CN113103946B - 基于机器学习的油罐车防盗系统 - Google Patents

基于机器学习的油罐车防盗系统 Download PDF

Info

Publication number
CN113103946B
CN113103946B CN202110295740.2A CN202110295740A CN113103946B CN 113103946 B CN113103946 B CN 113103946B CN 202110295740 A CN202110295740 A CN 202110295740A CN 113103946 B CN113103946 B CN 113103946B
Authority
CN
China
Prior art keywords
machine learning
alarm
module
local
oil
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
Application number
CN202110295740.2A
Other languages
English (en)
Other versions
CN113103946A (zh
Inventor
李志勇
朱磊
黄永华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Vocational and Technical University
Original Assignee
Shenzhen Enlian Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Enlian Technology Co ltd filed Critical Shenzhen Enlian Technology Co ltd
Priority to CN202110295740.2A priority Critical patent/CN113103946B/zh
Publication of CN113103946A publication Critical patent/CN113103946A/zh
Application granted granted Critical
Publication of CN113103946B publication Critical patent/CN113103946B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60P—VEHICLES ADAPTED FOR LOAD TRANSPORTATION OR TO TRANSPORT, TO CARRY, OR TO COMPRISE SPECIAL LOADS OR OBJECTS
    • B60P3/00—Vehicles adapted to transport, to carry or to comprise special loads or objects
    • B60P3/22—Tank vehicles
    • B60P3/224—Tank vehicles comprising auxiliary devices, e.g. for unloading or level indicating
    • B60P3/229—Anti-theft means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
    • G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
    • G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
    • G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
    • G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
    • G08B13/19613—Recognition of a predetermined image pattern or behaviour pattern indicating theft or intrusion
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Burglar Alarm Systems (AREA)
  • Alarm Systems (AREA)

Abstract

一种基于机器学习的油罐车防盗系统，包括摄像头和机器学习模块，所述摄像头用于实时获取油罐车注油口和/或出油口处的场景画面；所述机器学习模块用于将所述场景画面输入至机器学习模型，利用机器学习模型预测所述场景画面中是否发生盗油事件，当预测发生盗油事件时，所述机器学习模块输出报警信号。本发明的基于机器学习的油罐车防盗系统，可利用机器学习模型自动预测盗油事件、自动发出报警提醒，并可基于司机的正向反馈而训练更新本地机器学习模型，且可以远程监控盗油报警情况。本实施例的系统，不仅可大大提高预测准确性，及时发现盗油事件并发出报警提醒，并可对司机的行为进行约束，避免司机监守自盗，从而实现对油罐车的全局管控。

