CN116843184B - 基于神经网络的公路施工重大风险源识别方法及预警系统 - Google Patents
基于神经网络的公路施工重大风险源识别方法及预警系统 Download PDFInfo
- Publication number
- CN116843184B CN116843184B CN202310926853.7A CN202310926853A CN116843184B CN 116843184 B CN116843184 B CN 116843184B CN 202310926853 A CN202310926853 A CN 202310926853A CN 116843184 B CN116843184 B CN 116843184B
- Authority
- CN
- China
- Prior art keywords
- environment data
- data source
- radio frequency
- highway construction
- construction environment
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 771
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 244
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000005540 biological transmission Effects 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 230000001149 cognitive effect Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于数据识别技术领域,公开了基于神经网络的公路施工重大风险源识别方法及预警系统。该方法包括:神经网络服务器根据接收到的风险源识别预处理数据集估计出各个通道的通道图像灰度强度增益;判断是否都可以满足公路施工环境数据源的施工图像清晰度强度;进行公路施工环境数据源和公路施工风险源传输识别;神经网络服务器根据确定下来的图像灰度强度分配值,对公路施工环境数据源和公路施工风险源进行图像灰度强度的分配,根据反馈得到的识别模式进行识别。本发明对于公路施工风险源识别中对于可能不可预见的风险源实际能有效提前感知,能达到防范于未然,能提前感知保证安全事故的发展趋势,保证财产安全。
Description
技术领域
本发明属于数据识别技术领域,尤其涉及一种基于神经网络的公路施工重大风险源识别方法及预警系统。
背景技术
在公路施工建设的各个阶段中公路路基工程是其中最为重要的一项内容,它的好坏直接关系着公路质量的高低,为人们的安全出行提供最可靠的保障。
施工期安全风险以人身安全为中心,凡是对人身安全产生影响的均称为风险源,是造成安全事故的潜在因素,风险辨识是进行风险分析时要首先进行的重要工作,风险识别最少要能解决三个方面的问题,一是有哪些风险应当考虑,二是引起这些风险的主要因素是什么,三是这些风险所引起后果的严重程度是什么。
在公路施工过程中所出现的各大危险事件中风险源是诱发危险事件发生的主要渊源,在进行系统分析中只有做好风险源的分类与处理工作,才能从根本上提高公路施工中的安全系数,最大限度地减少事故的发生频率,因此,对公路施工过程中风险源的辨识以及评价分级十分重要。
为解决上述问题,现有技术的中国专利,公开号:CN108665169A,公开日:2018年10月16日,公开了一种公路施工重大风险源辨识方法,公开如下步骤:
步骤S100、根据以往公路施工经验,对公路施工的风险源进行分级、分类,并制定风险源清单列表;
步骤S200、基于作业条件危险性评价法,依照步骤S100中所述的风险源清单列表,逐次对整个公路施工过程中的风险源进行辨识;
步骤S300、基于步骤S200中,对整个公路施工过程中的风险源的辨识结果,对公路施工的风险源进行风险等级评估。
现有技术取得的效果包括通过风险源清单列表的制定,能够提前准确获知该公路施工路段所存在的可能性风险;通过采用作业条件危险性评价法对风险源进行辨识、处理分析,并对风险源的辨识结果进行量化处理,实现了对公路施工过程中的风险源高效辨识以及对风险源的风险等级评估的功能,且风险评估结果可靠性强,从而使得公路施工人员能够根据风险评估结果,做到提前预防风险,避免风险的出现,或者是能够将风险源产生的风险灾害降至最小,减少风险带来的损失和伤亡,保证了公路施工的进行,提高了公路施工效率。
通过上述分析,现有技术存在的问题及缺陷为:现有技术对于公路施工风险源识别中对于可能不可预见的风险源实际不能有效提前感知,不能达到防范于未然,不能提前感知保证安全事故的发展趋势,保证财产安全。
发明内容
为克服相关技术中存在的问题,本发明公开实施例提供了一种基于神经网络的公路施工重大风险源识别方法及预警系统。
所述技术方案如下:一种基于神经网络的公路施工重大风险源识别方法,包括以下步骤:
S1,神经网络服务器根据接收到的风险源识别预处理数据集,估计出各个通道的通道图像灰度强度增益;
