CN113128568B - 一种挖掘机活动识别方法、系统、装置及存储介质 - Google Patents
一种挖掘机活动识别方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN113128568B CN113128568B CN202110325939.5A CN202110325939A CN113128568B CN 113128568 B CN113128568 B CN 113128568B CN 202110325939 A CN202110325939 A CN 202110325939A CN 113128568 B CN113128568 B CN 113128568B
- Authority
- CN
- China
- Prior art keywords
- excavator
- data set
- data
- random forest
- forest classifier
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000007637 random forest analysis Methods 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000010276 construction Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 12
- 230000010354 integration Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 230000004069 differentiation Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q50/08—Construction
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operation Control Of Excavators (AREA)
Abstract
本申请公开了一种挖掘机活动识别方法、系统、装置及存储介质。该方法通过挖掘机上安装的速度传感器和定位装置获取挖掘机的二维位置数据和三维姿势数据,构建第一数据集;对第一数据集进行分数特征增强,得到第二数据集;根据第二数据集得到若干训练数据子集;根据训练数据子集对随机森林分类器进行训练,得到训练好的随机森林分类器;获取待识别的挖掘机的第三数据集,将第三数据集输入到训练好的随机森林分类器,得到待识别的挖掘机的活动识别结果;第三数据集包括待识别的挖掘机的二维位置数据和三维姿势数据。该方法可以有效提高识别挖掘机设备活动识别的准确性,有利于施工项目的安全顺利进行。本申请可广泛应用于建筑设备监控技术领域内。
Description
技术领域
本申请涉及建筑设备监控技术领域,尤其是一种挖掘机活动识别方法、系统、装置及存储介质。
背景技术
随着现代化进程的逐步推进,越来越多的工程项目开始运用自动化控制技术实现高效率的施工。而施工设备,例如挖掘机的活动监测和跟踪对于提高项目的生产率、安全性和可持续性具有重要意义。
相关技术中,人工智能技术被用来开发构建建筑设备的监控系统,这些系统通常用于检测、跟踪设备的位置和活动。当前,设备活动识别的研究方向主要倾向于使用深度学习的方法。虽然深度学习方法适用性不错,但其性能大大取决于用于训练模型的数据集的全面性。考虑到建筑设备在尺寸和形状上的巨大差异,以及活动类型的多样性,因而难以大规模采集全面的数据集训练得到一个精准的识别模型。综合上述,相关技术中存在的技术问题亟需得到解决。
发明内容
本申请的目的在于至少一定程度上解决相关技术中存在的技术问题之一。
为此,本申请实施例的一个目的在于提供一种挖掘机活动识别方法,该方法可以有效提高识别挖掘机设备活动识别的准确性,有利于施工项目的安全、顺利进行。
本申请实施例的另一个目的在于提供挖掘机活动识别系统。
为了达到上述技术目的,本申请实施例所采取的技术方案包括:
第一方面,本申请实施例提供了一种挖掘机活动识别方法,包括以下步骤:
通过挖掘机上安装的速度传感器和定位装置获取所述挖掘机的二维位置数据和三维姿势数据,构建第一数据集;
对所述第一数据集进行分数特征增强,得到第二数据集;
根据所述第二数据集得到若干训练数据子集;
根据所述训练数据子集对随机森林分类器进行训练,得到训练好的随机森林分类器;
获取待识别的挖掘机的第三数据集,将所述第三数据集输入到训练好的随机森林分类器,得到所述待识别的挖掘机的活动识别结果;所述第三数据集包括所述待识别的挖掘机的二维位置数据和三维姿势数据。
另外,根据本申请上述实施例的挖掘机活动识别方法,还可以具有以下附加的技术特征:
进一步地,在本申请的一个实施例中,所述根据所述第二数据集得到若干训练数据子集,包括:
通过自举法对所述第二数据集进行处理,得到若干训练数据子集。
进一步地,在本申请的一个实施例中,还包括以下步骤:
