CN116132527B - 管理指示牌的系统、方法及数据处理服务器 - Google Patents
管理指示牌的系统、方法及数据处理服务器 Download PDFInfo
- Publication number
- CN116132527B CN116132527B CN202310392555.4A CN202310392555A CN116132527B CN 116132527 B CN116132527 B CN 116132527B CN 202310392555 A CN202310392555 A CN 202310392555A CN 116132527 B CN116132527 B CN 116132527B
- Authority
- CN
- China
- Prior art keywords
- data
- indication board
- classification
- parameter information
- indication
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/091—Traffic information broadcasting
- G08G1/092—Coding or decoding of the information
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/091—Traffic information broadcasting
- G08G1/093—Data selection, e.g. prioritizing information, managing message queues, selecting the information to be output
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域,提供了一种管理指示牌的系统、方法及数据处理服务器,其中系统包括处理中心、数据处理服务器、指示牌以及客户端;所述处理中心集成在智能路灯或者智能路桩中,处理中心用于获取其识别范围之内所有指示牌的参数信息,并将其转发至数据处理服务器;其中,指示牌的参数信息包括结构化数据以及非结构化数据;所述数据处理服务器接收到所述指示牌的参数信息之后,基于预设的分类模型对指示牌的参数信息进行分类,以得到对所述指示牌的分类;所述数据处理服务器将所述指示牌的分类结果推送至客户端。本发明通过对指示牌的参数信息进行分类管理,解决了指示牌无法进行分类管理的缺陷。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种管理指示牌的系统、方法及数据处理服务器。
背景技术
目前,在道路上的智能指示牌越来越多,其用于给出各种提示信息,方便路人根据指示牌的提示信息找到正确的道路或者进行正确的操作,但是目前存在的问题是智能指示牌的数量越来越多,不方便进行分类管理,用户在客户端上也无法查看到智能指示牌的管理数据,只能依靠自身进行观察,用户的使用不够便利。
发明内容
本发明的主要目的为提供一种管理指示牌的系统、方法及数据处理服务器,旨在解决目前无法对指示牌进行分类管理的缺陷。
本发明提供了一种管理指示牌的系统,包括处理中心、数据处理服务器、指示牌以及客户端;
所述处理中心集成在智能路灯或者智能路桩中,所述处理中心用于获取其识别范围之内所有指示牌的参数信息,并将其转发至所述数据处理服务器;其中,所述指示牌的参数信息包括结构化数据以及非结构化数据;
所述数据处理服务器接收到所述指示牌的参数信息之后,基于预设的分类模型对所述指示牌的参数信息进行分类,以得到对所述指示牌的分类;其中,所述分类模型为预先经过训练得到的深度学习模型;
所述数据处理服务器将所述指示牌的分类结果推送至客户端。
进一步地,所述深度学习模型包括嵌入层、中间层以及分类层,所述嵌入层包括词嵌入层、类型嵌入层以及值嵌入层;所述分类模型的训练过程,包括:
采集多个指示牌的样本数据,所述样本数据包括指示牌分类以及指示牌的样本参数,所述样本参数包括结构化数据以及非结构化数据;
将所述样本参数中的结构化数据输入至所述值嵌入层中进行处理,得到第一向量数据;
将所述样本参数中的非结构化数据输入至所述词嵌入层进行处理得到第二向量数据,将所述第二向量数据输入至所述值嵌入层中进行处理得到,第三向量数据;
将所述指示牌分类输入至所述类型嵌入层中进行处理,得到类型向量数据;
将所述第一向量数据与所述第三向量数据对应进行融合,得到样本参数向量数据;将所述样本参数向量数据输入至所述中间层进行处理,提取得到样本参数特征向量;
将所述样本参数特征向量输入至所述分类层,将所述类型向量数据输入至所述分类层,迭代对所述分类层的损失函数进行训练,直到所述损失函数收敛后得到所述分类模型。
进一步地,所述分类模型包括嵌入层、中间层以及分类层,所述嵌入层至少包括词嵌入层以及值嵌入层;所述数据处理服务器基于预设的分类模型对所述指示牌的参数信息进行分类,以得到对所述指示牌的分类,具体包括:
