CN115439278A - 适用于非机动车驾驶员的线上学习方法及系统 - Google Patents
适用于非机动车驾驶员的线上学习方法及系统 Download PDFInfo
- Publication number
- CN115439278A CN115439278A CN202210938857.2A CN202210938857A CN115439278A CN 115439278 A CN115439278 A CN 115439278A CN 202210938857 A CN202210938857 A CN 202210938857A CN 115439278 A CN115439278 A CN 115439278A
- Authority
- CN
- China
- Prior art keywords
- motor vehicle
- learning
- test questions
- test question
- line
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 137
- 230000006399 behavior Effects 0.000 claims abstract description 36
- 238000001514 detection method Methods 0.000 claims description 9
- 239000003086 colorant Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 238000012544 monitoring process Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提出了适用于非机动车驾驶员的线上学习方法及系统，包括基于违法信息生成线上试题特征码；根据线上试题特征码从线上题库中下载学习试题；基于出现违法行为的非机动车的图像信息对已下载的学习试题中的车辆模板进行替换，得到替换后的学习试题；向非机动车驾驶员下发替换后的学习试题，收集非机动车驾驶员的答题结果；结合非机动车驾驶员的生物特征信息，生成与非机动车驾驶员对应的安全学习结果，将安全学习结果上传至交通部门进行共享。基于非机动车的违法行为生成针对性的学习试题，能够提升线上学习的针对性；同时基于非机动车的图像信息对学习试题中的车辆模板进行替换，加深非机动车驾驶员的体验感，加深安全学习的考核效果。
Description
技术领域
本申请属于信息处理领域，尤其涉及适用于非机动车驾驶员的线上学习方法及系统。
背景技术
目前电动自行车已成为许多上班族和快递及外卖小哥的必备出行工具。电动自行车骑行便利、价格低廉，但也暗藏着许多安全风险，产生了大量的道路交通安全问题，比如蓄电池引发火灾、速度过快和违规驾驶引发交通事故等。
路面通行环节的管理直接关系着电动自行车的治理成效，而电动自行车的违法行为多样、违法成本低，是目前路面通行管理的难题。部分城市采用线下集中的方式进行非机动车驾驶员安全学习，集中起来观看教育视频并进行考试，这种方式存在操作层面的难题：一方面需要有专人组织，另一方面需要安排集中的场地，而且学习和考试也极为不便，学习效果流于形式，起不到安全教育的目的。
发明内容
为了解决现有技术中存在的缺点和不足，本申请提出了适用于非机动车驾驶员的线上学习方法及系统，基于非机动车的违法行为生成针对性的学习试题，能够提升线上学习的针对性；同时基于非机动车的图像信息对学习试题中的车辆模板进行替换，加深非机动车驾驶员的体验感，加深安全学习的考核效果。
一方面，本申请实施例提出了适用于非机动车驾驶员的线上学习方法，所述线上学习方法包括：
S1，获取非机动车的违法信息，基于违法信息生成线上试题特征码；
S2，根据线上试题特征码从线上题库中下载学习试题；
S3，采集出现违法行为的非机动车的图像信息，基于图像信息对已下载的学习试题中的车辆模板进行替换，得到替换后的学习试题；
S4，向非机动车驾驶员下发替换后的学习试题，收集非机动车驾驶员的答题结果；
S5，结合非机动车驾驶员的生物特征信息，生成与非机动车驾驶员对应的安全学习结果，将安全学习结果上传至交通部门进行共享。
可选的，所述S1包括：
S11，获取执法人员开具的违法通知单；
S12，从违法通知单中筛选违法机动车违反的法律条款；
S13，将法律条款进行汇总，结合非机动车的车辆代码构建得到线上试题特征码。
可选的，所述S13包括：
S131，构建包含全部法律条款权重值的特征码初始字符串；
S132，根据已获取的法律条款，对特征码初始字符串中的法律条款权重值进行修改；
S133，将非机动车的车辆代码填入修改后的特征码初始字符串内，得到表征当前机动车违法行为详情的线上试题特征码。
可选的，所述S2包括：
