视频AI应用是行业智能化落地的重要手段之一。在高速公路智能化领域,视频AI应用被广泛地植入建、管、养、运、服各个环节,为行业带来了肉眼可见的效率与效益的提升。尽管如此,目前行业对视频AI应用效果的预期与现状仍然有一定的差距。影响高速公路视频AI应用效果的因素很多,以下几点是必须首先要提出来的。
一、算法本身的不足
算法是视频AI应用的基础。有些业务场景小众,缺乏训练样本,没有算法支撑(比如要求识别工地上的违规操作,识别隧道口高陡边坡的落石,识别道路上出现的畜群等)。
图1: 边坡AR实景监测系统
图2: 视频检测道路病害与设施异常
要先 解决有无 问题。 基于AI开放平台,用少量数据快速生成满足场景需 求的算法,在实际应用中去积累更多的训练样本。 某些行业用户、平台或 者机构有可观的场景素材,如果能与其达成业务合作,那就事半功倍了。
二、图像质量的不足
图像质量的好坏直接影响视频AI应用的效果,这一点相信大家都认同。 以高速公路收费系统车牌识别应用为例,视频感知设备工作环境不佳(如面板起雾、镜头虚焦、昆虫结网等)、物理遮挡(如拥堵、大小车并排行驶等)、车牌成像效果差(如车牌污损、强顺逆光、远光灯干扰等)都会导致识别准确率的下降,且影响幅度远远大于算法识别能力这一因素。
优化图像质量的办法很多。首先,从业务需求出发,合理选型,规范选点,保障施工安装质量(科学布建);其次,根据场景特点对产品做专门的调整,比如增加面板雨刷、加热模块、自清洁水箱等结构设计(专属产品);最后,广泛使用各种AI诊断工具,实时检测和提示出现的图像质量异常的情况(视频运维)。
图3:隧道专用自清洁相机
三、方案设计的不足
很多时候大家只关注设备和算法,却忽视了AI应用整体方案的设计。相比直来直去的“蛮算”,问题等价转化后的“巧算”,有可能大大降低应用实现的难度。比如,夜间直接识别路面的坑洼、积水、抛洒物很难,能不能通过检测车辆群体变道来间接发现?要识别收费站蹭卡、跳磅这样的抽象行为,能不能转化成检测车辆异常行驶的具体动作?视频直接判定道路能见度很难,能不能借助固定参照物(比如标线标牌)来测算?
图4: 收费站非机动车/行人闯入预警
此外,基于对业务场景的理解,制定算法策略并综合运用多算法调度、多算法串联、多类型数据结合等智能增效手段,可以有效解决单一算法与业务场景偏离(误报、重复、多算法叠加等)的问题,加速视频AI应用的落地。
四、闭环管理的不足
有用户部署了大量的交通事件检测服务器,但是回访问及应用效果,却说不出个所以然来。最后才弄明白,原来监控中心在接受到报警信息后,除了核实与记录,多数情况下没有(不能)关联任何的闭环举措。于是,事件检测应用的存在感很低,讨论其在业务上的价值没有意义。
视频AI应用能做到自动发现和预警,但是最终解决问题还得依靠配套的闭环管理机制,比如怎么跟进信息发布、事故救援、分流疏导、交通管制、应急处置等动作。不能彻底解决问题,就是彻底不解决问题,有头无尾的AI应用没有生命力。
五、写在最后
视频AI应用是个系统性的工作,落地成效受限于他“最短的那块木板”,这给开发者带来了全面的挑战。挑战越多,价值也越大。只要高速公路行业追求降本增效的初心不变,视频AI应用的广阔天地,大有作为。