CN108510124A - 基于机器学习的水面垃圾清理路径规划方法和装置 - Google Patents
基于机器学习的水面垃圾清理路径规划方法和装置 Download PDFInfo
- Publication number
- CN108510124A CN108510124A CN201810311939.8A CN201810311939A CN108510124A CN 108510124 A CN108510124 A CN 108510124A CN 201810311939 A CN201810311939 A CN 201810311939A CN 108510124 A CN108510124 A CN 108510124A
- Authority
- CN
- China
- Prior art keywords
- waters
- cleaning
- clearance
- point
- machine learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000010801 machine learning Methods 0.000 title claims abstract description 32
- 238000004140 cleaning Methods 0.000 claims abstract description 128
- 239000003643 water by type Substances 0.000 claims abstract description 103
- 238000003860 storage Methods 0.000 claims abstract description 11
- 230000003321 amplification Effects 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 abstract description 7
- 239000000463 material Substances 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Multimedia (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本发明公开了一种基于机器学习的水面垃圾清理路径规划方法和装置,所述方法包括以下步骤:接收用户基于地图数据选择的待清理水域区域;基于待清理水域地图的颜色特征,提取所述待清理水域的边界坐标;根据所述水域边界坐标和存储的历史清理数据,判断所述水域是否为首次清理。若是首次,则基于所述水域边界坐标确定待清理区域并规划清理路径;若不是首次,则根据所述水域对应的历史清理数据,基于机器学习,根据所述历史清理数据规划清理路径。本发明能够实现水面垃圾全面清理的自动化,并且相较于现有技术,清理更具针对性,并且节约了人力物力。
Description
技术领域
本发明属于水域环保技术领域,尤其涉及一种基于机器学习的水面垃圾清理路径规划方法。
背景技术
传统的水面垃圾清扫方式为人工打捞清理,随着自动化技术的发展,国内外出现了一些新型水面垃圾清理技术,如大型自动水面垃圾清理船、遥控式水面垃圾清理船等半自动化设备。其中,大型自动化水面垃圾清理船通过船只驾驶员操纵,清理水面垃圾,相对于传统人工打捞方式有较高的清理效率。遥控式水面垃圾清理船利用NRF通信技术、实时图像传输等技术,实现了人在岸边远程监测控制清理船运行的技术,此种清理船体型较小,成本相对较低,具有一定的实用价值。为了提高清理自动化,技术人员还研发了一种基于机器视觉的垃圾清理船,基于在水面上拍摄的图像进行垃圾识别进而清理。
现有的垃圾清理方案存在以下问题:
大型自动化水面垃圾清理船和遥控式清理船都需要人工驾驶船只或人工操作,自动化程度不高;多存在同一区域重复清理的问题,清理效率较低;
为了实现整个水域的全面清理,目前已有的清理方案大多依靠地毯式扫描“偶遇”垃圾进行清理,清理效率较低;对于使用燃油驱动的水面垃圾清理船而言,其易对水域造成二次污染,且能耗较高,不利于清理船的持久续航。
