CN111125290B - 一种基于河长制的智能巡河方法、装置及存储介质 - Google Patents
一种基于河长制的智能巡河方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111125290B CN111125290B CN201911361364.1A CN201911361364A CN111125290B CN 111125290 B CN111125290 B CN 111125290B CN 201911361364 A CN201911361364 A CN 201911361364A CN 111125290 B CN111125290 B CN 111125290B
- Authority
- CN
- China
- Prior art keywords
- inspection
- river
- information
- patrol
- inspection object
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000007689 inspection Methods 0.000 claims abstract description 156
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 230000002265 prevention Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 240000004282 Grewia occidentalis Species 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 230000001419 dependent effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract 1
- 239000004576 sand Substances 0.000 description 21
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000005065 mining Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002789 length control Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/41—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/48—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/487—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/20—Checking timed patrols, e.g. of watchman
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Library & Information Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于河长制的智能巡河方法、装置及存储介质,所述方法包括:通过地图引擎工具设置当前巡检对象,获取当前巡检对象的位置信息,并设置当前巡检对象的所属巡检类型;采用网格索引算法根据位置信息,计算巡检对象的所在位置与巡检对象所属巡检类型的预设区域范围的相对位置信息,判断巡检对象是否在预设区域范围内;若否,则对巡检对象的所在位置进行标记为违规点,采集其不合格信息并保存至巡检设备和服务器;在完成每次巡检后,记录对应的巡检轨迹数据至巡检设备和服务器。本发明能够解决目前河道巡查过于依赖个人巡查能力的缺陷,提高巡河巡检的效率,同时扩大巡河巡检的范围,实现自动判断违规点的效果。
Description
技术领域
本发明涉及水务工程与环境工程技术领域,具体涉及一种基于河长制的智能巡河方法、装置及存储介质。
背景技术
随着社会的发展,人们开始越来越重视人类所赖以生存的环境,但是,在对现有技术的研究与实践过程中,本发明的发明人发现,现有技术中河道巡河信息手段多以记账的方式为主,通过巡查员走访、发现、上报再到研判解决,其过程过于依赖个人巡查能力,而这种巡查方式,不仅会增加巡查人员的负担和问题的漏报的几率,同时也增加了问题研判工作的负担,不利于河道巡河工作的开展,导致巡河事件无法得到及时处理。
发明内容
本发明实施例所要解决的技术问题在于,提供一种基于河长制的智能巡河方法,提高巡河巡检的效率。
为解决上述问题,本发明的一个实施例提供一种基于河长制的智能巡河方法,至少包括如下步骤:
通过地图引擎工具设置当前巡检对象,获取所述当前巡检对象的位置信息,并设置当前巡检对象的所属巡检类型;
