CN114708622B - 滑雪场设备的调度方法、装置及系统 - Google Patents
滑雪场设备的调度方法、装置及系统 Download PDFInfo
- Publication number
- CN114708622B CN114708622B CN202210632346.8A CN202210632346A CN114708622B CN 114708622 B CN114708622 B CN 114708622B CN 202210632346 A CN202210632346 A CN 202210632346A CN 114708622 B CN114708622 B CN 114708622B
- Authority
- CN
- China
- Prior art keywords
- skiing
- snow
- equipment
- road
- position area
- 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 41
- 230000008439 repair process Effects 0.000 claims abstract description 98
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims description 59
- 238000001514 detection method Methods 0.000 claims description 37
- 238000011156 evaluation Methods 0.000 claims description 26
- 238000013136 deep learning model Methods 0.000 claims description 25
- 238000013210 evaluation model Methods 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 13
- 238000005265 energy consumption Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例提供的滑雪场设备的调度方法、装置及系统,涉及视频图像处理技术领域。通过图像处理的方式获得包括滑雪对象的目标帧图像序列,并得到雪道各位置区域在预设时间段的耗损特征参数,再基于耗损特征参数生成修复雪道各位置区域的修复方案,并最终基于该修复方案调度滑雪场设备对雪道各位置区域进行修复。相对于现有技术,一方面,可以减小对经验丰富技术人员的依赖,降低滑雪场的维护成本;另一方面,可以精准调度滑雪场设备,提高滑雪场设备的利用效率,降低滑雪场的维护成本及维护滑雪场的能耗。
Description
技术领域
本申请涉及视频图像处理技术技术领域,具体而言,涉及一种滑雪场设备的调度方法、装置及系统。
背景技术
冰雪运动在我国越来越普及,作为冰雪运动项目中最受欢迎和最为普及的滑雪运动更是势不可挡。由于我国大部分地方并不具有形成天然滑雪场的条件,为此越来越多的人造滑雪场不断兴起,同时滑雪场往往需要经验丰富的技术人员进行维护且滑雪场需要能耗较大的设备(比如,造雪机)维持滑雪条件,这样会增大滑雪场的维护成本且增大能源消耗不利于碳中和目标的达成。
发明内容
为了解决上述技术问题,本申请提供一种滑雪场设备的调度方法、装置及系统。
第一方面,本申请实施例提供一种滑雪场设备的调度方法,应用于滑雪场调度系统中的计算机设备,所述滑雪场调度系统还包括与所述计算机设备通信连接的图像采集设备及待调度的滑雪场设备,所述图像采集设备用于拍摄雪道的图像,所述方法包括:
获取预设时间段内所述图像采集设备拍摄的雪道时序帧图像;
从所述雪道时序帧图像中获取包括滑雪对象的目标帧图像序列;
基于所述目标帧图像序列得到雪道各位置区域在所述预设时间段的耗损特征参数;
根据所述雪道各位置区域在所述预设时间段的耗损特征参数生成修复所述雪道各位置区域的修复方案;
基于所述修复方案调度滑雪场设备对所述雪道各位置区域进行修复。
在一种可能的实现方式中,所述基于所述目标帧图像序列得到雪道各位置区域在所述预设时间段的耗损特征参数的步骤,包括:
根据所述目标帧图像序列提取雪道滑行特征集,其中,所述雪道滑行特征集包括多个雪道滑行特征向量,每个所述雪道滑行特征向量包括滑雪对象的体型、滑雪对象的装备类型、滑雪对象滑过所述雪道各位置区域的滑雪速度及滑雪对象滑过所述雪道各位置区域时留下的划痕深度;
将所述雪道滑行特征集输入预先训练好的雪道耗损评估模型中进行评估,所述训练好的雪道耗损评估模型基于所述预设时间段内相同类型的滑雪对象和不同类型的滑雪对象经过所述雪道各位置区域时的划痕深度变化输出所述雪道各位置区域在所述预设时间段的耗损特征参数,其中,相同类型的滑雪对象是指具有同一体型、采用相同类型装备并基于预设范围内的滑雪速度经过所述雪道各位置区域的滑雪对象,不同类型的滑雪对象是指体型、装备类型以及滑雪速度中至少一个不相同的滑雪对象。
在一种可能的实现方式中,所述根据所述目标帧图像序列提取雪道滑行特征集的步骤包括:
采用雪道滑行特征提取网络从所述目标帧图像序列中提取所述雪道滑行特征集,其中,所述雪道滑行特征提取网络包括人物识别子网络、装备识别子网络、人物分类子网络、装备分类子网络、速度检测子网络及划痕检测子网络,所述人物识别子网络的输出作为所述人物分类子网络和所述速度检测子网络的输入,所述装备识别子网络的输出作为所述装备分类子网络和所述划痕检测子网络的输入。
在一种可能的实现方式中,所述采用雪道滑行特征提取网络从所述目标帧图像序列中提取所述雪道滑行特征集的步骤,包括:
将所述目标帧图像序列中的目标帧图像输入所述人物识别子网络和所述装备识别子网络;
所述人物识别子网络通过对所述目标帧图像进行人物模式检测识别出滑雪对象在所述目标帧图像中的第一目标图像区域,将所述第一目标图像区域输入到所述人物分类子网络中得到所述目标帧图像中滑雪对象的体型,并将所述第一目标图像区域输入到所述速度检测子网络中,并由所述速度检测子网络基于所述第一目标图像区域在所述目标帧图像序列中的位置变化得到所述滑雪对象滑过所述雪道各位置区域的滑雪速度;
所述装备识别子网络通过对所述目标帧图像进行装备检测识别出滑雪装备在所述目标帧图像中的第二目标图像区域,将所述第二目标图像区域输入到所述装备分类子网络中进行装备类型匹配得到所述滑雪对象的装备类型,并将所述第二目标图像区域和所述第二目标图像区域之外预设宽度的第三目标图像区域输入到所述划痕检测子网络中进行检测,基于所述第二目标图像区域中的滑雪装备与所述第三目标图像区域中的雪道之间的位置关系得到所述滑雪对象滑过所述雪道各位置区域时留下的划痕深度。
在一种可能的实现方式中,在将所述雪道滑行特征集输入预先训练好的雪道耗损评估模型中进行评估的步骤之前,所述方法还包括训练雪道耗损评估模型的步骤,该步骤包括:
获取训练样本序列,所述训练样本序列包括多个样本数据和一个样本标签,每个所述样本数据包括滑雪对象的体型、滑雪对象的装备类型、滑雪对象滑过所述雪道各位置区域的滑雪速度及滑雪对象滑过所述雪道各位置区域时留下的划痕深度,所述训练样本序列中包括相同类型的滑雪对象和不同类型的滑雪对象在时序上存在先后关系的多个训练样本,所述样本标签包括雪道耗损特征标签参数;
