CN115239219B - 一种基于物联网的智慧城市渣土车管理方法和系统 - Google Patents

Abstract

本说明书实施例提供一种基于物联网的智慧城市渣土车管理方法和系统，该方法由管理平台执行，包括：获取施工场地信息，基于施工场地信息确定目标场地的目标监控装置，通过目标监控装置获取目标场地的渣土车监控数据，并基于渣土车监控数据进行渣土处理信息分析，生成渣土车管理信息。

Description

一种基于物联网的智慧城市渣土车管理方法和系统

技术领域

本说明书涉及物联网与云平台领域，特别涉及一种基于物联网的智慧城市渣土车管理方法和系统。

背景技术

随着城市基础设施建设的完善与城市规模的不断扩大，城市发展带来的建筑垃圾也日益增多。这些建筑垃圾主要是通过渣土车运输至垃圾填埋场等地。由于运输量大、运输距离远，若渣土车未清洗彻底或运输过程中洒落垃圾又或是渣土车司机违规倾倒等，会对城市公共卫生和城市空气质量产生很大影响，甚至会造成很大的交通隐患。

因此，希望可以提供一种基于物联网的智慧城市渣土车管理方法和系统，降低渣土车运输对城市卫生、空气质量、交通安全的影响。

发明内容

本说明书一个或多个实施例提供一种基于物联网的智慧城市渣土车管理方法。所述方法基于智慧城市渣土车管理系统实现，所述方法由管理平台执行，包括：获取施工场地信息；基于所述施工场地信息确定目标场地的目标监控装置；通过所述目标监控装置获取所述目标场地的渣土车监控数据；基于所述渣土车监控数据进行渣土处理信息分析，生成渣土车管理信息。

本说明书一个或多个实施例提供一种基于物联网的智慧城市渣土车管理系统，所述系统包括管理平台，所述管理平台被配置为执行以下操作：获取施工场地信息；基于所述施工场地信息确定目标场地的目标监控装置；通过所述目标监控装置获取所述目标场地的渣土车监控数据；基于所述渣土车监控数据进行渣土处理信息分析，生成渣土车管理信息。

本说明书一个或多个实施例提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行前述的方法。

附图说明

本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本说明书一些实施例所示的智慧城市渣土车管理系统的平台结构示意图；

图2是根据本说明书一些实施例所示的智慧城市渣土车管理方法的示例性流程图；

图3是根据本说明书一些实施例所示的渣土处理信息分析的示例性示意图；

图4是根据本说明书一些实施例所示的确定渣土车污染信息的示例性流程图；

图5是根据本说明书一些实施例所示的确定遗撒和扬尘原因的示例性示意图。

具体实施方式

为了更清楚地说明本说明书实施例的技术方案，下面将对实施例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说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

图1是根据本说明书一些实施例所示的智慧城市渣土车管理系统100的平台结构示意图。如图1所示，智慧城市渣土车管理系统100包括用户平台110、服务平台120、管理平台130、传感网络平台140和对象平台150。

用户平台110可以是以用户为主导的平台，包括获取用户的需求以及将信息反馈给用户的平台。在一些实施例中，用户平台110可以用于发送渣土车管理信息查询指令至服务平台120，以及接收渣土车管理信息并反馈给用户。例如，用户平台110可以通过终端设备（例如，手机、电脑等智能设备），获取用户的输入指令，查询渣土车管理信息。又例如，用户平台110可以将渣土车管理信息反馈给用户。关于渣土车管理信息的更多内容可以参见图2及其详细描述。

服务平台120可以是为用户提供输入和输出服务的平台。在一些实施例中，服务平台可以被配置为第一服务器。

服务平台120可以用于管理平台130与用户平台110之间信息和/或数据的交互。在一些实施例中，服务平台120可以用于接收用户平台110发送的渣土车管理信息查询指令，进行存储处理后发送至管理平台130，以及从管理平台130获取渣土车管理信息，进行存储处理后发送至所述用户平台110。