采用网格索引算法根据所述位置信息,计算所述巡检对象的所在位置与所述巡检对象所属巡检类型的预设区域范围的相对位置信息,判断所述巡检对象是否在预设区域范围内;
若否,则对所述巡检对象的所在位置进行标记为违规点,采集其不合格信息并保存至巡检设备和服务器;
在完成每次巡检后,记录对应的巡检轨迹数据至巡检设备和服务器。
进一步的,所述基于河长制的智能巡河方法,还包括:
对所述巡检设备上传的巡检轨迹数据进行大数据分析,智能判别各个违规点的重要程度和优先级,分析各个违规点存在的违规问题,并生成对应的总结报告及统计报表;
通过随机森林算法对各个违规点所属巡检类型的区域进行巡查问题分布状态的预测,并标记重点防控点和重点防控区域。
进一步的,所述基于河长制的智能巡河方法,还包括:
当检测用户再次巡查至带有标记的巡检对象的附近区域时,通过巡检设备发出报警并弹出报警提示信息。
进一步的,所述基于河长制的智能巡河方法,还包括:
通过语音识别装置接收并识别用户发送的语音指令,完成对巡检设备对应的控制,并在检测用户巡检到预设区域时,播放语音播报。
进一步的,所述网格索引算法,具体为:
创建预设范围内的网格索引文件,生成多边形具体信息索引和生成创建网格索引;
获取待判断点的坐标后,根据所述网格索引获得待判断点所在网络与多边形的隶属关系;
根据所述多边形具体信息索引和所述隶属关系,分别判断待判断点与可能被包含的多边形的点面关系;
获取包含待判断点的多边形及该多边形的属性信息。
进一步的,所述生成多边形具体信息索引,具体为:
通过WMS服务或直接读取空间数据库,获取所有多边形的几何信息和属性信息;
遍历多边形要素,抽取各个多边形的几何信息和属性信息,计算出信息字节大小后,分别写入索引文件;
获取所有要素的四角坐标,生成多边形具体信息索引。
进一步的,所述对所述巡检设备上传的巡检轨迹数据进行大数据分析,智能判别各个违规点的重要程度和优先级,分析各个违规点存在的违规问题,并生成对应的总结报告及统计报表,还包括:
采用神经网络反向传播算法对采集的历史违规点数据进行匹配训练,根据以往各个违规点的重要程度与优先级的数据中最终匹配到相应的判别结果。
进一步的,所述通过森林随机算法对各个违规点所属巡检类型的区域进行巡查问题分布状态的预测,并标记重点防控点和重点防控区域,具体为:
在以往巡检记录的所有数据中随机选取数据生成若干个子集;
根据所述若干个子集得到对应的若干个决策树;
将本次采集的当前巡检对象的不合格信息投入到所述若干个决策树中,得到对应的若干个分类结果;
统计所述若干个分类结果,选取数量最多的分类作为最终的预测结果。
本发明的一个实施例提供了一种基于河长制的智能巡河装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述的基于河长制的智能巡河方法。
本发明的一个实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的基于河长制的智能巡河方法。
实施本发明实施例,具有如下有益效果:
本发明实施例提供的一种基于河长制的智能巡河方法、装置及存储介质,所述方法包括:通过地图引擎工具设置当前巡检对象,获取所述当前巡检对象的位置信息,并设置当前巡检对象的所属巡检类型;采用网格索引算法根据所述位置信息,计算所述巡检对象的所在位置与所述巡检对象所属巡检类型的预设区域范围的相对位置信息,判断所述巡检对象是否在预设区域范围内;若否,则对所述巡检对象的所在位置进行标记为违规点,采集其不合格信息并保存至巡检设备和服务器;在完成每次巡检后,记录对应的巡检轨迹数据至巡检设备和服务器。本发明能够解决目前河道巡查过于依赖个人巡查能力的缺陷,为河长巡河从手工记账和巡河当中解放出来,提供自动化智能化的巡河辅助工具,提高巡河巡检的效率,同时能够在不增加人工的同时扩大巡河巡检的范围,发现更多的问题点,不仅为环境的治理提供了方便有效的工具,同时为各种问题点的预防整治工作提供数据支撑,实现了自动判断临河违建、非法采砂、非法捕鱼、非法排污、非法施工等问题,提高问题覆盖率发现率,扩大巡查范围,并减少河道巡查的人工成本。
附图说明
图1为本发明第一实施例提供的一种基于河长制的智能巡河方法的流程示意图;
图2为本发明第一实施例提供的网格索引算法的流程示意图;
图3为本发明第一实施例提供的生成多边形具体信息索引的流程示意图;
图4为本发明第一实施例提供的生成网格索引的流程示意图;
图5为本发明第一实施例提供的利用索引判断点面关系的流程关系图;
图6为本发明第一实施例提供的另一种基于河长制的智能巡河方法的流程示意图;
图7为本发明第一实施例提供的随机森林算法的流程示意图;
图8为本发明第二实施例提供的比中辅助巡河法的流程示意图;
图9为本发明第二实施例提供的比中辅助巡河系统的结构示意图;
图10为本发明第三实施例提供的语音辅助巡河法的流程示意图;
