一种用于毫米波雷达路口车流量监测系统的云边协同的机器学习部署应用方法及装置

摘要

本发明公开了一种用于毫米波雷达路口车流量监测系统的云边协同的机器学习部署应用方法及装置，采用多任务卷积神经网络构建机器学习模型，将模型的第一和第二神经网络部署在边缘计算设备，将第三神经网络部署在云计算设备，通过云计算和边缘计算设备的协同，对毫米波雷达回波数据形成的图像进行目标检测、识别和分类，减少该应用中机器学习模型部署应用后的训练时间和检测时间，降低了数据传输的带宽需求，提高模型识别分类的准确率，具有通用和高效的优点。

说明书

技术领域

本发明涉及一种用于毫米波雷达路口车流量监测系统的云边协同的机器学习部署应用方法及装置，属于智能交通道路状态监测技术领域。

背景技术

毫米波雷达大气衰减小、烟雾灰尘穿透性更好、受天气影响小，是一种可以“全天候全天时”工作的传感器，同时，其分辨率高、指向性好、抗干扰能力强、探测性能好，被用于自动驾驶、智能交通领域。机器学习具有强大的特征提取、表达和分类能力，通过对数据样本的学习和训练，实现模型自动化抽取关键特征，从而实现高速、准确的识别分类。将两者融合，利用毫米波雷达优越的探测性能和机器学习的快速、准确识别分类能力，能够快速、高效的识别交通状态，但面临以下挑战：机器学习模型的训练需要大量的样本集，仅在一个路口收集，样本收集时间较长，系统效率有限，模型更新周期长；机器学习模型的训练和运行对计算设备的性能要求高，传统雷达设备的计算能力仅为了满足探测信息的采集和显示控制，其计算性能难以满足机器学习的要求；单独基于云计算的计算能力，解决了传统方法算力不足的问题，但是需要占用较大的网络通信带宽，计算结果的反馈存在延时，无法满足交通灯应急控制等实时反馈的场景应用需要，另外，大量原始数据的上传，也容易造成信息泄露、篡改等安全隐患。单独基于边缘计算的计算能力，仅能对设备部署就近路口的样本进行处理，无法对其它路口场景的样本进行学习训练。

综上，亟需面向基于毫米波雷达路口车流量检测系统，设计一种云计算和边缘计算协同的机器学习部署应用方法，能够提高该场景下机器学习的训练效率和检测效率，实现高效的车流状态识别。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种云计算和边缘计算协同的机器学习部署应用方法，将机器学习应用到毫米波雷达的路口车流量监测应用中，提高模型识别的准确率。

为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了一种用于毫米波雷达路口车流量监测系统的云边协同的机器学习部署应用方法，基于机器学习模型，所述机器学习模型采用多任务卷积神经网络构建，包括部署在云计算设备的第三层神经网络以及部署在边缘计算设备的第一层神经网络和第二层神经网络，所述机器学习模型通过云计算设备和边缘计算设备的协同，对毫米波雷达回波数据形成的图像进行目标检测、识别和分类；

所述方法包括以下步骤：

采集路口的毫米波雷达探测信息；

边缘计算设备基于训练好的机器学习模型的第一层神经网络和第二层神经网络，对所述毫米波雷达探测信息进行处理，提取典型特征，获得典型特征数据；

将所述典型特征数据上传至云计算设备；

云计算设备基于训练好的机器学习模型的第三层神经网络对所述典型特征数据进行处理，识别车辆目标和数量；

统计周期内路口车辆的数量变化，实现路口车流量的监测；

根据不同路口不同场景上传的信息，对训练样本集和测试集进行拓展，获得拓展的训练样本集和测试集；

基于所述拓展的训练样本集和测试集，训练所述机器学习模型，进行机器学习模型参数的更新，获得更新的参数；

基于所述更新的参数更新所述机器学习模型。

进一步的，所述毫米波雷达探测信息为基于毫米波雷达回波数据形成的图像信息。

进一步的，边缘计算设备基于训练好的机器学习模型的第一层神经网络和第二层神经网络，对所述毫米波雷达探测信息进行处理，输出结果为是否有车辆目标，疑似目标的位置框和关键点位置。

