CN114808823B - 一种清扫车快速清理路面积液的智能控制方法及系统 - Google Patents
一种清扫车快速清理路面积液的智能控制方法及系统 Download PDFInfo
- Publication number
- CN114808823B CN114808823B CN202210462360.8A CN202210462360A CN114808823B CN 114808823 B CN114808823 B CN 114808823B CN 202210462360 A CN202210462360 A CN 202210462360A CN 114808823 B CN114808823 B CN 114808823B
- Authority
- CN
- China
- Prior art keywords
- sequence
- time
- cleaning efficiency
- period
- preset
- 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
- 238000004140 cleaning Methods 0.000 title claims abstract description 171
- 241001417527 Pempheridae Species 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000007788 liquid Substances 0.000 title claims abstract description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 144
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000009825 accumulation Methods 0.000 description 18
- 230000008859 change Effects 0.000 description 11
- 238000010521 absorption reaction Methods 0.000 description 9
- 238000005086 pumping Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 244000007853 Sarothamnus scoparius Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004567 concrete Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
- E01H—STREET CLEANING; CLEANING OF PERMANENT WAYS; CLEANING BEACHES; DISPERSING OR PREVENTING FOG IN GENERAL CLEANING STREET OR RAILWAY FURNITURE OR TUNNEL WALLS
- E01H1/00—Removing undesirable matter from roads or like surfaces, with or without moistening of the surface
- E01H1/10—Hydraulically loosening or dislodging undesirable matter; Raking or scraping apparatus ; Removing liquids or semi-liquids e.g., absorbing water, sliding-off mud
- E01H1/108—Removing liquids or semi- liquids, e.g. absorbing rain water, sucking-off mud
Landscapes
- Engineering & Computer Science (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Cleaning By Liquid Or Steam (AREA)
Abstract
本发明涉及智能控制技术领域，具体涉及一种清扫车快速清理路面积液的智能控制方法及系统。该方法包括：分别获得实时清理积水过程中各预设时段深度序列、振动序列以及清理积水过程中的面积序列；获得各预设时段的清理效率，对各预设时段的清理效率进行分组获得边界分组；基于边界分组的第一、第二判断值、设定的补偿区间和补偿阈值判断是否需要对清理积水的时间进行补偿，若需要补偿，获得补偿的时间。本发明实现了对路面积水进行清理时的自动化控制，能够实时监测清理积水的情况，解放了人工，提高了清理积水的效率；同时，通过对清理积水的时间补偿，能够确保积水能够被清扫车完全的清理干净。