图11为本发明第三实施例提供的语音辅助巡河系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
首先介绍本发明可以提供的应用场景,如手持巡检设备进行智能巡河。
本发明第一实施例:
请参阅图1-7。
如图1所示,本实施例提供的一种基于河长制的智能巡河方法,至少包括如下步骤:
S101、通过地图引擎工具设置当前巡检对象,获取所述当前巡检对象的位置信息,并设置当前巡检对象的所属巡检类型。
具体的,对于步骤S101,首先获取当前的巡查位置,根据高精准定位设备(如:千寻高精度手机定位芯片)获取点位信息。根据获取的点位信息提取对应的经纬度坐标,巡检人员在巡检设备操作界面上选择相应的巡检类型(如河岸红线、采砂区和捕鱼区等),以使设备加载服务器上的对应区域。
S102、采用网格索引算法根据所述位置信息,计算所述巡检对象的所在位置与所述巡检对象所属巡检类型的预设区域范围的相对位置信息,判断所述巡检对象是否在预设区域范围内。
S103、若否,则对所述巡检对象的所在位置进行标记为违规点,采集其不合格信息并保存至巡检设备和服务器。
具体的,对于步骤S102和S103,通过网格索引算法,计算出经纬度所在位置与事先划定的的点、线、面区域的相对位置,如果在范围之内则将经纬度位置标记,并记录相关的不合格信息(录音、图片、视频和文字信息)采集信息后保存到数据服务器或者保存到手持巡检设备的本地存储中。
在优选的实施例中,如图2所示,所述网格索引算法,具体为:
创建预设范围内的网格索引文件,生成多边形具体信息索引和生成创建网格索引;
获取待判断点的坐标后,根据所述网格索引获得待判断点所在网络与多边形的隶属关系;
根据所述多边形具体信息索引和所述隶属关系,分别判断待判断点与可能被包含的多边形的点面关系;
获取包含待判断点的多边形及该多边形的属性信息。
在优选的实施例中,如图3所示,所述生成多边形具体信息索引,包括属性信息、几何信息和信息大小,具体生成流程如下:
通过WMS服务或直接读取空间数据库,获取所有多边形的几何信息和属性信息;
遍历多边形要素,抽取各个多边形的几何信息和属性信息,计算出信息字节大小后,分别写入索引文件;
获取所有要素的四角坐标,生成多边形具体信息索引。
在具体的实施例中,所述网格索引包含两类信息:网格编号以及网格隶属于的多边形的具体信息(包括多边形编号和多边形标识),如图4所示,具体的网格索引生成过程如下:
多边形信息组成Map(key,attr),设置网格的宽度width和高度height,通过获取到的数据范围,划分出网格的X和Y个数:BlockXSize和BlockYSize;
遍历Map,获取到每个多边形所覆盖的网格listcell<cellMap>;
遍历listcell,获取每个grid与具体cell之间的关系,具体关系描述为:
Gridnum:cellnum1_cellPos,cellnum2_cellPos;
其中,cellPos为cell信息在多边形索引中的位置;
将gridcellmap中的数据写入到索引中。
在具体的实施例中,如图5所示,利用索引判断点面关系的具体方法如下:
通过Point坐标算出所在网格gridNum;
gridNum算出gridPos,读取网格索引文件中gridPos处的网格包含信息,即获取网格包含的cellNum的标识以及cellPos;
若有多个cellNum,则加载多边形信息索引文件,通过cellPos分别获取到对应多边形几何信息Points,分别判断点和多边形Points之间的点面关系,返回符合包含关系的cellNum;
若只有一个cellNum,则直接返回该cellNum。
本实施例提供的通过网格索引算法,计算出经纬度所在位置与事先划定的的点、线、面区域的相对位置,能够避免了判断点属于哪个多边形时,要将所有多边形都遍历一遍,提高了效率。并且,当点所在网格只包含于一个多边形时,此时连点面具体关系判断都能避免,进一步提高了效率。同时,多边形信息索引文件中可以包含该多边形的属性信息,在点面关系判断成功后,还能提取到该多边形的属性信息,避免了对地理服务器的依赖。
S104、在完成每次巡检后,记录对应的巡检轨迹数据至巡检设备和服务器。
具体的,对于步骤S104,记录相关的巡查轨迹到服务器或者本地存储设备,如果存在本地存储设备,则在有网络连接的可靠环境下上传数据到服务器。
在优选的实施例中,如图6所示,所述基于河长制的智能巡河方法,还包括:
S105、对所述巡检设备上传的巡检轨迹数据进行大数据分析,智能判别各个违规点的重要程度和优先级,分析各个违规点存在的违规问题,并生成对应的总结报告及统计报表;
S106、通过随机森林算法对各个违规点所属巡检类型的区域进行巡查问题分布状态的预测,并标记重点防控点和重点防控区域。
具体的,对于步骤S105和S106,后台服务器根据上传的巡检数据进行大数据分析与处理,通过人工智能技术实现智能识别与智能判别各种违规点的重要程度与优先级,以及可能存在的问题,生成相关问题的总结报告以及各种问题的统计报表,从时间角度和空间角度分析各类问题的分布状态,给各区的统筹安排工作提供确实有效的事实依据,并通过人工智能算法,预测相关区域未来的巡查问题分布状态,标记重点防控点和重点防控区域,从而为相关的预防工作提供指导意见。