构造一深度学习模型,所述深度学习模型包括特征分组层、特征处理层及耗损特征评估层;
按照时序先后顺序将所述训练样本序列中的训练样本输入到所述特征分组层中,所述特征分组层基于所述滑雪对象的体型、所述滑雪对象的装备类型及所述滑雪对象滑过所述雪道各位置区域的滑雪速度对所述滑雪对象分组,将分组后滑雪对象对应的训练样本输入所述特征处理层中;
所述特征处理层对同一分组的训练样本中滑雪对象按照时序先后顺序滑过所述雪道各位置区域时留下的划痕深度进行特征处理后得到一雪道耗损预测分量,并输出给所述耗损特征评估层;
所述耗损特征评估层基于不同分组的训练样本得到的雪道耗损预测分量计算得到雪道耗损预测参数;
基于所述雪道耗损预测参数与所述雪道耗损特征标签参数判定所述深度学习模型是否收敛,若不收敛,调整所述特征分组层、所述特征处理层及所述耗损特征评估层中的模型参数,然后重新回到所述按照时序先后顺序将所述训练样本序列中的训练样本输入到所述特征分组层中的步骤,直到所述深度学习模型收敛,将收敛的深度学习模型作为训练好的雪道耗损评估模型。
在一种可能的实现方式中,所述耗损特征参数包括第一特征子参数及第二特征子参数,其中,所述第一特征子参数用于表征同类型滑雪对象在所述时间段内在所述雪道各位置区域留下划痕的变化情况,所述第二特征子参数用于表征不同类型滑雪对象在所述时间段内在所述雪道各位置区域留下划痕的变化情况;所述滑雪场设备包括造雪机或压雪车,所述根据所述雪道各位置区域在所述预设时间段的耗损特征参数生成修复所述雪道各位置区域的修复方案的步骤,包括:
若所述第一特征子参数小于第一预设参数阈值,所述第二特征子参数小于第二预设参数阈值,则不对所述雪道各位置区域进行修复;
若所述第一特征子参数不小于第一预设参数阈值,所述第二特征子参数不小于第二预设参数阈值,则生成对所述雪道各位置区域进行造雪和压雪的修复方案;
若所述第一特征子参数小于第一预设参数阈值,所述第二特征子参数不小于第二预设参数阈值,则生成对所述雪道各位置区域进行压雪的修复方案;
若所述第一特征子参数不小于第一预设参数阈值,所述第二特征子参数小于第二预设参数阈值,则生成对所述雪道各位置区域进行压雪的修复方案。
在一种可能的实现方式中,所述滑雪场调度系统还包括用于检测所述雪道所处环境中湿度、温度及风力的环境参数检测传感器,所述基于所述修复方案调度滑雪场设备对所述雪道各位置区域进行修复的步骤,包括:
接收所述环境参数检测传感器发送的雪道环境参数;
将所述雪道环境参数与预设的压雪作业工作环境参数与造雪作业工作环境参数进行比较;
若所述雪道环境参数不与预设的压雪作业工作环境参数及造雪作业工作环境参数匹配则不调度滑雪场设备对所述雪道各位置区域进行修复;
若所述雪道环境参数与预设的压雪作业工作环境参数及造雪作业工作环境参数中的至少之一匹配,则调度所述修复方案中作业工作环境参数与所述雪道环境参数匹配的滑雪场设备对所述雪道各位置区域进行修复。
在一种可能的实现方式中,所述调度所述修复方案中作业工作环境参数与所述雪道环境参数匹配的滑雪场设备对所述雪道各位置区域进行修复的步骤,包括:
基于当前所述雪道环境参数、所述耗损特征参数以及所述滑雪场设备的性能生成对所述雪道各位置区域进行修复的详细修复方案,并调度所述修复方案中作业工作环境参数与所述雪道环境参数匹配的滑雪场设备采用所述详细修复方案对所述雪道各位置区域进行修复,其中,所述详细修复方案包括所述造雪机在所述雪道各位置区域的造雪时长、造雪量及所述压雪车在所述雪道各位置区域的压雪次数。
第二方面,本申请实施例还提供一种滑雪场设备的调度装置,应用于滑雪场调度系统中的计算机设备,所述滑雪场调度系统还包括与所述计算机设备通信连接的图像采集设备及待调度的滑雪场设备,所述图像采集设备用于拍摄雪道的图像,所述装置包括:
第一获取模块,用于获取预设时间段内所述图像采集设备拍摄的雪道时序帧图像;
第二获取模块,用于从所述雪道时序帧图像中获取包括滑雪对象的目标帧图像序列;
计算模块,用于基于所述目标帧图像序列得到雪道各位置区域在所述预设时间段的耗损特征参数;
生成模块,用于根据所述雪道各位置区域在所述预设时间段的耗损特征参数生成修复所述雪道各位置区域的修复方案;
调度模块,用于基于所述修复方案调度滑雪场设备对所述雪道各位置区域进行修复,其中,所述滑雪场设备包括造雪机或压雪车。
第三方面,本申请实施例还提供一种滑雪场设备的调度系统,所述滑雪场设备的调度系统包括通信连接的计算机设备、图像采集设备及待调度的滑雪场设备;
所述图像采集设备,用于采集拍摄雪道的雪道时序帧图像,并将所述雪道时序帧图像发送给所述计算机设备;
所述计算机设备,用于从所述雪道时序帧图像中获取包括滑雪对象的目标帧图像序列;
所述计算机设备,还用于基于所述目标帧图像序列得到雪道各位置区域在预设时间段的耗损特征参数;
所述计算机设备,还用于根据所述雪道各位置区域在所述预设时间段的耗损特征参数生成修复所述雪道各位置区域的修复方案;
所述计算机设备,还用于基于所述修复方案调度所述滑雪场设备;
所述滑雪场设备,用于基于所述计算机设备的调度对所述雪道各位置区域进行修复。
第四方面,本申请实施例还提供一种计算机设备,所述计算机设备包括处理器、通信单元及计算机可读存储介质,所述处理器、所述通信单元及所述计算机可读存储介质之间通过总线系统连接,所述通信单元用于连接其他电子设备以实现所述计算机设备与所述其他电子设备之间的数据交互,所述计算机可读存储介质用于存储程序、指令或代码,所述处理器用于执行所述计算机可读存储介质中的程序、指令或代码,以实现第一方面中任意一个可能的实现方式中的滑雪场设备的调度方法。
第五方面,本申请实施例提供一种计算机可读存储介质,计算机可读存储介质中存储有指令,当其被执行时,使得计算机执行上述第一方面或者第一方面中任意一个可能的实现方式中的滑雪场设备的调度方法。
基于上述任意一个方面,本申请实施例提供的滑雪场设备的调度方法、装置及系统,可以通过图像处理的方式获得包括滑雪对象的目标帧图像序列,并得到雪道各位置区域在预设时间段的耗损特征参数,再基于耗损特征参数生成修复雪道各位置区域的修复方案,并最终基于该修复方案调度滑雪场设备对雪道各位置区域进行修复。相对于现有技术,一方面,可以减小对经验丰富技术人员的依赖,降低滑雪场的维护成本;另一方面,可以精准调度滑雪场设备,提高滑雪场设备的利用效率,降低滑雪场的维护成本及维护滑雪场的能耗。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要调用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它相关的附图。
图1为本申请实施例提供的滑雪场设备的调度系统的交互场景示意图;
图2为本申请实施例提供的滑雪场设备的调度方法的流程示意图;
图3为本申请实施例提供的滑雪场设备的调度装置的功能模块示意图;
图4为本申请实施例提供的计算机设备的可能结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请实施例的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其它操作,也可以从流程图中移除一个或多个操作。此外,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例,都属于本申请保护的范围。
