买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜深圳市城市交通规划设计研究中心股份有限公司申请的专利基于无人机和数据融合的复杂场景交通网络拥堵识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119152450B 。

龙图腾网通过国家知识产权局官网在2025-03-18发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411594889.0，技术领域涉及：G06V20/54；该发明授权基于无人机和数据融合的复杂场景交通网络拥堵识别方法是由张晓春;刘星;孟安鑫;庄蔚群;李鋆元;吴成龙;刘梦杨设计研发完成，并于2024-11-11向国家知识产权局提交的专利申请。

本基于无人机和数据融合的复杂场景交通网络拥堵识别方法在说明书摘要公布了：本发明公开了基于无人机和数据融合的复杂场景交通网络拥堵识别方法，属于交通网络拥堵识别技术领域。解决了现有技术中传统的交通拥堵识别方法识别效率较低且难以适用于复杂交通场景的问题；本发明采集复杂交通场景下的可见光图像和红外图像，进行图像特征提取与匹配，得到融合后的图像；构建数据集，将数据集输入到建立的基础模型、辅助模型和强化模型中进行训练，融合三种模型的损失函数，采用总体损失函数对三种模型进行训练，得到最优模型；通过调整增强系数，优化最优模型，得到的准确率最大的最优模型即最终的最优模型，由其输出拥堵区域定位。本发明有效提升了交通网络拥堵识别模型的识别性能，可以应用于复杂场景交通网络拥堵识别。