将所述指示牌的参数信息中的结构化数据输入至所述值嵌入层中进行处理,得到第四向量数据;
将所述指示牌的参数信息中的非结构化数据输入至所述词嵌入层进行处理得到第五向量数据,将所述第五向量数据输入至所述值嵌入层中进行处理得到,第六向量数据;
将所述第四向量数据与所述第六向量数据对应进行融合,得到参数信息向量数据;将所述参数信息向量数据输入至所述中间层进行处理,提取得到参数信息特征向量;
将所述参数信息特征向量输入至所述分类层进行分类,得到的分类结果作为所述指示牌的分类。
进一步地,所述数据处理服务器还用于:
针对每一个所述指示牌,对所述指示牌的参数信息中包括的结构化数据进行第一编码处理,得到第一编码;对所述指示牌的参数信息中包括的非结构化数据进行第二编码处理,得到第二编码;
将所述第一编码以及第二编码串接,得到第一指示牌编码符;
从所述指示牌的参数信息中提取出所述指示牌的标识信息;
按照预设规则,提取所述标识信息指定位置上的字符;
基于提取出的所述字符,对数据库中存储的标准编码表进行编排,得到新的编码表;
基于所述新的编码表对所述第一指示牌编码符进行编码,得到第一标识编码,将所述第一标识编码存储于数据库,作为所述指示牌的防篡改数据。
进一步地,所述数据处理服务器还用于:
针对每一个所述指示牌,将所述指示牌的参数信息中包括的结构化数据以及非结构化数据进行组合,得到组合数据;
将所述组合数据进行编码,得到第二指示牌编码符;
从所述指示牌的参数信息中提取出所述指示牌的标识信息;
按照预设规则,提取所述标识信息指定位置上的字符;
基于提取出的所述字符,对数据库中存储的标准编码表进行编排,得到新的编码表;
基于所述新的编码表对所述第二指示牌编码符进行编码,得到第二标识编码,将所述第二标识编码存储于数据库,作为所述指示牌的防篡改数据。
进一步地,所述基于提取出的所述字符,对数据库中存储的标准编码表进行编排,得到新的编码表,包括:
将提取出的所述字符按照预设规则进行排序;
将所述数据库中存储的标准编码表中与所述字符相同的编码删除;
将每个字符按照排序后的顺序,插入至所述标准编码表的头部位置,并将所述标准编码表中的原编码向后平移,以将所述标准编码表填充完整,得到新的编码表。
本发明还提供了一种管理指示牌的方法,包括:
接收处理中心转发的指示牌的参数信息,其中所述处理中心集成在智能路灯或者智能路桩中,所述处理中心用于获取其识别范围之内所有指示牌的参数信息;所述指示牌的参数信息包括结构化数据以及非结构化数据;
基于预设的分类模型对所述指示牌的参数信息进行分类,以得到对所述指示牌的分类;其中,所述分类模型为预先经过训练得到的深度学习模型;
将所述指示牌的分类结果推送至客户端。
进一步地,所述深度学习模型包括嵌入层、中间层以及分类层,所述嵌入层包括词嵌入层、类型嵌入层以及值嵌入层;所述方法还包括:
采集多个指示牌的样本数据,所述样本数据包括指示牌分类以及指示牌的样本参数,所述样本参数包括结构化数据以及非结构化数据;
将所述样本参数中的结构化数据输入至所述值嵌入层中进行处理,得到第一向量数据;
将所述样本参数中的非结构化数据输入至所述词嵌入层进行处理得到第二向量数据,将所述第二向量数据输入至所述值嵌入层中进行处理得到,第三向量数据;
将所述指示牌分类输入至所述类型嵌入层中进行处理,得到类型向量数据;
将所述第一向量数据与所述第三向量数据对应进行融合,得到样本参数向量数据;将所述样本参数向量数据输入至所述中间层进行处理,提取得到样本参数特征向量;
将所述样本参数特征向量输入至所述分类层,将所述类型向量数据输入至所述分类层,迭代对所述分类层的损失函数进行训练,直到所述损失函数收敛后得到所述分类模型。
本发明还提供一种数据处理服务器,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本发明提供的管理指示牌的系统、方法及数据处理服务器,其中系统包括处理中心、数据处理服务器、指示牌以及客户端;所述处理中心集成在智能路灯或者智能路桩中,所述处理中心用于获取其识别范围之内所有指示牌的参数信息,并将其转发至所述数据处理服务器;其中,所述指示牌的参数信息包括结构化数据以及非结构化数据;所述数据处理服务器接收到所述指示牌的参数信息之后,基于预设的分类模型对所述指示牌的参数信息进行分类,以得到对所述指示牌的分类;其中,所述分类模型为预先经过训练得到的深度学习模型;所述数据处理服务器将所述指示牌的分类结果推送至客户端。本发明通过对指示牌的参数信息进行分类管理,解决了指示牌无法进行分类管理的缺陷;同时还可以推送至客户端进行显示,便于用户进行直观的查看指示牌。
附图说明
图1是本发明一实施例中管理指示牌的系统结构示意图;
图2是本发明一实施例中管理指示牌的方法步骤示意图;
图3为本发明一实施例的数据处理服务器的结构示意框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,本发明一实施例中提供了一种管理指示牌的系统,包括处理中心、数据处理服务器、指示牌以及客户端;