S21，对线上试题特征码解析，根据解析结果得到违法行为对应的法律条款以及每项法律条款违反的次数；
S22，根据解析到的法律条款从线上题库中选取对应的学习试题类别；
S23，基于每项法律条款违反的次数对已选取的每个类别下学习试题的数量进行调整，基于调整后的情况进行学习试题下载。
可选的，所述S23包括：
S231，遍历得到每项法律条款违反的次数；
S232，根据学习试题的总数量结合违反的次数计算每项法律条款在学习试题中的比例；
S233，根据计算得到的比例确定每项法律在学习试题中的数量，基于确定数量的学习试题进行下载。
可选的，所述S3包括：
S31，采集出现违法行为的非机动车的图像信息；
S32，从图像信息中提取包括车牌、车辆颜色、车辆款式在内的图像特征；
S33，对当前进行线上学习的移动设备进行基准性能检测，根据检测结果进行替换分级；
S34，从已下载的学习试题中提取车辆模板，基于当前移动设备对应的替换等级将提取到的图像特征对车辆模板中对应的信息进行选择性替换，得到替换后的学习试题。
可选的，所述S34包括：
S341，对已下载的学习试题进行解析得到试题模板和车辆模板；
S342，对车辆模板进行分类，得到车牌子模版、车辆颜色子模版、车辆款式子模版在内的诸多子模版；
S343，将提取到的包括车牌、车辆颜色、车辆款式在内的图像特征分别替换至得到的诸多子模版中，得到替换后的子模版；
S344，基于替换后的子模版与试题模板按解析后的对应关系进行重组，得到替换后的学习试题。
可选的，所述S5包括：
S51，采集非机动车驾驶员的生物特征信息；
S52，基于生物特征信息生成唯一特征编码，将唯一特征编码嵌入到答题结果中得到与非机动车驾驶员对应的安全学习结果；
S53，将得到的安全学习结果上传至交通部门进行共享。
可选的，所述S52包括：
S521，基于随机数生成算法得到随机数值；
S522，将答题结果分割成与随机数值相等的区块；
S523，在两个相邻的区块之间嵌入唯一特征编码，将得到的嵌入完成后的答题结果作为安全学习结果。
另一方面，本申请实施例还提出了适用于非机动车驾驶员的线上学习系统，所述线上学习系统包括：
特征码生成单元，用于获取非机动车的违法信息，基于违法信息生成线上试题特征码；
试题下载单元，用于根据线上试题特征码从线上题库中下载学习试题；
试题编辑单元，用于采集出现违法行为的非机动车的图像信息，基于图像信息对已下载的学习试题中的车辆模板进行替换，得到替换后的学习试题；
试题考核单元，用于向非机动车驾驶员下发替换后的学习试题，收集非机动车驾驶员的答题结果；
结果上传单元，用于结合非机动车驾驶员的生物特征信息，生成与非机动车驾驶员对应的安全学习结果，将安全学习结果上传至交通部门进行共享。
本申请提供的技术方案带来的有益效果是：
1）根据非机动车的违法行为，选取针对应的学习试题对非机动车驾驶员进行线上学习，相对于通用性的学习行为能够进行有效的安全教育，体现线上教育便利性的同时，提升安全学习的特异性。
2）将非机动车的图像信息替换至学习试题中，令非机动车驾驶员在学习过程中更为真实的体验违法行为的危险性，从而加深安全学习的效果。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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他的附图。
图1为本申请实施例提出的适用于非机动车驾驶员的线上学习方法的流程示意图；
图2为本申请实施例提出的适用于非机动车驾驶员的线上学习系统的结构示意图。
具体实施方式
为使本申请的结构和优点更加清楚，下面将结合附图对本申请的结构作进一步地描述。
实施例一
本申请实施例提出了适用于非机动车驾驶员的线上学习方法，如图1所示，所述线上学习方法包括：
S1，获取非机动车的违法信息，基于违法信息生成线上试题特征码；
S2，根据线上试题特征码从线上题库中下载学习试题；
S3，采集出现违法行为的非机动车的图像信息，基于图像信息对已下载的学习试题中的车辆模板进行替换，得到替换后的学习试题；
S4，向非机动车驾驶员下发替换后的学习试题，收集非机动车驾驶员的答题结果；
S5，结合非机动车驾驶员的生物特征信息，生成与非机动车驾驶员对应的安全学习结果，将安全学习结果上传至交通部门进行共享。
在实施中，本申请实施例提出的线上学习方法，适用于非机动车驾驶员在出现交通违法行为后进行线上学习时使用。考虑到现有的线下学习方法存在诸多不便，故而提出了一种适应性较强、且适应不同学习需求的线上学习方法。
本申请提出的线上学习方法，主要有两个优点，其一是针对不同非机动车的违法行为能够提供不同的学习试题，提升线上学习的针对性，降低线下统一学习的盲目性；其二是将非机动车的图像信息代入学习试题中，使得非机动车驾驶员在学习时有身临其境的感觉，加强线上学习的效果。