Description
技术领域
本发明涉及智能控制技术领域，具体涉及一种清扫车快速清理路面积液的智能控制方法及系统。
背景技术
现代城市体系中的大部分地表都是由钢筋混凝土的建筑物和不透水的路面覆盖的，城市的排水系统成了城市内积水外排的唯一通道，但是许多的路面因为建造原因或者后续长使用的原因导致很多道路都不是平整的；这就会导致一旦遭遇极端天气，如大雪过后，或者连续的强降雨，在道路的洼陷处就会出现积水，甚至严重的会导致城市内涝；积水的存在影响人们的正常出行，造成交通事故。
目前，常规的方法是人工用扫帚把积水扫向更大的面积，减少水层厚度，这样既不能快速处理积水，效率低，同时耗费大量的劳动力，增加工作量，也有使用清扫车清理城市积水，但是对于清扫车对于城市积水的清理过程还是多为通过人工控制清扫车的清扫过程，这样的话由于人的主观因素的影响很大可能会导致积水清除不彻底，同时通过人为控制清扫车清理积水效率也较低，并未完全实现自动化清理积水。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种清扫车快速清理路面积液的智能控制方法及系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种清扫车快速清理路面积液的智能控制方法。方法包括：基于预设频率实时采集预设时段内清扫车抽取积水时积水的深度以及抽水管的振动频率，分别获得深度序列和振动序列；以一个预设时段采集一次为采集频率实时采集清扫车抽取积水时积水的面积，获得面积序列；
基于当前预设时段的深度序列中相邻元素比值的标准差、当前预设时段与上一预设时段的深度序列的相似程度、当前预设时段的振动序列的极差获得当前预设时段的清理效率；根据所有预设时段的清理效率的相似程度在时序上进行分组，时序上最后一个分组为边界分组，且获得每个分组的清理效率的标准差；
其他分组的标准差与边界分组的标准差的比值的均值为第一判断值，且根据边界分组的各预设时段的积水的面积的极差获得第二判断值；设定补偿区间和补偿阈值，若第一判断值在补偿区间内，且第二判断值大于预设阈值，需要对清理积水的时间进行补偿；根据边界分组中元素预测得到预测清理效率序列，并基于预测清理效率序列中相邻元素的比值确定需要补偿的时间，所述补偿的时间为清扫车需要再继续工作的时长。
优选地，清理效率为：
其中，Lj表示当前预设时段的清理效率；Aj表示当前预设时段的振动序列，Aj-1表示上一预设时段的振动序列；DTW(Aj，Aj-1)表示利用DTW算法获得当前预设时段的振动序列与上一预设时段的振动序列的距离；max(Aj)和min(Aj)分别表示当前预设时段的振动序列中的最大值和最小值；表示当前预设时段的深度序列中相邻元素的比值的标准差，/>表示当前预设时段的深度序列中的第i个元素；e表示自然常数。
优选地，根据所有预设时段的清理效率的相似程度在时序上进行分组包括：利用DBSCAN聚类算法对所有预设时段的清理效率进行聚类，且聚类时基于按照时序进行聚类的；在聚类分组过程中将聚类出的独立的清理效率进行剔除。
优选地，根据边界分组的各预设时段的积水的面积的极差获得第二判断值包括：所述第二判断值与边界分组内各预设时段的积水的面积的极差为负相关关系。
优选地，根据边界分组中元素预测得到预测清理效率序列包括：将边界分组中各预设时段的清理效率输入LSTM神经网络，输出预测清理效率序列；LSTM神经网络的训练数据为各预设时段的清理效率，损失函数为均方差损失函数。
优选地，基于预测清理效率序列中相邻元素的比值确定需要补偿的时间包括：预测清理效率序列中相邻元素的比值为时序上在后的元素比上时序上在前的元素；设定补偿时间阈值，若所述相邻元素的比值小于补偿时间阈值，获得相邻元素中时序在后的元素与预测清理效率序列中第一个元素之间的时长，所述时长为需要补偿的时间。
第二方面，本发明另一个实施例提供了一种清扫车快速清理路面积液的智能控制系统。系统包括：数据采集模块，用于基于预设频率实时采集预设时段内清扫车抽取积水时积水的深度以及抽水管的振动频率，分别获得深度序列和振动序列；以一个预设时段采集一次为采集频率实时采集清扫车抽取积水时积水的面积，获得面积序列；
数据处理模块，用于基于当前预设时段的深度序列中相邻元素比值的标准差、当前预设时段与上一预设时段的深度序列的相似程度、当前预设时段的振动序列的极差获得当前预设时段的清理效率；根据所有预设时段的清理效率的相似程度在时序上进行分组，时序上最后一个分组为边界分组，且获得每个分组的清理效率的标准差；
时间补偿模块，用于其他分组的标准差与边界分组的标准差的比值的均值为第一判断值，且根据边界分组的各预设时段的积水的面积的极差获得第二判断值；设定补偿区间和补偿阈值，若第一判断值在补偿区间内，且第二判断值大于预设阈值，需要对清理积水的时间进行补偿；根据边界分组中元素预测得到预测清理效率序列，并基于预测清理效率序列中相邻元素的比值确定需要补偿的时间，所述补偿的时间为清扫车需要再继续工作的时长。
优选地，清理效率为：