所述处理中心集成在智能路灯或者智能路桩中,所述处理中心用于获取其识别范围之内所有指示牌的参数信息,并将其转发至所述数据处理服务器;其中,所述指示牌的参数信息包括结构化数据以及非结构化数据;
所述数据处理服务器接收到所述指示牌的参数信息之后,基于预设的分类模型对所述指示牌的参数信息进行分类,以得到对所述指示牌的分类;其中,所述分类模型为预先经过训练得到的深度学习模型;
所述数据处理服务器将所述指示牌的分类结果推送至客户端。
在本实施例中,上述管理指示牌的系统用于对一定范围内所有的指示牌(智能指示牌)进行分类管理,具体地,上述指示牌为智能指示牌,在其内部集成了射频单元用于发射参数信息,上述处理中心可以是一个基站,其可以获取到辐射范围内所有指示牌的参数信息,上述处理中心集成在智能路灯或者智能路桩中,上述数据处理服务器为大数据处理中心,其用于获取所有处理中心发送过来的指示牌参数信息,并基于预设的分类模型对所述指示牌的参数信息进行分类,以得到对所述指示牌的分类。进而还可以将分类结果推送至客户端上,上述客户端可以是管理用户的客户端,也可以普通用户的客户端。在本实施例中,通过上述管理指示牌的系统,可以实现对大量的指示牌进行分类管理,上述管理包括:指示牌的类型管理,指示牌的故障管理、指示牌的路线管理等,根据实际所需要管理的内容不同,可以采取不同的分类管理,在此不进行赘述。
可以理解的是,上述指示牌的参数信息包括结构化数据以及非结构化数据,其中结构化数据主要包括指示牌的电量信息、电压信息、功耗信息等,上述非结构化数据包括标识信息、位置信息、设备基础信息、故障信息、路段信息等。
在一实施例中,上述深度学习模型为BERT模型,BERT模型是一种基于Transformer网络结构的双向编码表示深度学习网络。由于BERT模型网络结构的先进性,使得其具有强大的对输入数据进行自动特征捕获和学习的能力。所述深度学习模型包括嵌入层、中间层以及分类层,所述嵌入层包括词嵌入层、类型嵌入层以及值嵌入层;
所述分类模型的训练过程,包括:
采集多个指示牌的样本数据,所述样本数据包括指示牌分类以及指示牌的样本参数,所述样本参数包括结构化数据以及非结构化数据;可以理解的是,上述结构化数据是代表指示牌特性的数字结构信息,如电量值、电压值、功耗值等,而上述非结构化数据通为文字文本信息,其可以包括指示牌的坐标信息、所处路段信息、故障信息等,在此不进行一一赘述。
将所述样本参数中的结构化数据输入至所述值嵌入层中进行处理,得到第一向量数据;
将所述样本参数中的非结构化数据输入至所述词嵌入层进行处理得到第二向量数据,将所述第二向量数据输入至所述值嵌入层中进行处理得到,第三向量数据;上述词嵌入层可以采用文本表示模型。
将所述指示牌分类输入至所述类型嵌入层中进行处理,得到类型向量数据;
将所述第一向量数据与所述第三向量数据对应进行融合,得到样本参数向量数据;将所述样本参数向量数据输入至所述中间层进行处理,提取得到样本参数特征向量;其中,上述中间层为BERT模型中的transformer结构,用于将多维度向量降为一维向量,以得到上述参数特征向量。
将所述样本参数特征向量输入至所述分类层,将所述类型向量数据输入至所述分类层,迭代对所述分类层的损失函数进行训练,直到所述损失函数收敛后得到所述分类模型。在本实施例中,上述损失函数通常为softmax函数,具体可为:,/>为特征向量属于每类类别的概率值,Wp为分类层的权重矩阵,u为特征向量,b为偏置项。
在本实施例中,深度学习模型包括嵌入层、中间层以及分类层,所述嵌入层包括词嵌入层、类型嵌入层以及值嵌入层,通过对上述深度学习模型改良之后进行训练,使得上述深度学习模型可以针对指示牌多种不同类型的参数信息进行处理,而无需使用其他的数据转换模型,明显降低了数据处理量,简化了处理方式。在本实施例中,针对结构化数据,通过值嵌入层进行训练,针对非结构化数据,通过词嵌入层以及值嵌入层进行训练,即做到了针对不同的数据采用不同的训练网络结构,使得训练得到的分类模型兼容性更强。同时,本方案中还对不同的嵌入层提取出的向量数据进行融合处理,使得融合得到的向量数据可以表征出指示牌的所有信息,以便于后续进行分类。
在一实施例中,所述分类模型包括嵌入层、中间层以及分类层,所述嵌入层至少包括词嵌入层以及值嵌入层;所述数据处理服务器基于预设的分类模型对所述指示牌的参数信息进行分类,以得到对所述指示牌的分类,具体包括:
将所述指示牌的参数信息中的结构化数据输入至所述值嵌入层中进行处理,得到第四向量数据;
将所述指示牌的参数信息中的非结构化数据输入至所述词嵌入层进行处理得到第五向量数据,将所述第五向量数据输入至所述值嵌入层中进行处理得到,第六向量数据;
将所述第四向量数据与所述第六向量数据对应进行融合,得到参数信息向量数据;将所述参数信息向量数据输入至所述中间层进行处理,提取得到参数信息特征向量;由于将上述第四向量数据与所述第六向量数据对应进行融合,使得其可以多维度表征上述指示牌的参数信息,表达更全面,更有助于后续的分类结果
将所述参数信息特征向量输入至所述分类层进行分类,得到的分类结果作为所述指示牌的分类。