具体的，本申请实施例提出的线上学习的第一步为生成针对当前非机动车违法行为的试题特征码，即步骤S1包括：
S11，获取执法人员开具的违法通知单；
S12，从违法通知单中筛选违法机动车违反的法律条款；
S13，将法律条款进行汇总，结合非机动车的车辆代码构建得到线上试题特征码。
在实施中，实现优点一的必要步骤是从现有的线上题库中选取与非机动车违法行为对应的学习试题，而实现该步骤的前提是生成与违法行为对应的线上试题特征码。
线上试题特征码的生成基础是从执法人员开具的违法通知单，在违法通知单上详细的记录了当前非机动车违反的每一项法律条款。对违法通知单上列举的法律条款的条目进行列举，在相邻的法律条款的条目之间增加分隔符得到完整的法律条款条目。
为了与非机动车进行绑定，还需要将当前发生违法行为的非机动车的车辆代码放置在完整的法律条款条目前，将得到的字符串作为线上试题特征码。
构建线上试题特征码的详细步骤，即步骤S13包括：
S131，构建包含全部法律条款权重值的特征码初始字符串；
S132，根据已获取的法律条款，对特征码初始字符串中的法律条款权重值进行修改；
S133，将非机动车的车辆代码填入修改后的特征码初始字符串内，得到表征当前机动车违法行为详情的线上试题特征码。
本申请实施例提出的线上学习的第二步为基于试题特征码从线上题库中下载学习试题，即步骤S2包括：
S21，对线上试题特征码解析，根据解析结果得到违法行为对应的法律条款以及每项法律条款违反的次数；
S22，根据解析到的法律条款从线上题库中选取对应的学习试题类别；
S23，基于每项法律条款违反的次数对已选取的每个类别下学习试题的数量进行调整，基于调整后的情况进行学习试题下载。
在实施中，由于线上学习时长固定，使得使用的学习试题的题目数量固定。因此在执行步骤S2的学习试题下载过程中，需要根据已知的线上试题特征码对学习试题中对应不同法律条款的试题数量进行精确计算，从而在确保线上试题题目数量稳定的同时还能体现出对当前非机动车违法行为的针对性。
为了满足上述需求，需要对线上试题码进行解析，得到对应当前非机动车违反的法律条款，以及每项法律条款的违反次数；前者决定了线上试题的种类，后者决定了每个学习试题种类数量的相对比例。
详细的执行步骤即S23包括：
S231，遍历得到每项法律条款违反的次数；
S232，根据学习试题的总数量结合违反的次数计算每项法律条款在学习试题中的比例；
S233，根据计算得到的比例确定每项法律在学习试题中的数量，基于确定数量的学习试题进行下载。
例如违反了八项法律条款，具体的违反次数为1:4:2:3:4:1:3:2，结合线上试题总量100题可知，待选取学习试题中对应八项法律条款的试题数量应分别为5、20、10、15、20、5、15、10。
本申请实施例提出的线上学习的第三步为基于试题特征码从线上题库中下载学习试题，即步骤S3包括：
S31，采集出现违法行为的非机动车的图像信息；
S32，从图像信息中提取包括车牌、车辆颜色、车辆款式在内的图像特征；
S33，对当前进行线上学习的移动设备进行基准性能检测，根据检测结果进行替换分级；
S34，从已下载的学习试题中提取车辆模板，基于当前移动设备对应的替换等级将提取到的图像特征对车辆模板中对应的信息进行选择性替换，得到替换后的学习试题。
在实施中，实现优点二的必要步骤是将前一步骤得到的学习试题中的图像信息替换为当前发生违法行为的非机动车的真实图像信息。令接受教育的非机动车驾驶员在进行线上学习时，能够真实的体验自身违法行为导致的严重后果，从而以身临其境的感受来增强线上学习的有效性。
考虑到现有技术下的可操作性，上述替换操作主要是将学习试题中的图像信息替换为发生违法行为的非机动车的真实图像信息，具体包括车牌、车辆颜色、车辆款式在内的图像特征。
具体的，步骤S31中采集到的图像信息主要是通过布设的道路、交通路口处的官方监控设备进行采集。进一步的，考虑到监控设备的性能容易受到天气、树木或其他意外条件的影响，无法采集到出现违法行为的完整的非机动车的图像信息，此处还提出了建立非机动车特征图像数据库以及联动民用监控设备的操作。
这里所建立的非机动车特征图像数据库，主要是基于各个非机动车厂家公布的三维图纸所构建。当监控设备仅能采集到部分非机动车的图像信息时，可以根据采集到的部分机动车的图像信息在非机动车特征图像数据库中检索。由于非机动车特征图像数据库中保存的是非机动车的三维图像，因此根据官方监控设备拍摄到的部分非机动车的图像信息进行适当的角度转换后，再与非机动车特征图像数据库内的三维图像进行匹配，来获取后续替换步骤中所需的图像特征。
为了进一步增强采集非机动车图像特征的成功率，还可以根据官方监控设备进行违法行为的采集时刻以及采集地理坐标，确定同一采集时刻前后的相近采集地理坐标附近是否存在民用监控设备。如果有则联同民用监控设备拍摄到的监控图像进行辅助，便于共同确认出现违法行为的非机动车的图像信息。