Description

基于机器学习的油罐车防盗系统
【技术领域】
本发明涉及车辆管理技术，特别涉及一种基于机器学习的油罐车防盗系统。
【背景技术】
陆上石油运输，通常都是通过专用油罐车运输完成。在实际运输过程中，时有盗油现象发生。盗油行为本身非常危险，此外，油罐车油品频繁被盗，也会产生巨大的经济损失。因此，需要对油罐车的盗油行为进行管控。
现有技术中，有通过油箱重量进行检测的，其设有压力传感器和警报器，当油品被盗时，油箱内油的重量变少而可触发警报。而现实中，盗油者盗油时或盗油后向油箱内注水，便可保持盗油前后油箱重量一致，从而躲避监控而不被发现。
此外，也有在油箱口设置传感器，检测油箱口有没有被打开。这种方式，实际运用时，效果较差，经常无法及时报警，或误报警。
随着视频技术的发展，市面上一部分油罐车采用摄像头进行监控，现有的这种视频管控方法，在一定程度上能起到震慑作用，但是，其录制的视频在本地，其方便事后调查，但并不适合运输过程中及时发现盗油事件，其无法及时进行提醒。而且，这种管控方法，只能依赖于司机的判断，而对于司机的行为却无法管控，因此，其并不方便管理人员对油品输运的盗油现象进行全面监管。
【发明内容】
本发明旨在解决上述问题，而提供一种可全面管控油罐车盗油，并进行自动提醒的基于机器学习的油罐车防盗系统。
为解决上述问题，本发明提供了一种基于机器学习的油罐车防盗系统，其特征在于，其包括摄像头和机器学习模块，所述摄像头用于实时获取油罐车注油口和/或出油口处的场景画面；所述机器学习模块用于将所述场景画面输入至机器学习模型，利用机器学习模型预测所述场景画面中是否发生盗油事件，当预测发生盗油事件时，所述机器学习模块输出报警信号。
进一步地，其还包括本地报警装置和第一控制模块，所述本地报警装置用于报警提醒；所述第一控制模块与所述机器学习模块、本地报警装置连接，当所述机器学习模块输出报警信号时，所述第一控制模块控制所述本地报警装置进行报警提醒。
进一步地，其还包括报警确认装置，所述报警确认装置与所述第一控制模块连接，用于供油罐车驾驶室中的司机确认所述报警信号是否准确，所述报警确认装置可输出确认结果至所述第一控制模块。
进一步地，其还包括模型更新模块，其可将所述确认结果及相应的场景画面作为训练数据而训练所述机器学习模型。
进一步地，其还包括第一通信模块和云服务器，所述第一通信模块设于油罐车本地，其与所述第一控制模块连接；所述云服务器可与所述第一通信模块进行通信。
进一步地，所述云服务器设有第二通信模块、云端报警装置和第二控制模块，所述第二通信模块可与所述第一通信模块远程通信；所述云端报警装置用于报警提醒；所述第二控制模块与所述第二通信模块及云端报警装置连接；当所述机器学习模块输出报警信号时，所述第二控制模块控制所述云端报警装置进行报警提醒。
进一步地，所述云服务器还设有确认模块，其与所述第二控制模块连接，用于将需要确认的报警信号发送至产生该报警信号的油罐车。
进一步地，所述确认模块还用于基于所述报警确认装置的确认结果而确定出所述报警信号中未经报警确认装置进行确认的报警信号，并将其确定为需要确认的报警信号。
进一步地，所述机器学习模型包括本地机器学习模型和云端机器学习模型，所述本地机器学习模型设于油罐车本地，与所述机器学习模块连接；所述云端机器学习模型设于所述云服务器。
进一步地，所述模型更新模块包括本地模型更新模块和云端模型更新模块，所述本地模型更新模块设于油罐车本地，与所述第一控制模块及本地机器学习模型连接；所述云端模型更新模块设于云服务器，与所述第二控制模块及云端机器学习模型连接。
进一步地，所述本地模型更新模块可根据所述报警确认装置的确认结果及相应的场景画面而训练所述本地机器学习模型。
本发明的有益贡献在于，其有效解决了上述问题。本发明的基于机器学习的油罐车防盗系统，设有摄像头、机器学习模块和机器学习模型，其可利用机器学习模型自动预测盗油事件、自动发出报警提醒。此外，本发明的基于机器学习的油罐车防盗系统可基于司机的正向反馈而训练更新本地机器学习模型，通过不断学习防盗油识别中的各种误报模型而提高识别精确性，从而可快速的减少误报，直至最后消除误报，做到精准识别。本发明的系统，不仅可大大提高预测准确性，及时发现盗油事件并发出报警提醒，并可对司机的行为进行约束，避免司机监守自盗，从而实现对油罐车的全局管控。
【附图说明】
图1是实施例1的原理框图。
图2是实施例2的原理框图。
图3是实施例3的原理框图。
图4是实施例4的原理框图。
图5是实施例5的原理框图。
图6是实施例6的原理框图。
图7是机器学习模型的结构示意图。
图8是模型更新模块的结构示意图。
附图标识：摄像头11、机器学习模块12、本地机器学习模型13、第一控制模块14、本地报警装置15、报警确认装置16、本地模型更新模块17、第一通信模块18、云服务器20、云端机器学习模型21、云端模型更新模块22、第二控制模块23、云端报警装置24、确认模块25、第二通信模块26、机器学习模型30、模型更新模块40。
【具体实施方式】
下列实施例是对本发明的进一步解释和补充，对本发明不构成任何限制。
如图1所示，本发明的基于机器学习的油罐车防盗系统包括摄像头11、机器学习模块12和机器学习模型30。
所述摄像头11设于油罐车本地，其用于实时获取油罐车注油口和/或出油口处的场景画面。
所述摄像头11的位置，可根据油罐车的实际情况设置，其可获取到油罐车注油口、出油口处的场景画面即可。本实施例中，所述摄像头11可设置在油罐车注油口、出油口附近一定距离的位置处，其方便摄录一定范围内的场景画面。所述摄像头11录制的场景画面，应尽可能能显示出注油口、出油口有无被打开，注油口、出油口处有无其他人或物出现。