在本实施例中,提出上述分类模型的具体分类过程,上述分类过程与上述训练过程类似,区别在于分类过程中得到的是上述指示牌属于各个分类结果的概率,而训练过程是对深度学习模型的各个参数进行迭代训练,因此在此不再进行赘述。
在一实施例中,所述数据处理服务器还用于:
针对每一个所述指示牌,对所述指示牌的参数信息中包括的结构化数据进行第一编码处理,得到第一编码;对所述指示牌的参数信息中包括的非结构化数据进行第二编码处理,得到第二编码;可以理解的是,在本实施例中,上述参数信息为特定的设备信息,如生产商信息、最大电量信息、指路信息,而非容易发生变动的信息,如电压信息、功耗信息等。
将所述第一编码以及第二编码串接,得到第一指示牌编码符;
从所述指示牌的参数信息中提取出所述指示牌的标识信息;
按照预设规则,提取所述标识信息指定位置上的字符;
基于提取出的所述字符,对数据库中存储的标准编码表进行编排,得到新的编码表;
基于所述新的编码表对所述第一指示牌编码符进行编码,得到第一标识编码,将所述第一标识编码存储于数据库,作为所述指示牌的防篡改数据。
在本实施例中,提出一种防止指示牌数据被篡改的方案,具体地,针对每一个所述指示牌,对所述指示牌的参数信息中包括的结构化数据进行第一编码处理,得到第一编码;对所述指示牌的参数信息中包括的非结构化数据进行第二编码处理,得到第二编码;采用不同的编码处理方式分别对结构化数据以及非结构化数据进行编码处理,使得得到的上述第一编码以及第二编码更加具有唯一性,同时避免被其他人轻易破解,增加了数据的安全性。
进一步地,将上述第一编码以及第二编码进行串接,得到第一指示牌编码符,使得其可以表征指示牌的所有信息;进而为了增强不同指示牌的特有性,进一步地增加安全性,所述指示牌的参数信息中提取出所述指示牌的标识信息;按照预设规则,提取所述标识信息指定位置上的字符。上述规则可以是提取上述标识信息的头部四位字符,也可以是尾部三位字符;或者可以是,获取指示牌的类型,根据类型获取对应的预设规则,从而根据上述预设规则,提取所述标识信息指定位置上的字符。
进而,基于提取出的所述字符,对数据库中存储的标准编码表进行编排,得到新的编码表,基于所述新的编码表对所述第一指示牌编码符进行编码,得到第一标识编码,将所述第一标识编码存储于数据库,作为所述指示牌的防篡改数据。后续若需要验证上述指示牌的数据是否被篡改/修改,只需要获取到指示牌的参数信息,然后按照上述同样的编码处理过程进行编码,将得到的编码与上述第一标识编码进行对比,判断指示牌的数据是否被篡改。
在另一实施例中,所述数据处理服务器还用于:
针对每一个所述指示牌,将所述指示牌的参数信息中包括的结构化数据以及非结构化数据进行组合,得到组合数据;
将所述组合数据进行编码,得到第二指示牌编码符;
从所述指示牌的参数信息中提取出所述指示牌的标识信息;
按照预设规则,提取所述标识信息指定位置上的字符;
基于提取出的所述字符,对数据库中存储的标准编码表进行编排,得到新的编码表;
基于所述新的编码表对所述第二指示牌编码符进行编码,得到第二标识编码,将所述第二标识编码存储于数据库,作为所述指示牌的防篡改数据。
在本实施例中,上述提出另一种防止指示牌数据被篡改的方案,其与上一实施例中的方案类似,区别在于,在本实施例中,是针对每一个所述指示牌,将所述指示牌的参数信息中包括的结构化数据以及非结构化数据进行组合,得到组合数据;将所述组合数据进行编码,得到第二指示牌编码符;其它过程类似,因此在此不再进行赘述。
在一实施例中,上述将所述指示牌的参数信息中包括的结构化数据以及非结构化数据进行组合,得到组合数据的步骤,包括:
对所述非结构化数据进行关键词识别,得到多个关键词;
对所述结构化数据按照预设顺序进行排序,得到数据排序;
判断所述关键词的数量是否少于所述结构化数据的数量;
若不少于,则依次在所述非结构化数据的每一个所述关键词之后插入一个所述结构化数据;其中,插入在所述非结构化数据中的结构化数据的排序,与所述数据排序相同。
若少于,则依次在所述非结构化数据的每一个所述关键词之后插入一个所述结构化数据,并在所述非结构化数据的末尾插入剩余的所有结构化数据;其中,其中,插入在所述非结构化数据中的结构化数据的排序,与所述数据排序相同。
在一实施例中,提出一种特有的编排标准编码表的方案。具体地,所述基于提取出的所述字符,对数据库中存储的标准编码表进行编排,得到新的编码表,包括:
将提取出的所述字符按照预设规则进行排序;
将所述数据库中存储的标准编码表中与所述字符相同的编码删除;
将每个字符按照排序后的顺序,插入至所述标准编码表的头部位置,并将所述标准编码表中的原编码向后平移,以将所述标准编码表填充完整,得到新的编码表。
在本实施例中,按照上述方式对标准编码表重新进行编排,使得上述新的编码表具有唯一性,提高了编码的安全性、特异性,对保护数据具有重大意义。且上述新的编码表与上述字符具有关联性,而上述字符和所述指示牌的标识信息相关联,使得上述新的编码表与上述指示牌的标识信息也具有关联性,增量了数据之间的关联度,且在数据库中无需保存上述编码表,使用时只需要按照上述方式进行生成即可。
参照图2,本发明一实施例中还提供了一种管理指示牌的方法,包括:
步骤S1,接收处理中心转发的指示牌的参数信息,其中所述处理中心集成在智能路灯或者智能路桩中,所述处理中心用于获取其识别范围之内所有指示牌的参数信息;所述指示牌的参数信息包括结构化数据以及非结构化数据;
步骤S2,基于预设的分类模型对所述指示牌的参数信息进行分类,以得到对所述指示牌的分类;其中,所述分类模型为预先经过训练得到的深度学习模型;
步骤S3,将所述指示牌的分类结果推送至客户端。
在一实施例中,所述深度学习模型包括嵌入层、中间层以及分类层,所述嵌入层包括词嵌入层、类型嵌入层以及值嵌入层;所述方法还包括:
采集多个指示牌的样本数据,所述样本数据包括指示牌分类以及指示牌的样本参数,所述样本参数包括结构化数据以及非结构化数据;
将所述样本参数中的结构化数据输入至所述值嵌入层中进行处理,得到第一向量数据;
将所述样本参数中的非结构化数据输入至所述词嵌入层进行处理得到第二向量数据,将所述第二向量数据输入至所述值嵌入层中进行处理得到,第三向量数据;
将所述指示牌分类输入至所述类型嵌入层中进行处理,得到类型向量数据;
将所述第一向量数据与所述第三向量数据对应进行融合,得到样本参数向量数据;将所述样本参数向量数据输入至所述中间层进行处理,提取得到样本参数特征向量;
将所述样本参数特征向量输入至所述分类层,将所述类型向量数据输入至所述分类层,迭代对所述分类层的损失函数进行训练,直到所述损失函数收敛后得到所述分类模型。
在一实施例中,所述分类模型包括嵌入层、中间层以及分类层,所述嵌入层至少包括词嵌入层以及值嵌入层;所述数据处理服务器基于预设的分类模型对所述指示牌的参数信息进行分类,以得到对所述指示牌的分类,具体包括:
将所述指示牌的参数信息中的结构化数据输入至所述值嵌入层中进行处理,得到第四向量数据;
将所述指示牌的参数信息中的非结构化数据输入至所述词嵌入层进行处理得到第五向量数据,将所述第五向量数据输入至所述值嵌入层中进行处理得到,第六向量数据;
将所述第四向量数据与所述第六向量数据对应进行融合,得到参数信息向量数据;将所述参数信息向量数据输入至所述中间层进行处理,提取得到参数信息特征向量;
将所述参数信息特征向量输入至所述分类层进行分类,得到的分类结果作为所述指示牌的分类。
在一实施例中,上述管理指示牌的方法还包括:
针对每一个所述指示牌,对所述指示牌的参数信息中包括的结构化数据进行第一编码处理,得到第一编码;对所述指示牌的参数信息中包括的非结构化数据进行第二编码处理,得到第二编码;
将所述第一编码以及第二编码串接,得到第一指示牌编码符;
从所述指示牌的参数信息中提取出所述指示牌的标识信息;
按照预设规则,提取所述标识信息指定位置上的字符;
基于提取出的所述字符,对数据库中存储的标准编码表进行编排,得到新的编码表;
基于所述新的编码表对所述第一指示牌编码符进行编码,得到第一标识编码,将所述第一标识编码存储于数据库,作为所述指示牌的防篡改数据。
在一实施例中,上述管理指示牌的方法还包括:
针对每一个所述指示牌,将所述指示牌的参数信息中包括的结构化数据以及非结构化数据进行组合,得到组合数据;
将所述组合数据进行编码,得到第二指示牌编码符;
从所述指示牌的参数信息中提取出所述指示牌的标识信息;
按照预设规则,提取所述标识信息指定位置上的字符;
基于提取出的所述字符,对数据库中存储的标准编码表进行编排,得到新的编码表;
基于所述新的编码表对所述第二指示牌编码符进行编码,得到第二标识编码,将所述第二标识编码存储于数据库,作为所述指示牌的防篡改数据。
在一实施例中,所述基于提取出的所述字符,对数据库中存储的标准编码表进行编排,得到新的编码表,包括:
将提取出的所述字符按照预设规则进行排序;
将所述数据库中存储的标准编码表中与所述字符相同的编码删除;
将每个字符按照排序后的顺序,插入至所述标准编码表的头部位置,并将所述标准编码表中的原编码向后平移,以将所述标准编码表填充完整,得到新的编码表。
在本实施例中,上述管理指示牌的方法实施例中的具体实现,请参照上述管理指示牌的系统实施例中所述,在此不再进行赘述。
参照图3,本发明实施例中还提供一种数据处理服务器,该数据处理服务器可以是服务器,其内部结构可以如图3所示。该数据处理服务器包括通过系统总线连接的显示屏、输入装置、处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该数据处理服务器的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该数据处理服务器的数据库用于存储参数信息等。该数据处理服务器的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种管理指示牌的方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的数据处理服务器的限定。
本发明一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现一种管理指示牌的方法。可以理解的是,本实施例中的计算机可读存储介质可以是易失性可读存储介质,也可以为非易失性可读存储介质。