其中，Lj表示当前预设时段的清理效率；Aj表示当前预设时段的振动序列，Aj-1表示上一预设时段的振动序列；DTW(Aj，Aj-1)表示利用DTW算法获得当前预设时段的振动序列与上一预设时段的振动序列的距离；max(Aj)和min(Aj)分别表示当前预设时段的振动序列中的最大值和最小值；表示当前预设时段的深度序列中相邻元素的比值的标准差，/>表示当前预设时段的深度序列中的第i个元素；e表示自然常数。
优选地，根据边界分组中元素预测得到预测清理效率序列包括：将边界分组中各预设时段的清理效率输入LSTM神经网络，输出预测清理效率序列；LSTM神经网络的训练数据为各预设时段的清理效率，损失函数为均方差损失函数。
优选地，基于预测清理效率序列中相邻元素的比值确定需要补偿的时间包括：预测清理效率序列中相邻元素的比值为时序上在后的元素比上时序上在前的元素；设定补偿时间阈值，若所述相邻元素的比值小于补偿时间阈值，获得相邻元素中时序在后的元素与预测清理效率序列中第一个元素之间的时长，所述时长为需要补偿的时间。
本发明实施例至少具有如下有益效果：本发明通过对实时清理积水过程中各个预设时段的清理效率进行分组获得边界分组，且获得每个分组的清理效率的标准差；同时，获得边界分组的第一判断值和第二判断值，设定补偿区间和补偿阈值，根据第一、第二判断值、补偿区间和补偿阈值确定是否需要对处理积水的时间进行补偿，也即是延长，也可以判断出清扫车的吸水作业是否可以停止。本发明实现了对路面积水进行清理时的自动化控制，能够实时监测清理积水的情况，解放了人工，提高了清理积水的效率；同时，通过对清理积水的时间补偿，能够确保积水能够被清扫车完全的清理干净。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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附图。
图1为一种清扫车快速清理路面积液的智能控制方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种清扫车快速清理路面积液的智能控制方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种清扫车快速清理路面积液的智能控制方法及系统的具体方案。
实施例1：
本发明的主要应用场景为：在利用清扫车的抽水泵处理城市道路的路面积水时，实时进行监测，使得抽水泵进行自动化操作的同时，确保积水能够被清理干净。
请参阅图1，其示出了本发明一个实施例提供的一种清扫车快速清理路面积液的智能控制方法流程图，该方法包括以下步骤：
步骤一：基于预设频率实时采集预设时段内清扫车抽取积水时积水的深度以及抽水管的振动频率，分别获得深度序列和振动序列；以一个预设时段采集一次为采集频率实时采集清扫车抽取积水时积水的面积，获得面积序列。
首先，本实施例在利用清扫车的吸水泵清理路面积水时需要实时监测积水的深度，对路面的积水实时监测时通过使用一种积水深度监测装置来实现；其中装置包括积水光电单元，积水光电单元均为红外LD激光器，分别用于向路面发射不同波长的红外激光，探测单元用于接收积水光电单元发射的红外激光从路面返回来的光信号；还有深度辅助单元，深度辅助单元为一个辅助校准装置，用于根据装置内是否有积水以及积水的深度获得对应的深度辅助校准值。
积水深度监测装置还包括信号增强辅助单元，用于安装在积水监测区域，提高红外激光的信号反射强度，当路面上的积水被快被清理完时，此时路面的反射比较弱，信号增强辅助单元帮助增强反光，在开始清理积水时，由于积水的深度较深，此时只需要积水自身的反射作用；积水深度监测装置还包括空气温湿度检测单元，用于采集周围环境的温度及湿度；积水光电单元的前方设置有聚焦镜片，所述聚焦镜片用于聚焦从路面返回来的光信号，使其能够被探测单元更好的接收。
由于路面、水面都不是理想光滑镜面，本实施例所述方法通过与在干燥路面标定的数据进行对比，并通过路面温度、空气温度、以及厚度辅助校准装置验证对比，从而通过计算得到相应的积水深度；在对积水进行清理时，实时采集积水的深度，设定预设采集频率，该采集频率由实施者自行设定，优选地本实施为50HZ，设定预设时段，每一个预设时段为一个采集周期，一个预设时段为1秒，获得对路面积水进行实时清理时，各预设时段内的积水的深度，得到每个预设时段的深度序列Dj表示第j个预设时段的深度序列，也即是第j秒的深度序列，/>表示第j个预设时段内第i次测得的积水的深度，且每个预设时段的深度序列和深度序列中的数据都是按照时序采集的。
进一步的，在清理积水的过程中还需要获得积水的面积的变化，相比于积水深度的变化，积水的面积的变化更能够直观的反映积水的变化，在本实施例通过积水的图像获得积水面积的变化，具体如下：制作积水图像数据集；对初始积水图像数据集进行预处理得训练集、验证集、测试集积水数据；基于Mask RCNN实例分割算法，对训练集和验证集积水数据进行训练，并通过多参数调整，得到积水面积模型；采用基于单平面棋盘格方法对摄像机进行标定以获取摄像机设备参数，对测试集积水数据中图像进行畸变校正；对图像进行透视变换处理；基于训练好的积水面积模型，将经过透视变换的结果图像作为模型输入，对图像积水边界特征进行提取，得到积水识别结果图像，进一步利用像素数量大小，经过简单的线性计算即可定量得到真实积水面积。