所述机器学习模块12用于将所述场景画面输入至机器学习模型30，利用机器学习模型30预测所述场景画面中是否发生盗油事件。当预测发生盗油事件时，所述机器学习模块12可输出报警信号。
在一些实施例中，所述机器学习模块12可设置于云服务器20中。
本实施例中，所述机器学习模块12设于油罐车本地。
在一些实施例中，所述机器学习模块12还可分别设于所述云服务器20和油罐车本地中。
所述机器学习模型30用于对场景画面进行预测。所述机器学习模型30的初始模型，是通过对油罐车注油口和/或出油口处的通用场景画面进行机器学习训练得到的。训练时，提前录制一定数量的油罐车场景画面作为训练样本。作为训练样本的场景画面，可以是图片数据，也可以是视频数据，其具体可根据需要而定。所述训练样本的数据，包括但不限于：
油罐车正常停放、正常行驶时的注油口和/或出油口处的场景画面；
油罐车正常加油、正常卸油时的注油口和/或出油口处的场景画面；
模拟各种常见盗油场景的注油口和/或出油口处的场景画面。
获得训练样本后，按照公知的模型训练方法进行训练，便可得到可对盗油事件进行预测的初始机器学习模型30。该初始机器学习模型30，对盗油事件具有一定的预测能力。
当所述机器学习模块12初次工作时，其调用的机器学习模型30便是初始机器学习模型30。
在一些实施例中，所述机器学习模型30可设于云服务器20中。
在一些实施例中，所述机器学习模型30可设于油罐车本地。
在一些实施例中，所述机器学习模型30可设于云服务器20和油罐车本地中。
对于本发明，如图7所示，设于云服务器20的机器学习模型30称为云端机器学习模型21，设于油罐车本地的机器学习模型30称为本地机器学习模型13。
当摄像头11获取到油罐车注油口和/或出油口处的场景画面后，所述机器学习模块12便可将该场景画面输入至所述机器学习模型30中进行预测。若预测发生盗油事件，所述机器学习模块12便输出报警信号，从而方便司机和/或管理人员及时知晓盗油情况，避免油品被盗。
对于本发明的基于机器学习的油罐车防盗系统，摄像头11、机器学习模块12及机器学习模型30可组成最小的系统，该最小的系统可自动对盗油事件进行预测，从而方便及时掌握盗油情况。
进一步的，如图2所示，本系统还可包括第一控制模块14和本地报警装置15。
所述本地报警装置15用于报警提醒，其与所述第一控制模块14连接，其可接收所述报警信号而进行报警提醒。所述本地报警装置15的形式不限，其可起到报警提醒作用即可。例如，在一些实施例中，所述本地报警装置15可以是声光报警灯，其可通过声光结合的方式进行提醒。一些实施例中，所述本地报警装置15也可以是显示器，其一方面可实时显示所述摄像头11摄录的场景画面，并可在接收到所述报警信号时进行提醒，例如进行弹窗提醒、语音提醒等。
所述本地报警装置15设于油罐车本地，其用于提醒油罐车司机。所述本地报警装置15的设置位置不限，其可提醒到司机即可。作为优选，所述本地报警装置15可设于驾驶室中。
当所述机器学习模块12预测到盗油事件时，机器学习模块12输出报警信号至第一控制模块14，第一控制模块14将所述报警信号发送至所述本地报警装置15，所述本地报警装置15便可报警提醒司机，以利于司机及时知晓当前存在盗油事件而对其采取措施。
进一步的，如图3所示，为不断训练所述机器学习模型30，使机器学习模型30更加完善而预测更加准确，本发明的系统还可包括报警确认装置16和模型更新模块40。
对于所述机器学习模型30，尤其是初始机器学习模型30，因训练样本的有限性，其预测结果可能不准。当预测结果不准时，位于驾驶室中的司机可对其进行确认。而经过司机确认的报警信号，其所对应的场景画面，对于所述机器学习模型30，便是很好的训练数据，因此，本系统设置报警确认装置16和模型更新模块40，用以根据司机的确认结果而训练更新所述机器学习模型30，以使得所述机器学习模型30随着使用次数的增多，可以变得预测结果越来越准确。
所述报警确认装置16与所述第一控制模块14连接，其用于供油罐车驾驶室中的司机确认所述报警信号是否正确。所述报警确认装置16可输出确认结果至所述第一控制模块14。
在一些实施例中，所述报警确认装置16可仅用于确认预测正确的报警信号；对于预测准确的报警信号，可通过操作所述报警确认装置16而向第一控制模块14输出第一确认结果。所述第一确认结果用于表征当前场景画面的预测结果准确。
在一些实施例中，所述报警确认装置16可仅用于确认预测错误的报警信号。对于预测错误的报警信号，可通过操作所述报警确认装置16而向所述第一控制模块14输出第二确认结果。所述第二确认结果用于表征当前场景画面的预测结果错误。
在一些实施例中，所述报警确认装置16可用于确认预测正确和预测错误的报警信号，对于预测准确的报警信号，可通过操作所述报警确认装置16而向所述第一控制模块14输出第三确认结果；对于预测错误的报警信号，可通过操作所述报警确认装置16而向所述第一控制模块14输出第四确认结果。所述第三确认结果用于表征当前场景画面的预测结果准确，所述第四确认结果用于表征当前场景画面的预测结果错误。对于预测正确和预测错误的场景画面，进过司机的确认反馈后，其相应的场景画面均可用于进行模型训练，而且利于扩大训练量，使得机器学习模型30训练更准确。本实施例中，所述报警确认装置16优选设置成可用于确认预测正确和预测错误的报警信号，其输出第三确认结果和第四确认结果以对当前预测结果进行区分确认。
所述报警确认装置16的形式不限。例如，在一些实施例中，所述报警确认装置16可设置成红绿两个颜色的按键，绿色按键用以确认当前报警信号预测准确，红色按键用以确认当前报警信号预测错误。当操作绿色按键时，输出第三确认结果至第一控制模块14。当操作红色按键时，输出第四确认结果至第一控制模块14。当然，所述报警确认装置16也可设置成其他形式。