因此,如何实现水面垃圾自动化全面清理的效率,节约人力物力,是本领域技术人员目前迫切解决的技术问题。
发明内容
为克服上述现有技术的不足,本发明提供了一种基于机器学习的水面垃圾清理路径规划方法和装置,所述方法基于用户对待清理水域的选择,依赖于水面垃圾的分布规律,并且引入机器学习的方法,根据垃圾的历史清理数据进行路径规划,控制垃圾清理船基于所述路径进行垃圾清理。实现了水面垃圾全面清理的自动化,并且相较于现有技术,清理更具针对性,并且节约了人力物力。
为实现上述目的,本发明采用如下技术方案:
一种基于机器学习的水面垃圾清理路径规划方法,包括以下步骤:
接收用户基于地图数据选择的待清理水域区域;
基于待清理水域地图的颜色特征,提取所述待清理水域的边界坐标;
根据所述水域边界坐标和存储的历史清理数据,判断所述水域是否为首次清理。若是首次,则基于所述水域边界坐标确定待清理区域并规划清理路径,并记录垃圾清理数据;若不是首次,则根据所述水域对应的历史清理数据,基于机器学习,根据所述历史清理数据规划清理路径。
进一步地,所述垃圾清理数据包括每个垃圾清理点的垃圾清理位置、时间和垃圾数量。
进一步地,判断所述水域是否为首次清理包括:
获取所述待清理水域的边界坐标;
根据所述边界坐标和云端服务器存储的历史垃圾清理数据,判断是否是首次清理。
进一步地,所述基于所述水域边界坐标确定待清理区域并规划清理路径具体包括:
将所述水域边界向内部缩进设定距离得到内边界,水域边界和内边界之间的区域即待清理区域,将待清理区域进行节点化;基于遍历式清理的原则规划清理路径。
进一步地,所述待清理区域的确定方法具体包括:
设定实际缩进距离,根据地图比例尺确定所述实际缩进距离对应的地图缩进距离;
根据水域边界坐标,获取所述水域的横向距离和纵向距离中的较小值,所述缩放比为所述较小值与地图缩进距离的差值除以所述较小值;
根据所述缩放比和所述水域边界坐标得到内边界坐标,删去重复的内边界坐标点,保存剩下的内边界坐标,水域边界和内边界之间的区域即待清理区域。
进一步地,基于机器学习,根据所述历史清理数据规划清理路径具体包括:
根据历史垃圾清理数据,获取该水域中的垃圾清理点;
根据所述清理数据点的历史清理时间与清理次数,计算每个清理数据点的权重;
对所述垃圾清理点进行筛选;
根据所有权值达到阈值的数据点,进行路径规划。
进一步地,所述权重的确定方法为:
为每个清理点设置相同的初始权值;
根据各清理点每次清理垃圾的数量对每个清理点的权值进行累加,数量越多,权值增幅越大;
每次的加权的增幅大于上一次。
进一步地,所述路径规划包括:
接收垃圾清理船发送的位置坐标;
选择距离垃圾清理船最近的垃圾清理点,作为初始清理点,存入清理坐标数组,将初始清理点记作当前清理点;
计算出任意两点的距离大小;
基于所述距离信息,查找距离所述当前清理点最近的点,按序存入数组,并将该点更新为当前清理点,重复执行该步骤,直到所有的坐标点都被存入清理坐标数组,所述清理坐标数组中按顺序存储的坐标值即规划的路径。
根据本发明的第二目的,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的任一项基于机器学习的水面垃圾清理路径规划方法。
根据本发明的第三目的,本发明还提供了一种用户终端,
接收用户基于地图数据选择的待清理水域区域;
基于水域颜色特征,提取所述待清理水域的边界坐标,并发送至云端服务器;
接收云端服务器反馈的所述水域是否首次清理的判断结果,若判断结果为是,则基于所述水域边界坐标确定待清理区域并规划清理路径;若判断结果为否,则接收云端服务器发送的所述水域对应的历史垃圾清理数据,采用机器学习的方法规划清理路径;将所述清理路径发送至垃圾清理船。
本发明的有益效果
1、本发明的清理方法是基于用户指定区域触发,基于所述区域识别水域,然后基于所述区域的历史清理数据,采用机器学习的方法规划清理路径,本发明不是基于用户指定位置的单点清理,而是根据水域历史清理数据实现的整个水域的清理。
2、本发明只需用户在用户终端指定清理区域,清理路径的分析和清理过程全部自动化实现,节省了清理水面垃圾所耗的人力。