综上所述,为本发明实施例中提供的管理指示牌的系统、方法及数据处理服务器,其中系统包括处理中心、数据处理服务器、指示牌以及客户端;所述处理中心集成在智能路灯或者智能路桩中,所述处理中心用于获取其识别范围之内所有指示牌的参数信息,并将其转发至所述数据处理服务器;其中,所述指示牌的参数信息包括结构化数据以及非结构化数据;所述数据处理服务器接收到所述指示牌的参数信息之后,基于预设的分类模型对所述指示牌的参数信息进行分类,以得到对所述指示牌的分类;其中,所述分类模型为预先经过训练得到的深度学习模型;所述数据处理服务器将所述指示牌的分类结果推送至客户端。本发明通过对指示牌的参数信息进行分类管理,解决了指示牌无法进行分类管理的缺陷;同时还可以推送至客户端进行显示,便于用户进行直观的查看指示牌。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM通过多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种管理指示牌的系统,其特征在于,包括处理中心、数据处理服务器、指示牌以及客户端;
所述处理中心集成在智能路灯或者智能路桩中,所述处理中心用于获取其识别范围之内所有指示牌的参数信息,并将其转发至所述数据处理服务器;其中,所述指示牌的参数信息包括结构化数据以及非结构化数据;
所述数据处理服务器接收到所述指示牌的参数信息之后,基于预设的分类模型对所述指示牌的参数信息进行分类,以得到对所述指示牌的分类;其中,所述分类模型为预先经过训练得到的深度学习模型;
所述数据处理服务器将所述指示牌的分类结果推送至客户端;
所述数据处理服务器还用于:
针对每一个所述指示牌,对所述指示牌的参数信息中包括的结构化数据进行第一编码处理,得到第一编码;对所述指示牌的参数信息中包括的非结构化数据进行第二编码处理,得到第二编码;
将所述第一编码以及第二编码串接,得到第一指示牌编码符;
从所述指示牌的参数信息中提取出所述指示牌的标识信息;
按照预设规则,提取所述标识信息指定位置上的字符;
基于提取出的所述字符,对数据库中存储的标准编码表进行编排,得到新的编码表;
基于所述新的编码表对所述第一指示牌编码符进行编码,得到第一标识编码,将所述第一标识编码存储于数据库,作为所述指示牌的防篡改数据。
2.根据权利要求1所述的管理指示牌的系统,其特征在于,所述深度学习模型包括嵌入层、中间层以及分类层,所述嵌入层包括词嵌入层、类型嵌入层以及值嵌入层;所述分类模型的训练过程,包括:
采集多个指示牌的样本数据,所述样本数据包括指示牌分类以及指示牌的样本参数,所述样本参数包括结构化数据以及非结构化数据;
将所述样本参数中的结构化数据输入至所述值嵌入层中进行处理,得到第一向量数据;
将所述样本参数中的非结构化数据输入至所述词嵌入层进行处理得到第二向量数据,将所述第二向量数据输入至所述值嵌入层中进行处理得到,第三向量数据;
将所述指示牌分类输入至所述类型嵌入层中进行处理,得到类型向量数据;
将所述第一向量数据与所述第三向量数据对应进行融合,得到样本参数向量数据;将所述样本参数向量数据输入至所述中间层进行处理,提取得到样本参数特征向量;
将所述样本参数特征向量输入至所述分类层,将所述类型向量数据输入至所述分类层,迭代对所述分类层的损失函数进行训练,直到所述损失函数收敛后得到所述分类模型。
3.根据权利要求1所述的管理指示牌的系统,其特征在于,所述分类模型包括嵌入层、中间层以及分类层,所述嵌入层至少包括词嵌入层以及值嵌入层;所述数据处理服务器基于预设的分类模型对所述指示牌的参数信息进行分类,以得到对所述指示牌的分类,具体包括:
将所述指示牌的参数信息中的结构化数据输入至所述值嵌入层中进行处理,得到第四向量数据;
将所述指示牌的参数信息中的非结构化数据输入至所述词嵌入层进行处理得到第五向量数据,将所述第五向量数据输入至所述值嵌入层中进行处理得到,第六向量数据;
将所述第四向量数据与所述第六向量数据对应进行融合,得到参数信息向量数据;将所述参数信息向量数据输入至所述中间层进行处理,提取得到参数信息特征向量;
将所述参数信息特征向量输入至所述分类层进行分类,得到的分类结果作为所述指示牌的分类。
4.根据权利要求1所述的管理指示牌的系统,其特征在于,所述数据处理服务器还用于:
针对每一个所述指示牌,将所述指示牌的参数信息中包括的结构化数据以及非结构化数据进行组合,得到组合数据;
将所述组合数据进行编码,得到第二指示牌编码符;
从所述指示牌的参数信息中提取出所述指示牌的标识信息;
按照预设规则,提取所述标识信息指定位置上的字符;
基于提取出的所述字符,对数据库中存储的标准编码表进行编排,得到新的编码表;
基于所述新的编码表对所述第二指示牌编码符进行编码,得到第二标识编码,将所述第二标识编码存储于数据库,作为所述指示牌的防篡改数据。
5.根据权利要求1或4所述的管理指示牌的系统,其特征在于,所述基于提取出的所述字符,对数据库中存储的标准编码表进行编排,得到新的编码表,包括:
将提取出的所述字符按照预设规则进行排序;
将所述数据库中存储的标准编码表中与所述字符相同的编码删除;