在获取到图像信息以及提取图像特征后，就可以进行具体的替换步骤，如步骤S34所示，具体包括：
S341，对已下载的学习试题进行解析得到试题模板和车辆模板；
S342，对车辆模板进行分类，得到车牌子模版、车辆颜色子模版、车辆款式子模版在内的诸多子模版；
S343，将提取到的包括车牌、车辆颜色、车辆款式在内的图像特征分别替换至得到的诸多子模版中，得到替换后的子模版；
S344，基于替换后的子模版与试题模板按解析后的对应关系进行重组，得到替换后的学习试题。
值得注意的是，在执行S341时得到的试题模板和车辆模板之间要记录对应关系，即试题模板一对应车辆模板一、二，试题模板三对应车辆模板三等。这样在执行S344时才能将替换后的子模版与试题模板重组得到正确的学习试题，否则会导致处理后学习试题中的题目与车辆图像错位的情况，使得线上学习失效。
另外，考虑到上述替换过程在不同硬件配置上的移动设备中运行会存在较大差异，因此在执行步骤S34前，还需增加进行如S33所示的硬件性能检测的步骤。即S33，对当前进行线上学习的移动设备进行基准性能检测，根据检测结果进行替换分级。不同的分级对应了后续替换操作中不同程度的替换模式。
例如，如果移动设备性能优秀，则在后续替换步骤中可以根据获取到的图像特征进行详细的图像纹理、光线细节进行全方位的替换；如果移动设备性能较差，则在后续替换步骤中可以仅进行非机动车车身颜色的替换，以便减轻移动设备的渲染压力，防止因图像渲染消耗过多设备机能导致线上学习受到影响。
本申请实施例提出的线上学习的第五步为将S4得到的答题结果与发生违法行为的非机动车驾驶员的生物特征信息绑定，即步骤S5包括：
S51，采集非机动车驾驶员的生物特征信息；
S52，基于生物特征信息生成唯一特征编码，将唯一特征编码嵌入到答题结果中得到与非机动车驾驶员对应的安全学习结果；
S53，将得到的安全学习结果上传至交通部门进行共享。
在实施中，之所以执行生物信息绑定的操作，是为了确保本次线上学习的有效性，同时便于再次发生交通违法行为时追责使用。由于在线上学习完成后得到的安全学习结果中绑定了能够代表非机动车驾驶员唯一性的生物特征信息，这样如果该非机动车驾驶员再次发生同样的交通违法行为，交管部门可根据本次安全学习结果中提取的生物特征信息进行从重处罚，增强了线上学习的重要性以及可参考性。
具体的，将生物特征信息与答题结果绑定生成安全学习结果的操作，即步骤S52包括：
S521，基于随机数生成算法得到随机数值；
S522，将答题结果分割成与随机数值相等的区块；
S523，在两个相邻的区块之间嵌入唯一特征编码，将得到的嵌入完成后的答题结果作为安全学习结果。
实施例二
本申请实施例还提出了适用于非机动车驾驶员的线上学习系统2，如图2所示，所述线上学习系统2包括：
特征码生成单元21，用于获取非机动车的违法信息，基于违法信息生成线上试题特征码；
试题下载单元22，用于根据线上试题特征码从线上题库中下载学习试题；
试题编辑单元23，用于采集出现违法行为的非机动车的图像信息，基于图像信息对已下载的学习试题中的车辆模板进行替换，得到替换后的学习试题；
试题考核单元24，用于向非机动车驾驶员下发替换后的学习试题，收集非机动车驾驶员的答题结果；
结果上传单元25，用于结合非机动车驾驶员的生物特征信息，生成与非机动车驾驶员对应的安全学习结果，将安全学习结果上传至交通部门进行共享。
在实施中，本申请实施例提出的线上学习系统，适用于非机动车驾驶员在出现交通违法行为后进行线上学习时使用。考虑到现有的线下学习方法存在诸多不便，故而提出了一种适应性较强、且适应不同学习需求的线上学习系统。
本申请提出的线上学习系统，主要有两个优点，其一是针对不同非机动车的违法行为能够提供不同的学习试题，提升线上学习的针对性，降低线下统一学习的盲目性；其二是将非机动车的图像信息代入学习试题中，使得非机动车驾驶员在学习时有身临其境的感觉，加强线上学习的效果。
上述实施例中的各个序号仅仅为了描述，不代表各部件的组装或使用过程中的先后顺序。
以上所述仅为本申请的实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.适用于非机动车驾驶员的线上学习方法，其特征在于，所述线上学习方法包括：
S1，获取非机动车的违法信息，基于违法信息生成线上试题特征码；
S2，根据线上试题特征码从线上题库中下载学习试题；
S3，采集出现违法行为的非机动车的图像信息，基于图像信息对已下载的学习试题中的车辆模板进行替换，得到替换后的学习试题；
S4，向非机动车驾驶员下发替换后的学习试题，收集非机动车驾驶员的答题结果；
S5，结合非机动车驾驶员的生物特征信息，生成与非机动车驾驶员对应的安全学习结果，将安全学习结果上传至交通部门进行共享。
2.根据权利要求1所述的适用于非机动车驾驶员的线上学习方法，其特征在于，所述S1包括：