在优选的实施例中,所述对所述巡检设备上传的巡检轨迹数据进行大数据分析,智能判别各个违规点的重要程度和优先级,分析各个违规点存在的违规问题,并生成对应的总结报告及统计报表,还包括:
采用神经网络反向传播算法对采集的历史违规点数据进行匹配训练,根据以往各个违规点的重要程度与优先级的数据中最终匹配到相应的判别结果。
在具体的实施例中,对于步骤S105,通过神经网络反向传播算法实现智能识别与智能判别各种违规点的重要程度与优先级,根据前期大量的违规点数据的基础上,其中,所述违规点数据包括录音、图片、视频和文字信息;通过将语音转化为文字与现有的数据进行匹配的关键字,提取出录音的相关特征点,通过图片识别提取图片特征点,根据上述特征点进行匹配训练,从以往的大量的重要程度与优先级的数据中最终匹配到由用户进行结果确认的相应的结果的训练结果。
并且,在通过人工智能技术实现智能识别与智能判别各种违规点的重要程度与优先级,以及可能存在的问题,生成相关问题的总结报告以及各种问题的统计报表后,从时间角度通过图表形式点击地图上某个点位,弹窗显示此点位附近一定范围内的问题数随时间变化的曲线,从空间角度通过地图上各个点位置的圆面积大小以及不同的颜色展示各个点位的最近设定时间范围内问题数量以及各类问题数,使得用户能够更加直观地观测到各类问题的分布状态,给各区的统筹安排工作提供确实有效的事实依据,为相关的预防工作提供指导意见。
需要说明的是,所述神经网络反向传播算法的原理如下:神经网络是一种是基于生物学中神经网络的基本原理,在理解和抽象了人脑结构和外界刺激响应机制后,以网络拓扑知识为理论基础,模拟人脑的神经系统对复杂信息的处理机制的一种数学模型。该模型以并行分布的处理能力、高容错性、智能化和自学习等能力为特征,将信息的加工和存储结合在一起,以其独特的知识表示方式和智能化的自适应学习能力,引起各学科领域的关注。它实际上是一个有大量简单元件相互连接而成的复杂网络,具有高度的非线性,能够进行复杂的逻辑操作和非线性关系实现的系统。神经网络是一种运算模型,由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数,称为激活函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重(weight),神经网络就是通过这种方式来模拟人类的记忆。网络的输出则取决于网络的结构、网络的连接方式、权重和激活函数。而网络自身通常都是对自然界某种算法或者函数的逼近,也可能是对一种逻辑策略的表达。神经网络的构筑理念是受到生物的神经网络运作启发而产生的。人工神经网络则是把对生物神经网络的认识与数学统计模型相结合,借助数学统计工具来实现。另一方面在人工智能学的人工感知领域,通过数学统计学的方法,使神经网络能够具备类似于人的决定能力和简单的判断能力。
具体的,对于步骤S106,通过随机森林算法预测相关区域未来的巡查问题分布状态,标记重点防控点和重点防控区域,从而为相关的预防工作提供指导意见。
在优选的实施例中,如图7所示,所述通过森林随机算法对各个违规点所属巡检类型的区域进行巡查问题分布状态的预测,并标记重点防控点和重点防控区域,具体为:
在以往巡检记录的所有数据中随机选取数据生成若干个子集;
根据所述若干个子集得到对应的若干个决策树;
将本次采集的当前巡检对象的不合格信息投入到所述若干个决策树中,得到对应的若干个分类结果;
统计所述若干个分类结果,选取数量最多的分类作为最终的预测结果。
所述随机森林算法的原理如下:在源数据中随机选取数据,组成几个子集,其中,S矩阵是源数据,有1-N条数据,AB C是feature,最后一列C是类别,由S随机生成M个子矩阵,这M个子集得到M个决策树,将新数据投入到这M个树中,得到M个分类结果,计数看预测成哪一类的数目最多,就将此类别作为最后的预测结果。
在优选的实施例中,所述基于河长制的智能巡河方法,还包括:
当检测用户再次巡查至带有标记的巡检对象的附近区域时,通过巡检设备发出报警并弹出报警提示信息。
具体的,当检测到用户下次巡查到此地点附近时,手持巡检设备将发出报警并弹出报警提示信息,现场巡检人员确认问题得到解决之后选择报警解除,这个问题将不再提示报警,选择未解决,下次巡检到此位置点附近时将还会继续报警。
实施本发明实施例,具有如下有益效果:
通过地图引擎工具设置当前巡检对象,获取所述当前巡检对象的位置信息,并设置当前巡检对象的所属巡检类型;采用网格索引算法根据所述位置信息,计算所述巡检对象的所在位置与所述巡检对象所属巡检类型的预设区域范围的相对位置信息,判断所述巡检对象是否在预设区域范围内;若否,则对所述巡检对象的所在位置进行标记为违规点,采集其不合格信息并保存至巡检设备和服务器;在完成每次巡检后,记录对应的巡检轨迹数据至巡检设备和服务器。本发明能够解决目前河道巡查过于依赖个人巡查能力的缺陷,为河长巡河从手工记账和巡河当中解放出来,提供自动化智能化的巡河辅助工具,提高巡河巡检的效率,同时能够在不增加人工的同时扩大巡河巡检的范围,发现更多的问题点,不仅为环境的治理提供了方便有效的工具,同时为各种问题点的预防整治工作提供数据支撑,实现了自动判断临河违建、非法采砂、非法捕鱼、非法排污、非法施工等问题,提高问题覆盖率发现率,扩大巡查范围,并减少河道巡查的人工成本。
本发明第二实施例:
如图8和图9所示,本实施提供了一种基于第一实施例的比中辅助巡河法,设备获取高精度经纬度的坐标值,所述坐标值通过千寻高精度手机定位芯片,巡检人员在设备操作界面上选择相应的巡检类型(如河岸红线和采砂区等),其中巡检类型可多选,而非单一选择。所述设备将所述高精度坐标值以及所述巡检类型上传至gis地图服务引擎,根据所述高精度经纬度坐标值和巡检类型获取此点附近的巡检划定区域,所述gis地图服务引擎根据地图点聚合算法计算出点与面的包含关系、点与线的远近、点与点之间的距离,并与提前定义好的变量值比较,若果某个点符合要求,则返回相应巡检类型ture,否则返回巡检类型false,以json格式的数据返回至设备,设备获取所述json格式数据后,判断各个操作类型的报警状态,如果是true则将进行下一步的拍照、录像、录音、文字登记操作。
通过gis地图引擎工具设置比中对象,其中比中对象包括河岸红线、采砂区、捕鱼区、排污点和工程区等。
当比中对象为河岸红线时,以河道为中心设置河岸线或保护线,手持巡河设备经过其河岸边的某个建筑时,选择设备上的检测选项为红线,设备获取当前位置的GPS坐标值,通过点线间相对位置距离判定算法,如果判定点在河岸与相应的河岸红线之间则标记为违建并上传相关的图片、坐标证据到服务器。做为下次进行比中的依据,蓝线为河岸线,用于比中河道侵占和河岸损毁,手持设备沿河岸进行巡河。
当比中对象为采砂区时,以河道为参照设置采砂区,手持设备检测某个采沙点,设备选择采沙,设备加载服务器上的采沙区域,并显示在屏幕上,通过相关算法检测到此处的采沙点在不在这个采沙范围,设备将显示报警提示,设备弹出照相机拍摄相关的照片并上传到服务器,下一步填写相关的情况、发现人、发现时间、相关责任人、经纬度信息,相关处理人做为下次比中的依据,下次巡查到此地点附近时手持巡检设备将发出报警并弹出报警提示信息,现场巡检人员确认问题得到解决之后选择报警解除,这个问题将不再提示报警,选择未解决,下次巡检到此位置点附近时将还会继续报警。
当比中对象为捕鱼区时,手持设备检测某个捕鱼点,设备选择捕鱼,设备加载服务器上的捕鱼区域,并显示在屏幕上,通过相关算法检测到此处的捕鱼点不在这个捕鱼范围,设备将显示报警提示,设备弹出照相机拍摄相关的照片并上传到服务器,下一步填写相关的情况、发现人、发现时间、相关责任人、经纬度信息,相关处理人做为下次比中的依据,下次巡查到此地点附近时手持巡检设备将发出报警并弹出报警提示信息,现场巡检人员确认问题得到解决之后选择报警解除,这个问题将不再提示报警,选择未解决,下次巡检到此位置点附近时将还会继续报警。
当比中对象为排污点时,以河道为参照设置排污点,持设备检测某个排污口,设备选择排污,设备加载服务器上的排污区域,并显示在屏幕上,通过相关算法检测到此处的排污点不在这个排污点5米范围,设备将显示报警提示,设备弹出照相机拍摄相关的照片并上传到服务器,下一步填写相关的情况、发现人、发现时间、相关责任人、经纬度信息,相关处理人做为下次比中的依据,下次巡查到此地点附近时手持巡检设备将发出报警并弹出报警提示信息,现场巡检人员确认问题得到解决之后选择报警解除,这个问题将不再提示报警,选择未解决,下次巡检到此位置点附近时将还会继续报警。
当比中对象为工程区时,手持设备检测某个工程区,设备选择工程区,设备加载服务器上的工程区域,并显示在屏幕上,通过相关算法检测到此处的工程不在这个工程区域内,设备将显示报警提示,设备弹出照相机拍摄相关的照片并上传到服务器,下一步填写相关的情况、发现人、发现时间、相关责任人、经纬度信息,相关处理人做为下次比中的依据,下次巡查到此地点附近时手持巡检设备将发出报警并弹出报警提示信息,现场巡检人员确认问题得到解决之后选择报警解除,这个问题将不再提示报警,选择未解决,下次巡检到此位置点附近时将还会继续报警。
本发明第三实施例:
在优选的实施例中,所述基于河长制的智能巡河方法,还包括:
通过语音识别装置接收并识别用户发送的语音指令,完成对巡检设备对应的控制,并在检测用户巡检到预设区域时,播放语音播报。
如图9和图10所示,本实施例还提供了一种基于第一实施例的语音辅助巡河法,具体步骤如下:设备获取高精度经纬度坐标值,所述坐标值通过千寻高精度手机定位芯片,巡检人员通过语音识别选择相应的巡检类型(如河岸红线、采砂区,可以多选),所述设备将所述高精度坐标值以及所述巡检类型上传至gis服务器,服务器上的gis地图服务引擎根据所述高精度经纬度坐标值和巡检类型获取此点附近的巡检划定区域,所述gis地图服务引擎根据网格索引算法计算出点与面的包含关系、点与线的关系、点与点的关系,并将相就的关系返回给设备进行判断,如果满足临河违建、非法采沙等问题则可以通过语音识别进行拍照、录像、录音、文字输入等操作,设备获取相关数据后,上传至服务器进行存档。