获取随机森林分类器的初始化参数;所述初始化参数包括树数、特征列表和分数数;
根据所述初始化参数对所述随机森林分类器进行初始化。
进一步地,在本申请的一个实施例中,所述将所述第三数据集输入到训练好的随机森林分类器,得到所述待识别的挖掘机的活动识别结果,包括:
将所述第三数据集输入到训练好的随机森林分类器,得到所述随机森林分类器中各个树的初始预测结果;
根据所述初始预测结果的多数票,得到所述待识别的挖掘机的活动识别结果。
第二方面,本申请实施例提供了一种挖掘机活动识别系统,包括:
构建模块,用于通过挖掘机上安装的速度传感器和定位装置获取所述挖掘机的二维位置数据和三维姿势数据,构建第一数据集;
增强模块,用于对所述第一数据集进行分数特征增强,得到第二数据集;
处理模块,用于根据所述第二数据集得到若干训练数据子集;
训练模块,用于根据所述训练数据子集对随机森林分类器进行训练,得到训练好的随机森林分类器;
预测模块,用于获取待识别的挖掘机的第三数据集,将所述第三数据集输入到训练好的随机森林分类器,得到所述待识别的挖掘机的活动识别结果;所述第三数据集包括所述待识别的挖掘机的二维位置数据和三维姿势数据。
另外,根据本申请上述实施例的挖掘机活动识别系统,还可以具有以下附加的技术特征:
进一步地,在本申请的一个实施例中,所述处理模块具体用于:
通过自举法对所述第二数据集进行处理,得到若干训练数据子集。
进一步地,在本申请的一个实施例中,所述系统还包括:
获取模块,用于获取随机森林分类器的初始化参数;所述初始化参数包括树数、特征列表和分数数;
初始化模块,用于根据所述初始化参数对所述随机森林分类器进行初始化。
进一步地,在本申请的一个实施例中,所述预测模块具体用于:
将所述第三数据集输入到训练好的随机森林分类器,得到所述随机森林分类器中各个树的初始预测结果;
根据所述初始预测结果的多数票,得到所述待识别的挖掘机的活动识别结果。
第三方面,本申请实施例提供了一种挖掘机活动识别装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行时,使得所述至少一个处理器实现第一方面所述的挖掘机活动识别方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于实现第一方面所述的挖掘机活动识别方法。
本申请的优点和有益效果将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到:
本申请实施例中提供的挖掘机活动识别方法,通过挖掘机上安装的速度传感器和定位装置获取所述挖掘机的二维位置数据和三维姿势数据,构建第一数据集;对所述第一数据集进行分数特征增强,得到第二数据集;根据所述第二数据集得到若干训练数据子集;根据所述训练数据子集对随机森林分类器进行训练,得到训练好的随机森林分类器;获取待识别的挖掘机的第三数据集,将所述第三数据集输入到训练好的随机森林分类器,得到所述待识别的挖掘机的活动识别结果;所述第三数据集包括所述待识别的挖掘机的二维位置数据和三维姿势数据。该方法可以有效提高识别挖掘机设备活动识别的准确性,有利于施工项目的安全、顺利进行。
附图说明
为了更清楚地说明本申请实施例或者现有技术中的技术方案,下面对本申请实施例或者现有技术中的相关技术方案附图作以下介绍,应当理解的是,下面介绍中的附图仅仅为了方便清晰表述本申请的技术方案中的部分实施例,对于本领域的技术人员来说,在无需付出创造性劳动的前提下,还可以根据这些附图获取到其他附图。
图1为本申请一种挖掘机活动识别方法具体实施例的流程示意图;
图2为本申请一种挖掘机活动识别系统具体实施例的结构示意图;
图3为本申请一种挖掘机活动识别装置具体实施例的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
考虑到建筑设备在尺寸和形状上的巨大差异,开发一个全面的数据集来训练深度学习模型具有较大的难度。本申请实施例中提出一种特征扩充方法,应用到浅层模型(例如随机森林)中时,可以在不需要庞大且全面的数据集的情况下产生较好的性能。具体地,本申请实施例中将随机森林分类器与基于分数阶微积分的特征增强技术相结合,在有限的数据集上建立比较精确的活动识别模型。
本申请实施例中提供一种挖掘机活动识别方法,本申请实施例中的识别方法,可应用于终端中,也可应用于服务器中,还可以是运行于终端或服务器中的软件等。终端可以是平板电脑、笔记本电脑、台式计算机等,但并不局限于此。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1,该方法主要包括以下步骤:
步骤110、通过挖掘机上安装的速度传感器和定位装置获取所述挖掘机的二维位置数据和三维姿势数据,构建第一数据集;