3、本发明考虑了水面垃圾的分布规律,基于历史清理数据进行路径规划,使得清理更具针对性,缩短了单位面积水域的清理路径长短,相较于传统的自动清理方法,提高了清理效率,降低了清理的能耗。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为基于机器学习的水面垃圾清理路径规划方法流程图;
图2为待清理水域示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例一
一种基于机器学习的水面垃圾清理路径规划方法,如图1所示,包括以下步骤:
步骤1:接收用户基于地图数据选择的待清理水域区域;
步骤2:基于待清理水域地图的颜色特征,提取所述待清理水域的边界坐标;
步骤3:根据所述水域边界坐标和存储的历史清理数据,判断所述水域是否为首次清理。若是首次,则基于所述水域边界坐标确定待清理区域并规划清理路径;若不是首次,则根据所述水域对应的历史清理数据,基于机器学习,根据所述历史清理数据规划清理路径。
所述步骤1具体包括:
APP通过百度地图等提供的SDK开源服务获取地图,将水域全景在APP上显示出来。APP设置有点选工具,用于可通过点选的方式确定需清理水域的大致范围,并实时反馈在地图上。
所述步骤2具体包括:
步骤2.1:在普通地图模式里地图使用黄色表示地面,蓝色表示水面,根据屏幕像素点显示的颜色数据进行判断,蓝色的像素点作为水面坐标保存下来,得到用户选择区域对应的所有水面坐标;
步骤2.2:将周围八个像素点颜色全为蓝色的像素点删去,得到水域边界坐标;
步骤2.3:借助于百度地图等提供的SDK开源服务,将水域边界像素点坐标转化为GPS坐标,并发送至云端服务器。
所述步骤3中基于所述水域边界坐标确定待清理区域并规划清理路径具体包括:
通过调研成果可知,水面上垃圾聚集区沿岸边分布,所以在清理时只需要关注水面的边界处。因此,本发明将距岸一定距离的区域当做水面清理的主要清理区域,这样考虑之后,垃圾船所需清理的水面区域可以用两个不规则图形表示。所述水域边界称为外边界,水域边界向水域中心缩进10%-20%距离得到内边界,两个边界之间的区域就是清理的主要区域(如图2)。所述步骤3.1具体包括:
步骤3.1:根据水域完整边界确定待清理区域;
步骤3.1.1:设定实际缩进距离,根据地图比例尺确定所述实际缩进距离对应的地图缩进距离;
(1)查找水域完整边界的端点位置,例如上下左右四个端点位置Xleft,Xright,Yup,Ydown;
(2)获取所述地图数据的比例尺,计算所述地图数据的地面分辨率r(即一个像素对于地面距离多少米);
(3)计算图像缩进像素个数,假设缩进距离约为30M,缩进的像素个数即30/r。
步骤3.1.2:根据水域边界坐标,获取所述水域的横向(X方向)距离和纵向(Y方向)距离中的较小值,所述缩放比为所述较小值与地图缩进距离的差值除以所述较小值;保证内边界偏小,清理区域偏大,获得较好的清理效果。
(1)计算完整水域图像的中心,
(2)判断是否满足Xright-Xleft>Yup-Ydown,若是,缩放比为若否,缩放比为
步骤3.1.3:根据所述缩放比和所述水域边界坐标得到内边界坐标,删去重复的内边界坐标点,保存剩下的内边界坐标,水域边界和内边界之间的区域即待清理区域。
(1)根据外边界和缩放比,计算内边界点坐标值:
Xj=K(X-Xmid)+Xmid,Yj=K(Y-Ymid)+Ymid,其中,(X,Y)表示外边界点坐标,(Xj,Yj)表示内边界点坐标;
(2)删除坐标重复的内边界点。
步骤3.2:规划路径为:进行内螺旋遍历式清理,先沿外边界清理,逐步渐进到内边界,将边界间区域完全清扫一遍。优选地,可以将所述待清理区域进行节点化处理,然后基于遍历式清理的原则规划清理路径。
所述步骤3中基于机器学习,根据所述历史清理数据规划清理路径具体包括:
调研发现垃圾分布具有一定的规律性,所以可以认为此次清理时的垃圾聚集地点将包含在历次清理的地点之中。建立在这个调研结论的基础上,清理船将规划一条连接所有历次清理坐标点的路线,这条路线将有很大概率包含此次清理的所有垃圾集中点。
步骤3.1:将所述历史清理数据与所述水域边界进行匹配,找到所有处于水域边界内的清理数据点,并进行筛选;
所述筛选方法为:
步骤3.1.1:根据所述清理数据点的历史清理时间与清理次数,计算每个清理数据点的权重。时间距离现在越近,清理次数越多,权重越大。
计算方法如下:
每个清理点的初始权值相同,第一次清理,根据传感器检测各清理点收集垃圾数量的多少,从高到低予以加权,垃圾数量最多的点权值最高,无垃圾的点权值不变。第二次清理只清理权值较高的点,并对记录垃圾收集情况,进行再次加权。经过多次清理与学习后,权值稳定较高点即为此水域的垃圾聚集点,考虑到信息的时效性,最近一次学习加权的增幅应略大于上一次。考虑到季节风的变化会对垃圾聚集点的分布产生影响,每个月将进行一次遍历式清扫,进行权值检验与修正。
步骤3.1.2:对距离很近的数据点进行合并,生成新数据点,新数据点的权值为原数据点之和;
步骤3.1.3:将所有权值达到阈值的数据点保存起来,用作路径规划的原始数据点。
步骤3.2:根据筛选后的清理数据点使用贪婪算法进行路径规划。具体包括:
步骤3.2.1:接收垃圾清理船发送的GPS坐标,清理船通过自身的GPS模块获取自身的位置;在筛选后的清理数据点中选择距离垃圾清理船最近的垃圾清理点,作为初始清理点,存入清理坐标数组,将初始清理点记作当前清理点;
步骤3.2.2:计算出任意两点的距离大小;
步骤3.2.3:基于所述距离信息,查找距离所述当前清理点最近的点,按序存入数组,并将该点更新为当前清理点;
步骤3.2.4:重复步骤4.2.3,直到所有的坐标点都被存入清理坐标数组,所述清理坐标数组中按顺序存储的坐标值即规划的路径。
所述步骤3规划的路径将发送至清理执行机构——垃圾清理船;垃圾清理船根据接收到的规划路径进行清理,清理过程中通过红外传感器实时记录所收集垃圾的数量信息,通过GPS模块记录位置信息,并将垃圾清理数据打包传输到云端服务器,所述垃圾清理数据包括清理垃圾数量以及对应的清理时间和位置。本发明的垃圾清理船可以包括现有的水面垃圾清理装置,此外还包括用于对清理垃圾数量进行计数的红外传感器和用于实时检测垃圾清理船位置信息的GPS模块。
可选地,由于受气候、季风的影响,垃圾的堆积位置可能会发生变化。因此,在判断所述水域是否不是首次清理时,还判断距离首次清理时间是否超过一个月,若超过,则清理路径与首次相同,若不是首次清理且距离首次清理时间在一个月以内,根据历史清理数据进行路径规划。
实施例二
本实施例的目的是提供一种计算机可读存储介质。
基于上述目的,本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时执行以下步骤:
接收用户基于地图数据选择的待清理水域区域;
基于水域颜色特征,提取所述待清理水域的边界坐标;
根据所述水域边界坐标和存储的历史清理数据,判断所述水域是否为首次清理。若是首次,则基于所述水域边界坐标确定待清理区域并规划清理路径;若不是首次,则将所述水域对应的历史清理数据发送至所述用户终端,基于机器学习,根据所述历史清理数据规划清理路径。
实施例三
本实施例的目的是提供一种执行所述路径规划方法的用户终端,与云端服务器和垃圾清理船建立通信连接。所述云端服务器中存储垃圾清理船实时传输的垃圾清理数据。
基于上述目的,本实施例提供了一种用户终端,
接收用户基于地图数据选择的待清理水域区域;
基于水域颜色特征,提取所述待清理水域的边界坐标,并发送至云端服务器;
接收云端服务器反馈的所述水域是否首次清理的判断结果,若判断结果为是,则基于所述水域边界坐标确定待清理区域并规划清理路径;若判断结果为否,则接收云端服务器发送的所述水域对应的历史垃圾清理数据,采用机器学习的方法规划清理路径;将所述清理路径发送至垃圾清理船。
即,历史垃圾清理数据的存储,以及是否为首次清理的判断由云端服务器执行。
以上实施例二和三中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。
本发明的有益效果
1、本发明的清理方法是基于用户在用户终端上指定区域触发,基于所述区域识别水域,然后基于所述区域的历史清理数据,采用机器学习的方法规划清理路径,本发明不是基于用户指定位置的单点清理,而是根据水域历史清理数据实现的整个水域的清理。
2、本发明只需用户在手机APP端指定清理区域,清理路径的分析和清理过程全部自动化实现,极大节省了清理水面垃圾所耗的人力。
3、本发明考虑了水面垃圾的分布规律,基于历史清理数据进行路径规划,使得清理更具针对性,相较于传统的自动清理方法,提高了清理效率,降低了清理的能耗。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于机器学习的水面垃圾清理路径规划方法,其特征在于,包括以下步骤:
接收用户基于地图数据选择的待清理水域区域;
基于待清理水域地图的颜色特征,提取所述待清理水域的边界坐标;
根据所述水域边界坐标和存储的历史清理数据,判断所述水域是否为首次清理。若是首次,则基于所述水域边界坐标确定待清理区域并规划清理路径;若不是首次,则根据所述水域对应的历史清理数据,基于机器学习,根据所述历史清理数据规划清理路径。
2.如权利要求1所述的一种基于机器学习的水面垃圾清理路径规划方法,其特征在于,所述垃圾清理数据包括每个垃圾清理点的垃圾清理位置、时间和垃圾数量。
3.如权利要求1所述的一种基于机器学习的水面垃圾清理路径规划方法,其特征在于,判断所述水域是否为首次清理包括:
获取所述待清理水域的边界坐标;
根据所述边界坐标和云端服务器存储的历史垃圾清理数据,判断是否是首次清理。
4.如权利要求1所述的一种基于机器学习的水面垃圾清理路径规划方法,其特征在于,所述基于所述水域边界坐标确定待清理区域并规划清理路径具体包括:
将所述水域边界向内部缩进设定距离得到内边界,水域边界和内边界之间的区域即待清理区域,将待清理区域进行节点化;基于遍历式清理的原则规划清理路径。
5.如权利要求1所述的一种基于机器学习的水面垃圾清理路径规划方法,其特征在于,所述待清理区域的确定方法具体包括:
设定实际缩进距离,根据地图比例尺确定所述实际缩进距离对应的地图缩进距离;
根据水域边界坐标,获取所述水域的横向距离和纵向距离中的较小值,所述缩放比为所述较小值与地图缩进距离的差值除以所述较小值;
根据所述缩放比和所述水域边界坐标得到内边界坐标,删去重复的内边界坐标点,保存剩下的内边界坐标,水域边界和内边界之间的区域即待清理区域。
6.如权利要求1所述的一种基于机器学习的水面垃圾清理路径规划方法,其特征在于,基于机器学习,根据所述历史清理数据规划清理路径具体包括:
根据历史垃圾清理数据,获取该水域中的垃圾清理点;
根据所述清理数据点的历史清理时间与清理次数,确定每个清理数据点的权重;
对所述垃圾清理点进行筛选;
根据所有权值达到阈值的数据点,进行路径规划。
7.如权利要求6所述的一种基于机器学习的水面垃圾清理路径规划方法,其特征在于,所述权重的确定方法为:
为每个清理点设置相同的初始权值;
根据各清理点每次清理垃圾的数量对每个清理点的权值进行累加,数量越多,权值增幅越大;
每次的加权的增幅大于上一次。
8.如权利要求6所述的一种基于机器学习的水面垃圾清理路径规划方法,其特征在于,所述路径规划包括:
接收垃圾清理船发送的位置坐标;
选择距离垃圾清理船最近的垃圾清理点,作为初始清理点,存入清理坐标数组,将初始清理点记作当前清理点;
计算出任意两点的距离大小;
基于所述距离信息,查找距离所述当前清理点最近的点,按序存入数组,并将该点更新为当前清理点,重复执行该步骤,直到所有的坐标点都被存入清理坐标数组,所述清理坐标数组中按顺序存储的坐标值即规划的路径。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8所述的任一项基于机器学习的水面垃圾清理路径规划方法。
10.一种用户终端,其特征在于,
接收用户基于地图数据选择的待清理水域区域;
基于水域颜色特征,提取所述待清理水域的边界坐标,并发送至云端服务器;
接收云端服务器反馈的所述水域是否首次清理的判断结果,若判断结果为是,则基于所述水域边界坐标确定待清理区域并规划清理路径;若判断结果为否,则接收云端服务器发送的所述水域对应的历史垃圾清理数据,采用机器学习的方法规划清理路径;将所述清理路径发送至垃圾清理船。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810311939.8A CN108510124B (zh) | 2018-04-09 | 2018-04-09 | 基于机器学习的水面垃圾清理路径规划方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810311939.8A CN108510124B (zh) | 2018-04-09 | 2018-04-09 | 基于机器学习的水面垃圾清理路径规划方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108510124A true CN108510124A (zh) | 2018-09-07 |