当报警确认装置16向第一控制模块14输出确认结果后，所述模型更新模块40便可基于所述报警确认装置16的确认结果及相应的场景画面而训练所述机器学习模型30。
在一些实施例中，所述模型更新模块40设于云服务器20，其可对设于云服务器20的机器学习模型30进行更新训练。对于本发明，设于云服务器20的模型更新模块40,称为云端模型更新模块22。
在一些实施例中，所述模型更新模块40设于油罐车本地，其可对设于油罐车本地的机器学习模型30进行更新训练。对于本发明，设于油罐车本地的模型更新模块40，称为本地模型更新模块17。
在一些实施例中，如图8所示，所述模型更新模块40包括本地模型更新模块17和云端模型更新模块22，其中，本地模型更新模块17可对设于油罐车本地的机器学习模型30进行更新训练，云端模型更新模块22可对设于云服务器20的机器学习模型30进行更新训练。
所述模型更新模块40的训练方式，可参考公知技术，例如，基于深度学习进行训练。
通过报警确认装置16可对当前产生报警信号的场景画面进行确认，经过司机人工确认的场景画面便可作为模型训练数据而对机器学习模型30进行训练，这样，便可在实际使用过程中向机器学习模型30持续的输入正向反馈而更新机器学习模型30，使其预测能力越来越强，预测结果越来越准确。
进一步地，本发明的系统还可包括第一通信模块18和云服务器20。
所述第一通信模块18设于油罐车本地，其用于与云服务器20进行通信。所述第一通信模块18与所述第一控制模块14连接，其可与所述云服务器20传输包括但不限于以下数据：机器学习模块12产生的报警信号、报警确认装置16产生的确认结果、需要确认的报警信号、摄像头11摄录的场景画面等。所述第一通信模块18可选用公知的通信模块，本实施例不对其进行限制。
如图4所示，所述云服务器20包括第二通信模块26、第二控制模块23和云端报警装置24。
所述第二通信模块26用于数据传输，其可与所述第一通信模块18进行远程通信。所述第二通信模块26可选用公知的通信模块，其与所述第二控制模块23连接。所述第二通信模块26与油罐车本地传输的数据包括但不限于以下：机器学习模块12产生的报警信号、报警确认装置16产生的确认结果、需要确认的报警信号、摄像头11摄录的场景画面等。
所述云端报警装置24用于提醒远程管理人员发生盗油事件。所述云端报警装置24与所述第二控制模块23连接。当所述第二通信模块26接收到报警信号时，所述第二控制模块23可控制所述云端报警装置24对远程管理人员进行报警提醒。
所述云端报警装置24的具体形式不限，其可以是显示屏的弹窗报警、语音报警、声光报警等形式。
所述云端报警装置24响应的报警信号，可根据需要而设置。
在一些实施例中，所述云端报警装置24可响应所述机器学习模块12输出的全部报警信号。当所述机器学习模块12输出报警信号时，其报警信号可全部通过第一通信模块18而发送至第二通信模块26，从而传输至云端报警装置24进行报警提醒。
在一些实施例中，所述云端报警装置24可响应所述机器学习模块12输出的部分报警信号，其可通过设置一定的规则而约束所述云端报警装置24响应的报警信号。
作为优选，本实施例中，所述云端报警装置24可响应所述机器学习模块12输出的全部报警信号，以方便远程管理人员同时知晓当前报警情况。在这种实施例中，当机器学习模块12产生报警信号时，所述第一控制模块14控制所述本地报警装置15进行报警提醒，第一通信模块18将所述报警信号发送至第二通信模块26，第二通信模块26收到报警信号后传输给第二控制模块23，第二控制模块23便可控制所述云端报警装置24进行报警提醒。这样，一个报警信号，既可以在本地提醒油罐车司机，又可以远程提醒远程管理人员，从而对油罐车的盗油报警进行多方监控。
进一步的，如图5所示，所述云服务器20还可设有确认模块25。
对于发送至本地报警装置15的报警信号，司机可通过报警确认装置16对报警信号的预测准确性进行确认。在某些情况下，司机可能无法及时对报警信号进行确认，例如，正在操作方向盘，或者未反应过来需要操作所述报警确认装置16进行确认。为避免遗漏，同时也为了给所述机器学习模型30提供更多的正向反馈以完善所述机器学习模型30，本系统在云服务中设置确认模块25。
所述确认模块25与所述第二通信模块26连接，其用于将需要确认的报警信号发送至产生该报警信号的油罐车。所述确认模块25可以基于所述报警确认装置16的确认结果而确定需要确认的报警信号。
在一些实施例中，所述确认模块25可根据预设的规则而自动确定出需要确认的报警信号。
在一些实施例中，所述确认模块25可提供手动选择的操作方式供远程管理人员手动确定需要确认的报警信号。
当所述确认模块25确定出需要确认的报警信号后，所述确认模块25将需要确认的报警信号通过第二通信模块26传输至与该报警信号相对应的油罐车，油罐车本地的第一通信模块18收到信号后，将其发送至该油罐车的本地报警装置15，从而提醒司机对该报警信号进行确认。
进一步的，所述确认模块25可基于所述报警确认装置16的确认结果而确定出所述报警信号中未经报警确认装置16进行确认的报警信号，并将其确定为需要确认的报警信号。当司机通过所述报警确认装置16对当前报警信号进行确认后，其确认结果通过第一通信模块18发送至云服务器20。云服务器20的第二通信模块26接收到确认结果后，第二控制模块23将其发送至确认模块25。当确认模块25收到该当前报警信号的确认结果时，便可判断当前报警信号不需要重复确认。当司机未通过所述报警确认装置16对当前报警信号进行确认，所述确认模块25便无法收到该报警信号的确认结果，此时，确认模块25便可将该没有收到确认结果的报警信号确定为需要确认的报警信号，并将其通过第二通信模块26发送至油罐车本地，以联动本地报警装置15发出报警提醒，再次提醒司机对该报警信号进行确认。