本申请实施例中,在采集训练数据时,基于附着在建筑设备即挖掘机上的速度传感器和定位装置获取输入数据,具体地,根据速度传感器和定位装置,确定出标有挖掘机活动的时间序列的二维位置数据和三维姿势数据,用于训练随机森林分类器。本申请实施例中,将采集到的用于训练随机森林分类器的数据记为第一数据集,在采集第一数据集中,可以在不同大小、类型的挖掘机上采集,并根据挖掘机的具体活动类别对数据做标记。例如活动类别是闲置、重新定位(即挖掘机在轨道上移动)、摆动、挖掘和填充(即将材料倾倒在卡车上)等的任意一种。
步骤120、对所述第一数据集进行分数特征增强,得到第二数据集;
本申请实施例中,对于随机森林分类器来说,其超参数包括树数(K)、特征列表(F)和分数数(S),这些超参数在训练开始前由被配置并完成初始化。其中,树的数量将指定决定单个决策树的数量,即分类器,它们将被训练以形成森林;特征列表包括了将用作模型输入的所有特征,由于本申请实施例中采用的分数特征增强在输入特征上应用分数积分和导数,故而为了确保这些运算的乘积具有物理意义,例如可以将特征的性质限于速度特征。对速度应用积分和导数分别产生位移和加速度。对速度特征处理得到的任何分数积分和导数都会生成一个特征维度,分别表示位移特征和加速度特征。分数数表示特征分数范围内的步数。
具体地,本申请实施例中可以采用Rieman-Liouville的方法用于分数阶微积分,Rieman-Liouville公式给出了分数阶积分的一般形式为:
导数的一般形式为:
其中,表示函数f(t)在[a,a+t]范围内的n次积分;/>表示函数f(t)在[a,a+t]范围内的n次导数;a表示积分/导数的起点;T表示进行积分/微分的范围的长度;n表示实数域中的积分/导数阶;Γ(n)为伽马函数,/>
上述方程是针对连续空间提出的,然而,在活动识别的应用背景下,积分空间和导数空间是离散的。在该空间中,f(t)的值对应于在时间实例t时每个特征的值。假设数据是以Hz的速率收集的。考虑到这个假设,则可以得到分数阶积分的离散形式为:
导数的离散形式为:
其中,k为整数。
应用分数特征增强后,数据的频率从到/>进行了折减,折减数据频率后,新数据点的活动(即标签)根据原始期间的主导活动确定。在对S个分数数应用分数特征增强后,特征列表将增长S倍。例如,如果输入特征列表包括5个特征,并且如果分数的数目设置为5,则最终特征大小将是25。在对第一数据集进行分数特征增强后,将得到的数据记为第二数据集。
步骤130、通过自举法对所述第二数据集进行处理,得到若干训练数据子集;
本申请实施例中,在得到第二数据集后,可以使用bootstrapped(自举法)技术来生成一系列训练数据子集,具体地,自举法是一种基于原始训练数据集(即第二数据集)来随机抽样替换子集开发多分类器的技术。训练数据子集的大小与原始数据集的大小相同,但是,由于使用了替换采样,每个训练数据子集可能包含多个重复的数据点,有助于减少可能由原始训练数据集中的特定数据点引起的输出错误,提高训练得到的分类模型的准确性。
步骤140、根据所述训练数据子集对随机森林分类器进行训练,得到训练好的随机森林分类器;
本申请实施例中,将选择前述得到的随机训练数据子集来训练森林中的每棵树。此时,对于每棵树,特征将从分数特征列表中可用的所有特征中随机选择。例如,在前述示例中,可以从25个分数特征列表中随机选择一组5个特征来训练数据集中的每棵树。对随机森林分类器的所有决策树分类器进行训练,从而得到训练好的随机森林分类器。
步骤150、获取待识别的挖掘机的第三数据集,将所述第三数据集输入到训练好的随机森林分类器,得到所述待识别的挖掘机的活动识别结果;所述第三数据集包括所述待识别的挖掘机的二维位置数据和三维姿势数据。
本申请实施例中,对于训练好的随机森林分类器,可以用于评估新输入数据的挖掘机对于的活动,将该挖掘机记为待识别的挖掘机,对于该挖掘机,其输入数据可以包括设备的二维位置数据和三维姿势数据,记为第三数据集。当向随机森林分类器提供新的输入数据时,首先对该数据进行处理,将分数微积分应用于第三数据集以生成与训练模型过程中相同的特征集。由于需要一系列的数据,故而随机森林分类器应用于的折减更新率。一旦生成了所有的分数特征,每个树将确定对应于特定数据的设备活动,得到对应的各个初始预测结果。最后,用初始预测结果的多数票来决定随机森林分类器对设备活动类别的判断,从而得到待识别的挖掘机的活动识别结果。
下面参照附图详细描述根据本申请实施例提出的挖掘机活动识别系统。
参照图2,本申请实施例中提出的挖掘机活动识别系统,包括:
构建模块101,用于通过挖掘机上安装的速度传感器和定位装置获取所述挖掘机的二维位置数据和三维姿势数据,构建第一数据集;
增强模块102,用于对所述第一数据集进行分数特征增强,得到第二数据集;
处理模块103,用于根据所述第二数据集得到若干训练数据子集;
训练模块104,用于根据所述训练数据子集对随机森林分类器进行训练,得到训练好的随机森林分类器;
预测模块105,用于获取待识别的挖掘机的第三数据集,将所述第三数据集输入到训练好的随机森林分类器,得到所述待识别的挖掘机的活动识别结果;所述第三数据集包括所述待识别的挖掘机的二维位置数据和三维姿势数据。
可选地,在本申请的一个实施例中,所述处理模块具体用于:
通过自举法对所述第二数据集进行处理,得到若干训练数据子集。