CN108510124B CN108510124B (zh) | 2020-11-03 |
Family
ID=63380955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810311939.8A Expired - Fee Related CN108510124B (zh) | 2018-04-09 | 2018-04-09 | 基于机器学习的水面垃圾清理路径规划方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108510124B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109189069A (zh) * | 2018-09-18 | 2019-01-11 | 上海海事大学 | 自主收集水葫芦的小型无人水面艇及其收集方法 |
CN109241984A (zh) * | 2018-09-17 | 2019-01-18 | 暨南大学 | 电车轨道垃圾位置检测方法、计算机装置和计算机可读存储介质 |
CN109829564A (zh) * | 2018-12-24 | 2019-05-31 | 北京智慧云行科技有限责任公司 | 一种清扫车作业自动规划方法及系统 |
CN110146104A (zh) * | 2019-03-28 | 2019-08-20 | 广西七三科技有限公司 | 电子装置的导航方法 |
CN110758658A (zh) * | 2019-11-08 | 2020-02-07 | 湘潭大学 | 一种使用无人机和无人船协同清理水面漂浮垃圾的方法 |
CN113239747A (zh) * | 2021-04-26 | 2021-08-10 | 西安建筑科技大学 | 一种基于计算机视觉的水上智能排污清障系统 |
CN113534797A (zh) * | 2021-07-07 | 2021-10-22 | 江苏科技大学 | 一种水上漂浮垃圾识别与采集路径自动规划系统的处理方法 |
CN114089656A (zh) * | 2021-10-27 | 2022-02-25 | 广州大学 | 基于机器视觉和强化学习的海洋垃圾回收规划方法及系统 |
CN114109095A (zh) * | 2020-09-01 | 2022-03-01 | 苏州宝时得电动工具有限公司 | 泳池清洁机器人和泳池清理方法 |
CN114545952A (zh) * | 2022-04-20 | 2022-05-27 | 季华实验室 | 水面清理方法、作业系统、装置、电子设备及存储介质 |
CN115115287A (zh) * | 2022-08-29 | 2022-09-27 | 深圳市城市公共安全技术研究院有限公司 | 内涝堵塞处理方法、装置、设备与存储介质 |
CN115390570A (zh) * | 2022-10-26 | 2022-11-25 | 深圳市思傲拓科技有限公司 | 一种基于人工智能的泳池机器人管控系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150109045A (ko) * | 2014-03-19 | 2015-10-01 | 삼성전자주식회사 | 사이클론 집진장치 및 이를 구비한 진공 청소기 |
CN206012897U (zh) * | 2016-09-19 | 2017-03-15 | 安徽机电职业技术学院 | 一种优化航迹规划的水面垃圾清理船 |
CN106801445A (zh) * | 2017-01-23 | 2017-06-06 | 南通安中水务科技有限公司 | 基于物联网技术的河道自动清理船及其方法 |
CN107521629A (zh) * | 2017-08-22 | 2017-12-29 | 河海大学 | 一种清除水面漂浮物的自动船 |