进一步的，所述典型特征数据包括是否有车辆目标，疑似目标的位置框、关键点位置和须检测位置的探测信息。

进一步的，云计算设备基于训练好的机器学习模型的第三层神经网络对所述典型特征数据进行处理，识别车辆目标和数量的方法包括：

第三层神经网络在第一层神经网络和第二层神经网络过滤的基础上，根据上传的典型特征信息对疑似目标存在的区域进行检测，最后做出分类判别。

进一步的，训练样本、测试样本集更新拓展以及模型的训练在云计算设备上进行。

第二方面，本发明提供了一种用于毫米波雷达路口车流量监测系统的云边协同的机器学习部署应用装置，所述装置包括：

采集模块：用于采集路口的毫米波雷达探测信息；

边缘计算设备，用于基于训练好的机器学习模型的第一层神经网络和第二层神经网络，对所述毫米波雷达探测信息进行处理，提取典型特征，获得典型特征数据，并将所述典型特征数据上传至云计算设备；

云计算设备，包括：

训练集拓展模块：用于基于训练好的机器学习模型的第三层神经网络对所述典型特征数据进行处理，识别车辆目标和数量，且统计周期内路口车辆的数量变化，实现路口车流量的监测，并根据不同路口不同场景上传的信息，对训练样本集和测试集进行拓展，获得拓展的训练样本集和测试集；

训练模块：用于基于所述拓展的训练样本集和测试集，训练所述机器学习模型，进行机器学习模型参数的更新，获得更新的参数，并基于所述更新的参数更新所述机器学习模型。

与现有技术相比，本发明所达到的有益效果：

本发明提供一种用于毫米波雷达路口车流量监测系统的云边协同的机器学习部署应用方法，采用多任务卷积神经网络构建机器学习模型，将模型的第一和第二神经网络部署在边缘计算设备，将第三神经网络部署在云计算设备，通过云计算和边缘计算设备的协同，对毫米波雷达回波数据形成的图像进行目标检测、识别和分类，减少该应用中机器学习模型部署应用后的训练时间和检测时间，降低了数据传输的带宽需求，提高模型识别分类的准确率，具有通用和高效的优点。

附图说明

图1为本发明一种用于毫米波雷达路口车流量监测系统的云边协同的机器学习部署应用方法的处理流程示意图；

图2 为本发明一种用于毫米波雷达路口车流量监测系统的云边协同的机器学习部署应用方法的架构示意图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

实施例一：

如图1所示，本发明公开一种用于毫米波雷达路口车流量监测系统的云边协同的机器学习部署应用方法，包括以下步骤：

步骤一，采集各路口不同场景下的毫米波雷达探测信息，毫米波雷达探测信息为基于毫米波雷达回波数据形成的图像信息。

步骤二，基于多任务卷积神经网络的机器学习模型进行检测。机器学习模型的输入为步骤一中基于毫米波雷达回波数据形成的图像信息。

基于多任务卷积神经网络的机器学习模型包括三个神经网络，分别为第一神经网络、第二神经网络和第三神经网络，上一层神经网络的输出也是下一层神经网络的输入之一，起到过滤作用，提升了网络整体的训练效率和准确性。

三个神经网络将输入的原始图片缩放至不同尺寸，对每个尺寸的图片分别通过神经网络进行计算，兼顾图片中不同大小的目标形态，从而实现基于统一尺度对图片中不同大小的车辆目标进行检测，并对车辆目标数量进行分类。

如图2所示，第一和第二神经网络部署在边缘计算设备上，第三神经网络部署在云计算设备上。在边缘计算设备，第二神经网络的输出为典型特征信息，包括目标存在判定、目标存在区域、车辆数量分类判断三个输出。

