科创中国
图像拍摄及数据上传后台数据处理
发布时间:
2022-10-18
截止日期:2023-12-31
价格 双方协商
地区： 江苏省 常州市 钟楼区
需求方： 常州***公司
行业领域
智能制造
需求背景
智能交通监控系统是当今交通监控行业的一个重点发展方向，主要是依靠计算机视觉和深度学习等技术对监控摄像头拍摄下的画面进行自动地分析，从而判断出超速、闯红灯等违章行为，并且可以自动地识别出违章车辆的品牌型号，从而极大地方便交通监管。
深度学习于2006 年正式提出，是近年来机器学习里面的一个热门领域，起源于多层人工神经网络，目前已成功应用于计算机视觉、自然语言处理和智能搜索等领域。其中卷积神经网络在图像识别领域已经取得了令人瞩目的成就，在很多应用上都有所建树，相比传统方法有了很大的提升。而由于细粒度下车辆具体型号的分类问题要求机器学习模型具有极强的特征抽取能力和泛化能力，传统机器学习模型很难做到较好的效果，于是自然地考虑到了使用深度学习模型来解决这个问题。
在车型识别领域，传统方法通常要求汽车图像拍摄角度固定，通常采用特征较为明显的车头正面视角拍摄，并且要求图像的分辨率较高，虽然也能取得不错的识别准确率，但是对于监控环境下的车型识别问题就显得无力了，因为监控环境下的图像较为复杂，车辆的拍摄角度不固定、环境光照、图像分辨率等问题不易解决。
在实际使用过程，汽车通过硬件对交通违法违规进行图像拍摄，并进行相关数据的识别处理，但是在识别过程中可能存在问题时需要经过复杂计算，在拍摄过程可能遇到的光线、色差、以及角度等问题，图像拍摄识别与人工检测存在的误差如何解决。
需解决的主要技术难题
1、图像拍摄数量和标准。
2、大数据上传后检测的算法。
3、自动化检测与传统人工检测误差不好控制。
期望实现的主要技术目标
（1）汽车自带摄像头能够实现图像自主拍摄，并进行数据回传；
（2）后台系统将上传输数据分析后进行检测数据处理；
（3）设备依据传感器进行自主识别；
（4）创建后台服务系统和数据库，拍摄实施不间断拍照，数据流动缓存一小时，问题图片保存一星期，数据实时上传，无网络状态联网后1-3分钟获取结果，有网络状态30秒内获取结果。
需求解析
解析单位：“科创中国”军工安防与应急产业科技服务团（中国兵工学会） 解析时间：2022-10-28
王新龙
南京理工大学
教授
综合评价
该企业技术需求明确，描述较为清晰，且与常州工学院的飞行学院专家团队相匹配，与学院设有的力学与表面工程系、智能制造工程系、航空制造工程系、飞行技术与运输工程系专业匹配度较高。
专家与企业通过合作开展研究，研究并解决汽车图像拍摄和数据缓存以及数据实时上传的难题，同时可应对需求开发技术软件系统，基本可以解决该技术问题。
该项技术问题解决后，能够解决汽车在行驶过程中违章的难题，同时配备后台识别确认数据库进而分析平台，对为了监督行车规范减少行车违章具有重要意义。
查看更多>
下载app