管理平台130可以是指统筹、协调各功能平台之间的联系和协作，提供感知管理和控制管理的物联网平台。在一些实施例中，管理平台130可以被配置为第二服务器。

管理平台130可以用于信息和/或数据的处理。在一些实施例中，管理平台130可以用于响应用户的查询请求，对渣土车监控数据进行处理，确定渣土车管理信息。

管理平台130还可以用于与服务平台120进行信息和/或数据的交互。在一些实施例中，管理平台130可以用于接收服务平台120发送的渣土车管理信息查询指令，或是发送渣土车管理信息至服务平台120。

在一些实施例中，管理平台130设置有一个总数据库（或称“管理平台总数据库”）和多个管理分平台。多个管理分平台分别储存和处理下层平台发送的不同类型或不同接收对象的数据，管理平台总数据库对多个管理分平台的数据进行汇总后储存并传输至上层平台。在一些实施例中，管理分平台可以依据城市区域进行划分。

管理分平台与传感网络分平台一一对应。在一些实施例中，管理分平台从对应传感网络分平台获取渣土车监控数据，各管理分平台对所获取的渣土车监控数据进行处理后储存，并将处理后的数据上传至管理平台总数据库，管理平台总数据库将各管理分平台处理过的数据进行汇总之后传输至服务平台120。此时，上传至服务平台的数据就是整个城市的渣土车管理信息。关于渣土车监控数据、渣土车管理信息的更多内容参见图2及其相关描述。

在一些实施例中，第一服务器与第二服务器可以采用单一服务器，也可以采用服务器集群。

传感网络平台140可以指对传感通信进行统一管理的平台。在一些实施例中，传感网络平台140可以被配置为通信网络和网关。传感网络平台140可以采用多组网关服务器，或者多组智能路由器。

传感网络平台140可以包括多个传感网络分平台，且传感网络分平台与管理分平台一一对应。在一些实施例中，管理分平台分别储存和处理传感网络分平台发送的不同类型的渣土车监控数据。

传感网络分平台与对象分平台也一一对应，可以用于管理分平台与对象分平台之间信息和/或数据的交互。在一些实施例中，传感网络分平台用于接收对象分平台中目标监控装置获取的渣土车监控数据，并发送至对应的管理分平台。关于目标监控装置的更多内容参见图2及其相关描述。

在一些实施例中，传感网络分平台可以用于接收对象分平台发送的渣土车监控数据，以及发送获取渣土车监控数据的指令至对象分平台。

在一些实施例中，传感网络分平台用于接收管理分平台发送的获取渣土车监控数据的指令，以及将传感网络分平台获取的渣土车监控数据发送至对应的管理分平台。

对象平台150可以指用于监控的功能平台。在一些实施例中，对象平台150可以被配置为各种监控设备，例如电子眼、摄像头等。

对象平台150可以根据不同的城市区域被分为多个对象分平台，且与传感网络分平台一一对应。

对象分平台可以与传感网络分平台进行信息和/或数据的交互。在一些实施例中，对象分平台用于接收传感网络分平台发送的获取渣土车监控数据的指令以及发送渣土车监控数据至对应的传感网络分平台。

本说明书一些实施例通过五个平台的物联网功能体系结构搭建智慧城市渣土车管理系统，其中管理平台采用总数据库和分平台相结合布置、网络传感平台与对象平台采用多个分平台布置的方法，可以保证各数据的独立性，确保数据分类传输、溯源以及指令的分类下达和处理，使得物联网结构和数据处理清晰可控，方便了物联网的管控和数据处理。

需要注意的是，以上对于智慧城市渣土车管理系统的描述，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。

图2是根据本说明书一些实施例所示的智慧城市渣土车管理方法的示例性流程图。如图2所示，流程200由管理平台执行，包括以下步骤：

步骤210，获取施工场地信息。

施工场地信息可以是城市中正进行施工的场地的相关信息。施工场地信息可以包括施工类型、渣土是否外运，还可以包括与施工场地相关的交通道路数据等信息。

施工场地信息可以通过多种方式获取。例如，可以通过无人机拍照上传信息、利用监控装置获取信息以及基于第三方平台获取施工场地信息等。其中，第三方平台可以包括住建局平台、环保局平台、安监站平台等。

