危险品运输风险评估系统产品系统

本项目聚焦危险品货物运输安全管控领域，针对危险品运输车辆在途行驶过程中面临的前向碰撞、低能见度、复杂路况、路面湿滑等多重安全隐患，构建基于计算机视觉的实时风险评估系统。
传统危险品运输风险防控多依赖人工巡检与事后追溯，存在响应滞后、预警精度不足、多风险因素协同判断能力弱等痛点。而本项目结合车载视觉感知技术，实现对行车环境关键风险要素的自动化、智能化检测，为危险品运输车辆提供实时风险预警，助力运输企业降低事故率，同时契合交通运输行业对危险品运输安全监管的智能化升级需求。

项目围绕危险品运输全场景风险感知，设计四大核心功能模块，实现多维度风险要素的协同检测与预警：
轻量化目标检测与前向碰撞预警
基于优化后的 YOLOv7-tiny+Shufflenet 模型，在 COCO 数据集上完成行人、车辆、自行车等道路目标检测；通过简化卷积层（三层变一层）、剔除高度占比＜10% 的误判标签，提升模型检测精度与推理速度。
结合相机标定参数（距地面高度、最大视野范围），基于相似三角形法则，通过目标像素坐标计算目标与相机的倾角及实际距离；融合车速、最大减速度（0.3m/s²）等参数，实时计算安全制动距离，与实测距离对比，实现前向碰撞风险预警。
基于机器视觉的能见度预测
对比多种传统图像处理算法，采用 AdaBoost 算法加权选择拉普拉斯算子作为核心检测算子；针对 1920×1080 分辨率图像，通过判断拉普拉斯算子方差是否小于 100，实现低能见度场景的快速识别与预警。
路网曲率分析与风险路段检测
解析 OpenStreetMap 路网经纬度数据，对宿迁地区地图进行区域划分；针对各区域路网节点，采用二次最小二乘法进行曲线拟合，通过计算路段曲率值量化道路风险等级（曲率值越高，路段风险越高）。
构建曲率风险分级标准（0-1.9、2-3.9、4-5.9、6-9.9、10-14.9、>15 单位：1/km），实现风险路段的精准识别与划分。
路面湿滑程度视觉检测
提取车载视频 / 图像中的路面区域，计算时域特征（各帧灰度均值、方差）与频域特征（傅里叶变换振幅、相位的均值和方差）；基于 LKW 湿度分类数据集，采用线性回归模型分析视觉特征与路面湿度的关联规律。
利用训练完成的模型，实现对路面湿滑程度的快速判别，为车辆防滑控制提供决策依据。
静态道路风险地图可视化
基于路网曲率计算结果，融合地理底图数据，通过 Matplotlib 构建风险等级可视化系统

1. 核心职责与任务分工
在导师指导下，与研究生团队协作完成系统全流程开发，核心职责如下：
系统架构设计与视觉模块开发：参与危险品货物运输风险评估系统的整体架构设计，负责基于 Python 的视觉检测模块代码实现，涵盖目标检测、距离计算、能见度分析、曲率拟合等核心功能的算法编写与调试。
模型选型与优化：主导 YOLOv7-tiny 与 Shufflenet 的组合选型，完成卷积层简化、误判标签剔除等优化工作，提升模型在 CPU 环境下的推理性能；基于 OpenCV 实现目标坐标提取、相似三角形测距等功能的落地。
数据采集与预处理：在镇江市公交车入口处搭建采集平台，通过三脚架固定手机采集前视视觉数据与 GPS 数据；利用 EasyOCR 识别定位信息，结合最小二乘法完成路网曲率计算，同时测试优化后 YOLO 模型，确保 30m 内目标检测查全率＞95%。
风险地图绘制与系统集成：负责静态道路风险图全流程开发，包括路网数据解析、邻近点筛选、二次多项式拟合、曲率计算与风险分级；完成各功能模块的集成与车载测试，制作项目汇报 PPT 向团队及导师展示成果。
2. 技术栈与实现架构
核心技术栈：编程语言为 Python；框架 / 库包括 PyTorch（模型训练与推理）、OpenCV（视觉处理与特征提取）、Scikit-learn（线性回归与模型评估）、PIL（图像预处理）、NumPy（数值计算）、EasyOCR（文本识别）、Matplotlib（数据可视化）。
系统架构：采用 “感知层 - 算法层 - 应用层” 三层架构。感知层负责车载视觉数据与 GPS 数据的采集；算法层集成轻量化目标检测、测距预警、能见度分析、曲率计算、路面湿滑检测等核心算法；应用层实现风险预警输出与风险地图可视化。