S11，获取执法人员开具的违法通知单；
S12，从违法通知单中筛选违法机动车违反的法律条款；
S13，将法律条款进行汇总，结合非机动车的车辆代码构建得到线上试题特征码。
3.根据权利要求2所述的适用于非机动车驾驶员的线上学习方法，其特征在于，所述S13包括：
S131，构建包含全部法律条款权重值的特征码初始字符串；
S132，根据已获取的法律条款，对特征码初始字符串中的法律条款权重值进行修改；
S133，将非机动车的车辆代码填入修改后的特征码初始字符串内，得到表征当前机动车违法行为详情的线上试题特征码。
4.根据权利要求1所述的适用于非机动车驾驶员的线上学习方法，其特征在于，所述S2包括：
S21，对线上试题特征码解析，根据解析结果得到违法行为对应的法律条款以及每项法律条款违反的次数；
S22，根据解析到的法律条款从线上题库中选取对应的学习试题类别；
S23，基于每项法律条款违反的次数对已选取的每个类别下学习试题的数量进行调整，基于调整后的情况进行学习试题下载。
5.根据权利要求4所述的适用于非机动车驾驶员的线上学习方法，其特征在于，所述S23包括：
S231，遍历得到每项法律条款违反的次数；
S232，根据学习试题的总数量结合违反的次数计算每项法律条款在学习试题中的比例；
S233，根据计算得到的比例确定每项法律在学习试题中的数量，基于确定数量的学习试题进行下载。
6.根据权利要求1所述的适用于非机动车驾驶员的线上学习方法，其特征在于，所述S3包括：
S31，采集出现违法行为的非机动车的图像信息；
S32，从图像信息中提取包括车牌、车辆颜色、车辆款式在内的图像特征；
S33，对当前进行线上学习的移动设备进行基准性能检测，根据检测结果进行替换分级；
S34，从已下载的学习试题中提取车辆模板，基于当前移动设备对应的替换等级将提取到的图像特征对车辆模板中对应的信息进行选择性替换，得到替换后的学习试题。
7.根据权利要求6所述的适用于非机动车驾驶员的线上学习方法，其特征在于，所述S34包括：
S341，对已下载的学习试题进行解析得到试题模板和车辆模板；
S342，对车辆模板进行分类，得到车牌子模版、车辆颜色子模版、车辆款式子模版在内的诸多子模版；
S343，将提取到的包括车牌、车辆颜色、车辆款式在内的图像特征分别替换至得到的诸多子模版中，得到替换后的子模版；
S344，基于替换后的子模版与试题模板按解析后的对应关系进行重组，得到替换后的学习试题。
8.根据权利要求1所述的适用于非机动车驾驶员的线上学习方法，其特征在于，所述S5包括：
S51，采集非机动车驾驶员的生物特征信息；
S52，基于生物特征信息生成唯一特征编码，将唯一特征编码嵌入到答题结果中得到与非机动车驾驶员对应的安全学习结果；
S53，将得到的安全学习结果上传至交通部门进行共享。
9.根据权利要求8所述的适用于非机动车驾驶员的线上学习方法，其特征在于，所述S52包括：
S521，基于随机数生成算法得到随机数值；
S522，将答题结果分割成与随机数值相等的区块；
S523，在两个相邻的区块之间嵌入唯一特征编码，将得到的嵌入完成后的答题结果作为安全学习结果。
10.适用于非机动车驾驶员的线上学习系统，其特征在于，所述线上学习系统包括：
特征码生成单元，用于获取非机动车的违法信息，基于违法信息生成线上试题特征码；
试题下载单元，用于根据线上试题特征码从线上题库中下载学习试题；
试题编辑单元，用于采集出现违法行为的非机动车的图像信息，基于图像信息对已下载的学习试题中的车辆模板进行替换，得到替换后的学习试题；
试题考核单元，用于向非机动车驾驶员下发替换后的学习试题，收集非机动车驾驶员的答题结果；
结果上传单元，用于结合非机动车驾驶员的生物特征信息，生成与非机动车驾驶员对应的安全学习结果，将安全学习结果上传至交通部门进行共享。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210938857.2A CN115439278B (zh) | 2022-08-05 | 2022-08-05 | 适用于非机动车驾驶员的线上学习方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210938857.2A CN115439278B (zh) | 2022-08-05 | 2022-08-05 | 适用于非机动车驾驶员的线上学习方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115439278A true CN115439278A (zh) | 2022-12-06 |
| CN115439278B CN115439278B (zh) | 2023-07-25 |
Family
ID=84243566