可选地,在本申请的一个实施例中,所述系统还包括:
获取模块,用于获取随机森林分类器的初始化参数;所述初始化参数包括树数、特征列表和分数数;
初始化模块,用于根据所述初始化参数对所述随机森林分类器进行初始化。
可选地,在本申请的一个实施例中,所述预测模块具体用于:
将所述第三数据集输入到训练好的随机森林分类器,得到所述随机森林分类器中各个树的初始预测结果;
根据所述初始预测结果的多数票,得到所述待识别的挖掘机的活动识别结果。
可以理解的是,上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
参照图3,本申请实施例提供了挖掘机活动识别装置,包括:
至少一个处理器201;
至少一个存储器202,用于存储至少一个程序;
当至少一个程序被至少一个处理器201执行时,使得至少一个处理器201实现的挖掘机活动识别方法。
同理,上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本申请实施例还提供了一种计算机可读存储介质,其中存储有处理器201可执行的程序,处理器201可执行的程序在由处理器201执行时用于执行上述的挖掘机活动识别方法。
同理,上述方法实施例中的内容均适用于本计算机可读存储介质实施例中,本计算机可读存储介质实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或方框有时能以相反顺序被执行。此外,在本申请的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本申请,但应当理解的是,除非另有相反说明,功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本申请是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本申请。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本申请的范围,本申请的范围由所附权利要求书及其等同方案的全部范围来决定。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的上述描述中,参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施方式,本领域的普通技术人员可以理解:在不脱离本申请的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本申请的范围由权利要求及其等同物限定。
以上是对本申请的较佳实施进行了具体说明,但本申请并不限于实施例,熟悉本领域的技术人员在不违背本申请精神的前提下可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种挖掘机活动识别方法,其特征在于,包括以下步骤:
通过挖掘机上安装的速度传感器和定位装置获取所述挖掘机的二维位置数据和三维姿势数据,构建第一数据集;
对所述第一数据集进行分数特征增强,得到第二数据集;
根据所述第二数据集得到若干训练数据子集;
根据所述训练数据子集对随机森林分类器进行训练,得到训练好的随机森林分类器;
获取待识别的挖掘机的第三数据集,将所述第三数据集输入到训练好的随机森林分类器,得到所述待识别的挖掘机的活动识别结果;所述第三数据集包括所述待识别的挖掘机的二维位置数据和三维姿势数据;
其中,进行分数特征增强时使用的分数阶积分的离散形式为:
导数的离散形式为:
式中,表示函数f(t)在[a,a+t]范围内的n次积分;a表示积分/导数的起点;T表示进行积分/微分的范围的长度;n表示实数域中的积分/导数阶;Γ(n)为伽马函数,数据是以/>的速率收集的,k为整数。
2.根据权利要求1所述的挖掘机活动识别方法,其特征在于,所述根据所述第二数据集得到若干训练数据子集,包括:
通过自举法对所述第二数据集进行处理,得到若干训练数据子集。
3.根据权利要求1所述的挖掘机活动识别方法,其特征在于,还包括以下步骤:
获取随机森林分类器的初始化参数;所述初始化参数包括树数、特征列表和分数数;
根据所述初始化参数对所述随机森林分类器进行初始化。
4.根据权利要求1所述的挖掘机活动识别方法,其特征在于,所述将所述第三数据集输入到训练好的随机森林分类器,得到所述待识别的挖掘机的活动识别结果,包括:
将所述第三数据集输入到训练好的随机森林分类器,得到所述随机森林分类器中各个树的初始预测结果;
根据所述初始预测结果的多数票,得到所述待识别的挖掘机的活动识别结果。
5.一种挖掘机活动识别系统,其特征在于,包括:
构建模块,用于通过挖掘机上安装的速度传感器和定位装置获取所述挖掘机的二维位置数据和三维姿势数据,构建第一数据集;
增强模块,用于对所述第一数据集进行分数特征增强,得到第二数据集;
处理模块,用于根据所述第二数据集得到若干训练数据子集;
训练模块,用于根据所述训练数据子集对随机森林分类器进行训练,得到训练好的随机森林分类器;