通过确认模块25，可提醒油罐车司机对未确认的报警信号进行再次确认，从而可避免遗漏，并可为机器学习模型30提供更多的正向反馈而进行训练更新。
为更具体的介绍本发明的系统，以下以具体的实施例进行说明：
实施例1
如图1所示，本实施例的系统包括摄像头11、机器学习模块12和本地机器学习模型13，其均设于油罐车本地。
所述机器学习模块12分别与所述摄像头11、本地机器学习模型13连接。
所述摄像头11实时获取油罐车注油口和/或出油口处的场景画面；所述机器学习模块12实时将所述场景画面输入至本地机器学习模型13，利用本地机器学习模型13预测所述场景画面中是否发生盗油事件。当预测发生盗油事件时，所述机器学习模块12输出报警信号。
实施例2
如图2所示，本实施例的系统包括摄像头11、机器学习模块12、本地机器学习模型13、第一控制模块14、本地报警装置15，其均设于油罐车本地。
所述摄像头11与机器学习模块12连接，所述机器学习模块12与第一控制模块14、本地机器学习模型13连接；本地报警装置15与第一控制模块14连接。
所述摄像头11实时获取油罐车注油口和/或出油口处的场景画面；所述机器学习模块12实时将所述场景画面输入至本地机器学习模型13，利用本地机器学习模型13预测所述场景画面中是否发生盗油事件。当预测发生盗油事件时，所述机器学习模块12输出报警信号至第一控制模块14，第一控制模块14控制所述本地报警装置15发出报警提醒，以提醒司机当前报警情况。
实施例3
如图3所示，本实施例的系统包括摄像头11、机器学习模块12、本地机器学习模型13、第一控制模块14、本地报警装置15、报警确认装置16、本地模型更新模块17，其均设于油罐车本地。
所述摄像头11与机器学习模块12连接，所述机器学习模块12与本地机器学习模型13、第一控制模块14连接，所述本地报警装置15、报警确认装置16分别与第一控制模块14连接，所述本地模型更新模块17分别与所述第一控制模块14、本地机器学习模型13连接。
所述摄像头11实时获取油罐车注油口和/或出油口处的场景画面；所述机器学习模块12实时将所述场景画面输入至本地机器学习模型13，利用本地机器学习模型13预测所述场景画面中是否发生盗油事件。当预测发生盗油事件时，所述机器学习模块12输出报警信号至第一控制模块14，第一控制模块14控制所述本地报警装置15发出报警提醒，以提醒司机当前报警情况。司机收到报警提醒后，可通过所述报警确认装置16对当前报警信号进行确认。当司机操作报警确认装置16后，所述报警确认装置16输出确认结果至第一控制模块14，第一控制模块14可将所述确认结果发送至所述本地模型更新模块17；所述本地模型更新模块17便可基于所述报警确认装置16的确认结果及相应的场景画面而训练所述本地机器学习模型13，以更新所述本地机器学习模型13，使得所述本地机器学习模型13的预测结果越来越准确。
实施例4
如图4所示，本实施例的系统包括设于油罐车本地的摄像头11、机器学习模块12、本地机器学习模型13、第一控制模块14、本地报警装置15、报警确认装置16、本地模型更新模块17、第一通信模块18、。
此外，其还设有云服务器20。所述云服务器20设有第二通信模块26、第二控制模块23和云端报警装置24。
所述摄像头11与机器学习模块12连接，所述机器学习模块12与本地机器学习模型13、第一控制模块14连接，所述本地报警装置15、报警确认装置16、第一通信模块18分别与第一控制模块14连接，所述本地模型更新模块17分别与所述第一控制模块14、本地机器学习模型13连接。
所述第二控制模块23分别与所述第二通信模块26、云端报警装置24连接。
所述油罐车和云服务器通过第一通信模块18、第二通信模块26进行远程通信。
所述摄像头11实时获取油罐车注油口和/或出油口处的场景画面；所述机器学习模块12实时将所述场景画面输入至本地机器学习模型13，利用本地机器学习模型13预测所述场景画面中是否发生盗油事件。当预测发生盗油事件时，所述机器学习模块12输出报警信号至第一控制模块14，第一控制模块14根据报警信号而控制所述本地报警装置15进行报警。第二通信模块26则可将所述报警信号发送至云服务器。
所述本地报警装置15收到报警信号后发出报警提醒，以提醒司机当前报警情况。司机收到报警提醒后，可通过所述报警确认装置16对当前报警信号进行确认。当报警确认装置16输出确认结果时，所述本地模型更新模块17便可基于所述报警确认装置16的确认结果及相应的场景画面而训练所述本地机器学习模型13，以更新所述本地机器学习模型13，使得所述本地机器学习模型13的预测结果越来越准确。
所述第二通信模块26收到报警信号后，将报警信号发送给第二控制模块23，第二控制模块23控制所述云端报警装置24发出报警提醒，以提醒远程管理人员当前的报警情况。
本实施例的系统，可利用本地机器学习模型13自动预测盗油事件、自动发出报警提醒，并可基于司机的正向反馈而训练更新本地机器学习模型13，且可以远程监控盗油报警情况。
实施例5
如图5所示，本实施例的系统包括设于油罐车本地的摄像头11、机器学习模块12、本地机器学习模型13、第一控制模块14、本地报警装置15、报警确认装置16、本地模型更新模块17、第一通信模块18。此外，其还设有云服务器20。所述云服务器20设有第二通信模块26、第二控制模块23、云端报警装置24和确认模块25。
所述摄像头11与机器学习模块12连接，所述机器学习模块12与本地机器学习模型13、第一控制模块14连接，所述本地报警装置15、报警确认装置16、第一通信模块18分别与第一控制模块14连接，所述本地模型更新模块17分别与所述第一控制模块14、本地机器学习模型13连接。
所述第二通信模块26与第一通信模块18可远程通信。