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210938857.2A Active CN115439278B (zh) | 2022-08-05 | 2022-08-05 | 适用于非机动车驾驶员的线上学习方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115439278B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050049098A (ko) * | 2003-11-21 | 2005-05-25 | 에듀토피아중앙교육 주식회사 | 개인별 보충 및 심화 학습 자료 제공 시스템 및 방법 |
| KR20090097532A (ko) * | 2008-03-12 | 2009-09-16 | 주식회사 온비즈시스템 | 강사 맞춤형 온라인 문제은행 학습시스템 및 방법 |
| CN109118402A (zh) * | 2018-08-31 | 2019-01-01 | 中国人民解放军军事科学院评估论证研究中心 | 一种军队干部在线学习考核评估系统及方法 |
| CN109948419A (zh) * | 2018-12-31 | 2019-06-28 | 上海眼控科技股份有限公司 | 一种基于深度学习的违法停车自动审核方法 |
| CN110909598A (zh) * | 2019-10-16 | 2020-03-24 | 合肥湛达智能科技有限公司 | 一种基于深度学习的非机动车道交通违法行驶识别方法 |
| WO2020087743A1 (zh) * | 2018-11-01 | 2020-05-07 | 深圳云天励飞技术有限公司 | 非机动车交通违法监管方法、装置及电子设备 |
| CN111259240A (zh) * | 2020-01-14 | 2020-06-09 | 武汉璞睿互联技术有限公司 | 一种试题推荐方法及装置 |
| US20200249675A1 (en) * | 2019-01-31 | 2020-08-06 | StradVision, Inc. | Method and device for providing personalized and calibrated adaptive deep learning model for the user of an autonomous vehicle |
| CN111640293A (zh) * | 2020-04-24 | 2020-09-08 | 合肥湛达智能科技有限公司 | 一种基于嵌入式终端的深度学习非机动车道行驶检测方法 |
| WO2020192122A1 (zh) * | 2019-03-27 | 2020-10-01 | 江苏智通交通科技有限公司 | 一种闯红灯车辆的非现场执法图片智能审核方法和系统 |
| JP2020194206A (ja) * | 2019-05-24 | 2020-12-03 | 富士通株式会社 | 学習方法、運転支援方法、学習プログラム、運転支援プログラム、学習装置、運転支援システム及び学習システム |
| CN112749336A (zh) * | 2021-01-11 | 2021-05-04 | 徐州金林人工智能科技有限公司 | 一种基于机器学习算法的在线习题个性化推荐系统 |
| CN112907982A (zh) * | 2021-04-09 | 2021-06-04 | 济南博观智能科技有限公司 | 一种车辆违停行为的检测方法、装置和介质 |
| CN113256252A (zh) * | 2021-05-25 | 2021-08-13 | 上海金程教育培训有限公司 | 一种基于b/s架构的考测系统 |
| CN113360635A (zh) * | 2021-06-25 | 2021-09-07 | 中国科学技术大学 | 一种基于自注意和预训练机制的智能教学方法及系统 |
| CN114495124A (zh) * | 2022-01-18 | 2022-05-13 | 上海应用技术大学 | 一种试题成绩分析及练习提高系统 |
-
2022
- 2022-08-05 CN CN202210938857.2A patent/CN115439278B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050049098A (ko) * | 2003-11-21 | 2005-05-25 | 에듀토피아중앙교육 주식회사 | 개인별 보충 및 심화 학습 자료 제공 시스템 및 방법 |
| KR20090097532A (ko) * | 2008-03-12 | 2009-09-16 | 주식회사 온비즈시스템 | 강사 맞춤형 온라인 문제은행 학습시스템 및 방법 |