将每个字符按照排序后的顺序,插入至所述标准编码表的头部位置,并将所述标准编码表中的原编码向后平移,以将所述标准编码表填充完整,得到新的编码表。
6.一种管理指示牌的方法,其特征在于,包括:
接收处理中心转发的指示牌的参数信息,其中所述处理中心集成在智能路灯或者智能路桩中,所述处理中心用于获取其识别范围之内所有指示牌的参数信息;所述指示牌的参数信息包括结构化数据以及非结构化数据;
基于预设的分类模型对所述指示牌的参数信息进行分类,以得到对所述指示牌的分类;其中,所述分类模型为预先经过训练得到的深度学习模型;
将所述指示牌的分类结果推送至客户端;
还包括:
针对每一个所述指示牌,对所述指示牌的参数信息中包括的结构化数据进行第一编码处理,得到第一编码;对所述指示牌的参数信息中包括的非结构化数据进行第二编码处理,得到第二编码;
将所述第一编码以及第二编码串接,得到第一指示牌编码符;
从所述指示牌的参数信息中提取出所述指示牌的标识信息;
按照预设规则,提取所述标识信息指定位置上的字符;
基于提取出的所述字符,对数据库中存储的标准编码表进行编排,得到新的编码表;
基于所述新的编码表对所述第一指示牌编码符进行编码,得到第一标识编码,将所述第一标识编码存储于数据库,作为所述指示牌的防篡改数据。
7.根据权利要求6所述的管理指示牌的方法,其特征在于,所述深度学习模型包括嵌入层、中间层以及分类层,所述嵌入层包括词嵌入层、类型嵌入层以及值嵌入层;所述方法还包括:
采集多个指示牌的样本数据,所述样本数据包括指示牌分类以及指示牌的样本参数,所述样本参数包括结构化数据以及非结构化数据;
将所述样本参数中的结构化数据输入至所述值嵌入层中进行处理,得到第一向量数据;
将所述样本参数中的非结构化数据输入至所述词嵌入层进行处理得到第二向量数据,将所述第二向量数据输入至所述值嵌入层中进行处理得到,第三向量数据;
将所述指示牌分类输入至所述类型嵌入层中进行处理,得到类型向量数据;
将所述第一向量数据与所述第三向量数据对应进行融合,得到样本参数向量数据;将所述样本参数向量数据输入至所述中间层进行处理,提取得到样本参数特征向量;
将所述样本参数特征向量输入至所述分类层,将所述类型向量数据输入至所述分类层,迭代对所述分类层的损失函数进行训练,直到所述损失函数收敛后得到所述分类模型。
8.一种数据处理服务器,包括存储器和处理器,所述存储器中存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求6至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310392555.4A CN116132527B (zh) | 2023-04-13 | 2023-04-13 | 管理指示牌的系统、方法及数据处理服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310392555.4A CN116132527B (zh) | 2023-04-13 | 2023-04-13 | 管理指示牌的系统、方法及数据处理服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116132527A CN116132527A (zh) | 2023-05-16 |
CN116132527B true CN116132527B (zh) | 2023-06-16 |
Family
ID=86312162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310392555.4A Active CN116132527B (zh) | 2023-04-13 | 2023-04-13 | 管理指示牌的系统、方法及数据处理服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116132527B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117453848B (zh) * | 2023-12-26 | 2024-03-08 | 深圳柯赛标识智能科技有限公司 | 智慧标识管理方法及系统 |
CN117556646B (zh) * | 2024-01-12 | 2024-04-30 | 深圳柯赛标识智能科技有限公司 | 基于环境参数的智慧标识运维管理方法及系统 |
CN117668326B (zh) * | 2024-01-30 | 2024-04-30 | 深圳柯赛标识智能科技有限公司 | 智慧标识的数据处理方法、系统和设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949786A (zh) * | 2021-05-17 | 2021-06-11 | 腾讯科技(深圳)有限公司 | 数据分类识别方法、装置、设备及可读存储介质 |