在处理积水时获取积水面积时，1秒采集一次积水的面积，也即是一个预设时段采集1次，预设时段为采集频率，获得实时的面积序列S＝{s1,…,sj}。
最后，在清理路面积水时，吸水泵在吸水的过程中，在水流量可以充满抽水管时，即水泵抽水管管内被稳定充满，水泵抽水管管壁的振动频率较小且较为稳定。当抽水管管壁出现气泡时，即管内的填充密度不均匀时，气泡会冲击管壁，导致管壁振动的频率上升，且频率的变化并不稳定，其原理类似于喝饮料。
综上所述，管道内壁的振动频率实时变化过程可以在一定程度上表征水泵的吸水过程。在吸水管壁上安装一个振动加速度计，用来测量管壁的振动频率，频率稳定性越高意味着管壁内部的填充密度越均匀，管壁的振动频率稳定性越低，意味着到达吸水的末期阶段，管内的振动稳定性出现波动。
得到管壁的振动频率序列Aj表示第j个预设时段的深度序列，也即是第j秒的深度序列，/>表示第j个预设时段内第i次测得的抽水管的振动频率，且每个预设时段的振动序列和振动序列中的数据都是按照时序采集的。
步骤二：基于当前预设时段的深度序列中相邻元素比值的标准差、当前预设时段与上一预设时段的深度序列的相似程度、当前预设时段的振动序列的极差获得当前预设时段的清理效率；根据所有预设时段的清理效率的相似程度在时序上进行分组，时序上最后一个分组为边界分组，且获得每个分组的清理效率的标准差。
首先，基于清理积水过程中得到的实时的当前预设时段的振动序列A和深度序列D获得清理效率；在清扫车行进到积水中心时，降下抽水管对道路的积水进行清理，在吸取积水时，对于积水的清理速度是由快变慢的，因为积水在抽取的过程中时逐渐减少的，故在吸水的阶段后期，清理的速度会越来越低，其清理效率也会变的越来越低；因此对每个预设时段的清理效率进行研究可以区分清理积水处于什么阶段，则当前预设时段的清理效率为Lj，也即是第j个预设时段的清理效率：
其中，Lj表示当前预设时段的清理效率，即第j秒预设时段对于路面积水的清理效率，该值越大；Aj表示当前预设时段的振动序列，也是第j秒预设时段的振动序列，Aj-1表示上一预设时段的振动序列，也是第j-1秒的预设时段的振动序列；DTW(Aj，Aj-1)表示利用DTW算法获得当前预设时段的振动序列与上一预设时段的振动序列的距离，表示的是相邻两秒内的振动序列的相似程度，相似程度越高，说明此时在清理时第j秒和第j-1秒的管壁振动保持一致，说明此时的吸水处于管内介质均匀的状态，且前后两秒持续处于该状态，利用DTW的好处是可以规避掉少数不相似的阶段，达到整体相似即可；e表示自然常数；
max(Aj)和min(Aj)分别表示当前预设时段的振动序列中的最大值和最小值，极差越小，说明此时管内壁振动处于稳定状态，在第j预设时段内的变化幅度越小，整体在稳定波动；表示当前预设时段的深度序列中相邻元素的比值的标准差，表达第j预设时段内的积水深度变化稳定性，积水深度变化的稳定性，可以说明此预设时段内的积水是否为稳定下降的，积水的深度只有在抽水管道内的介质稳定时才会趋于稳定。至此，获得所有预设时段的清理效率。
进一步的，需要对所有预设时段的清理效率进行聚类，设置聚类寻找半径r，依照所设定的寻找半径r，按照时间线进行聚类，聚类的算法采用DBSCAN算法进行聚类，聚类有以下好处：可以将聚类出独立的清理效率剔除，独立的清理效率为异常点，异常点的产生是由于电机瞬时功率过高、较复杂导致的，清除异常点可以减少异常数据，同时，由于DBSCAN算法的聚类方式具有连贯性，在聚类完成后，由于是按照时序进行聚类的，也即是积水清理进行过程的时间线的顺序进行聚类，形成的分组可以更好分析一段连续时间内清理效率的变化特征。
聚类寻找半径r的确定是由具体的清扫车决定的，故使用者可根据具体使用情况进行变化。即当清扫车的功率较大时，半径r增大，因为此时的清理效率的变化可能较大，为了聚类的合理性，需要增大聚类寻找半径r。
按照时间的顺序获得聚类后的分组，分别为：Q1，Q2，…，Qn，其中，Qn表示第n组，也即是最后一组，表示当前抽水进行到第n组中最后一个元素对应的预设时段。
最后，将时序上最后一个分组Qn记为边界分组，获得每个分组的内预设时段的清理效率的标准差STD(Q1),…,STD(Qn)，共有n个分组的标准差。
步骤三：其他分组的标准差与边界分组的标准差的比值的均值为第一判断值，且根据边界分组的各预设时段的积水的面积的极差获得第二判断值；设定补偿区间和补偿阈值，若第一判断值在补偿区间内，且第二判断值大于预设阈值，需要对清理积水的时间进行补偿；根据边界分组中元素预测得到预测清理效率序列，并基于预测清理效率序列中相邻元素的比值确定需要补偿的时间，所述补偿的时间为清扫车需要再继续工作的时长。
首先，随着处理积水的时间不断增长，各预设时段的清理效率数值是会随着清理的时间进行变化的，当清理效率出现变化时，可以表征清理是否已经完成，例如，若边界分组内各预设时段的清理效率极不稳定，且经过分析清理效率随着抽水时间的变长，会变的越来越小，因此边界分组内各预设时段的清理效率极不稳定时，也就是标准差极大时，说明在边界分组内积水已经处理干净。