为了解决现有技术中存在的上述技术问题,本申请实施例提供一种滑雪场设备的调度方案,为了便于理解本申请方案,先对本申请可能应用的滑雪场设备的调度系统进行介绍。
请参照图1,图1示出了本申请方案提供的滑雪场设备的调度系统的一种可能的交互场景示意图。滑雪场设备的调度系统10可以包括通信连接的计算机设备100、图像采集设备200及滑雪场设备300,计算机设备100可以用于对图像采集设备200采集的视频图像进行处理。
在本申请实施例中,图像采集设备200可以是固定角度的摄像头也可以是可自由转动的摄像头,图像采集设备200用于拍摄雪道的图像,示例性地,针对一条雪道可以设计多个图像采集设备200拍摄,每个图像采集设备200拍摄一条雪道的一部分。滑雪场设备300可以包括用于造雪的造雪机及用于压雪的压雪车等,滑雪场设备300可以在接收到计算机设备100发送的指令后通过人工操作执行雪道修复。
在本申请实施例中,计算机设备100可以是单个物理计算机设备,也可以是一个由多个用于执行不同数据处理功能的物理计算机设备构成的计算机设备组。计算机设备组可以是集中式的,也可以是分布式的(例如,计算机设备100可以是分布式系统)。在一些可能的实施方式中,如计算机设备100采用单个物理计算机设备,可以基于不同业务功能为该物理计算机设备分配不同的逻辑计算机设备组件。
可以理解,图1所示的系统组成部分仅为一种可行的示例,在其它可行的实施例中,也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。
请参阅图2,本申请实施例提供的滑雪场设备的调度方法可以由前述的计算机设备100执行,在本申请实施例的滑雪场设备的调度方法中的部分步骤的顺序可以根据实际需要相互交换,或者其中的部分步骤也可以省略或删除,该计算机设备100执行的滑雪场设备的调度方法的详细步骤介绍如下。
步骤S210,获取预设时间段内图像采集设备200拍摄的雪道时序帧图像。
在本实施例中,预设时间段可以是滑雪场人流高峰对应的时间段,比如,在滑雪场的人流高峰为中午12点到下午3点时,对应的预设时间段可以为中午12点到下午3点。图像采集设备200通过拍摄雪道可以获取滑雪对象在该雪道上滑雪的时序帧图像,具体地,图像采集设备200可以拍摄预设时间段内所有滑雪对象在该雪道上滑雪的时序帧图像。
步骤S220,从雪道时序帧图像中获取包括滑雪对象的目标帧图像序列。
在本实施例中,可以通过已知的任意的人物检测算法之类的人物模式识别方法从雪道时序帧图像中获取包括滑雪对象的目标帧图像序列,过滤掉没有包括滑雪对象的图像。
步骤S230,基于目标帧图像序列得到雪道各位置区域在预设时间段的耗损特征参数。
由于雪道的不同位置区域的损耗情况因雪道设计等因素影响会存在不同,比如,雪道的弯道位置区域会耗损较大。为了对雪道进行有效且低成本的维护,在本实施例中,将雪道划分为多个位置区域,通过计算雪道的不同位置区域的耗损特征参数,便于对雪道的不同位置区域进行区别维护,以降低维护成本。示例性的,雪道的各位置区域可以根据雪道的长度进行等分,比如雪道总共长50M,可以将雪道等分为5等分,每一等分雪道对应一位置区域。
步骤S240,根据雪道各位置区域在预设时间段的耗损特征参数生成修复雪道各位置区域的修复方案。
在本实施例中,根据不同位置区域在预设时间段的耗损特征参数可以进行针对性的修复,示例性地,可以根据不同位置区域的耗损特征参数采用不同的修复方案进行雪道修复,其中,不同的修复方案可以由不同的设备完成,比如修复方案是增加雪道雪层厚度时,修复方案可以是先造雪再压雪;再比如修复方案是增加雪道的硬度时,修复方案可以是对雪道进行压雪处理。
步骤S250,基于修复方案调度滑雪场设备对雪道各位置区域进行修复。
在本实施例中,根据修复方案所需的不同滑雪场设备调度对应的设备有针对的对雪道各位置区域进行修复。
进一步地,在本申请实施例中,步骤S230可以通过以下方式实现。
首先,根据所述目标帧图像序列提取雪道滑行特征集。
其中,所述雪道滑行特征集可以包括多个雪道滑行特征向量,每个所述雪道滑行特征向量包括滑雪对象的体型、滑雪对象的装备类型、滑雪对象滑过所述雪道各位置区域的滑雪速度及滑雪对象滑过所述雪道各位置区域时留下的划痕深度。在本实施例中,滑雪对象的体型可以根据滑雪对象在图像中的占比或者与图像中的参照物(比如雪道旁的挡牌)的占比确定,示例性地,滑雪对象的体型可以分为三个等级(如甲乙丙三个等级,其中,甲等体型最小对应的体重也最小,丙等体型最大对应的体重也最大)。滑雪对象的装备类型可以分为只有滑雪板的一类和包括滑雪板和滑雪杖的一类,其中,相同情况下只有滑雪板时滑雪对象更容易在雪道留下划痕。
然后,将所述雪道滑行特征集输入预先训练好的雪道耗损评估模型中进行评估。
所述训练好的雪道耗损评估模型基于所述预设时间段内相同类型的滑雪对象和不同类型的滑雪对象经过所述雪道各位置区域时的划痕深度变化输出所述雪道各位置区域在所述预设时间段的耗损特征参数,其中,相同类型的滑雪对象是指具有同一体型、采用相同类型装备并基于预设范围内的滑雪速度经过所述雪道各位置区域的滑雪对象,不同类型的滑雪对象是指体型、装备类型以及滑雪速度中至少一个不相同的滑雪对象。由于雪道有一定的高度差,不同滑雪对象从雪道滑行而下时经过各位置区域的滑雪速度也不相同,一般地滑雪速度的不同会对雪道有不同的损坏,为此在定义同一类型的滑雪对象时,不仅考虑滑雪对象的体型和装备类型还需要考虑其经过雪道各位置区域的滑雪速度。
在本申请实施例中,在步骤S230中可以采用雪道滑行特征提取网络从所述目标帧图像序列中提取所述雪道滑行特征集。其中,所述雪道滑行特征提取网络包括人物识别子网络、装备识别子网络、人物分类子网络、装备分类子网络、速度检测子网络及划痕检测子网络,所述人物识别子网络的输出作为所述人物分类子网络和所述速度检测子网络的输入,所述装备识别子网络的输出作为所述装备分类子网络和所述划痕检测子网络的输入。
进一步地,采用雪道滑行特征提取网络从所述目标帧图像序列中提取所述雪道滑行特征集的方式可以如下。
首先,将所述目标帧图像序列中的目标帧图像输入所述人物识别子网络和所述装备识别子网络。
接着,所述人物识别子网络通过对所述目标帧图像进行人物模式检测识别出滑雪对象在所述目标帧图像中的第一目标图像区域;将所述第一目标图像区域输入到所述人物分类子网络中得到所述目标帧图像中滑雪对象的体型;并将所述第一目标图像区域输入到所述速度检测子网络中;并由所述速度检测子网络基于所述第一目标图像区域在所述目标帧图像序列中的位置变化得到所述滑雪对象滑过所述雪道各位置区域的滑雪速度。
然后,所述装备识别子网络通过对所述目标帧图像进行装备检测识别出滑雪装备在所述目标帧图像中的第二目标图像区域;将所述第二目标图像区域输入到所述装备分类子网络中进行装备类型匹配得到所述滑雪对象的装备类型;并将所述第二目标图像区域和所述第二目标图像区域之外预设宽度的第三目标图像区域输入到所述划痕检测子网络中进行检测;基于所述第二目标图像区域中的滑雪装备与所述第三目标图像区域中的雪道之间的位置关系得到所述滑雪对象滑过所述雪道各位置区域时留下的划痕深度。