CN107622231A (zh) * | 2017-09-08 | 2018-01-23 | 内蒙古大学 | 一种水天一体智能漂浮物收集系统及其收集方法 |
KR101830550B1 (ko) * | 2016-12-14 | 2018-02-20 | 주식회사 포스코 | 수중 작업 부하 모니터링 부표, 수중 작업 부하 모니터링 시스템 및 이를 이용한 수중 작업 부하 모니터링 방법 |
-
2018
- 2018-04-09 CN CN201810311939.8A patent/CN108510124B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150109045A (ko) * | 2014-03-19 | 2015-10-01 | 삼성전자주식회사 | 사이클론 집진장치 및 이를 구비한 진공 청소기 |
CN206012897U (zh) * | 2016-09-19 | 2017-03-15 | 安徽机电职业技术学院 | 一种优化航迹规划的水面垃圾清理船 |
KR101830550B1 (ko) * | 2016-12-14 | 2018-02-20 | 주식회사 포스코 | 수중 작업 부하 모니터링 부표, 수중 작업 부하 모니터링 시스템 및 이를 이용한 수중 작업 부하 모니터링 방법 |
CN106801445A (zh) * | 2017-01-23 | 2017-06-06 | 南通安中水务科技有限公司 | 基于物联网技术的河道自动清理船及其方法 |
CN107521629A (zh) * | 2017-08-22 | 2017-12-29 | 河海大学 | 一种清除水面漂浮物的自动船 |
CN107622231A (zh) * | 2017-09-08 | 2018-01-23 | 内蒙古大学 | 一种水天一体智能漂浮物收集系统及其收集方法 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109241984A (zh) * | 2018-09-17 | 2019-01-18 | 暨南大学 | 电车轨道垃圾位置检测方法、计算机装置和计算机可读存储介质 |
CN109241984B (zh) * | 2018-09-17 | 2020-11-27 | 暨南大学 | 轨道垃圾检测方法、计算机装置和计算机可读存储介质 |
CN109189069A (zh) * | 2018-09-18 | 2019-01-11 | 上海海事大学 | 自主收集水葫芦的小型无人水面艇及其收集方法 |
CN109829564A (zh) * | 2018-12-24 | 2019-05-31 | 北京智慧云行科技有限责任公司 | 一种清扫车作业自动规划方法及系统 |
CN110146104A (zh) * | 2019-03-28 | 2019-08-20 | 广西七三科技有限公司 | 电子装置的导航方法 |
CN110758658A (zh) * | 2019-11-08 | 2020-02-07 | 湘潭大学 | 一种使用无人机和无人船协同清理水面漂浮垃圾的方法 |
CN114109095B (zh) * | 2020-09-01 | 2023-09-12 | 苏州宝时得电动工具有限公司 | 泳池清洁机器人和泳池清理方法 |
CN114109095A (zh) * | 2020-09-01 | 2022-03-01 | 苏州宝时得电动工具有限公司 | 泳池清洁机器人和泳池清理方法 |
CN113239747A (zh) * | 2021-04-26 | 2021-08-10 | 西安建筑科技大学 | 一种基于计算机视觉的水上智能排污清障系统 |
CN113534797A (zh) * | 2021-07-07 | 2021-10-22 | 江苏科技大学 | 一种水上漂浮垃圾识别与采集路径自动规划系统的处理方法 |
CN114089656A (zh) * | 2021-10-27 | 2022-02-25 | 广州大学 | 基于机器视觉和强化学习的海洋垃圾回收规划方法及系统 |
CN114089656B (zh) * | 2021-10-27 | 2023-08-08 | 广州大学 | 基于机器视觉和强化学习的海洋垃圾回收规划方法及系统 |
CN114545952B (zh) * | 2022-04-20 | 2022-07-29 | 季华实验室 | 水面清理方法、作业系统、装置、电子设备及存储介质 |
CN114545952A (zh) * | 2022-04-20 | 2022-05-27 | 季华实验室 | 水面清理方法、作业系统、装置、电子设备及存储介质 |
CN115115287A (zh) * | 2022-08-29 | 2022-09-27 | 深圳市城市公共安全技术研究院有限公司 | 内涝堵塞处理方法、装置、设备与存储介质 |
CN115390570A (zh) * | 2022-10-26 | 2022-11-25 | 深圳市思傲拓科技有限公司 | 一种基于人工智能的泳池机器人管控系统及方法 |
CN115390570B (zh) * | 2022-10-26 | 2023-01-17 | 深圳市思傲拓科技有限公司 | 一种基于人工智能的泳池机器人管控系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108510124B (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510124A (zh) | 基于机器学习的水面垃圾清理路径规划方法和装置 | |
CN102538717B (zh) | 叶面积指数自动观测系统及其方法 | |
CN109272170B (zh) | 一种基于Louvain算法的交通小区划分系统 | |
CN110472882A (zh) | 基于主成分分析的城市开发用地适宜性评价方法 | |
CN109189949B (zh) | 一种人口分布计算方法 | |
CN109948547A (zh) | 城市绿地景观评价方法、装置、存储介质及终端设备 | |
CN107730099A (zh) | 一种空间规划模型建立方法 | |
CN110428126A (zh) | 一种基于多源开放数据的城市人口空间化处理方法及系统 | |
CN107872808A (zh) | 一种wlan站址预测分析方法及装置 | |
CN109635748A (zh) | 高分辨率影像中道路特征的提取方法 | |
CN113326593B (zh) | 一种顾及规划布局与要素配置合理性的生态空间网络优化方法 | |
CN109241846A (zh) | 遥感影像的时空变化估测方法、装置与存储介质 | |
CN110162650B (zh) | 一种兼顾局部最优与整体面积平衡的小图斑融解方法 | |
CN108965475A (zh) | 智慧景区游客位置安全隐患信息实时采集分析方法和系统 | |
CN108537361A (zh) | 一种机动雷达和通信台站的选址评估方法 | |
CN107038503A (zh) | 一种共享设备的需求量预测方法及系统 | |
CN113935227A (zh) | 一种基于实时气象云图的光学卫星智能任务规划方法 | |
CN115759669A (zh) | 一种基于复合功能的城市蓝绿生态网络构建方法 | |
CN110378527A (zh) | 一种水站选址方法 | |
CN116824861A (zh) | 基于城市大脑平台多维数据的共享单车调度方法和系统 | |
CN116153140A (zh) | 一种流域应急无人机管理方法及平台 | |
CN115049164A (zh) | 耦合社会网络模型和碳抵消的生态网络优化方法 | |
CN108876144B (zh) | 一种基于深度学习算法的变电站预选址方法 | |
CN107121143B (zh) | 一种协同poi数据的道路选取方法 | |
CN110135451A (zh) | 一种基于点到线段集距离的航迹聚类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201103 |
|
CF01 | Termination of patent right due to non-payment of annual fee |