根据边界分组的标准差与其他分组的标准差的比值获得边界分组的第一判断值x：
其中，x表示边界分组的第一判断值；n-1表示除了边界分组的标准差，还有n-1个分组的标准差；STD(Qn)表示边界分组的标准差；STD(Qc)表示除了边界分组的标准差STD(Qn)外n-1个分组的标准差中第c个分组的标准差；表示除了边界分组之外的其他每个分组的清理效率的稳定性与边界分组的清理效率的稳定性的差异；采用标准差的方式可以表达各分组数据的稳定性，即在分组内清理效率是否存在极端变化。
接着，根据边界分组个预设时段的积水面积的极差获得第二判断值px：
其中，表示边界分组的第二判断值；max(s)表示边界分组的各预设时段的积水的面积中的最大值，min(s)表示边界分组的各预设时段的积水的面积中的最小值；max(s)-min(s)可以直接表达在边界分组内积水面积是否出现变化，值越小，说明的在边界分组内的积水面积出现变化，虽然此时的清理效率较低，但是仍然对于积水处于清理阶段，只是积水受限制于地形原因，向中心的汇流速度较慢。
设定补偿区间和补偿阈值，优选地，本实施例中补偿区间为[0.2，0.5]，补偿阈值为0.5；补偿区间的设定是为了确定在边界分组内可能存在的清理效率较低，但清理的时间需要持续，原因是积水的分布是不均匀的，且流动的速度是不可控的，故即使清理效率较低的情况下也需要保证清扫车较长时间运行以确保积水被清理的较为干净；补偿阈值的设定是为了兼顾考虑边界分组内积水面积的变化从而确定是否需要对清理积水的时间进行补偿。
若边界分组的第一判断值小于0.2，则表示边界分组内清扫车的清理效率发生了较大的变化且清理效率处于较低的状态，对于积水已经无法进行有效的吸水了，可以结束吸水作业了，采用清扫等方式对积水区域进行处理，若边界分组的第一判断值大于0.5，此时边界分组内的清理效率处于较高且较为稳定的状态，此时继续进行该状态下的吸水作业即可，同时采集继续吸水的数据再次进行判断，判断是否需要补偿吸水时间或者停止吸水作业；若第一判断值处于补偿区间内，且第二判断值大于补偿阈值0.5，则需要补偿清理积水的时间，也即是增长吸水的时间。
最后，需要获得补偿的时间的长短，建立LSTM预测神经无网络，利用各预设时段的清理效率作为训练数据，损失函数为均方差损失函数，输入边界分组各预设时段的清理效率，输出预测清理效率序列；这里的预测清理效率预测序列可以看作是在边界分组后清扫车接着运行多个预设时段的清理效率。
获得预测清理效率序列中各相邻元素的比值，该比值是相邻元素中时序上在后的元素比上时序上在前的元素，设定补偿时间阈值，优选地，本实施例中补偿时间阈值为0.1，若预测清理效率序列中任一相邻元素的比值小于0.1，该相邻元素中时序上在后的元素对应的预设时间段与预测清理效率序列中第一个元素之间的时长就是需要补偿的时间，如预测清理效率序列中第8个元素与第7个元素的比值小于0.1，则补偿的时间为第8个预设时段与第1预设时段之间的时长也就是7秒。获得补偿的时间后需要清扫车继续工作补偿的时间，然后再根据清理积水过程中的数据判断是否还需要补偿时间，这是一个实时的过程，直到不需要再补偿时间且积水清理干净，停止判断同时停止清理积水。
需要说明的是在判断是否需要补偿时间和停止清理时是需要有一定量的数据作为基础的，因此开始判断的时间有实施者根据实际情况自行确定。对上述实施是在清理途中实时进行的，可以适应城市不同的积水情况。
实施例2：
本实施例提供了一种系统实施例。一种清扫车快速清理路面积液的智能控制系统，该系统包括：数据采集模块，用于基于预设频率实时采集预设时段内清扫车抽取积水时积水的深度以及抽水管的振动频率，分别获得深度序列和振动序列；以一个预设时段采集一次为采集频率实时采集清扫车抽取积水时积水的面积，获得面积序列；
数据处理模块，用于基于当前预设时段的深度序列中相邻元素比值的标准差、当前预设时段与上一预设时段的深度序列的相似程度、当前预设时段的振动序列的极差获得当前预设时段的清理效率；根据所有预设时段的清理效率的相似程度在时序上进行分组，时序上最后一个分组为边界分组，且获得每个分组的清理效率的标准差；
时间补偿模块，其他分组的标准差与边界分组的标准差的比值的均值为第一判断值，且根据边界分组的各预设时段的积水的面积的极差获得第二判断值；设定补偿区间和补偿阈值，若第一判断值在补偿区间内，且第二判断值大于预设阈值，需要对清理积水的时间进行补偿；根据边界分组中元素预测得到预测清理效率序列，并基于预测清理效率序列中相邻元素的比值确定需要补偿的时间，所述补偿的时间为清扫车需要再继续工作的时长。
优选地，清理效率为：
其中，Lj表示当前预设时段的清理效率；Aj表示当前预设时段的振动序列，Aj-1表示上一预设时段的振动序列；DTW(Aj，Aj-1)表示利用DTW算法获得当前预设时段的振动序列与上一预设时段的振动序列的距离；max(Aj)和min(Aj)分别表示当前预设时段的振动序列中的最大值和最小值；表示当前预设时段的深度序列中相邻元素的比值的标准差；e表示自然常数。
