本發(fā)明涉及人工智能，尤其涉及一種基于ai識別的無人機(jī)交通擁堵與人員聚集檢測方法。

背景技術(shù)：

1、在無人機(jī)技術(shù)的飛速發(fā)展中，無人機(jī)在交通監(jiān)控、災(zāi)害應(yīng)急、環(huán)境監(jiān)測等領(lǐng)域的應(yīng)用日益廣泛。然而，隨著無人機(jī)數(shù)量的增多和應(yīng)用場景的復(fù)雜化，如何在復(fù)雜的環(huán)境中高效、準(zhǔn)確地管理和監(jiān)控?zé)o人機(jī)的飛行成為一個關(guān)鍵問題。當(dāng)前的無人機(jī)管理系統(tǒng)主要依賴于傳統(tǒng)的飛行控制和監(jiān)控技術(shù)，雖然能夠滿足基本的任務(wù)需求，但在處理復(fù)雜多變的環(huán)境時，仍然存在諸多不足，尤其是在交通擁堵和人員聚集檢測等動態(tài)任務(wù)中，現(xiàn)有技術(shù)的局限性更加明顯。

2、現(xiàn)有的無人機(jī)管理系統(tǒng)通常依賴于預(yù)設(shè)的飛行路徑和靜態(tài)的任務(wù)分配，這種方式雖然簡單易行，但在實(shí)際應(yīng)用中往往難以應(yīng)對動態(tài)變化的環(huán)境。無人機(jī)在執(zhí)行任務(wù)過程中，可能會遇到突發(fā)的交通擁堵或人員聚集情況，而傳統(tǒng)的靜態(tài)路徑規(guī)劃和任務(wù)調(diào)度方式難以實(shí)時響應(yīng)這些變化，導(dǎo)致無人機(jī)可能陷入交通阻塞或無法有效覆蓋目標(biāo)區(qū)域。此外，傳統(tǒng)的無人機(jī)監(jiān)控系統(tǒng)通常依賴于有限的傳感器數(shù)據(jù)和規(guī)則集進(jìn)行異常檢測，這種方法在面對復(fù)雜多變的環(huán)境時，檢測準(zhǔn)確性較低，容易產(chǎn)生誤報(bào)或漏報(bào)，從而影響無人機(jī)的任務(wù)執(zhí)行效果。

3、在無人機(jī)的預(yù)測性維護(hù)方面，現(xiàn)有技術(shù)多采用基于固定時間間隔的定期維護(hù)策略。這種維護(hù)方式雖然能夠在一定程度上保證無人機(jī)的正常運(yùn)行，但也存在明顯的不足。首先，定期維護(hù)的方式無法及時反映設(shè)備的實(shí)時運(yùn)行狀態(tài)，導(dǎo)致一些潛在的故障未能被及時發(fā)現(xiàn)，增加了設(shè)備故障的風(fēng)險(xiǎn)。其次，定期維護(hù)的方式缺乏靈活性，容易造成過度維護(hù)或維護(hù)不及時，既增加了維護(hù)成本，也可能因維護(hù)不及時導(dǎo)致設(shè)備損壞甚至任務(wù)失敗。

4、另外，在無人機(jī)的多目標(biāo)檢測和分類任務(wù)中，現(xiàn)有技術(shù)主要依賴于傳統(tǒng)的計(jì)算機(jī)視覺算法，如sobel邊緣檢測、霍夫變換等。這些方法雖然在簡單場景下表現(xiàn)良好，但在復(fù)雜場景中，尤其是多目標(biāo)密集、遮擋嚴(yán)重的情況下，傳統(tǒng)算法的性能顯著下降。傳統(tǒng)方法難以有效區(qū)分重疊目標(biāo)或處理多類目標(biāo)的同時檢測與分類任務(wù)，導(dǎo)致檢測結(jié)果的準(zhǔn)確性和可靠性不足。

5、當(dāng)前的無人機(jī)路徑規(guī)劃技術(shù)大多采用傳統(tǒng)的算法，如a*算法、dijkstra算法等。這些算法在簡單場景下能夠提供較優(yōu)的路徑規(guī)劃方案，但在面對多目標(biāo)、復(fù)雜環(huán)境和動態(tài)變化的場景時，這些算法往往表現(xiàn)出局限性。傳統(tǒng)算法通常無法實(shí)時考慮環(huán)境中的動態(tài)變化，如交通狀況、突發(fā)障礙等，從而導(dǎo)致路徑規(guī)劃不夠靈活，難以適應(yīng)無人機(jī)在復(fù)雜環(huán)境中的實(shí)時需求。此外，傳統(tǒng)的路徑規(guī)劃算法在計(jì)算復(fù)雜度和資源消耗方面也存在不足，尤其是在大規(guī)模場景或高密度環(huán)境中，傳統(tǒng)算法難以快速生成有效的路徑規(guī)劃方案。

6、基于上述問題，隨著人工智能技術(shù)的發(fā)展，越來越多的研究開始將ai技術(shù)應(yīng)用于無人機(jī)的管理和監(jiān)控中。然而，現(xiàn)有的ai應(yīng)用多集中于特定的任務(wù)或場景，缺乏系統(tǒng)性和集成性。比如，在多目標(biāo)檢測和分類中，雖然一些研究已經(jīng)引入了卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)技術(shù)，但這些方法往往只能處理單一任務(wù)或小規(guī)模場景，無法有效應(yīng)對大規(guī)模、多任務(wù)的復(fù)雜環(huán)境。同時，在路徑規(guī)劃和任務(wù)調(diào)度方面，現(xiàn)有的ai應(yīng)用多集中于單一優(yōu)化目標(biāo)，如最短路徑或最低能耗，缺乏對多目標(biāo)、多約束條件的綜合優(yōu)化。

7、因此，如何提供一種基于ai識別的無人機(jī)交通擁堵與人員聚集檢測方法是本領(lǐng)域技術(shù)人員亟需解決的問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的一個目的在于提出一種基于ai識別的無人機(jī)交通擁堵與人員聚集檢測方法，本發(fā)明結(jié)合了ai識別技術(shù)、智能調(diào)度算法以及圖神經(jīng)網(wǎng)絡(luò)等先進(jìn)技術(shù)，針對無人機(jī)在復(fù)雜環(huán)境中的路徑規(guī)劃、任務(wù)調(diào)度和設(shè)備維護(hù)等方面進(jìn)行優(yōu)化，顯著提升了無人機(jī)在多目標(biāo)檢測、故障預(yù)測和實(shí)時監(jiān)控中的效率和精度。通過采用模糊邏輯控制與粒子群優(yōu)化算法，本發(fā)明實(shí)現(xiàn)了無人機(jī)路徑的動態(tài)調(diào)整和維護(hù)建議的智能生成，具備高效、安全、適應(yīng)性強(qiáng)的優(yōu)點(diǎn)，能夠更好地應(yīng)對復(fù)雜多變的任務(wù)環(huán)境。

2、根據(jù)本發(fā)明實(shí)施例的一種基于ai識別的無人機(jī)交通擁堵與人員聚集檢測方法，包括如下步驟：

3、s1、通過無人機(jī)搭載多光譜相機(jī)和激光雷達(dá)，獲取目標(biāo)區(qū)域的實(shí)時視頻和三維空間數(shù)據(jù)，并構(gòu)建數(shù)據(jù)集；

4、s2、在無人機(jī)本地進(jìn)行邊緣計(jì)算，初步處理數(shù)據(jù)集，提取車輛、人員和障礙物的關(guān)鍵特征；

5、s3、將提取到的關(guān)鍵特征通過5g網(wǎng)絡(luò)實(shí)時傳輸至云端服務(wù)器，結(jié)合歷史數(shù)據(jù)進(jìn)行大規(guī)模數(shù)據(jù)分析與建模，構(gòu)建并優(yōu)化ai模型；

6、s4、利用優(yōu)化后的ai模型，對接收到的關(guān)鍵特征進(jìn)行多目標(biāo)檢測和分類，識別并標(biāo)注區(qū)域內(nèi)的交通擁堵和人員聚集情況，生成多目標(biāo)檢測結(jié)果；

7、s5、基于多目標(biāo)檢測結(jié)果，采用模糊邏輯控制與粒子群優(yōu)化的智能調(diào)度算法，實(shí)時優(yōu)化無人機(jī)的飛行路徑和監(jiān)控策略，并結(jié)合機(jī)場資源的狀態(tài)與任務(wù)需求，進(jìn)行全局調(diào)度優(yōu)化；

8、s6、通過ai驅(qū)動的預(yù)測性維護(hù)模塊，持續(xù)監(jiān)測無人機(jī)的運(yùn)行狀態(tài)，利用圖神經(jīng)網(wǎng)絡(luò)與自適應(yīng)提升算法提前識別可能的設(shè)備故障，并發(fā)出維護(hù)建議；

9、s7、結(jié)合智能告警系統(tǒng)，實(shí)時監(jiān)控?zé)o人機(jī)的飛行狀態(tài)和識別結(jié)果，在檢測到異常情況時觸發(fā)告警，并通知操作人員進(jìn)行干預(yù)；

10、s8、將識別結(jié)果與分析報(bào)告通過可視化界面展示，并提供任務(wù)進(jìn)度跟蹤與調(diào)整功能。

11、可選的，所述s2具體包括：

12、s21、通過無人機(jī)搭載的邊緣計(jì)算單元，對從多光譜相機(jī)和激光雷達(dá)獲取的數(shù)據(jù)集進(jìn)行預(yù)處理，包括數(shù)據(jù)格式轉(zhuǎn)換、噪聲過濾和冗余數(shù)據(jù)刪除；

13、s22、在預(yù)處理后的數(shù)據(jù)集中，利用加權(quán)平均濾波器對視頻數(shù)據(jù)和三維空間數(shù)據(jù)進(jìn)行平滑處理，以減少數(shù)據(jù)中的高頻噪聲和突發(fā)異常值，確保數(shù)據(jù)的穩(wěn)定性和可靠性；

14、s23、通過基于灰度共生矩陣的特征提取算法，對預(yù)處理后的視頻數(shù)據(jù)進(jìn)行紋理分析，提取車輛、人員和障礙物的表面紋理特征，其中表示從圖像中提取的第i個紋理特征；

15、s24、利用基于sobel算子的邊緣檢測算法，對視頻數(shù)據(jù)中的目標(biāo)進(jìn)行邊緣檢測，提取目標(biāo)的輪廓特征，并通過霍夫變換提取直線和圓形特征，其中表示從邊緣檢測中提取的第i個特征；

16、s25、對激光雷達(dá)數(shù)據(jù)，使用一種結(jié)合加權(quán)最小二乘法的改進(jìn)型ransac算法進(jìn)行平面擬合，從三維空間數(shù)據(jù)中提取車輛、人員和障礙物的形狀特征，其中表示從點(diǎn)云數(shù)據(jù)中提取的第i個形狀特征，并通過點(diǎn)云分割技術(shù)將不同的目標(biāo)分離，生成每個目標(biāo)的三維輪廓點(diǎn)云：

17、;

18、其中，p表示點(diǎn)云數(shù)據(jù)集，a、b、c和d表示擬合平面的系數(shù)，表示點(diǎn)（x,y,z）的權(quán)重：

19、；

20、其中，和表示調(diào)節(jié)參數(shù)，表示點(diǎn)（x,y,z）在點(diǎn)云中的局部密度。

21、可選的，所述s3具體包括：

22、s31、通過5g網(wǎng)絡(luò)將從無人機(jī)本地邊緣計(jì)算單元提取的關(guān)鍵特征數(shù)據(jù)實(shí)時傳輸至云端服務(wù)器；

23、s32、在云端服務(wù)器上，對接收到的特征數(shù)據(jù)進(jìn)行實(shí)時存儲，并利用數(shù)據(jù)分片技術(shù)對大規(guī)模數(shù)據(jù)進(jìn)行管理，定義數(shù)據(jù)分片矩陣s=\left [ {{s}_{ij}} \right ]，其中表示分片后的第i個數(shù)據(jù)塊的第j個存儲位置，通過哈希函數(shù)h計(jì)算數(shù)據(jù)塊的存儲索引：

24、;

25、其中，表示數(shù)據(jù)塊的哈希值，n表示總的存儲節(jié)點(diǎn)數(shù)量；

26、s33、在云端服務(wù)器上，結(jié)合歷史數(shù)據(jù)對接收到的特征數(shù)據(jù)進(jìn)行聚類分析，利用基于密度的聚類算法對車輛、人員和障礙物進(jìn)行初步聚類，定義聚類后的簇為，其中k表示簇的編號：

27、;

28、其中，表示以為中心、半徑為的鄰域，minpts表示簇的最小樣本數(shù)；

29、s34、根據(jù)聚類結(jié)果，將特征數(shù)據(jù)輸入至一種基于圖卷積神經(jīng)網(wǎng)絡(luò)與自注意力機(jī)制相結(jié)合的ai模型中進(jìn)行大規(guī)模數(shù)據(jù)建模，構(gòu)建ai模型的輸入矩陣z=\left [ {{z}_{mn}} \right ]，其中表示聚類簇中的第n個特征值，更新的核心公式為：

30、;

31、其中，表示第層的特征矩陣，表示第層的權(quán)重矩陣，a表示圖的鄰接矩陣，表示自注意力機(jī)制中的查詢矩陣，表示自注意力機(jī)制中的鍵矩陣，表示激活函數(shù)；

32、s35、利用云端服務(wù)器的歷史數(shù)據(jù)對ai模型進(jìn)行優(yōu)化訓(xùn)練，并結(jié)合多任務(wù)學(xué)習(xí)框架，采用一種多目標(biāo)進(jìn)化算法對模型的超參數(shù)進(jìn)行聯(lián)合優(yōu)化：

33、;

34、其中，、和表示權(quán)重系數(shù)，accuracy表示ai模型的準(zhǔn)確率，f1-score表示ai模型的f1得分，complexity表示ai模型的復(fù)雜度度量函數(shù)；

35、s36、將優(yōu)化后的ai模型保存至云端服務(wù)器。

36、可選的，所述s4具體包括：

37、s41、將從云端服務(wù)器接收到的優(yōu)化后的ai模型加載到計(jì)算環(huán)境中，并將傳輸?shù)年P(guān)鍵特征數(shù)據(jù)輸入模型的輸入層，構(gòu)建特征矩陣x=\left [ {{x}_{ij}} \right ]，其中表示第i個樣本的第j個特征值；

38、s42、在ai模型的中間層，應(yīng)用多層卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，通過卷積運(yùn)算提取特征數(shù)據(jù)的局部模式；

39、s43、在分類過程中，通過自適應(yīng)加權(quán)分類器對每個目標(biāo)類別進(jìn)行加權(quán)分類，分類器根據(jù)輸入特征的多樣性和類間不平衡性動態(tài)調(diào)整權(quán)重，分類概率向量的計(jì)算公式為：

40、;

41、其中，表示針對第i類的自適應(yīng)權(quán)重，表示輸入特征對應(yīng)的分類得分：

42、;

43、其中，表示調(diào)節(jié)參數(shù)，表示第i類的樣本數(shù)量，表示整體分類得分的均值；

44、s44、在目標(biāo)檢測后，通過一種基于非線性抑制因子的非極大值抑制算法過濾重疊檢測框，在傳統(tǒng)非極大值抑制算法的基礎(chǔ)上引入了一個非線性抑制因子，以更好地保留高置信度的檢測框：

45、;

46、其中，和表示兩個檢測框，表示抑制因子的調(diào)節(jié)參數(shù)，表示面積差異的調(diào)節(jié)參數(shù)，和表示檢測框的面積，iou表示兩檢測框的交并比，該因子有效抑制了低置信度且面積差異大的重疊檢測框，提高了檢測結(jié)果的精確性；

47、s45、將經(jīng)過非線性抑制因子的非極大值抑制算法處理的多目標(biāo)檢測結(jié)果輸出，生成最終的目標(biāo)識別與分類結(jié)果，并對檢測結(jié)果進(jìn)行標(biāo)注，定義目標(biāo)類別標(biāo)簽集為，其中表示第i個檢測目標(biāo)的類別標(biāo)簽；

48、s46、將標(biāo)注后的多目標(biāo)檢測結(jié)果傳輸至系統(tǒng)的可視化模塊。

49、可選的，所述s5具體包括：

50、s51、將多目標(biāo)檢測結(jié)果作為輸入，構(gòu)建多目標(biāo)優(yōu)化的路徑規(guī)劃問題，目標(biāo)函數(shù)包括路徑長度、避障安全性和資源利用率：

51、；

52、其中，表示路徑在時間的長度，表示第r個障礙物的風(fēng)險(xiǎn)等級，表示障礙物與無人機(jī)路徑的最小距離，表示防止分母為零的微小量，表示控制風(fēng)險(xiǎn)權(quán)重的參數(shù)，表示總的路徑規(guī)劃時間，表示總的障礙物數(shù)量；

53、s52、在粒子群優(yōu)化算法中，每個粒子表示一種飛行路徑方案，位置更新采用非線性動力學(xué)方程，并結(jié)合環(huán)境擾動和歷史最優(yōu)路徑信息：

54、;

55、其中，表示粒子j在位置處的狀態(tài)函數(shù)，表示粒子位置與全局最優(yōu)位置之間的勢能函數(shù)，表示調(diào)節(jié)因子，表示時間步長，公式通過結(jié)合粒子狀態(tài)的動力學(xué)變化與勢能函數(shù)的引導(dǎo)，實(shí)現(xiàn)了粒子群的動態(tài)調(diào)優(yōu)；

56、s53、在粒子群優(yōu)化算法中引入基于模糊隸屬函數(shù)的自適應(yīng)加速機(jī)制，根據(jù)當(dāng)前路徑的復(fù)雜性和收斂趨勢動態(tài)調(diào)整加速因子和：

57、;

58、其中，表示路徑的復(fù)雜性隸屬函數(shù)，表示當(dāng)前收斂率，表示參考收斂率，表示調(diào)節(jié)參數(shù)，表示調(diào)節(jié)后的加速因子，自適應(yīng)機(jī)制通過結(jié)合路徑復(fù)雜性和收斂特性，實(shí)現(xiàn)了對加速因子的動態(tài)調(diào)節(jié)；

59、s54、在每一代迭代中，利用s52的更新機(jī)制和s53的自適應(yīng)加速機(jī)制，更新粒子的速度和位置，知道滿足收斂條件或達(dá)到預(yù)設(shè)的最大迭代次數(shù)，得到最優(yōu)的飛行路徑方案；

60、s55、將最優(yōu)的飛行路徑方案作為無人機(jī)的飛行路徑規(guī)劃結(jié)果，實(shí)時更新無人機(jī)的飛行路徑，并根據(jù)任務(wù)需求和環(huán)境變化動態(tài)調(diào)整監(jiān)控策略。

61、可選的，所述s6具體包括：

62、s61、構(gòu)建圖結(jié)構(gòu)g=(v,e)，其中v表示傳感器節(jié)點(diǎn)的集合，e表示節(jié)點(diǎn)之間的邊集合，每個節(jié)點(diǎn)代表一個傳感器數(shù)據(jù)特征，每條表示節(jié)點(diǎn)和節(jié)點(diǎn)之間的關(guān)聯(lián)性；

63、s62、構(gòu)建圖神經(jīng)網(wǎng)絡(luò)模型，用于提取傳感器網(wǎng)絡(luò)的全局特征，進(jìn)行節(jié)點(diǎn)特征的更新，并提取全局特征向量；

64、s63、將圖神經(jīng)網(wǎng)絡(luò)提取到的全局特征向量輸入到一種基于高斯過程自適應(yīng)提升算法中進(jìn)行故障預(yù)測，使用高斯過程作為基函數(shù)進(jìn)行自適應(yīng)增強(qiáng)：

65、；

66、其中，x表示輸入的特征向量，表示第t個高斯過程基函數(shù)，表示權(quán)重系數(shù)；

67、s64、高斯過程基函數(shù)的核函數(shù)為：

68、;

69、其中，表示信號方差，表示特征長度尺度矩陣，表示噪聲方差，表示dirac?delta函數(shù)；

70、s65、通過gp-boosting算法計(jì)算得出每個傳感器節(jié)點(diǎn)的故障預(yù)測概率，并根據(jù)設(shè)定的故障閾值進(jìn)行判定：

71、;

72、其中，表示標(biāo)準(zhǔn)正態(tài)分布的累積分布函數(shù)，表示故障預(yù)測值的均值，表示故障預(yù)測值的標(biāo)準(zhǔn)差，若，則判定節(jié)點(diǎn)存在潛在故障，并發(fā)出維護(hù)建議；

73、s66、對所有節(jié)點(diǎn)的故障預(yù)測結(jié)果進(jìn)行匯總，生成無人機(jī)的整體健康狀態(tài)評估報(bào)告，報(bào)告內(nèi)容包括可能的故障節(jié)點(diǎn)、故障類型以及建議的維護(hù)措施。

74、本發(fā)明的有益效果是：

75、首先，本發(fā)明通過引入多光譜相機(jī)和激光雷達(dá)等先進(jìn)傳感器，結(jié)合邊緣計(jì)算技術(shù)，實(shí)現(xiàn)了對實(shí)時視頻和三維空間數(shù)據(jù)的高效處理和關(guān)鍵特征提取。相較于傳統(tǒng)的靜態(tài)路徑規(guī)劃和任務(wù)調(diào)度方法，本發(fā)明所采用的模糊邏輯控制與粒子群優(yōu)化相結(jié)合的智能調(diào)度算法，能夠在動態(tài)環(huán)境中實(shí)時優(yōu)化無人機(jī)的飛行路徑和監(jiān)控策略，有效應(yīng)對突發(fā)的交通擁堵和人員聚集情況，確保任務(wù)的高效執(zhí)行。

76、此外，通過引入圖神經(jīng)網(wǎng)絡(luò)與自適應(yīng)提升算法，本發(fā)明顯著提高了設(shè)備故障預(yù)測的準(zhǔn)確性和及時性。圖神經(jīng)網(wǎng)絡(luò)的應(yīng)用使得無人機(jī)能夠捕捉到傳感器數(shù)據(jù)之間的復(fù)雜關(guān)聯(lián)，而自適應(yīng)提升算法則通過動態(tài)調(diào)整模型的權(quán)重，增強(qiáng)了對異常情況的敏感性和預(yù)測精度。這種預(yù)測性維護(hù)機(jī)制相比于傳統(tǒng)的定期維護(hù)方式，更加靈活高效，能夠提前識別潛在的設(shè)備故障，降低故障發(fā)生的概率，延長設(shè)備的使用壽命，同時減少了維護(hù)成本和任務(wù)中斷的風(fēng)險(xiǎn)。

77、本發(fā)明還通過結(jié)合5g通信技術(shù)和云端計(jì)算，解決了大規(guī)模數(shù)據(jù)傳輸和存儲的問題，確保了無人機(jī)在復(fù)雜環(huán)境中的數(shù)據(jù)處理能力。多任務(wù)學(xué)習(xí)框架和多目標(biāo)進(jìn)化算法的引入，使得ai模型能夠在復(fù)雜多變的任務(wù)場景中進(jìn)行自適應(yīng)優(yōu)化，提升了多目標(biāo)檢測和分類的效率與準(zhǔn)確性。特別是在應(yīng)對多目標(biāo)密集、遮擋嚴(yán)重的場景時，本發(fā)明通過圖卷積神經(jīng)網(wǎng)絡(luò)與自注意力機(jī)制的結(jié)合，顯著增強(qiáng)了模型對不同目標(biāo)的區(qū)分能力和檢測精度。