预测模块,用于获取待识别的挖掘机的第三数据集,将所述第三数据集输入到训练好的随机森林分类器,得到所述待识别的挖掘机的活动识别结果;所述第三数据集包括所述待识别的挖掘机的二维位置数据和三维姿势数据;
其中,进行分数特征增强时使用的分数阶积分的离散形式为:
导数的离散形式为:
式中,表示函数f(t)在[a,a+t]范围内的n次积分;a表示积分/导数的起点;T表示进行积分/微分的范围的长度;n表示实数域中的积分/导数阶;Γ(n)为伽马函数,数据是以/>的速率收集的,k为整数。
6.根据权利要求5所述的挖掘机活动识别系统,其特征在于,所述处理模块具体用于:
通过自举法对所述第二数据集进行处理,得到若干训练数据子集。
7.根据权利要求5所述的挖掘机活动识别系统,其特征在于,所述系统还包括:
获取模块,用于获取随机森林分类器的初始化参数;所述初始化参数包括树数、特征列表和分数数;
初始化模块,用于根据所述初始化参数对所述随机森林分类器进行初始化。
8.根据权利要求5所述的挖掘机活动识别系统,其特征在于,所述预测模块具体用于:
将所述第三数据集输入到训练好的随机森林分类器,得到所述随机森林分类器中各个树的初始预测结果;
根据所述初始预测结果的多数票,得到所述待识别的挖掘机的活动识别结果。
9.一种挖掘机活动识别装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-4中任一项所述的挖掘机活动识别方法。
10.一种计算机可读存储介质,其中存储有处理器可执行的程序,其特征在于:所述处理器可执行的程序在由处理器执行时用于实现如权利要求1-4中任一项所述的挖掘机活动识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110325939.5A CN113128568B (zh) | 2021-03-26 | 2021-03-26 | 一种挖掘机活动识别方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110325939.5A CN113128568B (zh) | 2021-03-26 | 2021-03-26 | 一种挖掘机活动识别方法、系统、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113128568A CN113128568A (zh) | 2021-07-16 |
CN113128568B true CN113128568B (zh) | 2023-08-11 |
Family
ID=76773853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110325939.5A Active CN113128568B (zh) | 2021-03-26 | 2021-03-26 | 一种挖掘机活动识别方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128568B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511047B (zh) * | 2022-04-20 | 2022-07-08 | 北京寄云鼎城科技有限公司 | 挖掘机工作模式识别方法、计算机设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110108992A (zh) * | 2019-05-24 | 2019-08-09 | 国网湖南省电力有限公司 | 基于改进随机森林算法的电缆局放故障识别方法、系统及介质 |
CN111265210A (zh) * | 2020-03-24 | 2020-06-12 | 华中科技大学 | 一种基于深度学习的房颤预测装置和设备 |
CN111832654A (zh) * | 2020-07-15 | 2020-10-27 | 深圳天顺智慧能源科技有限公司 | 偷电漏电用户识别方法、装置、计算机设备及存储介质 |
CN111984960A (zh) * | 2020-07-13 | 2020-11-24 | 深圳市捷讯云联科技有限公司 | 一种基于同态加密的隐私保护设备识别模型设计及使用方法 |
CN112287894A (zh) * | 2020-11-25 | 2021-01-29 | 深圳力维智联技术有限公司 | 基于深度学习的水域特征提取方法及系统 |
-
2021
- 2021-03-26 CN CN202110325939.5A patent/CN113128568B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110108992A (zh) * | 2019-05-24 | 2019-08-09 | 国网湖南省电力有限公司 | 基于改进随机森林算法的电缆局放故障识别方法、系统及介质 |