所述第二通信模块26、云端报警装置24和确认模块25分别与所述第二控制模块23连接。
所述摄像头11实时获取油罐车注油口和/或出油口处的场景画面；所述机器学习模块12实时将所述场景画面输入至本地机器学习模型13，利用本地机器学习模型13预测所述场景画面中是否发生盗油事件。当预测发生盗油事件时，所述机器学习模块12输出报警信号至第一控制模块14。所述第一控制模块14控制所述本地报警装置15进行报警提醒，以提醒司机当前报警情况。司机收到报警提醒后，可通过所述报警确认装置16对当前报警信号进行确认。当报警确认装置16输出确认结果时，所述本地模型更新模块17便可基于所述报警确认装置16的确认结果及相应的场景画面而训练所述本地机器学习模型13，以更新所述本地机器学习模型13，使得所述本地机器学习模型13的预测结果越来越准确。
所述第一控制模块14可控制所述第一通信模块18向所述云服务器发送所述机器学习模块12输出的报警信号和报警确认装置16输出的确认结果。
当所述第二通信模块26收到报警信号后，将报警信号发送给所述第二控制模块23，第二控制模块23控制所述云端报警装置24发出报警提醒，以提醒远程管理人员当前的报警情况。当云端报警装置24发出报警提醒后，所述确认模块25根据报警信号和报警确认装置16输出的确认结果而确定需要确认的报警信号。确定出需要确认的报警信号后，例如，未经司机通过所述报警确认装置16进行确认的报警信号，将所述需要确认的报警信号通过第二通信模块26发送至相应油罐车本地。
油罐车本地的第一通信模块18接收到需要确认的报警信号后，本地报警装置15发出报警提醒，以提醒司机对当前报警信号进行确认。
本实施例的系统，可利用本地机器学习模型13自动预测盗油事件、自动发出报警提醒，并可基于双重正向反馈而训练更新本地机器学习模型13，且可以远程监控盗油报警情况。本实施例的系统，可大大提高预测准确性，及时发现盗油事件并发出报警提醒，并可对司机的行为进行约束，避免司机监守自盗，从而实现对油罐车的全局管控。
实施例6
如图6所示，本实施例的系统包括设于油罐车本地的摄像头11、机器学习模块12、本地机器学习模型13、第一控制模块14、本地报警装置15、报警确认装置16、本地模型更新模块17、第一通信模块18。
此外，其还设有云服务器20。所述云服务器20设有第二通信模块26、第二控制模块23、云端报警装置24、确认模块25、云端机器学习模型21、云端模型更新模块22。
所述摄像头11与机器学习模块12连接，所述机器学习模块12与本地机器学习模型13、第一控制模块14连接，所述本地报警装置15、报警确认装置16、第一通信模块18分别与第一控制模块14连接，所述本地模型更新模块17分别与所述第一控制模块14、本地机器学习模型13连接。
所述第二通信模块26与第一通信模块18远程通信连接。
所述云端报警装置24、确认模块25、云端模型更新模块22、第二通信模块26分别与所述第二控制模块23连接。所述云端机器学习模型21与所述云端模型更新模块22连接。
所述摄像头11实时获取油罐车注油口和/或出油口处的场景画面；所述机器学习模块12实时将所述场景画面输入至本地机器学习模型13，利用本地机器学习模型13预测所述场景画面中是否发生盗油事件。当预测发生盗油事件时，所述机器学习模块12输出报警信号至所述第一控制模块14，所述第一控制模块14控制所述本地报警装置15发出报警提醒，以提醒司机当前报警情况。司机收到报警提醒后，可通过所述报警确认装置16对当前报警信号进行确认。当报警确认装置16输出确认结果时，所述本地模型更新模块17便可基于所述报警确认装置16的确认结果及相应的场景画面而训练所述本地机器学习模型13，以更新所述本地机器学习模型13，使得所述本地机器学习模型13的预测结果越来越准确。
所述第二通信模块26与第一通信模块18通信后收到所述报警信号，并将报警信号发送给所述第二控制模块23，所述第二控制模块23控制所述云端报警装置24发出报警提醒，以提醒远程管理人员当前的报警情况。当云端报警装置24发出报警提醒后，所述确认模块25确定需要确认的报警信号。确定出需要确认的报警信号后，将所述需要确认的报警信号通过第二通信模块26发送至相应油罐车本地。
油罐车本地的第一通信模块18接收到需要确认的报警信号后，第一控制模块14控制本地报警装置15发出报警提醒，以提醒司机对当前报警信号进行确认。
当油罐车本地的本地模型更新模块17基于所述报警确认装置16的确认结果及相应的场景画面而训练更新所述本地机器学习模型13后，其产生模型更新信息。所述模型更新信息可通过第一通信模块18而发送至云服务器20。
所述云服务器20的第二通信模块26接收到油罐车本地的模型更新信息后，所述云端模型更新模块22便可基于所述模型更新信息而更新所述云端机器学习模型21。
当所述云端机器学习模型21更新后，其产生模型更新信息，并可通过第二通信模块26而发送至其他需要进行模型更新的油罐车本地。当其他本地油罐车接收到所述模型更新信息后，便可通过其本地模型更新模块17而更新训练所述本地机器学习模型13。通过本地模型更新模块17和云端模型更新模块22，可使得各油罐车辆和云服务器20的机器学习模型30保持一致而实现资源共享。
本实施例的系统，可利用本地机器学习模型13自动预测盗油事件、自动发出报警提醒，并可基于双重正向反馈而训练更新本地机器学习模型13，且可以远程监控盗油报警情况。本实施例的系统，可大大提高预测准确性，及时发现盗油事件并发出报警提醒，并可对司机的行为进行约束，避免司机监守自盗，从而实现对油罐车的全局管控。
尽管通过以上实施例对本发明进行了揭示，但是本发明的范围并不局限于此，在不偏离本发明构思的条件下，以上各构件可用所属技术领域人员了解的相似或等同元件来替换。