具体的,提供的手持设备可以智能的识别巡检人员发出的口令声音并将口令转化为相应的功能的开关比如开始巡河并记录巡河轨迹、录制视频、拍照、录音;在巡查到某个位置发现有违法建筑、非法采沙、临河违建、非法排污口、非法施工、非法捕鱼等违法点时,通过发送语音指令,手持设备接收并智能识别指令后将打开系统里面相应的功能,并智能识别相应的违规项,确认无误后打开拍照设备记录相关的图片,选择录音、录视频、输入文字等相关的功能时可以打开相应的功能页面,记录相关信息;或者巡河到某个位置时通过位置判断以及相关历史数据和相关的政策文档播放相关提示比如注意事项、此处还待处理的问题以及相关的跟进情况,下一步应该处理的方法。
在巡查到河边的某个建筑前,启动设备,打开巡查系统,系统开始进行高精度的定位,为了保证定位的准确性,采用google地图引擎并采用GPS信号进行定位;在设备上选定语音识别,系统开始录音,例如在语音识别文字为“巡检河岸红线”后,系统加载河岸红线专题图。在巡检设备上显示专题图层和地图底图,以及当前位置点,移动地图使地图定位到建筑所在位置,选定语音识别,系统开始录音,语音识别文字为“判断是否临河违建”,系统上传定位经纬度坐标以及巡检类型,后台服务器GIS地图引擎通过网格索引算法判断点面的关系。如果判断为临河违建,设备将进行语音识别,若输入语音“拍照”,设备将打开相机进行相关建筑的拍照并上传到服务器上。若输入语音“录像”,设备将打开摄像头开始录像,结束录像,设备在有网络的情况下上传录像到服务器上,在没有网络的情况下将保存至本地设备。若输入语音“录音”,设备将开始录音,结束录音,设备将语音文件上传到服务器上或者保存到本地。若输入语音“输入文字”,系统打开文字编辑界面,可以手动编辑添加文字,也可以进行语音的输入,并将语音转换为文字输入到文字编辑框里面,点击保存将文字保存至服务器。
当河长巡查到采沙点时,启动设备,打开巡查系统,系统开始进行高精度的定位,为了保证定位的准确性,采用google地图引擎并采用GPS信号进行定位;在设备上选定语音识别,系统开始录音,语音识别文字为“巡检采砂区”,系统加载采砂区专题图。巡检设备上显示专题图层和地图底图,以及当前位置点,移动地图使地图定位到建筑所在位置,选定语音识别,系统开始录音,语音识别文字为“判断是否非法采沙”,系统上传定位经纬度坐标以及巡检类型,后台服务器GIS地图引擎通过网格索引算法判断点面的关系,如果判断为非法采砂,设备将进行语音识别,若输入语音“拍照”,设备将打开相机进行相关建筑的拍照并上传到服务器上。若输入语音“录像”,设备将打开摄像头开始录像,结束录像,设备在有网络的情况下上传录像到服务器上,在没有网络的情况下将保存至本地设备。若输入语音“录音”,设备将开始录音,结束录音,设备将语音文件上传到服务器上或者保存到本地。若输入语音“输入文字”,系统打开文字编辑界面,可以手动编辑添加文字,也可以进行语音的输入,并将语音转换为文字输入到文字编辑框里面,点击保存将文字保存至服务器。
本发明的一个实施例提供了一种基于河长制的智能巡河装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述的一种基于河长制的智能巡河方法。
本发明的另一个实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的一种基于河长制的智能巡河方法。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述模块的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和变形,这些改进和变形也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
Claims (7)
1.一种基于河长制的智能巡河方法,其特征在于,至少包括如下步骤:
通过地图引擎工具设置当前巡检对象,获取所述当前巡检对象的位置信息,并设置当前巡检对象的所属巡检类型;
采用网格索引算法根据所述位置信息,计算所述巡检对象的所在位置与所述巡检对象所属巡检类型的预设区域范围的相对位置信息,判断所述巡检对象是否在预设区域范围内;
若否,则对所述巡检对象的所在位置进行标记为违规点,采集其不合格信息并保存至巡检设备和服务器;
在完成每次巡检后,记录对应的巡检轨迹数据至巡检设备和服务器;
对所述巡检设备上传的巡检轨迹数据进行大数据分析,智能判别各个违规点的重要程度和优先级,分析各个违规点存在的违规问题,并生成对应的总结报告及统计报表;
采用神经网络反向传播算法对采集的历史违规点数据进行匹配训练,根据以往各个违规点的重要程度与优先级的数据中最终匹配到相应的判别结果;