| CN109118402A (zh) * | 2018-08-31 | 2019-01-01 | 中国人民解放军军事科学院评估论证研究中心 | 一种军队干部在线学习考核评估系统及方法 |
| WO2020087743A1 (zh) * | 2018-11-01 | 2020-05-07 | 深圳云天励飞技术有限公司 | 非机动车交通违法监管方法、装置及电子设备 |
| CN109948419A (zh) * | 2018-12-31 | 2019-06-28 | 上海眼控科技股份有限公司 | 一种基于深度学习的违法停车自动审核方法 |
| US20200249675A1 (en) * | 2019-01-31 | 2020-08-06 | StradVision, Inc. | Method and device for providing personalized and calibrated adaptive deep learning model for the user of an autonomous vehicle |
| WO2020192122A1 (zh) * | 2019-03-27 | 2020-10-01 | 江苏智通交通科技有限公司 | 一种闯红灯车辆的非现场执法图片智能审核方法和系统 |
| JP2020194206A (ja) * | 2019-05-24 | 2020-12-03 | 富士通株式会社 | 学習方法、運転支援方法、学習プログラム、運転支援プログラム、学習装置、運転支援システム及び学習システム |
| CN110909598A (zh) * | 2019-10-16 | 2020-03-24 | 合肥湛达智能科技有限公司 | 一种基于深度学习的非机动车道交通违法行驶识别方法 |
| CN111259240A (zh) * | 2020-01-14 | 2020-06-09 | 武汉璞睿互联技术有限公司 | 一种试题推荐方法及装置 |
| CN111640293A (zh) * | 2020-04-24 | 2020-09-08 | 合肥湛达智能科技有限公司 | 一种基于嵌入式终端的深度学习非机动车道行驶检测方法 |
| CN112749336A (zh) * | 2021-01-11 | 2021-05-04 | 徐州金林人工智能科技有限公司 | 一种基于机器学习算法的在线习题个性化推荐系统 |
| CN112907982A (zh) * | 2021-04-09 | 2021-06-04 | 济南博观智能科技有限公司 | 一种车辆违停行为的检测方法、装置和介质 |
| CN113256252A (zh) * | 2021-05-25 | 2021-08-13 | 上海金程教育培训有限公司 | 一种基于b/s架构的考测系统 |
| CN113360635A (zh) * | 2021-06-25 | 2021-09-07 | 中国科学技术大学 | 一种基于自注意和预训练机制的智能教学方法及系统 |
| CN114495124A (zh) * | 2022-01-18 | 2022-05-13 | 上海应用技术大学 | 一种试题成绩分析及练习提高系统 |
Non-Patent Citations (1)
| Title |
|---|
| 郭新顺, 顾英明, 朱增友, 范纪坤: "拖拉机驾驶员图文混排试题库系统设计", 拖拉机与农用运输车, no. 05 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115439278B (zh) | 2023-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Antin et al. | Second strategic highway research program naturalistic driving study methods | |
| CN105654730B (zh) | 一种基于卡口过车大数据分析的套牌车认定方法 | |
| CN107222523B (zh) | 终端的数据处理方法、装置和系统 | |
| Rionda et al. | Blended learning system for efficient professional driving | |
| CN108460685A (zh) | 用于挖掘车险风险因子之间的关联规则的方法和装置 | |
| Evin et al. | Design and implementation of a CANBus-based eco-driving system for public transport bus services | |