CN111265210A (zh) * | 2020-03-24 | 2020-06-12 | 华中科技大学 | 一种基于深度学习的房颤预测装置和设备 |
CN111984960A (zh) * | 2020-07-13 | 2020-11-24 | 深圳市捷讯云联科技有限公司 | 一种基于同态加密的隐私保护设备识别模型设计及使用方法 |
CN111832654A (zh) * | 2020-07-15 | 2020-10-27 | 深圳天顺智慧能源科技有限公司 | 偷电漏电用户识别方法、装置、计算机设备及存储介质 |
CN112287894A (zh) * | 2020-11-25 | 2021-01-29 | 深圳力维智联技术有限公司 | 基于深度学习的水域特征提取方法及系统 |
Non-Patent Citations (1)
Title |
---|
刘晓龙 ; 徐瑞 ; 付卓 ; 史正涛 ; 高书鹏 ; .基于多源遥感数据的纳板河国家级自然保护区人类活动用地监测.农业工程学报.2018,(第19期),第1-3页. * |
Also Published As
Publication number | Publication date |
---|---|
CN113128568A (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022105125A1 (zh) | 图像分割方法、装置、计算机设备及存储介质 | |
CN106295591A (zh) | 基于人脸图像的性别识别方法及装置 | |
US10002430B1 (en) | Training system for infield training of a vision-based object detector | |
CN109902556A (zh) | 行人检测方法、系统、计算机设备及计算机可存储介质 | |
CN113298152B (zh) | 模型训练方法、装置、终端设备及计算机可读存储介质 | |
CN103136757A (zh) | 基于流形距离的两阶段聚类算法的sar图像分割方法 | |
WO2021214558A1 (en) | Iterative training of machine learning model | |
CN111488901A (zh) | 在cnn中从多个模块内的输入图像提取特征的方法及装置 | |
CN108399430A (zh) | 一种基于超像素和随机森林的sar图像舰船目标检测方法 | |
CN113128568B (zh) | 一种挖掘机活动识别方法、系统、装置及存储介质 | |
DE112021004652T5 (de) | Hintertürerkennung gegnerischer Interpolation | |
US11727686B2 (en) | Framework for few-shot temporal action localization | |
CN110619216A (zh) | 一种对抗性网络的恶意软件检测方法及系统 | |
US20240013496A1 (en) | Data extraction for machine-learning object recognition from a digital model and testing-data construction | |
Wang et al. | An effective yawn behavior detection method in classroom | |
KR102026280B1 (ko) | 딥 러닝을 이용한 씬 텍스트 검출 방법 및 시스템 | |
CN116227573A (zh) | 分割模型训练方法、图像分割方法、装置及相关介质 | |
CN114241411B (zh) | 基于目标检测的计数模型处理方法、装置及计算机设备 | |
CN112818114A (zh) | 信息的分类方法、检测方法、计算设备及存储介质 | |
CN110581857A (zh) | 一种虚拟执行的恶意软件检测方法及系统 | |
CN115758337A (zh) | 基于时序图卷积网络的后门实时监测方法、电子设备、介质 | |
KR102348368B1 (ko) | 머신러닝 모델의 학습 데이터 생성과 머신러닝 모델을 이용한 유사 이미지 생성을 위한 장치, 방법, 시스템 및 컴퓨터 판독가능 저장 매체 | |
CN114710325A (zh) | 网络入侵检测模型的构建方法、装置、设备及存储介质 | |
CN110059180B (zh) | 文章作者身份识别及评估模型训练方法、装置及存储介质 | |
Wu et al. | Automatic leaf recognition based on deep convolutional networks |
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 |