优选地，根据边界分组中元素预测得到预测清理效率序列包括：将边界分组中各预设时段的清理效率输入LSTM神经网络，输出预测清理效率序列；LSTM神经网络的训练数据为各预设时段的清理效率，损失函数为均方差损失函数。
优选地，基于预测清理效率序列中相邻元素的比值确定需要补偿的时间包括：预测清理效率序列中相邻元素的比值为时序上在后的元素比上时序上在前的元素；设定补偿时间阈值，若所述相邻元素的比值小于补偿时间阈值，获得相邻元素中时序在后的元素与预测清理效率序列中第一个元素之间的时长，所述时长为需要补偿的时间。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种清扫车快速清理路面积液的智能控制方法，其特征在于，该方法包括：基于预设频率实时采集预设时段内清扫车抽取积水时积水的深度以及抽水管的振动频率，分别获得深度序列和振动序列；以一个预设时段采集一次为采集频率实时采集清扫车抽取积水时积水的面积，获得面积序列；
基于当前预设时段的深度序列中相邻元素比值的标准差、当前预设时段与上一预设时段的深度序列的相似程度、当前预设时段的振动序列的极差获得当前预设时段的清理效率；根据所有预设时段的清理效率的相似程度在时序上进行分组，时序上最后一个分组为边界分组，且获得每个分组的清理效率的标准差；
其他分组的标准差与边界分组的标准差的比值的均值为第一判断值，且根据边界分组的各预设时段的积水的面积的极差获得第二判断值；设定补偿区间和补偿阈值，若第一判断值在补偿区间内，且第二判断值大于预设阈值，需要对清理积水的时间进行补偿；根据边界分组中元素预测得到预测清理效率序列，并基于预测清理效率序列中相邻元素的比值确定需要补偿的时间，所述补偿的时间为清扫车需要再继续工作的时长；
所述清理效率为：
其中，Lj表示当前预设时段的清理效率；Aj表示当前预设时段的振动序列，Aj-1表示上一预设时段的振动序列；DTW(Aj，Aj-1)表示利用DTW算法获得当前预设时段的振动序列与上一预设时段的振动序列的距离；max(Aj)和min(Aj)分别表示当前预设时段的振动序列中的最大值和最小值；表示当前预设时段的深度序列中相邻元素的比值的标准差，/>表示当前预设时段的深度序列中的第i个元素；e表示自然常数。
2.根据权利要求1所述的一种清扫车快速清理路面积液的智能控制方法，其特征在于，所述根据所有预设时段的清理效率的相似程度在时序上进行分组包括：利用DBSCAN聚类算法对所有预设时段的清理效率进行聚类，且聚类时基于按照时序进行聚类的；在聚类分组过程中将聚类出的独立的清理效率进行剔除。
3.根据权利要求1所述的一种清扫车快速清理路面积液的智能控制方法，其特征在于，所述根据边界分组的各预设时段的积水的面积的极差获得第二判断值包括：所述第二判断值与边界分组内各预设时段的积水的面积的极差为负相关关系。
4.根据权利要求1所述的一种清扫车快速清理路面积液的智能控制方法，其特征在于，所述根据边界分组中元素预测得到预测清理效率序列包括：将边界分组中各预设时段的清理效率输入LSTM神经网络，输出预测清理效率序列；LSTM神经网络的训练数据为各预设时段的清理效率，损失函数为均方差损失函数。
5.根据权利要求1所述的一种清扫车快速清理路面积液的智能控制方法，其特征在于，所述基于预测清理效率序列中相邻元素的比值确定需要补偿的时间包括：预测清理效率序列中相邻元素的比值为时序上在后的元素比上时序上在前的元素；设定补偿时间阈值，若所述相邻元素的比值小于补偿时间阈值，获得相邻元素中时序在后的元素与预测清理效率序列中第一个元素之间的时长，所述时长为需要补偿的时间。
6.一种清扫车快速清理路面积液的智能控制系统，其特征在于，该系统包括：数据采集模块，用于基于预设频率实时采集预设时段内清扫车抽取积水时积水的深度以及抽水管的振动频率，分别获得深度序列和振动序列；以一个预设时段采集一次为采集频率实时采集清扫车抽取积水时积水的面积，获得面积序列；
数据处理模块，用于基于当前预设时段的深度序列中相邻元素比值的标准差、当前预设时段与上一预设时段的深度序列的相似程度、当前预设时段的振动序列的极差获得当前预设时段的清理效率；根据所有预设时段的清理效率的相似程度在时序上进行分组，时序上最后一个分组为边界分组，且获得每个分组的清理效率的标准差；
时间补偿模块，用于其他分组的标准差与边界分组的标准差的比值的均值为第一判断值，且根据边界分组的各预设时段的积水的面积的极差获得第二判断值；设定补偿区间和补偿阈值，若第一判断值在补偿区间内，且第二判断值大于预设阈值，需要对清理积水的时间进行补偿；根据边界分组中元素预测得到预测清理效率序列，并基于预测清理效率序列中相邻元素的比值确定需要补偿的时间，所述补偿的时间为清扫车需要再继续工作的时长；
所述清理效率为：
其中，Lj表示当前预设时段的清理效率；Aj表示当前预设时段的振动序列，Aj-1表示上一预设时段的振动序列；DTW(Aj，Aj-1)表示利用DTW算法获得当前预设时段的振动序列与上一预设时段的振动序列的距离；max(Aj)和min(Aj)分别表示当前预设时段的振动序列中的最大值和最小值；表示当前预设时段的深度序列中相邻元素的比值的标准差，/>表示当前预设时段的深度序列中的第i个元素；e表示自然常数。
7.根据权利要求6所述的一种清扫车快速清理路面积液的智能控制系统，其特征在于，所述根据边界分组中元素预测得到预测清理效率序列包括：将边界分组中各预设时段的清理效率输入LSTM神经网络，输出预测清理效率序列；LSTM神经网络的训练数据为各预设时段的清理效率，损失函数为均方差损失函数。
8.根据权利要求6所述的一种清扫车快速清理路面积液的智能控制系统，其特征在于，所述基于预测清理效率序列中相邻元素的比值确定需要补偿的时间包括：预测清理效率序列中相邻元素的比值为时序上在后的元素比上时序上在前的元素；设定补偿时间阈值，若所述相邻元素的比值小于补偿时间阈值，获得相邻元素中时序在后的元素与预测清理效率序列中第一个元素之间的时长，所述时长为需要补偿的时间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210462360.8A CN114808823B (zh) | 2022-04-28 | 2022-04-28 | 一种清扫车快速清理路面积液的智能控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210462360.8A CN114808823B (zh) | 2022-04-28 | 2022-04-28 | 一种清扫车快速清理路面积液的智能控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114808823A CN114808823A (zh) | 2022-07-29 |
| CN114808823B true CN114808823B (zh) | 2024-06-14 |
Family
ID=82510064
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210462360.8A Active CN114808823B (zh) | 2022-04-28 | 2022-04-28 | 一种清扫车快速清理路面积液的智能控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114808823B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115033042B (zh) * | 2022-08-10 | 2023-10-20 | 微山县恒信食品有限公司 | 基于多模态物联网的食品脱水机智能控制系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CH608538A5 (en) * | 1976-06-09 | 1979-01-15 | Sachs Otto Sachs Maschinen | Suction apparatus |
| CN102901489A (zh) * | 2011-07-25 | 2013-01-30 | 中兴通讯股份有限公司 | 路面积水积冰检测方法及装置 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005505870A (ja) * | 2001-10-11 | 2005-02-24 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 画像の異なる領域を識別をするための方法及び装置 |
| CN104462774A (zh) * | 2014-11-11 | 2015-03-25 | 合肥三立自动化工程有限公司 | 基于水箱模型的城市道路及低洼地区积水预报方法 |
| CN110160550B (zh) * | 2019-04-29 | 2022-07-08 | 东南大学 | 一种基于道路积水预测的城市路线引导方法 |
| CN110674700B (zh) * | 2019-08-31 | 2023-07-21 | 深圳市广宁股份有限公司 | 基于数字孪生模型的电子设备的智能健康预测方法及装置 |
| CN113762102A (zh) * | 2021-08-20 | 2021-12-07 | 九天创新(广东)智能科技有限公司 | 一种快速清理地面积液的方法、装置、清扫车 |
| CN113682310B (zh) * | 2021-09-02 | 2023-06-23 | 江苏理工学院 | 一种用于车辆的路面积水检测系统及检测控制方法 |
| CN113592860B (zh) * | 2021-09-27 | 2021-12-28 | 江苏濠汉信息技术有限公司 | 一种基于智能图像处理的轨道线路自动巡检系统 |
| CN113837164A (zh) * | 2021-11-29 | 2021-12-24 | 中化学交通建设集团有限公司 | 一种基于图像识别技术的工地积水点检测方法和装置 |
-
2022