| CN106504525A (zh) | 基于ic卡数据的od矩阵生成技术及其应用研究 | |
| CN113380033A (zh) | 基于人机混合增强智能的城市交通安全预警方法及系统 | |
| CN109857782A (zh) | 一种测井数据采集处理系统 | |
| Gitelman et al. | Exploring relationships between driving events identified by in-vehicle data recorders, infrastructure characteristics and road crashes | |
| Chapelon et al. | Road safety in France: The hard path toward science-based policy | |
| Pozueco et al. | Analysis of driving patterns and on-board feedback-based training for proactive road safety monitoring | |
| CN114170045A (zh) | 基于区块链的安全教育培训系统 | |
| Kazemzadehazad et al. | Driving simulator validation for speed research on curves of two-lane rural roads | |
| CN115439278B (zh) | 适用于非机动车驾驶员的线上学习方法及系统 | |
| CN107221230B (zh) | 一种驾驶人科目二考试评判方法和系统 | |
| Zfnebi et al. | Driver behavior quantitative models: Identification and classification of variables | |
| CN114742293A (zh) | 一种驾驶人交通安全风险评价与人车伴随分析方法及系统 | |
| Pozueco et al. | Analytic system to evaluate efficient driving programs in professional fleets | |
| Song et al. | Understanding cyclists’ risky route choice behavior on urban road sections | |
| Ameksa et al. | Toward flexible data collection of driving behaviour | |
| CN113612631A (zh) | 车联网威胁建模方法、系统及计算机可读存储介质 | |
| CN110956867B (zh) | 基于大数据驾驶员行为分析的培训系统及培训方法 | |
| Porwik et al. | A stable method for detecting driver maneuvers using a rule classifier | |
| LU102919B1 (de) | Verfahren und Systeme zur Früherkennung und Bewertung von strukturellen Gefahrenstellen im Straßenverkehr |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240430 Address after: Room 602, 6th Floor, No. 378, Lane 1555, Jinsha Jiangxi Road, Jiangqiao Town, Jiading District, Shanghai, March 2018 Patentee after: SHANGHAI TIANFANG YETAN NETWORK TECHNOLOGY CO.,LTD. Country or region after: China Address before: 311107 room 5591, floor 5, building 4, No. 88, Renhe Avenue, Renhe street, Yuhang District, Hangzhou City, Zhejiang Province Patentee before: Flame blue (Zhejiang) Information Technology Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |