CN115083171B - 一种基于渣土车监控的无人机定点巡检方法及系统 - Google Patents
一种基于渣土车监控的无人机定点巡检方法及系统 Download PDFInfo
- Publication number
- CN115083171B CN115083171B CN202210850276.3A CN202210850276A CN115083171B CN 115083171 B CN115083171 B CN 115083171B CN 202210850276 A CN202210850276 A CN 202210850276A CN 115083171 B CN115083171 B CN 115083171B
- Authority
- CN
- China
- Prior art keywords
- violation
- relationship
- path
- label
- current
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 76
- 238000012544 monitoring process Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000006399 behavior Effects 0.000 claims abstract description 182
- 238000004458 analytical method Methods 0.000 claims abstract description 36
- 238000007405 data analysis Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 86
- 230000004927 fusion Effects 0.000 claims description 47
- 230000005540 biological transmission Effects 0.000 claims description 33
- 230000035772 mutation Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 230000009471 action Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 13
- 238000013459 approach Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 8
- 238000005192 partition Methods 0.000 claims description 7
- 238000011217 control strategy Methods 0.000 claims description 6
- 238000007667 floating Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims 1
- 230000007704 transition Effects 0.000 description 30
- 238000013461 design Methods 0.000 description 28
- 238000012546 transfer Methods 0.000 description 21
- 238000003860 storage Methods 0.000 description 13
- 230000015654 memory Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 10
- 238000000354 decomposition reaction Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000004140 cleaning Methods 0.000 description 5
- 239000002893 slag Substances 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241000579895 Chlorostilbon Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/20—Checking timed patrols, e.g. of watchman
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于渣土车监控的无人机定点巡检方法及系统,通过获取监控无人机对渣土车进行定点巡检的定点巡检数据流,并对定点巡检数据流进行数据分析,实时预测目标渣土车在之后预设时间段内的行车定位预测信息后,将定点巡检数据流和定点巡检数据流对应的行车定位预测信息输入至违章行为解析网络中,识别出违章行为以及对应的违章置信度,然后根据预设违章关系网络利用违章行为解析网络输出的违章行为和违章置信度进行违章原因的追溯分析得到关系违章原因和关系原因置信度,从而提高了违章行为的识别精度和识别范围。
Description
技术领域
本发明涉及渣土车监控技术领域,具体而言,涉及一种基于渣土车监控的无人机定点巡检方法及系统。
背景技术
目前,针对渣土车的监控非常重要。在相关技术方案中,针对渣土车违章行为的识别,缺乏违章原因的追溯分析,导致降低了违章行为的识别精度和识别范围,在后续进行预警信息管理过程中可能会缺乏有效的判别依据。
发明内容
为了至少克服现有技术中的上述不足,本发明的目的在于提供一种基于渣土车监控的无人机定点巡检方法及系统。
第一方面,本发明提供一种基于渣土车监控的无人机定点巡检方法,应用于云服务平台,所述云服务平台与多个监控无人机通信连接,所述监控无人机用于在渣土车的出没区域对渣土车进行定点巡检,所述方法包括:
获取所述监控无人机对渣土车进行定点巡检的定点巡检数据流,并对所述定点巡检数据流进行数据分析,实时预测所述目标渣土车在之后预设时间段内的行车定位预测信息;
将所述定点巡检数据流和所述定点巡检数据流对应的行车定位预测信息输入至违章行为解析网络中得到违章行为标签以及与所述违章行为标签对应的违章置信度;
将所述违章行为标签输入至预设违章关系网络中进行关系传递得到与所述违章行为标签相关联的关系违章原因标签,并根据所述违章行为标签对应的违章置信度得到与所述关系违章原因标签对应的关系原因置信度;
输出所述违章行为标签、与所述违章行为标签对应的违章置信度、所述关系违章原因标签以及与所述关系违章原因标签对应的关系原因置信度。
第二方面,本发明实施例还提供一种基于渣土车监控的无人机定点巡检系统,所述基于渣土车监控的无人机定点巡检系统包括云服务平台以及与所述云服务平台通信连接的多个监控无人机,所述监控无人机用于在渣土车的出没区域对渣土车进行定点巡检;
所述云服务平台,用于:
获取所述监控无人机对渣土车进行定点巡检的定点巡检数据流,并对所述定点巡检数据流进行数据分析,实时预测所述目标渣土车在之后预设时间段内的行车定位预测信息;
将所述定点巡检数据流和所述定点巡检数据流对应的行车定位预测信息输入至违章行为解析网络中得到违章行为标签以及与所述违章行为标签对应的违章置信度;
将所述违章行为标签输入至预设违章关系网络中进行关系传递得到与所述违章行为标签相关联的关系违章原因标签,并根据所述违章行为标签对应的违章置信度得到与所述关系违章原因标签对应的关系原因置信度;
输出所述违章行为标签、与所述违章行为标签对应的违章置信度、所述关系违章原因标签以及与所述关系违章原因标签对应的关系原因置信度。
根据上述任意一个方面,本发明提供的实施方式中,通过获取监控无人机对渣土车进行定点巡检的定点巡检数据流,并对定点巡检数据流进行数据分析,实时预测目标渣土车在之后预设时间段内的行车定位预测信息后,将定点巡检数据流和定点巡检数据流对应的行车定位预测信息输入至违章行为解析网络中,识别出违章行为以及对应的违章置信度,然后根据预设违章关系网络利用违章行为解析网络输出的违章行为和违章置信度进行违章原因的追溯分析得到关系违章原因和关系原因置信度,从而提高了违章行为的识别精度和识别范围。
附图说明
为了更清楚地说明本发明实施例的技术方案,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发明的某些实施例,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为本发明实施例提供的基于渣土车监控的无人机定点巡检系统的应用场景示意图;
图2为本发明实施例提供的基于渣土车监控的无人机定点巡检方法的流程示意图;
图3为本发明实施例提供的用于实现上述的基于渣土车监控的无人机定点巡检方法的云服务平台的结构示意框图。
具体实施方式
下面结合说明书附图对本发明进行具体说明,方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。
图1是本发明一种实施例提供的基于渣土车监控的无人机定点巡检系统10的应用场景示意图。基于渣土车监控的无人机定点巡检系统10可以包括云服务平台100以及与云服务平台100通信连接的监控无人机200。图1所示的基于渣土车监控的无人机定点巡检系统10仅为一种可行的示例,在其它可行的实施例中,该基于渣土车监控的无人机定点巡检系统10也可以仅包括图1所示组成部分的其中的至少部分或者还可以包括其它的组成部分。
一种可能的设计思路中,基于渣土车监控的无人机定点巡检系统10中的云服务平台100和监控无人机200可以通过配合执行以下方法实施例所描述的基于渣土车监控的无人机定点巡检方法,具体云服务平台100和监控无人机200的执行步骤部分可以过往以下方法实施例的详细描述。
为了解决前述背景技术中的技术问题,本实施例提供的基于渣土车监控的无人机定点巡检方法可以由图1中所示的云服务平台100执行。图2为本发明实施例提供的基于渣土车监控的无人机定点巡检方法的流程示意图。图2中所示的基于渣土车监控的无人机定点巡检方法包括有步骤S110至步骤S130。下面对该基于渣土车监控的无人机定点巡检方法的步骤进行详细介绍。
步骤S110,获取所述监控无人机对渣土车进行定点巡检的定点巡检数据流,并对所述定点巡检数据流进行数据分析,实时预测所述目标渣土车在之后预设时间段内的行车定位预测信息。
步骤S120,将所述定点巡检数据流和所述定点巡检数据流对应的行车定位预测信息输入至违章行为解析网络中得到违章行为标签以及与所述违章行为标签对应的违章置信度。
其中,定点巡检数据流是由监控无人机发送给云服务平台的,监控无人机将定点巡检所产生的各种数据(如视频流数据)等组合形成定点巡检数据流发送至云服务平台,由云服务平台判断该定点巡检数据流是否存在违章行为标签,如果存在,则云服务平台可以输出该违章行为标签对应的定点巡检数据流片段,以便于相关用户对该定点巡检数据流进行处理。
例如,违章行为解析网络是预先生成的用于对定点巡检数据流进行预测违章行为标签以及与违章行为标签对应的违章置信度的,其中违章行为解析网络可以是基于无监督网络训练获得的深度学习网络模型。
违章行为标签是可以用于表征违章行为的类别属性,违章置信度是用于衡量某个片段的行为为违章行为的度量值,例如该度量值可以介于0至100之间。
云服务平台将定点巡检数据流输入至违章行为解析网络中,其中在违章行为解析网络中设置了匹配特征单元,通过该些匹配特征单元可以判断定点巡检数据流中是否存在违章行为信息,如果存在,则说明该定点巡检数据流中某个片段对应的行为为违章行为,云服务平台根据该定点巡检数据流计算违章行为的违章置信度,因此最后违章行为解析网络输出违章行为标签和对应的违章置信度。
步骤S130,将违章行为标签输入至预设违章关系网络中进行关系传递得到与违章行为标签相关联的关系违章原因标签,并根据违章行为标签对应的违章置信度得到与关系违章原因标签对应的关系原因置信度。
例如,预设违章关系网络是用于存储各个违章产生行为之间的违章原因追溯关系的知识网络架构,其中违章原因追溯关系可以包括诱导关系、非诱导关系、行车故障关系、非行车故障关系、场景摆布关系以及非场景摆布关系等,因此预设违章关系网络中通过上述关系将各个违章产生行为进行关联。与违章行为标签相关联的关系违章原因标签即两个违章原因标签之间存在违章原因追溯关系。
云服务平台在得到违章行为标签和违章置信度后,将该违章行为标签和违章置信度输入至预设违章关系网络中,通过预设违章关系网络中的违章原因追溯关系将与违章行为相关联的行为作为关系违章原因进行输出,且为了方便,还可以根据违章行为标签对应的违章置信度得到与关系违章原因标签对应的关系原因置信度,例如设置关系传递属性值,当前关联的关系违章原因标签对应的关系原因置信度等于上一个关系违章原因标签或违章行为标签对应的违章置信度乘以关系传递属性值,此外还可以设置一关系传递数值,当根据预设违章关系网络中的违章原因追溯关系进行关系传递时,到达某一个违章行为标签时,该违章行为标签的违章置信度小于关系传递数值,则停止关系传递,从而表征该违章行为标签不受违章行为的影响。
步骤S140,输出违章行为标签、与违章行为标签对应的违章置信度、关系违章原因标签以及与关系违章原因标签对应的关系原因置信度。
例如,云服务平台在通过违章行为解析网络和预设违章关系网络对定点巡检数据流进行判断后,得到了违章行为标签、与违章行为标签对应的违章置信度、关系违章原因标签以及与关系违章原因标签对应的关系原因置信度,且为了后续相关用户可以获取到这些信息,可以将该些违章行为标签、与违章行为标签对应的违章置信度、关系违章原因标签以及与关系违章原因标签对应的关系原因置信度进行输出。
上述违章行为识别方法,首先通过违章行为解析网络识别出违章行为以及对应的违章置信度,然后根据预设违章关系网络利用违章行为解析网络输出的违章行为和违章置信度进行违章原因的追溯分析得到关系违章原因和关系原因置信度,从而提高了违章行为的识别精度和识别范围。
一种可能的设计思路中,将违章行为标签输入至预设违章关系网络中进行关系传递得到与违章行为标签相关联的关系违章原因标签,并根据违章行为标签对应的违章置信度得到与关系违章原因标签对应的关系原因置信度,可以包括:根据违章行为标签获取当前违章行为作用值和关系传递数值;在预设违章关系网络中搜索违章行为标签对应的当前关系网络实体,并根据预设违章关系网络获取当前关系网络实体对应的邻接关系网络实体,以及邻接关系网络实体对应的当前关系传递属性值;根据当前违章行为作用值以及当前关系传递属性值计算得到邻接关系网络实体对应的当前违章置信度,且当当前违章置信度不小于关系传递数值时,对当前违章置信度不小于关系传递数值的邻接关系网络实体以及对应的违章置信度进行标注;获取当前违章置信度大于关系传递数值的邻接关系网络实体作为当前关系网络实体,并获取当前关系网络实体的当前违章置信度作为当前违章行为作用值;继续在预设违章关系网络中搜索违章行为标签对应的当前关系网络实体,当当前违章置信度小于关系传递数值时,则输出标注的邻接关系网络实体对应的违章原因标签为关系违章原因标签,并对应输出标注的当前违章置信度为关系原因置信度。
一种可能的设计思路中,输出违章行为标签、与违章行为标签对应的违章置信度、关系违章原因标签以及与关系违章原因标签对应的关系原因置信度,可以包括:获取违章行为标签、关系违章原因标签对应的行为标签描述向量集和关系型描述向量集;根据违章行为标签、关系违章原因标签生成违章描述单元;通过关系型描述向量集将违章描述单元进行关系分配;将行为标签描述向量集对应分配在违章描述单元下得到违章行为关系网络,并输出违章行为关系网络。
例如,假设违章行为关系网络包括多个关系网络实体,假设在经过违章行为解析网络中识别出了关系网络实体R11对应的行为为违章行为,云服务平台首先根据违章行为标签获取当前违章行为作用值和关系传递数值,并且云服务平台获取到违章行为标签,然后搜索与违章行为标签对应的违章行为基础数据,根据违章行为基础数据得到违章事件,并预先配置的违章事件进行匹配,如果匹配成功,则获取匹配成功的违章事件对应的初始违章行为作用值作为当前违章行为作用值,获取匹配成功的违章事件对应的关系传递数值作为关系传递数值。
且一种可能的设计思路中,一般默认初始违章行为的初始违章置信度为0,即此处关系网络实体R11的初始违章置信度为0。且由于该关系网络实体发生了违章事件,因此其违章置信度不再为0,假设关系网络实体R11发生了违章事件D2,则关系网络实体R11处的违章置信度变成为y2,即当前关系网络实体的违章置信度为y2,其向与关系网络实体R11相关联的关系网络实体进行关系传递。
假设可知与I11关联的关系网络实体包括:关系网络实体R21、关系网络实体R22以及关系网络实体R23,因此违章事件D2的影响分别向关系网络实体R21、关系网络实体R22以及关系网络实体R23进行关系传递,此处仅以关系网络实体R21进行说明,云服务平台获取到关系网络实体R11和关系网络实体R21之间的违章原因追溯关系,并根据所获取到的违章原因追溯关系搜索得到与邻接关系网络实体对应的当前关系传递属性值,即关系网络实体R21的关系传递属性值。
在获取到关系传递属性值后,则云服务平台计算从关系网络实体R11关系传递至关系网络实体R21时,假设关系网络实体R21与关系网络实体R11的违章原因追溯关系为诱导关系,则关系传递属性值为p2,因此关系网络实体R21的当前违章置信度=y2*p2,并将y2*p2与关系传递数值t2进行比较,如果y2*p2大于t2,则表示当前关系网络实体R21受到违章事件D2的影响,需要继续向下关系传递,否则表示当前关系网络实体R21不受到违章事件D2的影响,不需要继续向下关系传递。如果需要继续向下关系传递,则继续获取到关系网络实体R21关联的关系网络实体R31、关系网络实体R32以及关系网络实体R33等,然后重复上述步骤,直至邻接关系网络实体的违章置信度小于关系传递数值。
且一种可能的设计思路中,为了准确地计算邻接关系网络实体的违章置信度,当一个关系网络实体被多条路径关系传递,即多个违章事件可以经过关系传递到达该关系网络实体时,则该关系网络实体的违章置信度为多条关系传递路径上计算出的违章置信度之和。
其中,在关系传递的过程中可以将违章置信度大于关系传递数值的关系网络实体进行标注,这样在关系传递结束时,可以输出标注的邻接关系网络实体对应的违章原因标签为关系违章原因标签,并对应输出标注的当前违章置信度为关系原因置信度,保证了输出的准确性。
上述实施例中,将违章行为标签和违章置信度通过预设违章关系网络进行关系传递,查找出更多的关系违章原因,从而可以提高违章行为的识别精度和识别范围。且最后通过违章行为关系网络的形式输出,使得各个违章行为之间的违章原因追溯关系清楚完整。
一种可能的设计思路中,违章行为解析网络以及预设违章关系网络的生成方式可以包括:获取预先收集的参考数据;根据预先收集的参考数据计算得到行为标签描述向量集,根据行为标签描述向量集生成违章行为解析网络;根据预先收集的参考数据计算得到关系型描述向量集,根据关系型描述向量集生成预设违章关系网络。
一种可能的设计思路中,根据预先收集的参考数据计算得到行为标签描述向量集可以包括:获取当前违章行为描述环境,并搜索与当前违章行为描述环境对应的违章行为的描述向量簇;判断预先收集的参考数据中是否存在与违章行为的描述向量簇对应的匹配参考描述向量,如果不存在,则获取违章行为的描述向量簇对应的匹配策略;根据匹配策略以及预先收集的参考数据计算得到与违章行为的描述向量簇对应的行为标签描述向量集。
一种可能的设计思路中,根据预先收集的参考数据计算得到关系型描述向量集可以包括:搜索与当前违章行为描述环境对应的关系违章原因的描述向量簇,并获取与关系违章原因的描述向量簇对应的用于表征关键特征的选举描述向量;将用于表征关键特征的选举描述向量与预先收集的参考数据进行匹配;如果匹配成功,则将与用于表征关键特征的选举描述向量匹配成功的预先收集的参考数据作为关系型描述向量集,并根据用于表征关键特征的选举描述向量对应的关系违章原因的描述向量簇得到关系型描述向量集对应的描述向量内容。
关系型描述向量集的提取方式可以是云服务平台搜索与当前违章行为描述环境对应的关系违章原因的描述向量簇,并获取与关系违章原因的描述向量簇对应的用于表征关键特征的选举描述向量;例如关系型描述向量集可以是:诱导关系、非诱导关系、行车故障关系、非行车故障关系、场景摆布关系以及非场景摆布关系等多种关系,因此可以将该些关系型描述向量集对应的用于表征关键特征的选举描述向量与预先收集的参考数据匹配。然后云服务平台将用于表征关键特征的选举描述向量与预先收集的参考数据进行匹配,如果匹配成功,则将与用于表征关键特征的选举描述向量匹配成功的预先收集的参考数据作为关系型描述向量集,并根据用于表征关键特征的选举描述向量对应的关系违章原因的描述向量簇得到关系型描述向量集对应的描述向量内容。例如将与用于表征关键特征的选举描述向量匹配成功的关系型描述向量集所关联的前后两个违章原因标签建立违章原因追溯关系。
例如,云服务平台在提取了行为标签描述向量集和关系型描述向量集后,则根据行为标签描述向量集建立违章行为解析网络,根据关系型描述向量集建立预设违章关系网络。
其中云服务平台根据行为标签描述向量集建立违章行为解析网络的步骤是:获取行为标签描述向量集,然后基于相关技术中的聚类算法、关联算法或路径算法对所得到的行为标签描述向量集进行学习得到违章行为解析网络。
一种可能的设计思路中,在违章行为解析网络和预设违章关系网络验证之后,可以根据验证数据搜索对应的违章行为标签和关系违章原因标签对应的行为标签描述向量集和关系型描述向量集存储在数据库中,然后根据行为标签描述向量集和关系型描述向量集生成对应的违章行为关系网络。
上述实施例中,根据预先收集的参考数据生成关系型描述向量集和行为标签描述向量集,并分别根据行为标签描述向量集生成违章行为解析网络,根据关系型描述向量集生成预设违章关系网络,从而使得方便了后续违章关系网络的使用。
譬如,一种可能的设计思路中,前述的步骤S110可以通过以下示例性的步骤实现。
步骤A110,获取所述监控无人机对目标管控区域内的渣土车进行监控的监控数据流。
步骤A120,在检测到所述监控数据流指示目标渣土车存在违章行为时,联动控制所述目标管控区域内其它无人机实时采集所述目标渣土车的行车路径信息。
步骤A130,基于每个无人机采集到的所述目标渣土车的行车路径信息预测所述目标渣土车在之后预设时间段内的行车定位预测信息,并将所述行车定位预测信息发送给所述目标管控区域所对应的巡警值班服务监控无人机进行预警信息提示。
基于以上步骤,本实施例通过获取监控无人机对目标管控区域内的渣土车进行监控的监控数据流,在检测到监控数据流指示目标渣土车存在违章行为时,通过联动控制多个无人机进行行车路径信息采集,可以提高行车路径信息采集的可靠性,并针对多个无人机采集的行车路径信息进行行车定位预测,可以便于精确分析目标渣土车在之后预设时间段内的行车定位预测信息,并将行车定位预测信息发送给目标管控区域所对应的巡警值班服务监控无人机进行预警信息提示,从而提高施工现场的预警及时性和准确性。
一种可能的设计思路中,对于步骤A120中联动控制所述目标管控区域内其它无人机实时采集所述目标渣土车的行车路径信息的具体实现方式,可以通过以下步骤实现。
步骤A121,获取所述目标管控区域内所有候选无人机的飞行状态信息;