Claims (3)

1.一种基于机器学习的油罐车防盗系统，其特征在于，其包括设于本地的：
摄像头(11)，用于实时获取油罐车注油口和/或出油口处的场景画面；
机器学习模块(12)，用于将所述场景画面输入至本地机器学习模型(13)，利用本地机器学习模型(13)预测所述场景画面中是否发生盗油事件，当预测发生盗油事件时，所述机器学习模块(12)输出报警信号；
本地报警装置(15)，用于报警提醒；
第一控制模块(14)，与所述机器学习模块(12)、本地报警装置(15)连接，当所述机器学习模块(12)输出报警信号时，所述第一控制模块(14)可控制所述本地报警装置(15)进行报警提醒；
报警确认装置(16)，与所述第一控制模块(14)连接，用于供油罐车驾驶室中的司机确认所述报警信号是否准确，所述报警确认装置(16)可输出确认结果至所述第一控制模块(14)；
本地模型更新模块(17)，可将所述确认结果及相应的场景画面作为训练数据而训练所述本地机器学习模型(13)；
第一通信模块(18)，设于油罐车本地，其与所述第一控制模块(14)连接；
及
云服务器(20)，可与所述第一通信模块(18)远程通信，所述云服务器(20)包括：
确认模块(25)，可基于所述报警确认装置(16)的确认结果而确定出所述报警信号中未经报警确认装置(16)进行确认的报警信号，并将其确定为需要确认的报警信号而将该需要确认的报警信号发送至产生该报警信号的油罐车以所述司机通过所述报警确认装置(16)确认该需要确认的报警信号是否准确。
2.如权利要求1所述的基于机器学习的油罐车防盗系统，其特征在于，所述云服务器(20)设有：
第二通信模块(26)，可与所述第一通信模块(18)远程通信；
云端报警装置(24)，用于报警提醒；
第二控制模块(23)，与所述第二通信模块(26)、确认模块(25)及云端报警装置(24)连接；
当所述机器学习模块(12)输出报警信号时，所述第二控制模块(23)控制所述云端报警装置(24)进行报警提醒。
3.如权利要求2所述的基于机器学习的油罐车防盗系统，其特征在于，所述云服务器(20)还设有：
云端机器学习模型(21)；
云端模型更新模块(22)，与所述第二控制模块(23)及云端机器学习模型(21)连接；
当所述本地模型更新模块(17)基于所述确认结果及相应的场景画面而训练更新所述本地机器学习模型(13)后，其产生模型更新信息，所述云端模型更新模块(22)可基于所述模型更新信息而更新所述云端机器学习模型(21)；
当所述云端模型更新模块(22)基于所述模型更新信息而更新所述云端机器学习模型(21)后，其产生模型更新信息，其他油罐车上的本地模型更新模块(17)可基于所述模型更新信息而更新其本地机器学习模型(13)。
CN202110295740.2A 2021-03-19 2021-03-19 基于机器学习的油罐车防盗系统 Active CN113103946B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110295740.2A CN113103946B (zh) 2021-03-19 2021-03-19 基于机器学习的油罐车防盗系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110295740.2A CN113103946B (zh) 2021-03-19 2021-03-19 基于机器学习的油罐车防盗系统

Publications (2)

Publication Number Publication Date
CN113103946A CN113103946A (zh) 2021-07-13
CN113103946B true CN113103946B (zh) 2023-08-01

Family

ID=76712078

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110295740.2A Active CN113103946B (zh) 2021-03-19 2021-03-19 基于机器学习的油罐车防盗系统

Country Status (1)

Country Link
CN (1) CN113103946B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108275114A (zh) * 2018-02-27 2018-07-13 苏州清研微视电子科技有限公司 一种油箱防盗监控系统
CN109067921A (zh) * 2018-09-27 2018-12-21 上海工业自动化仪表研究院有限公司 基于云服务的油罐自动检测系统
CN109327328A (zh) * 2018-08-27 2019-02-12 深圳前海达闼云端智能科技有限公司 监管方法、装置、系统、云端服务器及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109835242A (zh) * 2017-09-11 2019-06-04 徐州德胜石油机械有限公司 一种防盗油油罐车
JP7372038B2 (ja) * 2019-02-26 2023-10-31 株式会社日立国際電気 画像解析システムおよび画像解析方法
CN110065455A (zh) * 2019-04-24 2019-07-30 深圳市麦谷科技有限公司 车载功能智能启动方法、装置、计算机设备及存储介质
CN111422057B (zh) * 2020-03-27 2021-02-23 深圳市思拓通信系统有限公司 一种卡车油箱偷油监控方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108275114A (zh) * 2018-02-27 2018-07-13 苏州清研微视电子科技有限公司 一种油箱防盗监控系统
CN109327328A (zh) * 2018-08-27 2019-02-12 深圳前海达闼云端智能科技有限公司 监管方法、装置、系统、云端服务器及存储介质
CN109067921A (zh) * 2018-09-27 2018-12-21 上海工业自动化仪表研究院有限公司 基于云服务的油罐自动检测系统

Also Published As

Publication number Publication date
CN113103946A (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
US11210873B2 (en) Safety for vehicle users
CN105632183B (zh) 一种车辆违规行为举证的方法及其系统
US9580014B2 (en) System, apparatus, and method of detecting and displaying obstacles and data associated with the obstacles
CN103568945B (zh) 车辆碰撞事故通报系统及方法
KR101405184B1 (ko) 운전의 적절성 및 테스트 대상의 성과를 평가하고 기록하는 장치 및 방법
US20070126564A1 (en) System and method for monitoring surrounding of vehicle
WO2008058293A2 (en) Vehicle exception event management systems
CN104916138A (zh) 车辆信息的处理方法、系统、车载设备及服务器
US20190221052A1 (en) Vehicle operation management system
CN110217187B (zh) 车辆碰撞处理方法及装置、hud设备和存储介质
CN112509279A (zh) 车内生命体和物品遗留的检测和保护方法及系统
CN103139595A (zh) 基于车辆的成像系统的功能诊断和验证
CN107415861A (zh) 用于车辆用来探测驾驶员对电子的设备的使用的方法和装置
CN111661059A (zh) 分心驾驶监测方法、系统及电子设备
KR102040774B1 (ko) Ａｖｍ 시스템 및 이를 이용한 자주형 농업기계 비상시 대응 방법
CN112009483A (zh) 用于高度和完全自动化驾驶的对象界面的冗余度信息
CN112215093A (zh) 一种车辆驾驶能力水平的评价方法及装置
CN113103946B (zh) 基于机器学习的油罐车防盗系统
CN110706115A (zh) 交通事故快速理赔方法、系统以及一种服务器
TWI419087B (zh) 計程車的安全監控系統及其方法
CN113112724B (zh) 基于机器学习的油罐车防盗方法
CN106998363A (zh) 交通突发情况远程监控响应系统及监控响应方法
CN115257537A (zh) 车辆的遗留提醒装置、方法、车辆及存储介质
CN115515109A (zh) 车辆数据交互方法、车辆数据交互装置及其系统和车辆
GB2506627A (en) Driver behaviour determining system based upon distances around the vehicle

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230921

Address after: 518000 Xili street xilihu town xilihu bank, Nanshan District, Shenzhen City, Guangdong Province

Patentee after: Shenzhen Vocational and Technical University

Address before: Room 266, 2 / F, Science Park industrial building, 6 Keyuan Road, Science Park community, Yuehai street, Nanshan District, Shenzhen, Guangdong 510000

Patentee before: Shenzhen enlian Technology Co.,Ltd.