步骤220，基于施工场地信息确定目标场地的目标监控装置。

目标场地可以是渣土车从施工场地出发进行渣土外运作业所途经的周边道路。

目标监控装置可以是用于监控目标场地的装置。例如，目标场地周围的摄像头、目标场地周边道路上的电子眼等。

在一些实施例中，可以直接将目标场地所配置的监控装置确定为目标监控装置。例如，施工场地周围的监控装置、渣土车运输渣土途径的周边道路上的监控装置等。在一些实施例中，可以通过第三方平台（例如，交通管理平台等）来确定目标监控装置。

步骤230，通过目标监控装置获取目标场地的渣土车监控数据。

渣土车监控数据可以是目标监控装置所获取的渣土车的相关信息。例如，渣土车的车轮是否有泥渍、渣土车中的渣土是否有遗撒、道路状况数据等信息。

在一些实施例中，渣土车监控数据可以包括目标监控装置所获取的渣土车途径目标场地前后持续记录的监控数据。该监控数据除了包括渣土车自身的相关数据（例如，渣土车的车轮是否有泥渍、渣土车中的渣土是否有遗撒等）外，还可以包括渣土车途径目标场地的时间及目标场地的相关数据，例如路面渣土遗撒扬尘数据、环境数据等。其中，环境数据可以包括光照强度、风向风速等数据，可以通过目标监控装置所配置的传感器采集。

步骤240，基于渣土车监控数据进行渣土处理信息分析，生成渣土车管理信息。

渣土信息处理分析可以用于处理、分析渣土相关信息。例如，可以基于渣土车监控数据进行分析，得到路面渣土遗撒扬尘情况等。

渣土信息处理分析可以利用多种方式实现。例如，可以通过人工对比渣土车途径目标场地前后的监控图像进行分析，也可以利用图像识别模型进行分析等。关于渣土处理信息分析的更多内容参见图3、图4及其相关描述。

渣土车管理信息可以是用于对渣土车进行管理操作的相关信息。例如，当渣土处理信息分析确定的结果为车厢有缺口、振动大等，则生成的渣土车管理信息为渣土车自身问题，需对渣土车进行相应维修等处理。又例如，当渣土处理信息分析确定的结果为渣土车车轮有泥渍，则生成的渣土车管理信息为施工单位冲洗不彻底，后续需加大冲洗力度。

在一些实施例中，生成管理信息后，管理平台可通过服务平台将信息发送至用户平台，有需求的用户就可以通过用户平台获知各区域渣土地管理情况；也可以通过传感网络平台将管理指令发送到对应的责任单位，由责任单位根据管理信息执行相关措施。

在本说明书一些实施例中，通过确定目标监控装置的方式，缩小了监控范围，有利于减少系统的运算量；管理平台基于渣土车监控数据进行渣土处理信息分析，并生成渣土车管理信息，不仅可以快速确定渣土车污染原因，而且可以明确责任方，以更好地实现对于渣土车的管理。

图3是根据本说明书一些实施例所示的渣土处理信息分析的示例性示意图。

在一些实施例中，管理平台可以利用多种方法和/或手段，确定渣土车污染信息。例如，管理平台可以利用建模、图像分析以及统计分析等方法或手段，确定渣土车污染信息。

在一些实施例中，管理平台可以利用第一模型确定渣土车的位置信息，以及利用第二模型确定渣土车污染信息。第一模型和第二模型可以为机器学习模型，其中第二模型可以为自定义模型，可以至少包括特征提取层和输出层。

例如，第一模型、第二模型、特征提取层以及输出层的类型可以包括卷积神经网络、深度神经网络或其组合得到的模型等。

如图3所示，第一模型320的输入可以为第一图像310，其输出可以为渣土车的位置信息330。渣土车的位置信息330可以用于确定第二图像340。第二模型350中，特征提取层351的输入可以为第二图像340，其输出可以为图像特征360；输出层的输入可以为图像特征360，其输出可以为渣土车污染信息370。

