获取图像采集设备采集的交通数据之前，还包括在服务器中预先设置预设比值。其中，预设比值可以是根据经验得到的数值，服务器计算有效交通数据的数量与总数量的比值，将比值大于等于预设比值的图像采集设备提取为有效设备，将比值小于预设比值的图像采集设备提取为无效设备。

进一步地，当服务器判别该图像采集设备为无效设备时，还包括将该判别结果及时推送至用户终端，或者向用户终端发出预警提示，以使用户对该图像采集设备进行维护。

在本实施例中，服务器获取交通数据之前，在服务器中预先设置预设比值，进而可以将计算得到的比值与服务器中预先设置的预设比值进行比较，根据数值比较结果实现对有效设备和无效设备的判别。并且，服务器结合数据分析研判等ai技术手段，通过预先设置预设比值，实现对智能审核的待检测设备，进行实时监管，并将小于预设比值的图像采集设备进行预警记录。

如图4所示，为一个实施例中图像采集设备有效性判别流程示意图。包括：

步骤s410，违法图片/视频证据链审核。

服务器从图像采集设备中获取其采集的违法图片或者违法视频。

步骤s420，设置验收阈值。

在服务器中预先设置验收阈值。

步骤s430，实时监控(1个设备1种违法行为)的审核数据分布。

服务器实时监控单个图像设备以及单种违法行为的交通数据，并将该交通数据作为待审核的交通数据。

步骤s440，是否超过验收阈值。

服务器对获取的交通数据进行有效性判别，得到有效交通数据的数量，并将该数量与步骤s420中设置的验收阈值进行比较，当比值未超过验收阈值时，转至步骤s450，当比值超过验收阈值时，转至步骤s490。

步骤s450，实时推送“不达标”抓拍设备预警。

当服务器判别该设备不达标时，还将不达标的消息实时进行推送，并对抓拍设备即图像采集设备进行预警。然后转至步骤s460。

步骤s460，人工确认复核设备抓拍情况。

当设备不达标时，还包括人工再次确认该设备的合格性，增加对图像采集设备有效性判别的准确性。

步骤s470，是否取证达标。

服务器获取人工对图像采集设备有效性的判别结果，然后进行是否取证达标的判别，当取证达标时，转至步骤s490，当取证不达标时，转至步骤s480。

步骤s480，设备抓拍质量不合格，继续优化调优。

当取证不达标时，服务器判别图像采集设备抓拍质量不合格，继续优化调优。

步骤s490，设备抓拍质量合格，通过验收。

当取证达标时，服务器判别图像采集设备抓拍质量合格，通过验收。

在另一个实施例中，服务器还可以实时向用户终端推送“不达标”抓拍设备预警，用户根据不达标消息，确认复核设备抓拍的情况，当人工复核后确认数据不达标时，将不达标的设备数据分析结果派发至设备安装厂商人员，设备厂商安装人员可以在线下调整并维修该设备，并反馈调优结果。

在本实施例中，将计算机自动判别图像采集设备的有效性与人工复核进行结合，提高了对图像采集设备有效性判别的准确率，并且当出现无效设备时，还可以及时将该设备及时推送至线下调优人员，实现线上线下的实时结合，提高了对交通数据处理的效率以及准确率。

在一个实施例中，如图5所示，提供了一种图像采集设备的校验装置，包括：

数据获取模块510，用于获取图像采集设备采集的交通数据；

数据提取模块520，用于从所述交通数据的交通图像中提取路面信息以及目标车辆；

行驶状态获取模块530，用于获取所述目标车辆的行驶信息，根据所述行驶信息以及路面信息得到所述目标车辆的行驶状态；

违法标识提取模块540，用于从所述交通数据的文字信息中提取违法类别标识；

有效数据判别模块550，用于将所述行驶状态与所述违法类别标识进行匹配，将匹配成功的交通数据提取为有效交通数据；

有效设备判别模块560，用于从所述文字信息中提取所述交通数据的总数量，计算所述有效交通数据的数量与所述总数量的比值，将所述比值大于等于预设比值的图像采集设备提取为有效设备。

在一个实施例中，所述数据提取模块520，包括：

图像提取单元，用于从所述交通数据中提取交通图像。

场景分割单元，用于将所述交通图像输入场景分割模型，以通过所述场景分割模型根据预先训练的分割参数对所述交通图像进行像素级别分割，得到路面信息，所述路面信息中包含位于路面上的交通标志。

在一个实施例中，所述数据提取模块520，包括：

图像提取单元，用于从所述交通数据中提取交通图像。

车辆获取单元，用于将所述交通图像输入目标检测模型，得到待审核车辆。

属性信息获取单元，用于将所述待审核车辆输入机器学习模型，得到各所述待审核车辆对应的车辆属性信息。

目标车辆获取单元，用于从所述文字信息中提取目标属性信息，将各所述车辆属性信息与所述目标属性信息进行匹配，将匹配成功的车辆属性信息对应的待审核车辆提取为目标车辆。

在一个实施例中，所述行驶状态获取模块530，包括：

行驶信息获取单元，用于对所述待审核车辆进行目标跟踪，得到各所述待审核车辆的行驶信息。

目标行驶信息获取单元，用于从所述待审核车辆的行驶信息中提取所述目标车辆对应的行驶信息。

在一个实施例中，所述行驶状态获取模块530，包括：

行驶状态获取单元，用于将所述行驶信息与所述路面信息按照预设的规则进行组合，得到所述目标车辆的行驶状态，所述目标行驶状态包括目标车辆是否违法以及违法类型。

在一个实施例中，所述装置还包括：

无效设备提取模块，用于当所述比值小于预设比值时，判别所述图像采集设备违法抓拍质量不合格，将所述图像采集设备提取为无效设备。

发送模块，用于将所述无效设备对应的设备标识发送至用户终端。

在一个实施例中，所述装置还包括：

预设比值设置模块，用于在服务器中设置预设比值。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于搜索应用数据处理相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像采集设备的校验方法。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取图像采集设备采集的交通数据；从所述交通数据的交通图像中提取路面信息以及目标车辆；获取所述目标车辆的行驶信息，根据所述行驶信息以及路面信息得到所述目标车辆的行驶状态；从所述交通数据的文字信息中提取违法类别标识；将所述行驶状态与所述违法类别标识进行匹配，将匹配成功的交通数据提取为有效交通数据；从所述文字信息中提取所述交通数据的总数量，计算所述有效交通数据的数量与所述总数量的比值，将所述比值大于等于预设比值的图像采集设备提取为有效设备。

在一个实施例中，处理器执行计算机程序时实现所述从所述交通数据的所述交通图像中提取路面信息的步骤时还用于：从所述交通数据中提取交通图像；将所述交通图像输入场景分割模型，以通过所述场景分割模型根据预先训练的分割参数对所述交通图像进行像素级别分割，得到路面信息，所述路面信息中包含位于路面上的交通标志。

在一个实施例中，处理器执行计算机程序时实现所述从所述交通数据的交通图像中提取目标车辆的步骤时还用于：从所述交通数据中提取交通图像；将所述交通图像输入目标检测模型，得到待审核车辆；将所述待审核车辆输入机器学习模型，得到各所述待审核车辆对应的车辆属性信息；从所述文字信息中提取目标属性信息，将各所述车辆属性信息与所述目标属性信息进行匹配，将匹配成功的车辆属性信息对应的待审核车辆提取为目标车辆。

在一个实施例中，处理器执行计算机程序时实现所述获取所述目标车辆的行驶信息的步骤时还用于：对所述待审核车辆进行目标跟踪，得到各所述待审核车辆的行驶信息；从所述待审核车辆的行驶信息中提取所述目标车辆对应的行驶信息。

在一个实施例中，处理器执行计算机程序时实现所述根据所述行驶信息以及路面信息得到所述目标车辆的行驶状态的步骤时还用于：将所述行驶信息与所述路面信息按照预设的规则进行组合，得到所述目标车辆的行驶状态，所述目标行驶状态包括目标车辆是否违法以及违法类型。

在一个实施例中，处理器执行计算机程序时实现所述计算所述有效交通数据与所述总数量的比值之后的步骤还用于：当所述比值小于预设比值时，判别所述图像采集设备违法抓拍质量不合格，将所述图像采集设备提取为无效设备；将所述无效设备对应的设备标识发送至用户终端。

在一个实施例中，处理器执行计算机程序时实现所述获取图像采集设备采集的交通数据之前的步骤还用于：在服务器中设置预设比值。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取图像采集设备采集的交通数据；从所述交通数据的交通图像中提取路面信息以及目标车辆；获取所述目标车辆的行驶信息，根据所述行驶信息以及路面信息得到所述目标车辆的行驶状态；从所述交通数据的文字信息中提取违法类别标识；将所述行驶状态与所述违法类别标识进行匹配，将匹配成功的交通数据提取为有效交通数据；从所述文字信息中提取所述交通数据的总数量，计算所述有效交通数据的数量与所述总数量的比值，将所述比值大于等于预设比值的图像采集设备提取为有效设备。

在一个实施例中，计算机程序被处理器执行时实现所述从所述交通数据的所述交通图像中提取路面信息的步骤时还用于：从所述交通数据中提取交通图像；将所述交通图像输入场景分割模型，以通过所述场景分割模型根据预先训练的分割参数对所述交通图像进行像素级别分割，得到路面信息，所述路面信息中包含位于路面上的交通标志。

在一个实施例中，计算机程序被处理器执行时实现所述从所述交通数据的交通图像中提取目标车辆的步骤时还用于：从所述交通数据中提取交通图像；将所述交通图像输入目标检测模型，得到待审核车辆；将所述待审核车辆输入机器学习模型，得到各所述待审核车辆对应的车辆属性信息；从所述文字信息中提取目标属性信息，将各所述车辆属性信息与所述目标属性信息进行匹配，将匹配成功的车辆属性信息对应的待审核车辆提取为目标车辆。

在一个实施例中，计算机程序被处理器执行时实现所述获取所述目标车辆的行驶信息的步骤时还用于：对所述待审核车辆进行目标跟踪，得到各所述待审核车辆的行驶信息；从所述待审核车辆的行驶信息中提取所述目标车辆对应的行驶信息。

在一个实施例中，计算机程序被处理器执行时实现所述根据所述行驶信息以及路面信息得到所述目标车辆的行驶状态的步骤时还用于：将所述行驶信息与所述路面信息按照预设的规则进行组合，得到所述目标车辆的行驶状态，所述目标行驶状态包括目标车辆是否违法以及违法类型。

在一个实施例中，计算机程序被处理器执行时实现所述计算所述有效交通数据与所述总数量的比值之后的步骤还用于：当所述比值小于预设比值时，判别所述图像采集设备违法抓拍质量不合格，将所述图像采集设备提取为无效设备；将所述无效设备对应的设备标识发送至用户终端。

在一个实施例中，计算机程序被处理器执行时实现所述获取图像采集设备采集的交通数据之前的步骤还用于：在服务器中设置预设比值。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。