CN113642577A (zh) * | 2021-10-14 | 2021-11-12 | 深圳市爱深盈通信息技术有限公司 | 一种低对比度的车牌识别方法、系统、设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065010B (zh) * | 2021-03-16 | 2024-02-20 | 广东核电合营有限公司 | 标牌图像管理方法、装置、计算机设备和存储介质 |
CN112908473B (zh) * | 2021-03-24 | 2024-09-20 | 平安科技(深圳)有限公司 | 基于模型的数据处理方法、装置、计算机设备和存储介质 |
CN115620265B (zh) * | 2022-12-19 | 2023-04-18 | 华南理工大学 | 基于深度学习的机车标志牌信息智能识别方法及系统 |
CN115880826B (zh) * | 2023-02-22 | 2023-05-05 | 肯特智能技术(深圳)股份有限公司 | 基于访问数据的园区访问方法及系统 |
CN115859370B (zh) * | 2023-03-02 | 2023-05-02 | 萨科(深圳)科技有限公司 | 交易数据的处理方法、装置、计算机设备和存储介质 |
-
2023
- 2023-04-13 CN CN202310392555.4A patent/CN116132527B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949786A (zh) * | 2021-05-17 | 2021-06-11 | 腾讯科技(深圳)有限公司 | 数据分类识别方法、装置、设备及可读存储介质 |
CN113642577A (zh) * | 2021-10-14 | 2021-11-12 | 深圳市爱深盈通信息技术有限公司 | 一种低对比度的车牌识别方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116132527A (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116132527B (zh) | 管理指示牌的系统、方法及数据处理服务器 | |
WO2019075967A1 (zh) | 企业名称识别方法、电子设备及计算机可读存储介质 | |
CN110569332A (zh) | 一种语句特征的提取处理方法及装置 | |
CN112650858A (zh) | 应急协助信息的获取方法、装置、计算机设备及介质 | |
CN112287069A (zh) | 基于语音语义的信息检索方法、装置及计算机设备 | |
US11520835B2 (en) | Learning system, learning method, and program | |
CN113868419A (zh) | 基于人工智能的文本分类方法、装置、设备及介质 | |
CN117668180A (zh) | 文档问答方法、文档问答设备以及可读存储介质 | |
CN114372267B (zh) | 一种基于静态域的恶意网页识别检测方法、计算机及存储介质 | |
CN111506761B (zh) | 一种相似图片查询方法、装置、系统及存储介质 | |
CN115455922B (zh) | 表单校验方法、装置、电子设备和存储介质 | |
CN115525739B (zh) | 供应链金融智能查重方法、装置、设备及介质 | |
CN115878803A (zh) | 一种敏感数据检测方法、系统、计算机终端及存储介质 | |
CN111177387A (zh) | 用户名单信息处理方法、电子装置及计算机可读存储介质 | |
CN115878864A (zh) | 一种数据检索方法、装置、设备及可读存储介质 | |
US12050557B2 (en) | Computerized systems and methods of data compression | |
CN113536782B (zh) | 敏感词识别方法、装置、电子设备及存储介质 | |
CN115690821A (zh) | 一种电子卷宗智能编目方法和计算机设备 | |
CN115186240A (zh) | 基于关联性信息的社交网络用户对齐方法、装置、介质 | |
CN110941704B (zh) | 一种文本内容相似度分析的方法 | |
CN108984713B (zh) | 一种xml文件处理方法及装置 | |
CN112328977A (zh) | 一种应用软件真伪检测方法、装置、设备及介质 | |
CN117235629B (zh) | 一种基于知识域检测的意图识别方法、系统及计算机设备 | |
CN116822502B (zh) | 网页内容识别方法、装置、计算机设备和存储介质 | |
CN117010349B (zh) | 基于神经网络模型的表单填充方法、系统及存储介质 |
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 |