渣土车污染信息370可以指渣土车对周围环境可能造成的污染情况。例如，渣土车污染信息370可以包括渣土遗撒情况信息。又例如，渣土车污染信息370还可以包括车辆扬尘情况信息等。关于渣土遗撒情况信息以及车辆扬尘情况信息的更多内容可以参见图4、图5及其相关描述。

第一图像310可以包括由目标监控装置获取的施工场地周围的图像数据。例如，第一图像310可以是含有渣土车的视频和/或图片。在一些实施例中，可以基于渣土车监控数据确定第一图像。关于施工场地以及渣土车监控数据的更多内容可以参见图2及其相关描述。

第二图像340可以包括由目标监控装置获取的渣土车行驶前后的道路图像数据。例如，第二图像340可以是渣土车行驶后的道路的视频和/或图片。在一些实施例中，在确定渣土车的位置信息330后，可以通过目标监控装置所获取的渣土车监控数据，确定第二图像。

在一些实施例中，管理平台可以通过训练，获取第一模型320和第二模型350。

在一些实施例中，可以通过获取多个训练样本及初始第一模型和初始第二模型，基于多个训练样本以及其对应的标签分别对初始第一模型和初始第二模型进行单独训练，得到第一模型320和第二模型350，其中，第一模型的训练样本可以包括样本第一图像，标签表征样本对应的渣土车的位置信息；第二模型的训练样本可以包括样本第二图像，标签表征样本对应的渣土车污染信息。在一些实施例中，可以基于历史数据获取样本及标签。在一些实施例中，可以将训练样本分别输入第一模型或第二模型，通过训练迭代更新初始第一模型和初始第二模型的参数，直到训练的模型满足预设条件，获取训练好的第一模型和第二模型，其中，预设条件可以是损失函数小于阈值、收敛，或训练周期达到阈值。在一些实施例中，迭代更新模型参数的方法可以包括随机梯度下降等常规的模型训练方法。

在一些实施例中，还可以通过联合训练，获取第二模型350，以及其中的特征提取层351以及输出层352的参数，其中，特征提取层351的输出可以作为输出层352的输入。

例如，向初始特征提取层输入样本训练数据，即样本第二图像，得到初始特征提取层输出的图像特征，并将其作为初始输出层的输入，得到初始第三模型输出的渣土车污染信息。使用样本渣土车污染信息，对初始特征提取层的输出进行验证，利用神经网络模型的反向传播特性，得到初始特征提取层输出结果的验证数据，使用该验证数据继续进行上述训练，直至得到训练好的特征提取层和输出层，进而获取训练好的第二模型。

又例如，可以将样本第二图像输入初始特征提取层，并将初始特征提取层的输出结果输入初始输出层，基于初始输出层的输出结果和标签构造损失函数，并同时更新初始特征提取层和初始输出层的参数，直至初始特征提取层和初始输出层满足预设条件，得到训练好的特征提取层和输出层，进而得到第二模型350。关于预设条件的更多说明可以参见上述模型单独训练相关内容。

本说明书一些实施例中，通过使用训练好的第一模型和第二模型分别获取渣土车的位置信息和渣土车污染信息，可以提高数据处理效率，能够比较准确地确定渣土车在道路上行驶时的污染情况，满足用户需求。

图4是根据本说明书一些实施例所示的确定渣土车污染信息的示例性流程图。如图4所示，流程400由管理平台执行，包括以下步骤：

步骤410，基于第二图像，通过第二模型分别确定渣土车行驶前后的道路状况信息。

道路状况信息可以包括基于目标监控装置获取的道路情况信息，包括道路上是否有泥渍以及掉落土石块等信息。可以理解的是，当渣土车有遗撒和/或车轮没有清理干净时，其在道路上行驶，很容易洒落土石块和/或留下泥渍等。

在一些实施例中，可以通过分析监控图像，确定道路状况信息。例如，可以利用第二模型对第二图像进行分析，确定渣土车行驶前后的道路状况信息。关于第二模型、第二图像以及分析方法的更多内容可以参见图3及其相关描述。

步骤420，基于渣土车行驶前后的道路状况信息进行对比分析，确定渣土遗撒情况信息。

对比分析可以包括比较渣土车行驶前后的道路是否有泥渍和/或土石块，以及泥渍和/或土石块是否增加等。可以理解的是，渣土车行驶前的道路上没有泥渍和/或土石块或泥渍和/或土石块的数量比较少，而渣土车行驶后，道路上开始出现泥渍和/或土石块或泥渍和/或土石块数量增多，则其很有可能为渣土车造成。

在一些实施例中，可以将对比分析所依据的判断标准，根据车辆是否存在扬尘进行调整。例如，当车辆扬尘情况信息为存在扬尘时，调低判断标准对应的阈值。其中，阈值可以指用来判断渣土车遗撒情况严重程度的参数。例如，阈值可以是道路上土石块的数量，当基于目标监控装置获取的道路情况信息中土石块的数量大于阈值时，则判断渣土车遗撒情况比较严重。

可以理解的是，当车辆扬尘较严重时，其很有可能也存在较严重的遗撒情况。关于扬尘情况信息的更多说明可以参见图5及其相关描述。

对比分析所依据的判断标准可以包括轮渍的对比度、道路的对比度、土石块大小及数量等。可以理解的是，泥渍的对比度越大、道路的对比度越大、土石块越大和/或数量越多，渣土遗撒情况越严重。

渣土遗撒情况信息可以包括渣土车在道路上行驶时的遗撒情况。例如，可以利用第二模型确定遗撒情况信息。关于第二模型及确定方法的更多说明可以参见图3及其相关描述。

在本说明书一些实施例中，通过基于车辆扬尘情况来适当调整渣土车遗撒情况的判断标准，可以使判断结果更符合实际。

在本说明书的另外一些实施例中，基于监控图像特征进行对比分析，可以有效地判断渣土车是否存在遗撒情况，判断标准比较直观，判断准确率较高。

图5是根据本说明书一些实施例所示的确定遗撒和扬尘原因的示例性示意图。

第三模型可以用于确定渣土车的遗撒原因。第三模型可以是机器学习模型。例如，卷积神经网络、深度神经网络或其组合得到的模型等。

如图5所示，管理平台可以利用第三模型530确定渣土车的遗撒原因540和扬尘原因550。

在一些实施例中，第三模型530的输入可以包括渣土遗撒情况信息510和/或车辆扬尘情况信息520，其输出可以包括遗撒原因540和/或扬尘原因550。

渣土遗撒情况信息510可以包括不同时间段内同一渣土车的遗撒信息。车辆扬尘情况信息520可以包括不同时间段内同一渣土车的扬尘信息。

基于渣土车产生遗撒和/或扬尘的不同原因，管理平台可以有针对性地发出不同处理指令。

处理指令可以指管理平台发出的针对渣土车污染情况的指令，管理平台可以根据不同的遗撒原因和扬尘原因，向不同用户平台发送处理指令。例如，管理平台判断是车辆自身问题时，可以将相应处理指令发送给车主或驾驶人员。其中，车辆自身问题可以包括但不限于车厢破损、车辆振动较剧烈以及自动覆盖系统存在故障等。又例如，管理平台判断是施工场地车辆清洗问题时，可以将相应处理指令发给施工场地。

在本说明书一些实施例中，通过利用机器学习模型对渣土车的渣土遗撒信息和扬尘信息进行处理，可以比较快速准确地确定渣土车的遗撒原因和扬尘原因，进而分别进行不同处理，可以有效维护道路清洁，保证城市环保工作的顺利进行。

第四模型可以用于确定车辆扬尘情况信息。第四模型也可以是机器学习模型。例如，卷积神经网络、深度神经网络或其组合得到的模型等。

如图5所示，第四模型560的输入可以包括扬尘差异信息570、车辆信息580以及天气信息590，其输出可以为车辆扬尘情况信息。

扬尘差异信息570可以指不同车辆引起的扬尘大小的差异情况。例如，扬尘差异信息570可以包括渣土车以及与其同一道路上行驶的其他车辆之间的扬尘大小的差异情况。

车辆信息580可以指与渣土车同一道路上的车辆的自身信息。例如，车辆信息580可以包括车辆数量、车辆类型以及车速等信息。

在一些实施例中，可以通过对目标监控装置获取的图像数据进行分析，确定车辆信息580。例如，可以通过识别图像中的车牌号以及单位时间内车辆行驶的距离，确定车辆数量、车辆类型以及车速等信息。

天气信息590可以包括天气类型。例如，天气信息590可以包括天气状况、风向以及风速等。

在一些实施例中，可以基于第三方平台获取天气信息590。例如，可以基于气象部门发布的数据，获取当前以及下一时间段的天气信息590。

可以理解的是，不同的车辆信息以及不同的天气信息，可能会对车辆扬尘情况判断结果产生不同的影响。例如，当道路上车辆较多时，可能有较多扬尘是由其他车辆行驶造成，而不是渣土车的原因。又例如，当风速较大时，模型输出的车辆扬尘情况信息可能比无风时更为严重。

在本说明书一些实施例中，通过基于不同车辆的扬尘差异信息，结合天气情况，利用机器学习模型确定车辆是否扬尘以及扬尘严重程度，确定的结果比较符合实际情况，且具有一定的准确度。

在一些实施例中，可以分别通过单独训练和联合训练，获取第三模型530和第四模型560。

在一些实施例中，可以分别利用带有标签的训练样本对初始第三模型和初始第四模型进行训练，分别获得第三模型530和第四模型560，其中初始第三模型的训练样本可以包括样本渣土遗撒情况信息和样本车辆扬尘情况信息，样本对应的标签可以为遗撒原因和扬尘原因；初始第四模型的训练样本可以包括样本车辆信息、样本天气信息以及样本扬尘差异信息，样本对应的标签可以为车辆扬尘情况信息。将多组带有标签的训练样本分别输入初始第三模型和初始第四模型，分别基于初始第三模型和初始第四模型的输出和其对应的标签构建损失函数，基于损失函数分别迭代更新初始第三模型和初始第四模型的参数，直至满足预设条件，训练结束，获取训练好的第三模型和第四模型。关于预设条件的更多说明可以参见图3及其相关描述。

在一些实施例中，还可以通过联合训练，获取第三模型530和第四模型560，其中，第四模型560的输出可以作为第三模型530的输入。

例如，向初始第四模型输入样本训练数据，即样本车辆信息、样本天气信息以及样本扬尘差异信息，得到初始第四模型输出的车辆扬尘情况信息，并将其与样本渣土遗撒情况信息作为初始第三模型的输入，得到初始第三模型输出的遗撒原因和扬尘原因。使用样本遗撒原因以及样本扬尘原因，对初始第三模型的输出进行验证，利用神经网络模型的反向传播特性，得到初始第四模型输出结果的验证数据，使用该验证数据继续进行上述训练，直至得到训练好的第三模型和第四模型。

又例如，可以将样本车辆信息、样本天气信息以及样本扬尘差异信息输入初始第四模型，并将初始第四模型的输出结果与样本渣土遗撒情况信息一同输入初始第三模型，基于初始第三模型的输出结果和标签构造损失函数，并同时更新初始第四模型和初始第三模型的参数，直至初始第四模型和初始第三模型满足预设条件，得到训练好的第四模型和第三模型。关于预设条件的更多说明可以参见图3及其相关描述。

在本说明书一些实施例中，通过使用训练好的机器学习模型，可以基于大量的、广泛的数据，比较快速准确地确定渣土车的遗撒原因和扬尘原因，以便及时进行处理，提高处理效率。此外，通过对第三模型和第四模型进行联合训练，能够提高模型训练效率。

在本说明书的一些实施例中，通过确定目标监控装置，可以缩小监控范围，有效减少渣土车管理系统的运算量；通过管理平台对渣土车监控数据进行渣土处理分析，其利用训练好的机器学习模型进行分析，可以快速准确地确定渣土车污染原因，明确责任方；通过管理平台生成渣土车管理信息并发送至用户平台，可以有效提高处理效率，以更好地进行渣土车的管理，降低渣土车运输作业对城市卫生、空气质量、交通安全的影响。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。

同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。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说明书实施例实质和范围的修正和等价组合。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，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，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。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件（当前或之后附加于本说明书中的）也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。

最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (4)

1.一种基于物联网的智慧城市渣土车管理方法，其特征在于，所述方法基于智慧城市渣土车管理系统实现，所述方法由管理平台执行，包括：

获取施工场地信息；

基于所述施工场地信息确定目标场地的目标监控装置；

通过所述目标监控装置获取所述目标场地的渣土车监控数据；

基于所述渣土车监控数据进行渣土处理信息分析，生成渣土车管理信息；

其中，所述渣土处理信息分析包括：

基于第二图像，通过第二模型分别确定所述渣土车行驶前后的道路状况信息，所述第二模型为机器学习模型；

基于所述渣土车行驶前后的所述道路状况信息进行对比分析，确定渣土遗撒情况信息；

其中，对比分析所依据的判断标准包括轮渍的对比度、道路的对比度、土石块大小及数量；所述判断标准基于所述渣土车的扬尘情况进行调整；

获取所述渣土车在不同时间段内的所述渣土遗撒情况信息；

基于所述渣土车在不同时间段内的所述渣土遗撒情况信息，通过第三模型确定遗撒原因并发出处理指令；其中，所述遗撒原因至少包括车辆自身问题和施工场地车辆清洗问题中的一种；车辆自身问题至少包括车厢破损、车辆振动较剧烈以及自动覆盖系统存在故障中的一种；所述第三模型的输入包括渣土遗撒情况信息和/或车辆扬尘情况信息，输出包括遗撒原因和/或扬尘原因；

基于所述渣土车产生遗撒和/或扬尘的不同原因，发出不同处理指令；

其中，调整所述判断标准包括：

当车辆扬尘情况信息为存在扬尘时，调低判断标准对应的阈值，所述阈值指用来判断渣土车遗撒情况严重程度的参数；

其中，确定所述扬尘情况包括：

获取所述渣土车和其他车辆行驶前后的扬尘差异信息；

基于所述渣土车和其他车辆行驶前后的所述扬尘差异信息，结合车辆信息和天气信息，通过第四模型确定车辆扬尘情况信息，所述第四模型为机器学习模型；

其中，所述第三模型和所述第四模型可以联合训练得到，所述联合训练包括：

向初始第四模型输入样本车辆信息、样本天气信息以及样本扬尘差异信息，得到所述初始第四模型输出的车辆扬尘情况信息；

将所述初始第四模型的输出与样本渣土遗撒情况信息作为初始第三模型的输入，得到所述初始第三模型输出的遗撒原因和扬尘原因；

使用样本遗撒原因以及样本扬尘原因，对所述初始第三模型的输出进行验证，利用神经网络模型的反向传播特性，得到所述初始第四模型输出结果的验证数据，使用所述验证数据继续进行训练，直至得到训练好的所述第三模型和所述第四模型。

2.如权利要求1所述的方法，其特征在于，所述智慧城市渣土车管理系统包括用户平台、服务平台、所述管理平台、传感网络平台和对象平台，包括：

所述用户平台用于发送渣土车管理信息查询指令至所述服务平台，以及接收所述渣土车管理信息并反馈给用户；

所述服务平台用于接收所述用户平台发送的所述渣土车管理信息查询指令，进行存储处理后发送至所述管理平台，以及从所述管理平台获取所述渣土车管理信息，进行存储处理后发送至所述用户平台；

所述管理平台用于响应所述用户的查询请求，对所述渣土车监控数据进行处理，确定所述渣土车管理信息；所述管理平台还用于接收所述服务平台发送的所述渣土车管理信息查询指令，发送所述渣土车管理信息至所述服务平台；所述管理平台包括一个总数据库和多个管理分平台；

所述传感网络平台包括多个传感网络分平台，所述传感网络分平台与所述管理分平台一一对应；所述传感网络分平台用于接收所述管理平台发送的获取所述渣土车监控数据的指令，并将所述指令发送至对象分平台；所述传感网络分平台还用于接收所述对象分平台获取的所述渣土车监控数据，并发送所述渣土车监控数据至对应的所述管理分平台；

所述对象平台包括根据不同的城市区域被分为多个所述对象分平台，与所述传感网络分平台一一对应；所述对象分平台用于接收所述传感网络分平台发送的获取所述渣土车监控数据的指令，以及获取并发送所述渣土车监控数据至对应的所述传感网络分平台。

3.如权利要求1所述的方法，其特征在于，获取所述第二图像包括：

通过所述目标监控装置获取第一图像；

通过第一模型对所述第一图像进行处理，确定所述渣土车的位置信息；

基于所述位置信息，通过所述目标监控装置获取所述第二图像。

4.一种基于物联网的智慧城市渣土车管理系统，其特征在于，所述系统包括管理平台，所述管理平台被配置为执行以下操作：

获取施工场地信息；

基于所述施工场地信息确定目标场地的目标监控装置；

通过所述目标监控装置获取所述目标场地的渣土车监控数据；

基于所述渣土车监控数据进行渣土处理信息分析，生成渣土车管理信息；

其中，所述渣土处理信息分析包括：

基于第二图像，通过第二模型分别确定所述渣土车行驶前后的道路状况信息，所述第二模型为机器学习模型；

基于所述渣土车行驶前后的所述道路状况信息进行对比分析，确定渣土遗撒情况信息；其中，对比分析所依据的判断标准包括轮渍的对比度、道路的对比度、土石块大小及数量；所述判断标准基于所述渣土车的扬尘情况进行调整；

获取所述渣土车在不同时间段内的所述渣土遗撒情况信息；

基于所述渣土车在不同时间段内的所述渣土遗撒情况信息，通过第三模型确定遗撒原因并发出处理指令；其中，所述遗撒原因至少包括车辆自身问题和施工场地车辆清洗问题中的一种；车辆自身问题至少包括车厢破损、车辆振动较剧烈以及自动覆盖系统存在故障中的一种；所述第三模型的输入包括渣土遗撒情况信息和/或车辆扬尘情况信息，输出包括遗撒原因和/或扬尘原因；

基于所述渣土车产生遗撒和/或扬尘的不同原因，发出不同处理指令；

其中，调整所述判断标准包括：

当车辆扬尘情况信息为存在扬尘时，调低判断标准对应的阈值，所述阈值指用来判断渣土车遗撒情况严重程度的参数；

其中，确定所述扬尘情况包括：

获取所述渣土车和其他车辆行驶前后的扬尘差异信息；

基于所述渣土车和其他车辆行驶前后的所述扬尘差异信息，结合车辆信息和天气信息，通过第四模型确定车辆扬尘情况信息，所述第四模型为机器学习模型；

其中，所述第三模型和所述第四模型可以联合训练得到，所述联合训练包括：

向初始第四模型输入样本车辆信息、样本天气信息以及样本扬尘差异信息，得到所述初始第四模型输出的车辆扬尘情况信息；

将所述初始第四模型的输出与样本渣土遗撒情况信息作为初始第三模型的输入，得到所述初始第三模型输出的遗撒原因和扬尘原因；

使用样本遗撒原因以及样本扬尘原因，对所述初始第三模型的输出进行验证，利用神经网络模型的反向传播特性，得到所述初始第四模型输出结果的验证数据，使用所述验证数据继续进行训练，直至得到训练好的所述第三模型和所述第四模型。

Images