在高速公路交通事件檢測領(lǐng)域，受限于模型規(guī)模與泛化能力，一些復(fù)雜場景下拋灑物、停車、行人等事件的誤報、漏報一直是行業(yè)的瓶頸。

海康威視基于多年的行業(yè)沉淀，依托觀瀾大模型的技術(shù)底座，構(gòu)建道路事件等行業(yè)場景專用的數(shù)據(jù)模型，與智能硬件深度融合，推出新一代事件檢測系列產(chǎn)品，精準(zhǔn)檢測道路異常事件，助力保障道路安全暢通。

看懂、讀準(zhǔn)，讓道路更聰明

傳統(tǒng)交通事件檢測算法高度依賴人工標(biāo)注的特定場景數(shù)據(jù)，需針對每類事件單獨采集樣本并訓(xùn)練模型，導(dǎo)致實際應(yīng)用中常因樣本覆蓋不全而出現(xiàn)漏檢誤判。例如，雨天路面積水時，容易誤報為拋灑物。

以一條布設(shè)了1500路攝像機(jī)的高速路段來舉例，傳統(tǒng)算法日均能感知1000余次事件，如何減少其中無效的事件，降低人工復(fù)核的工作量，提升真實異常事件從發(fā)現(xiàn)到處置的響應(yīng)速度，將是提升高速公路運(yùn)營效率的關(guān)鍵。

?？低曉谟^瀾大模型基礎(chǔ)上，利用行業(yè)知識預(yù)訓(xùn)練和微調(diào)，使模型在事件檢測領(lǐng)域具備專家級別能力。相較于行業(yè)傳統(tǒng)的卷積網(wǎng)絡(luò)，基于Transformer架構(gòu)的模型，具備更深層次的網(wǎng)絡(luò)架構(gòu)，更強(qiáng)的全局特征提取能力和上下文建模能力，模型的泛化性更強(qiáng)，系統(tǒng)性解決了復(fù)雜場景下的誤報、漏報難題。

例如，拋灑物檢測中，結(jié)合大模型應(yīng)用可大幅提升拋灑物體檢測效果，不再受困于樹影、水漬、標(biāo)線、標(biāo)牌等干擾;停車檢測中，通過大模型精準(zhǔn)區(qū)分標(biāo)牌、緩行車輛、施工車輛，基于車輛停留時長、位置偏離車道線的動態(tài)特征綜合判斷，大幅降低了誤報。

多元產(chǎn)品矩陣，滿足多場景需求

大模型加持的?？低暿录z測系列產(chǎn)品，通過提取多維信號中的有效信息，挖掘不同模態(tài)信息間的潛在關(guān)系，增強(qiáng)了對物理世界的全面理解，突破晝夜、雨霧等各類環(huán)境下的性能極限，從邊緣端到中心端助力規(guī)?；膽?yīng)用落地。

一、 邊緣端感知設(shè)備，秒級檢出，精準(zhǔn)識別

事件檢測雷視一體機(jī)，基于毫米波雷達(dá)全天候高精度測距測速能力，在暗光/雨霧等極端場景下實現(xiàn)違停車輛、道路異常的秒級初步檢測;再通過大模型推理，對多類型特征進(jìn)行決策級融合，兼顧復(fù)雜環(huán)境下的高檢出率與高準(zhǔn)確率需求。

事件檢測攝像機(jī)，內(nèi)置道路專用 AI ISP圖像處理算法，有效抑制車輛遠(yuǎn)光燈對圖像影響，保障夜間圖像亮度和清晰度。結(jié)合大模型，對拋灑物、行人闖入等事件進(jìn)行精細(xì)化分類過濾，在本地完成實時分析，有效降低誤報率。依托設(shè)備端算力，擺脫云端依賴，顯著降低網(wǎng)絡(luò)傳輸壓力。

二、 中心端設(shè)備，利舊復(fù)用，降本增效

事件檢測終端/服務(wù)器加持大模型推理能力，可無縫對接既有視頻感知系統(tǒng)及存儲設(shè)備，實現(xiàn)舊資源的復(fù)用。邊緣節(jié)點專注實時事件檢測，中心服務(wù)器負(fù)責(zé)多源數(shù)據(jù)關(guān)聯(lián)，在保證低延遲響應(yīng)的同時滿足不同規(guī)模場景的智能化需求。

交通事件檢測系列產(chǎn)品基于?？低曈^瀾大模型技術(shù)體系，助力智能應(yīng)用的性能和效果提升。后續(xù)將持續(xù)探索大模型技術(shù)，結(jié)合觀瀾多模態(tài)大模型的圖文理解與推理能力，拓展在道路事故、道路塌陷、異常天氣等場景化的應(yīng)用，更好地理解道路，持續(xù)推動行業(yè)智慧升級。