- 2022-04-28 CN CN202210462360.8A patent/CN114808823B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CH608538A5 (en) * | 1976-06-09 | 1979-01-15 | Sachs Otto Sachs Maschinen | Suction apparatus |
| CN102901489A (zh) * | 2011-07-25 | 2013-01-30 | 中兴通讯股份有限公司 | 路面积水积冰检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114808823A (zh) | 2022-07-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114808823B (zh) | 一种清扫车快速清理路面积液的智能控制方法及系统 | |
| CN113096418B (zh) | 交通网红绿灯控制方法、系统及计算机可读存储介质 | |
| CN106652459A (zh) | 一种智能型路侧交通空气污染监测系统 | |
| CN115185285B (zh) | 吸尘机器人的自动避障方法、装置、设备及存储介质 | |
| CN111501543B (zh) | 一种桥梁表面裂缝检测装置 | |
| CN108052887A (zh) | 一种融合slam/gnss信息的疑似违法用地自动识别系统及方法 | |
| CN111046773A (zh) | 一种基于图像技术判定路面积滞水的方法 | |
| CN109738041B (zh) | 一种城市地下综合管廊智能液位监测方法及系统 | |
| CN102073852A (zh) | 基于最优阈值和随机标号法的多车辆分割方法 | |
| CN108508372A (zh) | 一种基于环境视觉融合的无人驾驶电量计算和预警方法与系统 | |
| CN201421430Y (zh) | 给水处理中絮凝效果检测装置 | |
| KR100522129B1 (ko) | 강우시 하수관거나 우수관거의 유량 및 오염부하의 실시간모니터링 방법및 그 시스템 | |
| CN114782517A (zh) | 基于云计算的应急状态水位监控报警系统及方法 | |
| CN114267082A (zh) | 基于深度理解的桥侧坠落行为识别方法 | |
| CN117033935B (zh) | 基于贝叶斯融合的统计与监测下的场降雨特征的预测方法 | |
| CN111047180B (zh) | 一种屋面雨水径流污染物浓度的计算方法及其控释应用 | |
| CN1573797A (zh) | 用于在图像处理中改善对象识别和/或再识别的方法和装置 | |
| US20210372792A1 (en) | Method of measuring slope of drainpipe | |
| JPH05134715A (ja) | ニユーラルネツトワーク応用雨水流入量予測装置 | |
| CN113554618B (zh) | 一种基于红外图像的铁路轨道状态监测方法及装置 | |
| CN110956203B (zh) | 一种基于灯元分布匹配的静态夜景灯光检测方法 | |
| CN113420588B (zh) | 可视化道路噪声场建立方法、装置、设备及计算机存储介质 | |
| CN114637245A (zh) | 一种路面降尘控制系统 | |
| CN114383341A (zh) | 一种用于路面主动式融冰雪系统及其控制方法 | |
| CN113696895B (zh) | 一种通过自学习进行底盘控制的系统和方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240515 Address after: 441300 Southwest corner of the intersection of Luhe Avenue and Hongqi Road in Suizhou City, Hubei Province (Hubei Zhongjin Shuangxin Mining Co., Ltd.) No.15 Workshop Building 101 Applicant after: Hubei Baisitu Automobile Co.,Ltd. Country or region after: China Address before: 226100 Room 303, South Building, No. 15, Renmin West Road, Yuelai Town, Haimen District, Nantong City, Jiangsu Province Applicant before: Nantong Yinzhu Energy Saving Technology Service Co.,Ltd. Country or region before: China |
|
| GR01 | Patent grant |