步骤三，边缘计算设备将尺寸缩减的图片信息和第二神经网络输出的典型特征信息上传到云计算设备。

步骤四，部署在云计算设备的机器学习模型的第三神经网络对信息进行处理，得到分类结果信息，包括目标存在判定、目标存在区域、车辆数量分类判断三个输出。

步骤五，统计周期内路口车辆的数量变化，实现路口车流量的监测。

步骤六，将采集信息和样本集数据进行比对，当样本集一致率降低时，对样本集和测试集进行更新拓展，并重新训练机器学习模型。

样本一致率通过比对样本集和统计数据集之间的方差获得，当两个集合之间的方差超出预设的阈值时，认为样本一致率降低。

步骤七，准确率满足要求后，下发和更新机器学习模型的参数。

本发明提供一种用于毫米波雷达路口车流量监测系统的云边协同的机器学习部署应用方法，采用多任务卷积神经网络构建机器学习模型，将模型的第一和第二神经网络部署在边缘计算设备，将第三神经网络部署在云计算设备，通过云计算和边缘计算设备的协同，对毫米波雷达回波数据形成的图像进行目标检测、识别和分类，减少该应用场景中机器学习模型部署应用后的训练时间和检测时间，降低了数据传输的带宽需求，提高模型识别分类的准确率，具有通用和高效的优点。

实施例二：

本实施例提供了一种用于毫米波雷达路口车流量监测系统的云边协同的机器学习部署应用装置，所述装置包括：

采集模块：用于采集路口的毫米波雷达探测信息；

边缘计算设备，用于基于训练好的机器学习模型的第一层神经网络和第二层神经网络，对所述毫米波雷达探测信息进行处理，提取典型特征，获得典型特征数据，并将所述典型特征数据上传至云计算设备；

云计算设备，包括：

训练集拓展模块：用于基于训练好的机器学习模型的第三层神经网络对所述典型特征数据进行处理，识别车辆目标和数量，且统计周期内路口车辆的数量变化，实现路口车流量的监测，并根据不同路口不同场景上传的信息，对训练样本集和测试集进行拓展，获得拓展的训练样本集和测试集；

训练模块：用于基于所述拓展的训练样本集和测试集，训练所述机器学习模型，进行机器学习模型参数的更新，获得更新的参数，并基于所述更新的参数更新所述机器学习模型。

本装置基于机器学习模型，所述机器学习模型采用多任务卷积神经网络构建，包括部署在云计算设备的第三层神经网络以及部署在边缘计算设备的第一层神经网络和第二层神经网络，所述机器学习模型通过云计算设备和边缘计算设备的协同，对毫米波雷达回波数据形成的图像进行目标检测、识别和分类。

实施例三：

本发明实施例还提供了一种用于毫米波雷达路口车流量监测系统的云边协同的机器学习部署应用装置，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行下述方法的步骤：

步骤一，采集各路口不同场景下的毫米波雷达探测信息，毫米波雷达探测信息为基于毫米波雷达回波数据形成的图像信息。

步骤二，基于多任务卷积神经网络的机器学习模型进行检测。机器学习模型的输入为步骤一中基于毫米波雷达回波数据形成的图像信息。

基于多任务卷积神经网络的机器学习模型包括三个神经网络，分别为第一神经网络、第二神经网络和第三神经网络，上一层神经网络的输出也是下一层神经网络的输入之一，起到过滤作用，提升了网络整体的训练效率和准确性。

三个神经网络将输入的原始图片缩放至不同尺寸，对每个尺寸的图片分别通过神经网络进行计算，兼顾图片中不同大小的目标形态，从而实现基于统一尺度对图片中不同大小的车辆目标进行检测，并对车辆目标数量进行分类。

如图2所示，第一和第二神经网络部署在边缘计算设备上，第三神经网络部署在云计算设备上。在边缘计算设备，第二神经网络的输出为典型特征信息，包括目标存在判定、目标存在区域、车辆数量分类判断三个输出。

步骤三，边缘计算设备将尺寸缩减的图片信息和第二神经网络输出的典型特征信息上传到云计算设备。

步骤四，部署在云计算设备的机器学习模型的第三神经网络对信息进行处理，得到分类结果信息，包括目标存在判定、目标存在区域、车辆数量分类判断三个输出。

步骤五，统计周期内路口车辆的数量变化，实现路口车流量的监测。

步骤六，将采集信息和样本集数据进行比对，当样本集一致率降低时，对样本集和测试集进行更新拓展，并重新训练机器学习模型。

样本一致率通过比对样本集和统计数据集之间的方差获得，当两个集合之间的方差超出预设的阈值时，认为样本一致率降低。

步骤七，准确率满足要求后，下发和更新机器学习模型的参数。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。