步骤A122,根据所述飞行状态信息从所述所有候选无人机中筛选获得目标无人机,并根据所述目标渣土车当前的行车方向信息以及每个目标无人机的飞行状态信息为每个目标无人机生成对应的联动控制策略信息;
步骤A123,基于每个对应的联动控制策略信息控制每个对应的目标无人机实时采集所述目标渣土车的行车路径信息。
一种可能的设计思路中,对于步骤A130中基于每个无人机采集到的所述目标渣土车的行车路径信息预测所述目标渣土车在之后预设时间段内的行车定位预测信息的具体实现方式,可以通过以下步骤实现。
步骤A131,提取每个无人机采集到的所述目标渣土车的行车路径信息的行车路径特征序列,并将每个所述行车路径信息的行车路径特征序列与对应的无人机的飞行状态特征序列分别进行融合,获得每个融合路径特征序列构成的融合路径特征簇;
步骤A132,将所述融合路径特征簇输入到预先训练获得的行车定位预测网络中,预测所述目标渣土车在之后预设时间段内的行车定位预测信息;
一种可能的实施例中,针对步骤A132中,本实施例还提供一种基于人工智能的行车定位预测网络的训练方法,可以包括以下步骤。
步骤A101,获取样本融合路径特征簇以及所述样本融合路径特征簇对应的样本行车定位预测信息,并对所述样本融合路径特征簇进行路径特征描述拆分以得到行车路径轨迹信息对应的路径特征描述集;其中,行车路径轨迹信息对应的路径特征描述集所包括多个路径特征描述。
一种可能的设计思路中,对所述样本融合路径特征簇进行路径特征描述拆分以得到行车路径轨迹信息对应的路径特征描述集,包括:对于行车路径轨迹信息中的每组样本融合路径特征簇,将所述样本融合路径特征簇的行车路径轨迹信息按照所对应的路径轨迹突变点进行路径特征描述拆分,以获得所述样本融合路径特征簇的行车路径轨迹信息对应的路径特征描述集。例如,路径轨迹突变点可以是按照不同的突变匹配规则进行设定。
更进一步地,将所述样本融合路径特征簇的行车路径轨迹信息按照所对应的路径轨迹突变点进行路径特征描述拆分,以获得所述样本融合路径特征簇的行车路径轨迹信息对应的路径特征描述集,可以包括以下内容:在所述样本融合路径特征簇的路径突变区域信息中,提取动态径轨迹突变点和静态路径轨迹突变点的路径突变特征,并基于所提取的路径突变特征生成多个行车路径状态转移特征;根据每组所述行车路径状态转移特征的状态转移标签,基于相应路径轨迹突变点的轨迹跟踪分解规则确定所述状态转移标签的目标分解规则;根据对应每组所述行车路径状态转移特征的状态转移标签所确定出的目标分解规则对所述样本融合路径特征簇的行车路径轨迹信息进行分解,以获得所述样本融合路径特征簇的行车路径轨迹信息对应的路径特征描述集。一种可能的设计思路中,路径突变特征能够对不同区间段的路径轨迹突变点进行区分,行车路径状态转移特征用于表征不同行车路径分段之间的转移状态信息,目标分解规则可以包括不同的分解指示信息,比如按照什么方式或者什么标准进行分解。
一种可能的设计思路中,在所述根据每组所述行车路径状态转移特征的状态转移标签,基于相应路径轨迹突变点的轨迹跟踪分解规则确定所述状态转移标签的目标分解规则之前,所述方法还包括对所述多个行车路径状态转移特征中的每组行车路径状态转移特征、以及相应的状态转移标签进行的预处理步骤。在此基础上,所述预处理步骤包括:确定所述每组行车路径状态转移特征的状态转移标签的状态转移次数、以及对于同一行车路径状态转移特征的相同状态转移标签的统计值;将状态转移标签的状态转移次数超过设定预设转移次数阈值、以及相同状态转移标签的统计值超过与所述设定预设转移次数阈值对应的预设统计阈值的行车路径状态转移特征进行清洗,以获得清洗后余下的行车路径轨迹信息;过滤对应于所述清洗后余下的行车路径轨迹信息的噪声状态转移标签,并对于所述清洗后余下的行车路径轨迹信息中存在状态转移异常的状态转移标签进行更新;基于所述清洗后余下的行车路径轨迹信息、以及更新后的状态转移标签,获得用于进行路径特征描述拆分的行车路径状态转移特征。如此设计,通过进行前置预处理,能够确保行车路径状态转移特征、以及相应的状态转移标签的时效性,进而便于提供更为准确的训练数据集。
在另一种可能的设计思路中,在所述对于行车路径轨迹信息中的每组样本融合路径特征簇,将所述样本融合路径特征簇的行车路径轨迹信息按照所对应的路径轨迹突变点进行路径特征描述拆分,以获得所述样本融合路径特征簇的行车路径轨迹信息对应的路径特征描述集之前,本方案还可以包括以下内容:获取多个之前的融合路径特征信息的路径突变区域信息;根据样本行车定位预测信息的预测反馈信息,将所述多个之前的融合路径特征信息的路径突变区域信息进行路径突变质量分析,以获得每组之前的融合路径特征信息的评价信息,其中,所述评价信息用于从所述之前的融合路径特征信息筛分所述样本融合路径特征簇;根据所述多个之前的融合路径特征信息的评价信息,筛分部分之前的融合路径特征信息以作为样本融合路径特征簇。如此设计,在确定样本融合路径特征簇时能够考虑评价信息,从而确保后续进行网络训练在进行信息预测时能够考虑到融合路径特征的质量。
一种可能的设计思路中,所述根据所述多个之前的融合路径特征信息的评价信息,筛分部分之前的融合路径特征信息以作为样本融合路径特征簇,包括以下至少之一的实施方式。
实施方式一,在所述多个之前的融合路径特征信息中,筛分评价信息对应的评价度量值高于预设评价度量值的部分之前的融合路径特征信息以作为样本融合路径特征簇。
实施方式二,根据所述多个之前的融合路径特征信息的评价信息对应的评价度量值,将所述多个之前的融合路径特征信息进行降序,并筛分排序靠前的、且数目为设定数目的部分之前的融合路径特征信息以作为样本融合路径特征簇。
步骤A102,对所述行车路径轨迹信息对应的路径特征描述集进行路径突变节点分析得到不同的路径特征描述,并通过不同的路径特征描述构成的输入数据序列以及所述样本行车定位预测信息训练行车定位预测网络。例如,不同的路径特征描述可以包括表现性路径特征描述、非表现性路径特征描述和/或参考路径特征描述,表现性路径特征描述对应路径特征的显著性程度较大的所述融合路径特征簇,非表现性路径特征描述对应路径特征的显著性程度较小的所述融合路径特征簇,行车定位预测网络可以是深度学习网络。
一种可能的设计思路中,为了确保训练之后的行车定位预测网络的预测精度,需要对不同的路径特征描述进行精准划分,为实现这一目的,步骤A102所描述的内容可以通过以下步骤A1021-步骤A1025实现。
步骤A1021,对于每组所述样本融合路径特征簇的行车路径轨迹信息对应的路径特征描述集所包括的多个路径特征描述,确定路径方位变化次数超过目标次数阈值的路径特征描述以作为待定行车路径轨迹信息对应的路径特征描述集。一种可能的设计思路中,路径方位变化次数可以用于表征路径特征描述存在变化的次数,次数越多,则表明路径特征描述对应的行车路径轨迹信息较为重要,因而待定行车路径轨迹信息也可以理解为训练过程中重点关注的行车路径轨迹信息。
进一步地,该步骤可以包括以下内容:在不同样本融合路径特征簇的多个行车路径轨迹信息对应的路径特征描述集中,对路径特征描述进行多次筛分,并将每次筛分的多个路径特征描述进行汇总拼接,以获得多个不同的路径特征描述集;其中,每次筛分的多个路径特征描述中皆覆盖对应于不同样本融合路径特征簇的行车路径轨迹信息对应的路径特征描述集中的路径特征描述;在所述多个不同的路径特征描述集形成的路径特征描述集团中,筛分路径方位变化次数超过所述目标次数阈值的路径特征描述集,以作为待定行车路径轨迹信息对应的路径特征描述集。可以理解,目标次数阈值可以按照实际应用需求进行调整。
步骤A1022,对所述待定行车路径轨迹信息对应的路径特征描述集中的路径特征描述进行关键特征匹配处理,以将满足关键特征匹配条件的路径特征描述作为表征所述行车路径轨迹信息的路径轨迹浮动变化的表现性路径特征描述。一种可能的设计思路中,关键特征可以用于对不同的路径特征描述进行区分。行车路径轨迹信息的路径轨迹浮动变化用于表征行车路径轨迹信息在浮动变化时的变化路径信息。
进一步地,所述对所述待定行车路径轨迹信息对应的路径特征描述集中的路径特征描述进行关键特征匹配处理,可以包括:从所述待定行车路径轨迹信息对应的路径特征描述集中提取多个路径特征描述。基于此,路径特征描述是否满足关键特征匹配条件可以通过以下内实现。
首先,将提取的多个路径特征描述执行以下处理方式中的至少一种:
(1)对所述多个路径特征描述中的局部特征描述进行关键特征匹配,得到针对局部特征描述的关键特征匹配结果;
(2)对所述多个路径特征描述中的每组路径特征描述对应的特征向量的扩展特征向量集进行关键特征匹配,得到针对扩展特征向量集的关键特征匹配结果;
(3)在所述多个路径特征描述中分别添加时空域特征标记以进行关键特征匹配,得到针对时空域特征的关键特征匹配结果;
(4)根据多个路径特征描述之间的共享特征描述部分,对所述多个路径特征描述进行关键特征匹配,得到针对共享特征描述的关键特征匹配结果。
其次,若存在至少一种关键特征匹配结果对应的关键置信度大于预设置信度,则将所述至少一种关键特征匹配结果对应的路径特征描述确定为满足关键特征匹配条件的路径特征描述。在本方案中,关键置信度的数值范围可以是0~1。
如此设计,能够基于不同层面的关键特征匹配结果的关键置信度判断对应的路径特征描述是否满足关键特征匹配条件,这样能够避免对表现性路径特征描述的漏检。
步骤A1023,确定多个非表现性路径特征描述,其中,所述非表现性路径特征描述是路径方位变化次数不大于所述目标次数阈值的路径特征描述中所包含的路径特征描述。
步骤A1024,在多个所述非表现性路径特征描述中,根据所述非表现性路径特征描述之间的相关特征描述,筛分部分所述非表现性路径特征描述以作为参考路径特征描述。例如,相关特征描述可以是不同非表现性路径特征描述之间的相关特征的覆盖度,参考路径特征描述可以理解为可能是表现性路径特征描述的非表现性路径特征描述,也即位于表现性路径特征描述和非表现性路径特征描述之间的路径特征描述。
进一步地,该步骤可以包括以下内容:确定所述多个非表现性路径特征描述的有效性次数,并将有效性次数低于预设次数的非表现性路径特征描述进行清洗;将清洗后余下的非表现性路径特征描述进行汇总拼接,以获得非表现性路径特征描述集;确定所述非表现性路径特征描述集中随机两组非表现性路径特征描述之间的相关特征描述;根据所述随机两组非表现性路径特征描述之间的相关特征描述,确定所述非表现性路径特征描述集中的每一组非表现性路径特征描述与所述非表现性路径特征描述集的局部相关特征描述;根据所述局部相关特征描述,将所述非表现性路径特征描述集中的非表现性路径特征描述按照对应于所述局部相关特征描述的内容相关度进行降序,并筛分排序靠前的部分非表现性路径特征描述以作为参考路径特征描述。
步骤A1025,基于所述行车路径轨迹信息中每组样本融合路径特征簇的所述表现性路径特征描述、所述参考路径特征描述以及所述样本行车定位预测信息训练行车定位预测网络。
一种可能的设计思路中,行车定位预测网络包括多个行车定位分析子网络,进一步地,训练行车定位预测网络的方式,可以包括以下步骤所描述的内容:将所述行车路径轨迹信息中每组样本融合路径特征簇的所述表现性路径特征描述、所述参考路径特征描述和所述样本行车定位预测信息组成训练数据序列;基于组成的多个训练数据序列,训练所述多个行车定位分析子网络;将训练完成的多个行车定位分析子网络通过行车定位分析维度进行级联,以获得所述行车定位预测网络。
步骤A103,基于训练完成的行车定位预测网络进行行车定位预测。
譬如,一种可能的设计思路中,在根据所述目标渣土车当前的行车方向信息以及每个目标无人机的飞行状态信息为每个目标无人机生成对应的联动控制策略信息的过程中,可以通过以下示例性的步骤实现。
步骤A201,根据所述目标渣土车当前的行车方向信息以及每个目标无人机的飞行状态信息获取每个目标无人机的当前行车靠近方位信息。
步骤A202,根据所述当前行车靠近方位信息以及所述目标渣土车的行车路径方位信息,从所述目标管控区域的联动控制航线库中获取具有预设航线状态标签的多个联动控制航线作为待定联动控制航线。
步骤A203,根据每个所述待定联动控制航线对应的航线靠近方位信息与所述目标无人机的当前行车靠近方位信息之间的方位关系信息对各所述待定联动控制航线进行聚类,得到一待定联动控制航线簇。
步骤A204,根据所述待定联动控制航线簇中各待定联动控制航线的排列顺序从所述待定联动控制航线簇的首个待定联动控制航线开始,依次游走每个所述待定联动控制航线。
步骤A205,针对每次游走的待定联动控制航线,将该待定联动控制航线对应的行进特征分量网络分别与目标行车路径分区的可飞行分区对应的各所述行进特征分量网络进行匹配,并将与任意一个所述可飞行分区对应的所述行进特征分量网络匹配的待定联动控制航线作为可用的联动控制航线。
步骤A206,判断当前确定的可用的联动控制航线的数量是否达到目标数量,当达到目标数量时,结束对所述待定联动控制航线的游走操作,若没有达到目标数量,则继续游走下一个待定联动控制航线。
其中,所述目标数量通过以下方式获得:
获取预设跟踪阶段内为不同目标无人机进行联动控制飞行的参考联动控制飞行数据,所述参考联动控制飞行数据包括与所述目标行车路径分区对应的为每个目标无人机在每次不同的联动控制飞行过程中所规划的联动控制航线所使用过的当前规划联动控制航线的记录数据,所述记录数据包括每次联动控制飞行过程所使用过的规划联动控制航线的数量。
将各次规划的联动控制航线中所使用过的规划联动控制航线的最大数量作为所述目标数量。或者,将各次规划的联动控制航线中所使用过的规划联动控制航线的平均数量作为所述目标数量。
图3示出了本发明实施例提供的用于实现上述的基于渣土车监控的无人机定点巡检方法的云服务平台100的硬件结构意图,如图3所示,云服务平台100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
在具体实现过程中,多个处理器110执行机器可读存储介质120存储的计算机可执行指令,使得处理器110可以执行如上方法实施例的基于渣土车监控的无人机定点巡检方法,处理器110、机器可读存储介质120以及通信单元140通过总线130连接,处理器110可以用于控制通信单元140的收发动作,从而可以与前述的监控无人机200进行数据收发。
机器可读存储介质120可以储存数据和/或指令。一种可能的设计思路中,机器可读存储介质120可以储存云服务平台100用来执行或使用来完成本发明中描述的示例性方法的数据及/或指令。一种可能的设计思路中,机器可读存储介质120可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(RAM)。示例性RAM可包括健康随机存取存储器(DRAM)、双倍数据速率同步健康随机存取存储器(DDRSDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(PEROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。一种可能的设计思路中,机器可读存储介质120可以在云服务平台100上实现。仅作为示例,云服务平台100可以包括私有云、公共云、混合云、社区云、分布云、内部云,多层云等,或其任意组合。
处理器110的具体实现过程可参见上述云服务平台100执行的各个方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
此外,本发明实施例还提供一种可读存储介质,所述可读存储介质中预设有计算机可执行指令,当处理器执行所述计算机可执行指令时,实现如上基于渣土车监控的无人机定点巡检方法。
应当理解的是,以上描述仅出于说明的目的,并不旨在限制本发明的范围。对于本领域的普通技术人员来说,可以根据本发明的描述,做出多种修改和变化。然而,这些修改和变化不会背离本发明的范围。
上文已对基本概念做了描述,显然,对于阅读此申请后的本领域的普通技术人员来说,上述发明公开仅作为示例,并不构成对本发明的限制。虽然此处并没有明确说明,本领域技术人员可能会对本发明进行各种修改、改进和优化衍生。该类修改、改进和优化衍生在本发明中被建议,所以该类修改、改进、优化衍生仍属于本发明示范实施例的精神和范围。
同时,本发明使用了特定词语来描述本发明的实施例。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本发明至少一个实施例相关的某一特征、结构或特性。因此,应当强调并注意的是,本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定系指同一实施例。此外,本发明的一个或以上实施例中的某些特征、结构或特性可以进行适当的组合。
此外,本领域的普通技术人员可以理解,本发明的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的过程、机器、产品或物质的组合,或对其任何新的和有用的改良。相应地,本发明的各个方面可以完全由硬件执行、可以完全由软件(包括韧体、常驻软件、微代码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“单元”、“模块”或“系统”。此外,本发明公开的各方面可以采取体现在一个或以上计算机可读介质中的计算机程序产品的形式,其中计算机可读程序代码包含在其中。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。此类传播信号可以有多种形式,包括电磁形式、光形式等或任何合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质等或其任意组合。
本发明各部分操作所需的计算机程序编码可以用任意一种或以上程序语言编写,包括面向主体编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,健康编程语言如Python、Ruby和Groovy,或其它编程语言等。该程序编码可以完全在目标无人机计算机上运行、或作为独立的软件包在目标无人机计算机上运行、或部分在目标无人机计算机上运行部分在远程计算机运行、或完全在远程计算机或云服务平台上运行。在后种情况下,远程计算机可以通过任何网络形式与目标无人机计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本发明所述处理元素和序列的顺序、数字字母的使用、或其它名称的使用,并非用于限定本发明流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本发明实施例实质和范围的优化衍生和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的云服务平台或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本发明披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本发明实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。同理,应当注意的是,为了简化本发明披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本发明实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。
Claims (9)
1.一种基于渣土车监控的无人机定点巡检方法,其特征在于,应用于云服务平台,所述云服务平台与多个监控无人机通信连接,所述监控无人机用于在渣土车的出没区域对渣土车进行定点巡检,所述方法包括:
获取所述监控无人机对渣土车进行定点巡检的定点巡检数据流,并对所述定点巡检数据流进行数据分析,实时预测所述渣土车在之后预设时间段内的行车定位预测信息;
将所述定点巡检数据流和所述定点巡检数据流对应的行车定位预测信息输入至违章行为解析网络中得到违章行为标签以及与所述违章行为标签对应的违章置信度;
将所述违章行为标签输入至预设违章关系网络中进行关系传递得到与所述违章行为标签相关联的关系违章原因标签,并根据所述违章行为标签对应的违章置信度得到与所述关系违章原因标签对应的关系原因置信度;
输出所述违章行为标签、与所述违章行为标签对应的违章置信度、所述关系违章原因标签以及与所述关系违章原因标签对应的关系原因置信度;
所述将所述违章行为标签输入至预设违章关系网络中进行关系传递得到与所述违章行为标签相关联的关系违章原因标签,并根据所述违章行为标签对应的违章置信度得到与所述关系违章原因标签对应的关系原因置信度,包括:
根据所述违章行为标签获取当前违章行为作用值和关系传递数值;
在预设违章关系网络中搜索所述违章行为标签对应的当前关系网络实体,并根据预设违章关系网络获取所述当前关系网络实体对应的邻接关系网络实体,以及所述邻接关系网络实体对应的当前关系传递属性值;
根据所述当前违章行为作用值以及所述当前关系传递属性值计算得到所述邻接关系网络实体对应的当前违章置信度,且当所述当前违章置信度不小于所述关系传递数值时,对所述当前违章置信度不小于所述关系传递数值的邻接关系网络实体以及对应的违章置信度进行标注;
获取当前违章置信度大于所述关系传递数值的邻接关系网络实体作为当前关系网络实体,并获取所述当前关系网络实体的当前违章置信度作为所述当前违章行为作用值;
继续在预设违章关系网络中搜索所述违章行为标签对应的当前关系网络实体,当所述当前违章置信度小于所述关系传递数值时,则输出标注的邻接关系网络实体对应的违章原因标签为关系违章原因标签,并对应输出标注的当前违章置信度为关系原因置信度。
2.根据权利要求1所述的基于渣土车监控的无人机定点巡检方法,其特征在于,所述输出所述违章行为标签、与所述违章行为标签对应的违章置信度、所述关系违章原因标签以及与所述关系违章原因标签对应的关系原因置信度,包括:
获取所述违章行为标签、所述关系违章原因标签对应的行为标签描述向量集和关系型描述向量集;
根据所述违章行为标签、所述关系违章原因标签生成违章描述单元;
通过所述关系型描述向量集将所述违章描述单元进行关系分配;
将所述行为标签描述向量集对应分配在所述违章描述单元下得到违章行为关系网络,并输出所述违章行为关系网络。
3.根据权利要求1所述的基于渣土车监控的无人机定点巡检方法,其特征在于,所述方法还包括针对违章行为解析网络以及所述预设违章关系网络的生成步骤,具体包括:
获取预先收集的参考数据;
根据所述预先收集的参考数据计算得到行为标签描述向量集,根据所述行为标签描述向量集生成违章行为解析网络;
根据所述预先收集的参考数据计算得到关系型描述向量集,根据所述关系型描述向量集生成预设违章关系网络。
4.根据权利要求3所述的基于渣土车监控的无人机定点巡检方法,其特征在于,所述根据所述预先收集的参考数据计算得到行为标签描述向量集,包括:
获取当前违章行为描述环境,并搜索与所述当前违章行为描述环境对应的违章行为的描述向量簇;
判断所述预先收集的参考数据中是否存在与所述违章行为的描述向量簇对应的匹配参考描述向量,如果不存在,则获取所述违章行为的描述向量簇对应的匹配策略;
根据所述匹配策略以及所述预先收集的参考数据计算得到与所述违章行为的描述向量簇对应的行为标签描述向量集。
5.根据权利要求4所述的基于渣土车监控的无人机定点巡检方法,其特征在于,所述根据所述预先收集的参考数据计算得到关系型描述向量集,包括:
搜索与所述当前违章行为描述环境对应的关系违章原因的描述向量簇,并获取与所述关系违章原因的描述向量簇对应的用于表征关键特征的选举描述向量;
将所述用于表征关键特征的选举描述向量与所述预先收集的参考数据进行匹配;
如果匹配成功,则将与所述用于表征关键特征的选举描述向量匹配成功的预先收集的参考数据作为关系型描述向量集,并根据所述用于表征关键特征的选举描述向量对应的关系违章原因的描述向量簇得到所述关系型描述向量集对应的描述向量内容。
6.根据权利要求3所述的基于渣土车监控的无人机定点巡检方法,其特征在于,所述获取预先收集的参考数据,包括:
从远程云服务平台中获取所述预先收集的参考数据。
7.根据权利要求1-6中任意一项所述的基于渣土车监控的无人机定点巡检方法,其特征在于,所述获取所述监控无人机对渣土车进行定点巡检的定点巡检数据流,并对所述定点巡检数据流进行数据分析,实时预测所述渣土车在之后预设时间段内的行车定位预测信息的步骤,包括:
获取所述监控无人机对目标管控区域内的渣土车进行监控的监控数据流;
在检测到所述监控数据流指示目标渣土车存在违章行为时,获取所述目标管控区域内所有候选无人机的飞行状态信息;
根据所述飞行状态信息从所述所有候选无人机中筛选获得目标无人机,并根据所述目标渣土车当前的行车方向信息以及每个目标无人机的飞行状态信息为每个目标无人机生成对应的联动控制策略信息;
基于每个对应的联动控制策略信息控制每个对应的目标无人机实时采集所述目标渣土车的行车路径信息;
提取每个无人机采集到的所述目标渣土车的行车路径信息的行车路径特征序列,并将每个所述行车路径信息的行车路径特征序列与对应的无人机的飞行状态特征序列分别进行融合,获得每个融合路径特征序列构成的融合路径特征簇;
将所述融合路径特征簇输入到预先训练获得的行车定位预测网络中,预测所述目标渣土车在之后预设时间段内的行车定位预测信息;
其中,所述根据所述目标渣土车当前的行车方向信息以及每个目标无人机的飞行状态信息为每个目标无人机生成对应的联动控制策略信息的步骤,包括:
根据所述目标渣土车当前的行车方向信息以及每个目标无人机的飞行状态信息获取每个目标无人机的当前行车靠近方位信息;
根据所述当前行车靠近方位信息以及所述目标渣土车的行车路径方位信息,从所述目标管控区域的联动控制航线库中获取具有预设航线状态标签的多个联动控制航线作为待定联动控制航线;
根据每个所述待定联动控制航线对应的航线靠近方位信息与所述目标无人机的当前行车靠近方位信息之间的方位关系信息对各所述待定联动控制航线进行聚类,得到一待定联动控制航线簇;
根据所述待定联动控制航线簇中各待定联动控制航线的排列顺序从所述待定联动控制航线簇的首个待定联动控制航线开始,依次游走每个所述待定联动控制航线;
针对每次游走的待定联动控制航线,将该待定联动控制航线对应的行进特征分量网络分别与目标行车路径分区的可飞行分区对应的各所述行进特征分量网络进行匹配,并将与任意一个所述可飞行分区对应的所述行进特征分量网络匹配的待定联动控制航线作为可用的联动控制航线;
判断当前确定的可用的联动控制航线的数量是否达到目标数量,当达到目标数量时,结束对所述待定联动控制航线的游走操作,若没有达到目标数量,则继续游走下一个待定联动控制航线。
8.根据权利要求7所述的基于渣土车监控的无人机定点巡检方法,其特征在于,所述方法还包括:
获取样本融合路径特征簇以及所述样本融合路径特征簇对应的样本行车定位预测信息,并对于行车路径轨迹信息中的每组样本融合路径特征簇,将所述样本融合路径特征簇的行车路径轨迹信息按照所对应的路径轨迹突变点进行路径特征描述拆分,以获得所述样本融合路径特征簇的行车路径轨迹信息对应的路径特征描述集;其中,行车路径轨迹信息对应的路径特征描述集所包括多个路径特征描述;
对于每组所述样本融合路径特征簇的行车路径轨迹信息对应的路径特征描述集所包括的多个路径特征描述,确定路径方位变化次数超过目标次数阈值的路径特征描述以作为待定行车路径轨迹信息对应的路径特征描述集;
对所述待定行车路径轨迹信息对应的路径特征描述集中的路径特征描述进行关键特征匹配处理,以将满足关键特征匹配条件的路径特征描述作为表征所述行车路径轨迹信息的路径轨迹浮动变化的表现性路径特征描述;
确定多个非表现性路径特征描述,其中,所述非表现性路径特征描述是路径方位变化次数不大于所述目标次数阈值的路径特征描述中所包含的路径特征描述;
在多个所述非表现性路径特征描述中,根据所述非表现性路径特征描述之间的相关特征描述,筛分部分所述非表现性路径特征描述以作为参考路径特征描述;
基于所述行车路径轨迹信息中每组样本融合路径特征簇的所述表现性路径特征描述、所述参考路径特征描述以及所述样本行车定位预测信息训练行车定位预测网络;其中,行车定位预测网络为预先配置的AI神经网络模型,训练完成的行车定位预测网络用于进行行车定位预测;其中,所述行车定位预测网络用于对所述融合路径特征簇进行行车定位预测。
9.一种基于渣土车监控的无人机定点巡检系统,其特征在于,所述基于渣土车监控的无人机定点巡检系统包括云服务平台以及与所述云服务平台通信连接的多个监控无人机,所述监控无人机用于在渣土车的出没区域对渣土车进行定点巡检;
所述云服务平台,用于:
获取所述监控无人机对渣土车进行定点巡检的定点巡检数据流,并对所述定点巡检数据流进行数据分析,实时预测所述渣土车在之后预设时间段内的行车定位预测信息;
将所述定点巡检数据流和所述定点巡检数据流对应的行车定位预测信息输入至违章行为解析网络中得到违章行为标签以及与所述违章行为标签对应的违章置信度;
将所述违章行为标签输入至预设违章关系网络中进行关系传递得到与所述违章行为标签相关联的关系违章原因标签,并根据所述违章行为标签对应的违章置信度得到与所述关系违章原因标签对应的关系原因置信度;
输出所述违章行为标签、与所述违章行为标签对应的违章置信度、所述关系违章原因标签以及与所述关系违章原因标签对应的关系原因置信度;
所述将所述违章行为标签输入至预设违章关系网络中进行关系传递得到与所述违章行为标签相关联的关系违章原因标签,并根据所述违章行为标签对应的违章置信度得到与所述关系违章原因标签对应的关系原因置信度,包括:
根据所述违章行为标签获取当前违章行为作用值和关系传递数值;
在预设违章关系网络中搜索所述违章行为标签对应的当前关系网络实体,并根据预设违章关系网络获取所述当前关系网络实体对应的邻接关系网络实体,以及所述邻接关系网络实体对应的当前关系传递属性值;
根据所述当前违章行为作用值以及所述当前关系传递属性值计算得到所述邻接关系网络实体对应的当前违章置信度,且当所述当前违章置信度不小于所述关系传递数值时,对所述当前违章置信度不小于所述关系传递数值的邻接关系网络实体以及对应的违章置信度进行标注;
获取当前违章置信度大于所述关系传递数值的邻接关系网络实体作为当前关系网络实体,并获取所述当前关系网络实体的当前违章置信度作为所述当前违章行为作用值;
继续在预设违章关系网络中搜索所述违章行为标签对应的当前关系网络实体,当所述当前违章置信度小于所述关系传递数值时,则输出标注的邻接关系网络实体对应的违章原因标签为关系违章原因标签,并对应输出标注的当前违章置信度为关系原因置信度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210850276.3A CN115083171B (zh) | 2022-07-20 | 2022-07-20 | 一种基于渣土车监控的无人机定点巡检方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210850276.3A CN115083171B (zh) | 2022-07-20 | 2022-07-20 | 一种基于渣土车监控的无人机定点巡检方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115083171A CN115083171A (zh) | 2022-09-20 |
CN115083171B true CN115083171B (zh) | 2022-11-18 |
Family
ID=83260386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210850276.3A Active CN115083171B (zh) | 2022-07-20 | 2022-07-20 | 一种基于渣土车监控的无人机定点巡检方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115083171B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113869778B (zh) * | 2021-10-13 | 2023-06-27 | 深圳联和智慧科技有限公司 | 一种基于城市管理的无人机河道巡检方法及系统 |
CN115990327B (zh) * | 2023-03-24 | 2023-08-22 | 建研防火科技有限公司 | 一种基于物联网的智能化消防管理系统 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206322317U (zh) * | 2016-12-12 | 2017-07-11 | 武汉理工大学 | 一种监测渣土车违规倾倒的装置 |
CN107808425A (zh) * | 2017-11-28 | 2018-03-16 | 刘松林 | 基于无人机航拍影像的油气管线巡检系统及其巡检方法 |
KR102042050B1 (ko) * | 2018-06-08 | 2019-11-07 | (주) 다음기술단 | 드론을 이용한 차량 검문 및 단속 장치 |
CN111443716A (zh) * | 2020-04-23 | 2020-07-24 | 西安智文琛软件有限公司 | 一种无人机巡检控制方法、系统、存储介质、程序、终端 |
CN111209923A (zh) * | 2020-04-23 | 2020-05-29 | 北京慧智数据科技有限公司 | 一种基于深度学习技术的渣土车是否盖盖识别方法 |
CN111739191A (zh) * | 2020-05-29 | 2020-10-02 | 北京梧桐车联科技有限责任公司 | 违章预警方法、装置、设备及存储介质 |
CN112163543B (zh) * | 2020-10-12 | 2024-03-26 | 北京易华录信息技术股份有限公司 | 一种车辆违法占道的检测方法及系统 |
CN112562345A (zh) * | 2020-11-26 | 2021-03-26 | 南京信息工程大学 | 一种基于无人机的交通违章监控方法 |
CN112201051B (zh) * | 2020-11-27 | 2021-07-06 | 中航金城无人系统有限公司 | 一种无人机端路面车辆违停检测及取证系统和方法 |
CN112418126A (zh) * | 2020-11-30 | 2021-02-26 | 五邑大学 | 一种基于无人机的车辆违停检测方法、装置及存储介质 |
-
2022
- 2022-07-20 CN CN202210850276.3A patent/CN115083171B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115083171A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115083171B (zh) | 一种基于渣土车监控的无人机定点巡检方法及系统 | |
CN109754594B (zh) | 一种路况信息获取方法及其设备、存储介质、终端 | |
US20220222556A1 (en) | Road traffic jam early warning method and system | |
CN112650825B (zh) | 异常接驾行为的确定方法、装置、存储介质及电子设备 | |
CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
Gesi et al. | An empirical examination of the impact of bias on just-in-time defect prediction | |
CN113869778B (zh) | 一种基于城市管理的无人机河道巡检方法及系统 | |
CN112163446A (zh) | 一种障碍物检测方法、装置、电子设备及存储介质 | |
Haque et al. | Driving maneuver classification from time series data: a rule based machine learning approach | |
CN106504542A (zh) | 车速智能监控方法和系统 | |
Del Ser et al. | Introduction to the special issue on online learning for big-data driven transportation and mobility | |
Thu et al. | Multi-source data analysis for bike sharing systems | |
Djenouri et al. | Intelligent deep fusion network for anomaly identification in maritime transportation systems | |
Ramakrishna et al. | Risk-aware scene sampling for dynamic assurance of autonomous systems | |
CN117542195A (zh) | 一种交通运行状态识别方法、装置、设备及介质 | |
CN117251722A (zh) | 一种基于大数据的智慧交通管理系统 | |
CN115691140B (zh) | 一种汽车充电需求时空分布的分析与预测方法 | |
CN114863688B (zh) | 一种基于无人机的渣土车智能定位方法及系统 | |
CN112200052B (zh) | 轨迹偏移识别、车辆行驶分析方法、装置、设备及介质 | |
Salamanis et al. | Evaluating the effect of time series segmentation on STARIMA-based traffic prediction model | |
CN110991659B (zh) | 异常节点识别方法、装置、电子设备及存储介质 | |
CN113469475B (zh) | 数据处理方法、装置、存储介质和电子设备 | |
CN113762043A (zh) | 异常轨迹识别方法及装置 | |
Ngo et al. | Life-long learning system of driving behaviors from vehicle data streams | |
Subowo et al. | Ant Colony Algorithm for Determining Dynamic Travel Routes Based on Traffic Information from Twitter |
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 |