本发明授权基于无人机和数据融合的复杂场景交通网络拥堵识别方法在权利要求书中公布了：1.基于无人机和数据融合的复杂场景交通网络拥堵识别方法，其特征在于，包括以下步骤：S1.采集复杂交通场景下的可见光图像和红外图像，将两种图像的尺寸和色彩调整一致并进行图像特征提取与匹配，经图像融合后，得到融合后的图像；S2.根据融合后的图像，构建数据集，将数据集输入到建立的基础模型、辅助模型和强化模型中进行训练，融合三种模型的损失函数，得到融合后的损失函数，定义总体损失函数，采用总体损失函数对三种模型进行训练，得到最优模型；S3.通过调整增强系数，进一步优化最优模型，准确率最大的最优模型即最终的最优模型，由其输出拥堵区域定位；所述S2中，具体包括以下步骤：S21.基于融合后的图像，挑选出全部包含交通网络拥堵、周期性拥堵、偶发性拥堵和瓶颈拥堵的图像作为输入图像；S22.通过人工标注，在输入图像中框选出交通网络拥堵和其他三种拥堵类型，构建数据集，按照数量比8:2的比例，将数据集划分为训练集和测试集；S23.根据数据集，构建基础模型、辅助模型和强化模型，计算三种模型的损失函数并进行融合，得到融合后的损失函数，定义总体损失函数；S24.基于链式求导法则，通过误差反向传播方式，对三种模型进行训练，得到训练完成的深度学习模型A即最优模型；所述S22中，交通网络拥堵标记为Network，三种拥堵类型即周期性拥堵、偶发性拥堵和瓶颈拥堵依次标记为other1、other2和other3；所述S23中，构建基础模型即深度学习模型A的网络结构，深度学习模型A由1个输入层，14个卷积层，14个激活层，5个池化层，4个拼接层，4个卷积上采样层和1个输出层组成；将数据集输入到深度学习模型A中，通过误差反向传播算法，计算得到深度学习模型A的神经网络单元的权重和偏置，完成深度学习模型A的训练，得到训练完毕的深度学习模型A及其损失函数La；深度学习模型A对应的输出单元节点的输出值为ai，分别为第一输出单元节点的输出值a1、第二输出单元节点的输出值a2、第三输出单元节点的输出值a3和第四输出单元节点的输出值a4，根据指数函数exp，先将深度学习模型A对应的4个输出单元节点的输出值初始转换为第一初步输出值的概率值fai，再将其进一步优化转换得到第一优化输出值和第一优化输出值的增强概率值gai；采用第一优化输出值的增强概率值gai和数据集，结合误差链式求导法则，继续训练深度学习模型A，训练完毕后，得到第一拥堵类型的输出值jai和深度学习模型A输出层的节点对应的实际拥堵类型标注hai，第一拥堵类型的输出值jai分别为第一交通网络拥堵输出值ja1、第一周期性拥堵的输出值ja2、第一偶发性拥堵输出值ja3和第一瓶颈拥堵输出值ja4；构建第一辅助模型即深度学习模型B，深度学习模型B由1个输入层，18个卷积层，18个激活层，5个池化层，4个拼接层，4个卷积上采样层和1个输出层组成；将数据集输入到深度学习模型B中，通过误差反向传播算法，计算得到深度学习模型B的神经网络单元的权重和偏置，完成深度学习模型B的训练，得到训练完毕的深度学习模型B及其损失函数Lb；深度学习模型B对应的输出单元节点的输出值为bi，分别为第五输出单元节点的输出值b1、第六输出单元节点的输出值b2、第七输出单元节点的输出值b3和第八输出单元节点的输出值b4，根据指数函数exp，先将深度学习模型B对应的4个输出单元节点的输出值初始转换为第二初步输出值和第二初步输出值的概率值fbi，再将其进一步优化转换得到第二优化输出值和第二优化输出值的增强概率值gbi；采用第二优化输出值的增强概率值gbi和数据集，结合误差链式求导法则，继续训练深度学习模型B，训练完毕后，得到第二拥堵类型的输出值jbi和深度学习模型B输出层的节点对应的实际拥堵类型标注hbi，第二拥堵类型的输出值jbi分别为第二交通网络拥堵输出值jb1、第二周期性拥堵的输出值jb2、第二偶发性拥堵输出值jb3和第二瓶颈拥堵输出值jb4；构建第二辅助模型即深度学习模型C，深度学习模型C由1个输入层，22个卷积层，22个激活层，6个池化层，5个拼接层，5个卷积上采样层和1个输出层组成；将数据集输入到深度学习模型C中，通过误差反向传播算法，计算得到深度学习模型C的神经网络单元的权重和偏置，完成深度学习模型C的训练，得到训练完毕的深度学习模型C及其损失函数Lc；深度学习模型C对应的输出单元节点的输出值为ci，分别为第九输出单元节点的输出值c1、第十输出单元节点的输出值c2、第十一输出单元节点的输出值c3和第十二输出单元节点的输出值c4，根据指数函数exp，先将深度学习模型C对应的4个输出单元节点的输出值初始转换为第三初步输出值和第三初步输出值的概率值fci，再将其进一步优化转换得到第三优化输出值和第三优化输出值的增强概率值gci；采用第三优化输出值的增强概率值gci和数据集，结合误差链式求导法则，继续训练深度学习模型C，训练完毕后，得到第三拥堵类型输出值jci和深度学习模型B输出层的节点对应的实际拥堵类型标注hbi，第三拥堵类型输出值jci分别为第三交通网络拥堵输出值jc1、第三周期性拥堵的输出值jc2、第三偶发性拥堵输出值jc3和第三瓶颈拥堵输出值jc4；构建强化模型即深度学习模型D，深度学习模型D由1个输入层，26个卷积层，26个激活层，7个池化层，6个拼接层，6个卷积上采样层和1个输出层组成；将数据集输入到深度学习模型D中，通过误差反向传播算法，计算得到深度学习模型D的神经网络单元的权重和偏置，完成深度学习模型D的训练，得到训练完毕的深度学习模型D及其损失函数Ld；深度学习模型D对应的输出单元节点的输出值为di，分别为第十三输出单元节点的输出值d1、第十四输出单元节点的输出值d2、第十五输出单元节点的输出值d3和第十六输出单元节点的输出值d4，根据指数函数exp，先将深度学习模型D对应的4个输出单元节点的输出值初始转换为第四初步输出值和第四初步输出值的概率值fdi，再将其进一步优化转换得到第四优化输出值和第四优化输出值的增强概率值gdi；采用第四优化输出值的增强概率值gdi和数据集，结合误差链式求导法则，继续训练深度学习模型D，训练完毕后，得到第四拥堵类型输出值jdi和深度学习模型D输出层的节点对应的实际拥堵类型标注hdi，第四拥堵类型输出值jdi分别为第四交通网络拥堵输出值jd1、第四周期性拥堵的输出值jd2、第四偶发性拥堵输出值jd3和第四瓶颈拥堵输出值jd4；根据第二拥堵类型输出值为jbi和第一优化输出值的增强概率值gai，构建深度学习模型B和深度学习模型A之间的损失函数LBA，得到对应权重系数；基于第一初步输出值的概率值fai和深度学习模型A输出层的节点对应的实际拥堵类型标注hai，构建考虑第一初步输出值的概率值fai的深度学习模型A的损失函数LAA，得到对应权重系数；基于深度学习模型B和深度学习模型A之间的损失函数LBA和考虑第一初步输出值的概率值fai的深度学习模型A的损失函数LAA，建立深度学习模型B与深度学习模型A的输出层之间的关系损失函数LBAA；根据上述操作，建立深度学习模型C与深度学习模型B的输出层之间的关系损失函数LCBB、深度学习模型C与深度学习模型A的输出层之间的关系损失函数LCAA、深度学习模型D与深度学习模型A的输出层之间的关系损失函数LDAA和深度学习模型D与深度学习模型C的输出层之间的关系损失函数LDCC，定义深度学习模型A、深度学习模型B、深度学习模型C和深度学习模型D之间对应的总体损失函数Ltotal；总体损失函数Ltotal表示为：Ltotal＝LDCC+LCBB+LBAA+LDAA+LCAA。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人深圳市城市交通规划设计研究中心股份有限公司，其通讯地址为：518000 广东省深圳市龙华区民治街道北站社区龙华设计产业园总部大厦1栋1101；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。