通过随机森林算法对各个违规点所属巡检类型的区域进行巡查问题分布状态的预测,并标记重点防控点和重点防控区域,具体为:在以往巡检记录的所有数据中随机选取数据生成若干个子集;根据所述若干个子集得到对应的若干个决策树;将本次采集的当前巡检对象的不合格信息投入到所述若干个决策树中,得到对应的若干个分类结果;统计所述若干个分类结果,选取数量最多的分类作为最终的预测结果。
2.根据权利要求1所述的基于河长制的智能巡河方法,其特征在于,还包括:
当检测用户再次巡查至带有标记的巡检对象的附近区域时,通过巡检设备发出报警并弹出报警提示信息。
3.根据权利要求1所述的基于河长制的智能巡河方法,其特征在于,还包括:
通过语音识别装置接收并识别用户发送的语音指令,完成对巡检设备对应的控制,并在检测用户巡检到预设区域时,播放语音播报。
4.根据权利要求1所述的基于河长制的智能巡河方法,其特征在于,所述网格索引算法,具体为:
创建预设范围内的网格索引文件,生成多边形具体信息索引和生成创建网格索引;
获取待判断点的坐标后,根据所述网格索引获得待判断点所在网络与多边形的隶属关系;
根据所述多边形具体信息索引和所述隶属关系,分别判断待判断点与可能被包含的多边形的点面关系;
获取包含待判断点的多边形及该多边形的属性信息。
5.根据权利要求4所述的基于河长制的智能巡河方法,其特征在于,所述生成多边形具体信息索引,具体为:
通过WMS服务或直接读取空间数据库,获取所有多边形的几何信息和属性信息;
遍历多边形要素,抽取各个多边形的几何信息和属性信息,计算出信息字节大小后,分别写入索引文件;
获取所有要素的四角坐标,生成多边形具体信息索引。
6.一种基于河长制的智能巡河装置,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至5任意一项所述的基于河长制的智能巡河方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5任意一项所述的基于河长制的智能巡河方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911361364.1A CN111125290B (zh) | 2019-12-24 | 2019-12-24 | 一种基于河长制的智能巡河方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911361364.1A CN111125290B (zh) | 2019-12-24 | 2019-12-24 | 一种基于河长制的智能巡河方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111125290A CN111125290A (zh) | 2020-05-08 |
CN111125290B true CN111125290B (zh) | 2023-04-07 |
Family
ID=70502603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911361364.1A Active CN111125290B (zh) | 2019-12-24 | 2019-12-24 | 一种基于河长制的智能巡河方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111125290B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111751705B (zh) * | 2020-06-18 | 2023-04-07 | 捷普电子(广州)有限公司 | 测试结果展示方法、装置及电子设备、存储介质 |
CN112804544A (zh) * | 2021-01-07 | 2021-05-14 | 中水三立(北京)技术服务有限公司 | 一种基于直播调度河长制巡河及问题处理方法 |
CN112597264B (zh) * | 2021-03-03 | 2021-05-25 | 长江空间信息技术工程有限公司(武汉) | 一种基于时空大数据的巡河轨迹集中度分析方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709837A (zh) * | 2015-11-17 | 2017-05-24 | 星际空间(天津)科技发展有限公司 | 一种基于移动终端对违建信息的高精度采集方法 |
KR101837664B1 (ko) * | 2017-07-21 | 2018-04-19 | 주식회사 부린 | 하천 스마트관리시스템 및 방법 |
CN108052887A (zh) * | 2017-12-07 | 2018-05-18 | 东南大学 | 一种融合slam/gnss信息的疑似违法用地自动识别系统及方法 |
