[发明专利]一种基于深度学习的智能交通灯系统及其控制交通灯的方法

说明书

技术领域

本发明涉及交通灯领域，具体涉及一种基于深度学习的智能交通灯系统及其控制交通灯的方法。

背景技术

目前的交通灯采用PLC控制程序来控制红绿灯的时间，即根据该路口的情况提前设置好交通灯的PLC控制程序。比如在一个十字路口的周期内，根据南北方向红灯亮25秒，转到绿灯亮25秒，再按照1秒钟1一次的规律闪烁3次，然后转动黄灯亮2秒，东西方向绿灯亮20秒，再闪烁3次，转到黄灯亮2秒，然后红灯亮30秒，完成一个周期，如此循环。

这种固定周期、固定方向上绿灯的通行时间就会面临一个问题：不能实施根据车流来改变交通灯的时间，经常会出现在高峰拥堵阶段，有些道路车流量不大但是交通灯时间过久，或者车流量过大交通灯时间过短的情况。影响路口通行时间的因素有很多，比如车型，大型客货车的通行时间较长，导致车流过慢。因此。现有技术中通过PLC固定程序来调控交通灯会影响实际的通行效率，不能很好地调控路面的实际通行情况。

发明内容

本发明所要解决的技术问题是提供一种基于深度学习的智能交通灯系统及其控制交通灯的方法，通过自主深度学习形成控制模型，控制模型可以根据路口车辆排队长度、车流量和车型信息计算出控制下一次交通灯变化之后的绿灯持续时间，高效地解决了交通拥堵问题。

为了实现上述目的，本发明采用如下技术方案：一种基于深度学习的智能交通灯系统，包括数据采集处理模块，用于实时采集交通灯对应路口的图像，并根据该图像识别车型信息、车流量、车辆排队长度以及其对应的通过时间；深度学习模块，包括能够模拟人脑进行分析学习的神经网络和控制模型，所述控制模型通过将数据采集处理模块得到的车型信息、车流量、车辆排队长度以及其对应的通过时间输入所述神经网络进行自主深度学习形成；交通灯中心控制模块，用于控制交通灯；所述数据采集处理模块实时采集路口的图像，并将根据图像识别的红灯对应车道上的车型信息和车辆排队长度、绿灯对应车道上的车流量传输至所述神经网络和控制模型中进行学习计算，同时将学习计算出的下一次交通灯变化之后的绿灯持续时间传输至所述交通灯中心控制模块，用于控制交通灯。

进一步地，所述深度学习模块中的神经网络经过300-500次自主学习，形成控制模型。

进一步地，所述下一次交通灯变化之后的绿灯持续时间确保红灯对应车道的车辆排队长度和通过绿灯对应车道的车流量计算出的该车道上的车辆排队长度之和最短。

进一步地，每个车道上对应一个数据采集处理模块。

进一步地，所述数据采集处理模块包括数据采集模块、智能识别模块和数据监控模块。

进一步地，所述智能识别模块一端连接所述数据采集模块，另一端连接所述数据监控模块，数据采集模块采集到的图像传输至所述智能识别模块进行车型的识别，所述图像和识别之后的车型信息传输至所述数据监控模块，所述数据监控模块根据上述图像监控车流量、车辆排队长度以及其对应的通过时间。

进一步地，所述数据采集模块同时连接所述智能识别模块和数据监控模块，所述智能识别模块根据上述图像识别车型信息，所述数据监控模块根据上述图像监控车流量、车辆排队长度以及其对应的通过时间。

进一步地，所述数据采集模块包括摄像头。

进一步地，所述车型信息包括大型客货车、中型客货车和小型客货车。

进一步地，所述神经网络采用代码或者具有深度学习算法功能的芯片来实现自主深度学习算法的功能。

本发明提供的一种采用基于深度学习的智能交通灯系统控制交通灯的方法，包括以下步骤：

S01：数据采集处理模块实时采集交通灯对应路口的图像，并根据图像识别红灯对应车道上的车型信息和车辆排队长度，绿灯对应车道上的车流量；

S02：上述识别出的车型信息、车辆排队长度和车流量传输至所述深度学习模块，经过神经网络和控制模型的学习计算，得出下一次交通灯变化之后的绿灯持续时间；

S03：下一次交通灯变化之后的绿灯持续时间传输至所述交通灯中心控制模块，用于控制交通灯。

进一步地，在步骤S01之前，通过交通灯中心控制模块设置各个车道上对应的红绿灯转换顺序。

进一步地，所述控制模型通过以下步骤形成：

T01：通过交通灯中心控制模块设置各个车道上对应的红绿灯转换顺序以及绿灯持续时间；

T02：数据采集处理模块实时采集交通灯对应路口的图像，并根据图像识别红灯对应车道上的车型信息、车辆排队长度以及对应的通过时间，绿灯对应车道上的车流量；