在本申请实施例中,在将所述雪道滑行特征集输入预先训练好的雪道耗损评估模型中进行评估的步骤之前,本申请实施例提供的滑雪场设备的调度方法还包括训练雪道耗损评估模型的步骤,该步骤可以通过以下方式实现。
首先,获取训练样本序列。
所述训练样本序列可以包括多个样本数据和一个样本标签,每个所述样本数据包括滑雪对象的体型、滑雪对象的装备类型、滑雪对象滑过所述雪道各位置区域的滑雪速度及滑雪对象滑过所述雪道各位置区域时留下的划痕深度,所述训练样本序列中包括相同类型的滑雪对象和不同类型的滑雪对象在时序上存在先后关系的多个训练样本,所述样本标签包括雪道耗损特征标签参数。
接着,构造一深度学习模型。
其中,该深度学习模型可以包括特征分组层、特征处理层及耗损特征评估层。
再接着,按照时序先后顺序将所述训练样本序列中的训练样本输入到所述特征分组层中,所述特征分组层基于所述滑雪对象的体型、所述滑雪对象的装备类型及所述滑雪对象滑过所述雪道各位置区域的滑雪速度对所述滑雪对象分组,将分组后滑雪对象对应的训练样本输入所述特征处理层中。
再接着,所述特征处理层对同一分组的训练样本中滑雪对象按照时序先后顺序滑过所述雪道各位置区域时留下的划痕深度进行特征处理后得到一雪道耗损预测分量,并输出给所述耗损特征评估层。
然后,所述耗损特征评估层基于不同分组的训练样本得到的雪道耗损预测分量计算得到雪道耗损预测参数。
最后,基于所述雪道耗损预测参数与所述雪道耗损特征标签参数判定所述深度学习模型是否收敛,若不收敛,调整所述特征分组层、所述特征处理层及所述耗损特征评估层中的模型参数,然后重新回到所述按照时序先后顺序将所述训练样本序列中的训练样本输入到所述特征分组层中的步骤,直到所述深度学习模型收敛,将收敛的深度学习模型作为训练好的雪道耗损评估模型。
进一步地,耗损特征参数包括第一特征子参数及第二特征子参数,其中,所述第一特征子参数用于表征同类型滑雪对象在所述时间段内在所述雪道各位置区域留下划痕的变化情况,所述第二特征子参数用于表征不同类型滑雪对象在所述时间段内在所述雪道各位置区域留下划痕的变化情况;所述滑雪场设备包括造雪机或压雪车。
在本申请实施例中,根据所述雪道各位置区域在所述预设时间段的耗损特征参数生成修复所述雪道各位置区域的修复方案可以通过以下方式实现。
若所述第一特征子参数小于第一预设参数阈值,所述第二特征子参数小于第二预设参数阈值,在该种情况下表示雪道的耗损不大,则不对所述雪道各位置区域进行修复;
若所述第一特征子参数不小于第一预设参数阈值,所述第二特征子参数不小于第二预设参数阈值,在该种情况下表示雪道的耗损很大,则生成对所述雪道各位置区域进行造雪和压雪的修复方案;
若所述第一特征子参数小于第一预设参数阈值,所述第二特征子参数不小于第二预设参数阈值,在该种情况下表示雪道中雪层松动,则生成对所述雪道各位置区域进行压雪的修复方案;
若所述第一特征子参数不小于第一预设参数阈值,所述第二特征子参数小于第二预设参数阈值,在该种情况下表示雪道中雪层松动,则生成对所述雪道各位置区域进行压雪的修复方案。
在本申请实施例中,图1所示的滑雪场调度系统10还可以包括环境参数检测传感器,环境参数检测传感器用于检测所述雪道所处环境中湿度、温度及风力,步骤S250可以通过以下方式实现。
首先,接收所述环境参数检测传感器发送的雪道环境参数。
接着,将所述雪道环境参数与预设的压雪作业工作环境参数与造雪作业工作环境参数进行比较。
其中,以造雪作业工作环境参数为例,造雪作业工作环境参数可以为空气温度达到零下3摄氏度、空气湿度在70%以下及风力低于4级。
然后,若所述雪道环境参数不与预设的压雪作业工作环境参数及造雪作业工作环境参数匹配则不调度滑雪场设备对所述雪道各位置区域进行修复;若所述雪道环境参数与预设的压雪作业工作环境参数及造雪作业工作环境参数中的至少之一匹配,则调度所述修复方案中作业工作环境参数与所述雪道环境参数匹配的滑雪场设备对所述雪道各位置区域进行修复。
详细地,可以基于当前所述雪道环境参数、所述耗损特征参数以及所述滑雪场设备的性能生成对所述雪道各位置区域进行修复的详细修复方案,并调度所述修复方案中作业工作环境参数与所述雪道环境参数匹配的滑雪场设备采用所述详细修复方案对所述雪道各位置区域进行修复,其中,所述详细修复方案包括所述造雪机在所述雪道各位置区域的造雪时长、造雪量及所述压雪车在所述雪道各位置区域的压雪次数等。
上述实施例提供的滑雪场设备的调度方法,可以通过图像处理的方式获得包括滑雪对象的目标帧图像序列,并得到雪道各位置区域在预设时间段的耗损特征参数,再基于耗损特征参数生成修复雪道各位置区域的修复方案,并最终基于该修复方案调度滑雪场设备对雪道各位置区域进行修复。相对于现有技术,一方面,可以减小对经验丰富技术人员的依赖,降低滑雪场的维护成本;另一方面,可以精准调度滑雪场设备,提高滑雪场设备的利用效率,降低滑雪场的维护成本及维护滑雪场的能耗。
进一步地,请参照图3,图3为本申请实施例提供的滑雪场设备的调度装置500的一种功能模块示意图,本申请实施例可以根据计算机设备100执行的方法实施例对滑雪场设备的调度装置500进行功能模块的划分,也即该滑雪场设备的调度装置500所对应的以下各个功能模块可以用于执行上述各个方法实施例。其中,该基于滑雪场设备的调度装置500可以包括第一获取模块510、第二获取模块520、计算模块530、生成模块540及调度模块550,下面分别对该滑雪场设备的调度装置500的各个功能模块的功能进行详细阐述。
第一获取模块510,用于获取预设时间段内所述图像采集设备拍摄的雪道时序帧图像。
在本实施例中,预设时间段可以是滑雪场人流高峰对应的时间段,比如,在滑雪场的人流高峰为中午12点到下午3点时,对应的预设时间段可以为中午12点到下午3点。图像采集设备200通过拍摄雪道可以获取滑雪对象在该雪道上滑雪的时序帧图像,具体地,图像采集设备200可以拍摄预设时间段内所有滑雪对象在该雪道上滑雪的时序帧图像。
本实施例中,第一获取模块510可以用于执行上述的步骤S210,关于第一获取模块510的详细实现方式可以参照上述针对步骤S210的详细描述。
第二获取模块520,用于从所述雪道时序帧图像中获取包括滑雪对象的目标帧图像序列。
在本实施例中,可以通过人物检测算法从雪道时序帧图像中获取包括滑雪对象的目标帧图像序列,过滤掉没有包括滑雪对象的图像。
本实施例中第二获取模块520可以用于执行上述的步骤S210,关于第二获取模块520的详细实现方式可以参照上述针对步骤S220的详细描述。
计算模块530,用于基于所述目标帧图像序列得到雪道各位置区域在所述预设时间段的耗损特征参数。
由于雪道的不同位置区域的损耗情况因雪道设计等因素影响会存在不同的,比如,雪道的弯道位置区域会耗损较大。为了对雪道进行有效且低成本的维护,在本实施例中,将雪道划分为多个位置区域,通过计算雪道的不同位置区域的耗损特征参数,便于对雪道的不同位置区域进行区别维护,以降低维护成本。示例性的,雪道的各位置区域可以根据雪道的长度进行等分,比如雪道总共长50M,可以将雪道等分为5等分,每一等分雪道对应一位置区域。
本实施例中计算模块530可以用于执行上述的步骤S230,关于计算模块530的详细实现方式可以参照上述针对步骤S230的详细描述。
生成模块540,用于根据所述雪道各位置区域在所述预设时间段的耗损特征参数生成修复所述雪道各位置区域的修复方案。
在本实施例中,根据不同位置区域在预设时间段的耗损特征参数可以进行针对性的修复,示例性地,可以根据不同位置区域的耗损特征参数采用不同的修复方案进行雪道修复,其中,不同的修复方案可以由不同的设备完成,比如修复方案是增加雪道雪层厚度时,修复方案可以是先造雪再压雪;再比如修复方案是增加雪道的硬度时,修复方案可以是对雪道进行压雪处理。
本实施例中生成模块540可以用于执行上述的步骤S240,关于生成模块540的详细实现方式可以参照上述针对步骤S240的详细描述。
调度模块550,用于基于所述修复方案调度滑雪场设备对所述雪道各位置区域进行修复。
在本实施例中,根据修复方案所需的不同滑雪场设备调度对应的设备有针对的对雪道各位置区域进行修复。
本实施例中调度模块550,可以用于执行上述的步骤S250,关于调度模块550的详细实现方式可以参照上述针对步骤S250的详细描述。
需要说明的是,应理解以上装置或系统中的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以在物理上分开。且这些模块可以全部以软件(比如,开源软件)可以通过处理器调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理器调用软件的形式实现,部分模块通过硬件的形式实现。作为一种示例,调度模块550可以由单独处理器运行实现,可以以程序代码的形式存储于上述装置或系统的存储器中,由上述装置或系统的某一个处理器调用并执行以上调度模块550的功能,其它模块的实现与之类似,在此就不再赘述。此外这些模块可以全部或部分集成在一起,也可以独立实现。这里所描述的处理器可以是一种具有信号的处理能力的集成电路,在实现过程中,上述技术方案中的各步骤或各个模块可以通过处理器中的集成逻辑电路或者执行软件程序的形式完成。
请再次参照图1,在本申请实施例提供滑雪场设备的调度系统10中。
所述图像采集设备200,用于采集拍摄雪道的雪道时序帧图像,并将雪道时序帧图像发送给所述计算机设备200;
所述计算机设备200,用于从所述雪道时序帧图像中获取包括滑雪对象的目标帧图像序列;
所述计算机设备200,还用于基于所述目标帧图像序列得到雪道各位置区域在预设时间段的耗损特征参数;
所述计算机设备200,还用于根据所述雪道各位置区域在所述预设时间段的耗损特征参数生成修复所述雪道各位置区域的修复方案;
所述计算机设备200,还用于基于所述修复方案调度所述滑雪场设备;
所述滑雪场设备300,用于基于所述计算机设备200的调度对所述雪道各位置区域进行修复。
请参照图4,图4示出了本公开实施例提供的用于实现上述的滑雪场设备的调度方法的计算机设备100的硬件结构示意图。如图4所示,计算机设备100可包括处理器110、计算机可读存储介质120、总线130及通信单元140。
在具体实现过程中,处理器110执行计算机可读存储介质120存储的计算机执行指令(例如图3中所示的滑雪场设备的调度装置500中的各个模块),使得处理器110可以执行如上方法实施例的视频编码参数组合确定方法,其中,处理器110、计算机可读存储介质120以及通信单元140可以通过总线130连接。
处理器110的具体实现过程可参见上述计算机设备100执行的各个方法实施例,其实现原理和技术效果类似,本申请实施例此处不再赘述。
计算机可读存储介质120可以是,但不限于,随机存取存储器(RandomAccessMemory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(ProgrammableRead-Only Memory,PROM),可擦除只读存储器(Erasable ProgrammableRead-OnlyMemory,EPROM),电可擦除只读存储器(Electric Erasable ProgrammableRead-OnlyMemory,EEPROM)等。其中,存储器111用于存储程序或者数据。
总线130可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
在本申请实施例提供的交互场景中,通信单元140可用于与图像采集设备200及滑雪场设备300通信,以实现计算机设备100与图像采集设备200及滑雪场设备300之间的数据交互。
此外,本申请实施例还提供一种可读存储介质,所述可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上所述的滑雪场设备的调度方法。
综上所述,本申请实施例提供的滑雪场设备的调度方法、装置及系统,可以通过图像处理的方式获得包括滑雪对象的目标帧图像序列,并得到雪道各位置区域在预设时间段的耗损特征参数,再基于耗损特征参数生成修复雪道各位置区域的修复方案,并最终基于该修复方案调度滑雪场设备对雪道各位置区域进行修复。相对于现有技术,一方面,可以减小对经验丰富技术人员的依赖,降低滑雪场的维护成本;另一方面,可以精准调度滑雪场设备,提高滑雪场设备的利用效率,降低滑雪场的维护成本及维护滑雪场的能耗。
以上所描述的实施例仅仅是本申请的一部分实施例,而不是全部的实施例。通常在附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,在附图中提供的本申请的实施例的详细描述并非旨在限制本申请的保护范围,而仅仅是表示本申请的选定实施例。基于此,本申请的保护范围应以权利要求的保护范围为准。此外,基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下可获得的所有其它实施例,都应属于本申请保护的范围。
Claims (8)
1.一种滑雪场设备的调度方法,其特征在于,应用于滑雪场调度系统中的计算机设备,所述滑雪场调度系统还包括与所述计算机设备通信连接的图像采集设备及待调度的滑雪场设备,所述图像采集设备用于拍摄雪道的图像,所述方法包括:
获取预设时间段内所述图像采集设备拍摄的雪道时序帧图像;
从所述雪道时序帧图像中获取包括滑雪对象的目标帧图像序列;
基于所述目标帧图像序列得到雪道各位置区域在所述预设时间段的耗损特征参数;
根据所述雪道各位置区域在所述预设时间段的耗损特征参数生成修复所述雪道各位置区域的修复方案;
基于所述修复方案调度滑雪场设备对所述雪道各位置区域进行修复;
所述基于所述目标帧图像序列得到雪道各位置区域在所述预设时间段的耗损特征参数的步骤,包括:
根据所述目标帧图像序列提取雪道滑行特征集,其中,所述雪道滑行特征集包括多个雪道滑行特征向量,每个所述雪道滑行特征向量包括滑雪对象的体型、滑雪对象的装备类型、滑雪对象滑过所述雪道各位置区域的滑雪速度及滑雪对象滑过所述雪道各位置区域时留下的划痕深度;
将所述雪道滑行特征集输入预先训练好的雪道耗损评估模型中进行评估,所述训练好的雪道耗损评估模型基于所述预设时间段内相同类型的滑雪对象和不同类型的滑雪对象经过所述雪道各位置区域时的划痕深度变化输出所述雪道各位置区域在所述预设时间段的耗损特征参数,其中,相同类型的滑雪对象是指具有同一体型、采用相同类型装备并基于预设范围内的滑雪速度经过所述雪道各位置区域的滑雪对象,不同类型的滑雪对象是指体型、装备类型以及滑雪速度中至少一个不相同的滑雪对象;
在将所述雪道滑行特征集输入预先训练好的雪道耗损评估模型中进行评估的步骤之前,所述方法还包括训练雪道耗损评估模型的步骤,该步骤包括:
获取训练样本序列,所述训练样本序列包括多个样本数据和一个样本标签,每个所述样本数据包括滑雪对象的体型、滑雪对象的装备类型、滑雪对象滑过所述雪道各位置区域的滑雪速度及滑雪对象滑过所述雪道各位置区域时留下的划痕深度,所述训练样本序列中包括相同类型的滑雪对象和不同类型的滑雪对象在时序上存在先后关系的多个训练样本,所述样本标签包括雪道耗损特征标签参数;
构造一深度学习模型,所述深度学习模型包括特征分组层、特征处理层及耗损特征评估层;
按照时序先后顺序将所述训练样本序列中的训练样本输入到所述特征分组层中,所述特征分组层基于所述滑雪对象的体型、所述滑雪对象的装备类型及所述滑雪对象滑过所述雪道各位置区域的滑雪速度对所述滑雪对象分组,将分组后滑雪对象对应的训练样本输入所述特征处理层中;
所述特征处理层对同一分组的训练样本中滑雪对象按照时序先后顺序滑过所述雪道各位置区域时留下的划痕深度进行特征处理后得到一雪道耗损预测分量,并输出给所述耗损特征评估层;
所述耗损特征评估层基于不同分组的训练样本得到的雪道耗损预测分量计算得到雪道耗损预测参数;
基于所述雪道耗损预测参数与所述雪道耗损特征标签参数判定所述深度学习模型是否收敛,若不收敛,调整所述特征分组层、所述特征处理层及所述耗损特征评估层中的模型参数,然后重新回到所述按照时序先后顺序将所述训练样本序列中的训练样本输入到所述特征分组层中的步骤,直到所述深度学习模型收敛,将收敛的深度学习模型作为训练好的雪道耗损评估模型。
2.如权利要求1所述的滑雪场设备的调度方法,其特征在于,所述根据所述目标帧图像序列提取雪道滑行特征集的步骤包括:
采用雪道滑行特征提取网络从所述目标帧图像序列中提取所述雪道滑行特征集,其中,所述雪道滑行特征提取网络包括人物识别子网络、装备识别子网络、人物分类子网络、装备分类子网络、速度检测子网络及划痕检测子网络,所述人物识别子网络的输出作为所述人物分类子网络和所述速度检测子网络的输入,所述装备识别子网络的输出作为所述装备分类子网络和所述划痕检测子网络的输入。
3.如权利要求2所述的滑雪场设备的调度方法,其特征在于,所述采用雪道滑行特征提取网络从所述目标帧图像序列中提取所述雪道滑行特征集的步骤,包括:
将所述目标帧图像序列中的目标帧图像输入所述人物识别子网络和所述装备识别子网络;
所述人物识别子网络通过对所述目标帧图像进行人物模式检测识别出滑雪对象在所述目标帧图像中的第一目标图像区域,将所述第一目标图像区域输入到所述人物分类子网络中得到所述目标帧图像中滑雪对象的体型,并将所述第一目标图像区域输入到所述速度检测子网络中,并由所述速度检测子网络基于所述第一目标图像区域在所述目标帧图像序列中的位置变化得到所述滑雪对象滑过所述雪道各位置区域的滑雪速度;
所述装备识别子网络通过对所述目标帧图像进行装备检测识别出滑雪装备在所述目标帧图像中的第二目标图像区域,将所述第二目标图像区域输入到所述装备分类子网络中进行装备类型匹配得到所述滑雪对象的装备类型,并将所述第二目标图像区域和所述第二目标图像区域之外预设宽度的第三目标图像区域输入到所述划痕检测子网络中进行检测,基于所述第二目标图像区域中的滑雪装备与所述第三目标图像区域中的雪道之间的位置关系得到所述滑雪对象滑过所述雪道各位置区域时留下的划痕深度。
4.如权利要求1所述的滑雪场设备的调度方法,其特征在于,所述耗损特征参数包括第一特征子参数及第二特征子参数,其中,所述第一特征子参数用于表征同类型滑雪对象在所述时间段内在所述雪道各位置区域留下划痕的变化情况,所述第二特征子参数用于表征不同类型滑雪对象在所述时间段内在所述雪道各位置区域留下划痕的变化情况;所述滑雪场设备包括造雪机或压雪车,所述根据所述雪道各位置区域在所述预设时间段的耗损特征参数生成修复所述雪道各位置区域的修复方案的步骤,包括:
若所述第一特征子参数小于第一预设参数阈值,所述第二特征子参数小于第二预设参数阈值,则不对所述雪道各位置区域进行修复;
若所述第一特征子参数不小于第一预设参数阈值,所述第二特征子参数不小于第二预设参数阈值,则生成对所述雪道各位置区域进行造雪和压雪的修复方案;
若所述第一特征子参数小于第一预设参数阈值,所述第二特征子参数不小于第二预设参数阈值,则生成对所述雪道各位置区域进行压雪的修复方案;
若所述第一特征子参数不小于第一预设参数阈值,所述第二特征子参数小于第二预设参数阈值,则生成对所述雪道各位置区域进行压雪的修复方案。
5.如权利要求4所述的滑雪场设备的调度方法,其特征在于,所述滑雪场调度系统还包括用于检测所述雪道所处环境中湿度、温度及风力的环境参数检测传感器,所述基于所述修复方案调度滑雪场设备对所述雪道各位置区域进行修复的步骤,包括:
接收所述环境参数检测传感器发送的雪道环境参数;
将所述雪道环境参数与预设的压雪作业工作环境参数与造雪作业工作环境参数进行比较;
若所述雪道环境参数不与预设的压雪作业工作环境参数及造雪作业工作环境参数匹配则不调度滑雪场设备对所述雪道各位置区域进行修复;
若所述雪道环境参数与预设的压雪作业工作环境参数及造雪作业工作环境参数中的至少之一匹配,则调度所述修复方案中作业工作环境参数与所述雪道环境参数匹配的滑雪场设备对所述雪道各位置区域进行修复。
6.如权利要求5所述的滑雪场设备的调度方法,其特征在于,所述调度所述修复方案中作业工作环境参数与所述雪道环境参数匹配的滑雪场设备对所述雪道各位置区域进行修复的步骤,包括:
基于当前所述雪道环境参数、所述耗损特征参数以及所述滑雪场设备的性能生成对所述雪道各位置区域进行修复的详细修复方案,并调度所述修复方案中作业工作环境参数与所述雪道环境参数匹配的滑雪场设备采用所述详细修复方案对所述雪道各位置区域进行修复,其中,所述详细修复方案包括所述造雪机在所述雪道各位置区域的造雪时长、造雪量及所述压雪车在所述雪道各位置区域的压雪次数。
7.一种滑雪场设备的调度装置,其特征在于,应用于滑雪场调度系统中的计算机设备,所述滑雪场调度系统还包括与所述计算机设备通信连接的图像采集设备及待调度的滑雪场设备,所述图像采集设备用于拍摄雪道的图像,所述装置包括:
第一获取模块,用于获取预设时间段内所述图像采集设备拍摄的雪道时序帧图像;
第二获取模块,用于从所述雪道时序帧图像中获取包括滑雪对象的目标帧图像序列;
计算模块,用于基于所述目标帧图像序列得到雪道各位置区域在所述预设时间段的耗损特征参数;
生成模块,用于根据所述雪道各位置区域在所述预设时间段的耗损特征参数生成修复所述雪道各位置区域的修复方案;
调度模块,用于基于所述修复方案调度滑雪场设备对所述雪道各位置区域进行修复;
所述计算模块具体用于:根据所述目标帧图像序列提取雪道滑行特征集,其中,所述雪道滑行特征集包括多个雪道滑行特征向量,每个所述雪道滑行特征向量包括滑雪对象的体型、滑雪对象的装备类型、滑雪对象滑过所述雪道各位置区域的滑雪速度及滑雪对象滑过所述雪道各位置区域时留下的划痕深度;
将所述雪道滑行特征集输入预先训练好的雪道耗损评估模型中进行评估,所述训练好的雪道耗损评估模型基于所述预设时间段内相同类型的滑雪对象和不同类型的滑雪对象经过所述雪道各位置区域时的划痕深度变化输出所述雪道各位置区域在所述预设时间段的耗损特征参数,其中,相同类型的滑雪对象是指具有同一体型、采用相同类型装备并基于预设范围内的滑雪速度经过所述雪道各位置区域的滑雪对象,不同类型的滑雪对象是指体型、装备类型以及滑雪速度中至少一个不相同的滑雪对象;
所述装置还包括训练模块,所述训练模块用于:
获取训练样本序列,所述训练样本序列包括多个样本数据和一个样本标签,每个所述样本数据包括滑雪对象的体型、滑雪对象的装备类型、滑雪对象滑过所述雪道各位置区域的滑雪速度及滑雪对象滑过所述雪道各位置区域时留下的划痕深度,所述训练样本序列中包括相同类型的滑雪对象和不同类型的滑雪对象在时序上存在先后关系的多个训练样本,所述样本标签包括雪道耗损特征标签参数;
构造一深度学习模型,所述深度学习模型包括特征分组层、特征处理层及耗损特征评估层;
按照时序先后顺序将所述训练样本序列中的训练样本输入到所述特征分组层中,所述特征分组层基于所述滑雪对象的体型、所述滑雪对象的装备类型及所述滑雪对象滑过所述雪道各位置区域的滑雪速度对所述滑雪对象分组,将分组后滑雪对象对应的训练样本输入所述特征处理层中;
所述特征处理层对同一分组的训练样本中滑雪对象按照时序先后顺序滑过所述雪道各位置区域时留下的划痕深度进行特征处理后得到一雪道耗损预测分量,并输出给所述耗损特征评估层;
所述耗损特征评估层基于不同分组的训练样本得到的雪道耗损预测分量计算得到雪道耗损预测参数;
基于所述雪道耗损预测参数与所述雪道耗损特征标签参数判定所述深度学习模型是否收敛,若不收敛,调整所述特征分组层、所述特征处理层及所述耗损特征评估层中的模型参数,然后重新回到所述按照时序先后顺序将所述训练样本序列中的训练样本输入到所述特征分组层中的步骤,直到所述深度学习模型收敛,将收敛的深度学习模型作为训练好的雪道耗损评估模型。
8.一种滑雪场设备的调度系统,其特征在于,所述滑雪场设备的调度系统包括通信连接的计算机设备、图像采集设备及待调度的滑雪场设备;
所述图像采集设备,用于采集拍摄雪道的雪道时序帧图像,并将所述雪道时序帧图像发送给所述计算机设备;
所述计算机设备,用于从所述雪道时序帧图像中获取包括滑雪对象的目标帧图像序列;
所述计算机设备,还用于基于所述目标帧图像序列得到雪道各位置区域在预设时间段的耗损特征参数;
所述计算机设备,还用于根据所述雪道各位置区域在所述预设时间段的耗损特征参数生成修复所述雪道各位置区域的修复方案;
所述计算机设备,还用于基于所述修复方案调度所述滑雪场设备;
所述滑雪场设备,用于基于所述计算机设备的调度对所述雪道各位置区域进行修复;
所述计算机设备具体用于:
根据所述目标帧图像序列提取雪道滑行特征集,其中,所述雪道滑行特征集包括多个雪道滑行特征向量,每个所述雪道滑行特征向量包括滑雪对象的体型、滑雪对象的装备类型、滑雪对象滑过所述雪道各位置区域的滑雪速度及滑雪对象滑过所述雪道各位置区域时留下的划痕深度;
将所述雪道滑行特征集输入预先训练好的雪道耗损评估模型中进行评估,所述训练好的雪道耗损评估模型基于所述预设时间段内相同类型的滑雪对象和不同类型的滑雪对象经过所述雪道各位置区域时的划痕深度变化输出所述雪道各位置区域在所述预设时间段的耗损特征参数,其中,相同类型的滑雪对象是指具有同一体型、采用相同类型装备并基于预设范围内的滑雪速度经过所述雪道各位置区域的滑雪对象,不同类型的滑雪对象是指体型、装备类型以及滑雪速度中至少一个不相同的滑雪对象;
所述计算机设备还具体用于:
获取训练样本序列,所述训练样本序列包括多个样本数据和一个样本标签,每个所述样本数据包括滑雪对象的体型、滑雪对象的装备类型、滑雪对象滑过所述雪道各位置区域的滑雪速度及滑雪对象滑过所述雪道各位置区域时留下的划痕深度,所述训练样本序列中包括相同类型的滑雪对象和不同类型的滑雪对象在时序上存在先后关系的多个训练样本,所述样本标签包括雪道耗损特征标签参数;
构造一深度学习模型,所述深度学习模型包括特征分组层、特征处理层及耗损特征评估层;
按照时序先后顺序将所述训练样本序列中的训练样本输入到所述特征分组层中,所述特征分组层基于所述滑雪对象的体型、所述滑雪对象的装备类型及所述滑雪对象滑过所述雪道各位置区域的滑雪速度对所述滑雪对象分组,将分组后滑雪对象对应的训练样本输入所述特征处理层中;
所述特征处理层对同一分组的训练样本中滑雪对象按照时序先后顺序滑过所述雪道各位置区域时留下的划痕深度进行特征处理后得到一雪道耗损预测分量,并输出给所述耗损特征评估层;
所述耗损特征评估层基于不同分组的训练样本得到的雪道耗损预测分量计算得到雪道耗损预测参数;
基于所述雪道耗损预测参数与所述雪道耗损特征标签参数判定所述深度学习模型是否收敛,若不收敛,调整所述特征分组层、所述特征处理层及所述耗损特征评估层中的模型参数,然后重新回到所述按照时序先后顺序将所述训练样本序列中的训练样本输入到所述特征分组层中的步骤,直到所述深度学习模型收敛,将收敛的深度学习模型作为训练好的雪道耗损评估模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210632346.8A CN114708622B (zh) | 2022-06-07 | 2022-06-07 | 滑雪场设备的调度方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210632346.8A CN114708622B (zh) | 2022-06-07 | 2022-06-07 | 滑雪场设备的调度方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114708622A CN114708622A (zh) | 2022-07-05 |
CN114708622B true CN114708622B (zh) | 2022-08-16 |
Family
ID=82177661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210632346.8A Active CN114708622B (zh) | 2022-06-07 | 2022-06-07 | 滑雪场设备的调度方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114708622B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116697907A (zh) * | 2023-07-31 | 2023-09-05 | 山西锦烁生物医药科技有限公司 | 分布式光纤传感冰场覆冰厚度测量系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108053525A (zh) * | 2017-05-25 | 2018-05-18 | 向美芹 | 基于图像处理的控制方法 |
CN109598448A (zh) * | 2018-12-12 | 2019-04-09 | 佳顿集团有限公司 | 一种人工滑雪场运营管理系统及管理方法 |
US10628679B1 (en) * | 2019-07-17 | 2020-04-21 | Bryan Scott Queen | Systems and methods for improved operations of ski lifts |
CN113123190A (zh) * | 2021-04-22 | 2021-07-16 | 迟明海 | 一种动物园专用道路自动化雪系统及方法 |
CN113887387A (zh) * | 2021-09-29 | 2022-01-04 | 北京万达文旅规划设计院有限公司 | 一种滑雪场目标影像生成方法、系统和服务器 |
CN114582028A (zh) * | 2022-05-05 | 2022-06-03 | 风云张家口信息技术系统有限公司 | 滑雪场管理方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7246900B2 (ja) * | 2018-11-26 | 2023-03-28 | キヤノン株式会社 | 画像処理装置、画像処理システム、撮像装置、画像処理方法、プログラム、および、記憶媒体 |
-
2022
- 2022-06-07 CN CN202210632346.8A patent/CN114708622B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108053525A (zh) * | 2017-05-25 | 2018-05-18 | 向美芹 | 基于图像处理的控制方法 |
CN109598448A (zh) * | 2018-12-12 | 2019-04-09 | 佳顿集团有限公司 | 一种人工滑雪场运营管理系统及管理方法 |
US10628679B1 (en) * | 2019-07-17 | 2020-04-21 | Bryan Scott Queen | Systems and methods for improved operations of ski lifts |
CN113123190A (zh) * | 2021-04-22 | 2021-07-16 | 迟明海 | 一种动物园专用道路自动化雪系统及方法 |
CN113887387A (zh) * | 2021-09-29 | 2022-01-04 | 北京万达文旅规划设计院有限公司 | 一种滑雪场目标影像生成方法、系统和服务器 |
CN114582028A (zh) * | 2022-05-05 | 2022-06-03 | 风云张家口信息技术系统有限公司 | 滑雪场管理方法及系统 |
Non-Patent Citations (7)
Title |
---|
【图像检测】基于形态学实现裂痕、划痕检测matlab代码;Matlab科研辅导帮;《https://blog.csdn.net/m0_60703264/article/details/121276444》;20211111;第1页 * |
How Ski Resorts Make It Snow, Even When It Doesn’t;TUCKER BOWE;《https://www.gearpatrol.com/tech/a202055/how-snow-making-works/》;20160223;第1页 * |
低质量指纹图像评价与划痕检测及修复研究;闫欣;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120415(第4期);第I138-1891页 * |
冬奥会 | 赛道沿线精准造雪补雪和雪质监测助力赛道雪场运营与维护;IEEE科技纵览;《https://weibo.com/ttarticle/p/show?id=2309404729106800705623#_loginLayer_1657271142172》;20220124;第1页 * |
划重点!这些冬季滑雪知识点,你需要get;史海古今;《https://www.163.com/dy/article/GQOFMP4705431S2V.html》;20211209;第1页 * |
哈尔滨万达茂室内滑雪场雪道基层抗滑移能力及破坏模式研究;吴耀辉等;《建筑技术》;20170222;第47卷(第12期);第1137-1140页 * |
滑雪场安全性问题及智能化录像系统;韩孟卓等;《科技资讯》;20200103;第18卷(第1期);第195-196页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114708622A (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378264B (zh) | 目标跟踪方法及装置 | |
CN110795595B (zh) | 基于边缘计算的视频结构化存储方法、装置、设备及介质 | |
CN109325429B (zh) | 一种关联特征数据的方法、装置、存储介质及终端 | |
CN106886216B (zh) | 基于rgbd人脸检测的机器人自动跟踪方法和系统 | |
CN105320966A (zh) | 一种车辆行驶状态识别方法及装置 | |
CN111161315B (zh) | 一种基于图神经网络的多目标跟踪方法和系统 | |
CN113065474B (zh) | 行为识别方法、装置及计算机设备 | |
CN102509085A (zh) | 基于轮廓不变矩特征的猪行走姿态识别系统和方法 | |
CN105631427A (zh) | 可疑人员检测方法与系统 | |
CN104616002A (zh) | 用于年龄段判断的面部识别设备 | |
CN114708622B (zh) | 滑雪场设备的调度方法、装置及系统 | |
CN107590473B (zh) | 一种人脸活体检测方法、介质和相关装置 | |
EP2959454A1 (en) | Method, system and software module for foreground extraction | |
CN104063686B (zh) | 作物叶部病害图像交互式诊断系统与方法 | |
CN111582126B (zh) | 基于多尺度行人轮廓分割融合的行人重识别方法 | |
CN107481256A (zh) | 用于更新背景模型的方法和装置 | |
CN112107866A (zh) | 用户行为数据处理方法、装置、设备及存储介质 | |
CN111091057A (zh) | 一种信息处理方法、装置及计算机可读存储介质 | |
CN111914762A (zh) | 基于步态信息的身份识别方法及装置 | |
CN112434566A (zh) | 客流统计方法、装置、电子设备及存储介质 | |
CN114529765A (zh) | 一种数据处理方法、设备以及计算机可读存储介质 | |
CN115620090A (zh) | 模型训练方法、低照度目标重识别方法和装置、终端设备 | |
CN116977937A (zh) | 一种行人重识别的方法及系统 | |
CN115830002A (zh) | 一种红外图像质量评价方法及装置 | |
Gurrala et al. | A new segmentation method for plant disease diagnosis |
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 |