CN108682058A (zh) * | 2018-03-30 | 2018-10-19 | 柳德明 | 一种河湖环境信息管理系统 |
CN110379037A (zh) * | 2019-07-03 | 2019-10-25 | 山东开创云软件有限公司 | 一种巡河方法及装置 |
CN110580562A (zh) * | 2018-06-11 | 2019-12-17 | 詹春婷 | 一种黑臭河道网格化管理系统 |
-
2019
- 2019-12-24 CN CN201911361364.1A patent/CN111125290B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709837A (zh) * | 2015-11-17 | 2017-05-24 | 星际空间(天津)科技发展有限公司 | 一种基于移动终端对违建信息的高精度采集方法 |
KR101837664B1 (ko) * | 2017-07-21 | 2018-04-19 | 주식회사 부린 | 하천 스마트관리시스템 및 방법 |
CN108052887A (zh) * | 2017-12-07 | 2018-05-18 | 东南大学 | 一种融合slam/gnss信息的疑似违法用地自动识别系统及方法 |
CN108682058A (zh) * | 2018-03-30 | 2018-10-19 | 柳德明 | 一种河湖环境信息管理系统 |
CN110580562A (zh) * | 2018-06-11 | 2019-12-17 | 詹春婷 | 一种黑臭河道网格化管理系统 |
CN110379037A (zh) * | 2019-07-03 | 2019-10-25 | 山东开创云软件有限公司 | 一种巡河方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111125290A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388888B (zh) | 一种车辆识别方法、装置和存储介质 | |
CN111125290B (zh) | 一种基于河长制的智能巡河方法、装置及存储介质 | |
CN108596277B (zh) | 一种车辆身份识别方法、装置和存储介质 | |
CN109858367B (zh) | 工人通过支撑不安全行为的视觉自动化检测方法及系统 | |
CN110516665A (zh) | 识别图像叠加文字区域的神经网络模型构建方法与系统 | |
CN111458721B (zh) | 一种暴露垃圾的识别定位方法、装置及系统 | |
CN110516529A (zh) | 一种基于深度学习图像处理的投喂检测方法和系统 | |
CN109325429A (zh) | 一种关联特征数据的方法、装置、存储介质及终端 | |
CN109034036A (zh) | 一种视频分析方法、教学质量评估方法及系统、计算机可读存储介质 | |
CN110956412B (zh) | 基于实景模型的洪灾动态评估方法、装置、介质和设备 | |
CN109978215B (zh) | 巡防管理方法和装置 | |
CN110659391A (zh) | 一种视频侦查方法及装置 | |
CN110135476A (zh) | 一种个人安全装备的检测方法、装置、设备及系统 | |
CN112633354B (zh) | 路面裂缝检测方法、装置、计算机设备和存储介质 | |
CN115775085B (zh) | 一种基于数字孪生的智慧城市管理方法及系统 | |
CN112668375B (zh) | 景区内游客分布分析系统及方法 | |
CN109886554A (zh) | 违规行为判别方法、装置、计算机设备和存储介质 | |
CN113822247A (zh) | 基于航拍影像的违章建筑识别方法及系统 | |
CN115880466B (zh) | 基于无人机遥感的城市工程测绘方法及系统 | |
CN113850136A (zh) | 基于yolov5与BCNN的车辆朝向识别方法及系统 | |
CN114782815A (zh) | 绿地自动化监管方法、装置、设备及存储介质 | |
Gueguen et al. | Mapping human settlements and population at country scale from VHR images | |
CN113505769A (zh) | 目标检测方法及应用其的车辆抛洒滴漏识别方法 | |
CN116884192A (zh) | 一种电力生产作业风险预警方法、系统和设备 | |
CN117292247A (zh) | 基于YOLOv8算法和跟踪算法的改进型室内危险场景检测方法 |
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 |