S2,判断通道图像灰度强度增益是否满足公路施工环境数据源的施工图像清晰度强度要求;
S3,对满足施工图像清晰度强度的数据,通过公路施工环境数据源和公路施工风险源同时传输,神经网络服务器及射频应对器分别识别公路施工环境数据源信号和公路施工风险源信号;
S4,神经网络服务器根据确定下来的图像灰度强度分配值,对公路施工环境数据源和公路施工风险源进行图像灰度强度的分配,射频应对器接收到信号后,根据反馈进行识别。
步骤S1中,神经网络服务器根据接收到的风险源识别预处理数据集,估计出各个通道的通道图像灰度强度增益;包括:
(1)公路施工环境数据源射频发射器和射频应对器向神经网络服务器发送风险源识别预处理数据集,神经网络服务器根据接收到的风险源识别预处理数据集估计出各个通道的通道图像灰度强度增益;
(2)根据估计出的通道图像灰度强度增益,判断出公路施工环境数据源单独传输时,公路施工环境数据源射频发射器和射频应对器是否满足公路施工环境数据源的图像清晰度强度;
(3)计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器机射频应对器处采用先识别公路施工环境数据源信号后识别公路施工风险源信号,分别需要的公路施工环境数据源射频发射器和公路施工风险源射频发射器的图像灰度强度,神经网络服务器给公路施工环境数据源信号和公路施工风险源分配的图像灰度强度;如果计算所得图像灰度强度满足最大图像灰度强度限制,公路施工环境数据源射频发射器,公路施工风险源射频发射器,神经网络服务器使用相应的图像灰度强度值发送信号,神经网络服务器处以及射频应对器处使用相应的识别模式对信号进行识别。
在一个实施例中,计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器先识别公路施工环境数据源信号,后识别公路施工风险源信号,分别需要的公路施工环境数据源射频发射器和公路施工风险源射频发射器的图像灰度强度,射频应对器处先识别公路施工风险源信号后识别公路施工环境数据源信号,神经网络服务器需要给公路施工环境数据源和公路施工风险源信号分配的图像灰度强度,如果计算所得图像灰度强度满足最大图像灰度强度限制,公路施工环境数据源射频发射器,公路施工风险源射频发射器。
在一个实施例中,计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器先识别公路施工风险源信号,后识别公路施工环境数据源信号,分别需要的公路施工环境数据源射频发射器和公路施工风险源射频发射器的图像灰度强度,射频应对器处先识别公路施工环境数据源信号后识别公路施工风险源信号,神经网络服务器处需要给公路施工环境数据源和公路施工风险源信号分配的图像灰度强度,如果计算所得的图像灰度强度满足相应的最大图像灰度强度限制,公路施工环境数据源射频发射器,公路施工风险源射频发射器。
在一个实施例中,计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器以及射频应对器处先识别公路施工风险源信号后识别公路施工环境数据源信号,分别需要的公路施工环境数据源射频发射器图像灰度强度和公路施工风险源射频发射器图像灰度强度;神经网络服务器处需要给公路施工环境数据源和公路施工风险源分配的图像灰度强度,如果计算所得的图像灰度强度满足相应的最大图像灰度强度限制,公路施工环境数据源射频发射器,公路施工风险源射频发射器,以及神经网络服务器使用相应的图像灰度强度值发送信号;神经网络服务器处以及射频应对器处使用相应的识别模式对信号进行识别。
步骤S2中,判断通道图像灰度强度增益是否满足公路施工环境数据源的施工图像清晰度强度要求包括:判断公路施工环境数据源,根据估计出的通道图像灰度强度增益判断出公路施工环境数据源单独传输时,公路施工环境数据源射频发射器和射频应对器是否都可以满足公路施工环境数据源的施工图像清晰度强度,若能满足,则考虑公路施工风险源的识别。
步骤S3中,对满足施工图像清晰度强度的数据,通过公路施工环境数据源和公路施工风险源同时传输包括:计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器机射频应对器处采用先识别公路施工环境数据源信号后识别公路施工风险源信号,所分别需要的公路施工环境数据源射频发射器和公路施工风险源射频发射器的图像灰度强度,神经网络服务器需要给公路施工环境数据源信号和公路施工风险源分配的图像灰度强度。
步骤S3中,神经网络服务器及射频应对器分别识别公路施工环境数据源信号和公路施工风险源信号包括:计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器先识别公路施工环境数据源信号,后识别公路施工风险源信号,所分别需要的公路施工环境数据源射频发射器和公路施工风险源射频发射器的图像灰度强度,射频应对器处先识别公路施工风险源信号后识别公路施工环境数据源信号,神经网络服务器需要给公路施工环境数据源和公路施工风险源信号分配的图像灰度强度;如果计算所得图像灰度强度满足最大图像灰度强度限制;
神经网络服务器根据估计出的通道图像灰度强度增益,确定公路施工环境数据源射频发射器、公路施工风险源射频发射器和神经网络服务器所实际使用的发射图像灰度强度以及识别模式;识别模式分为公路施工环境数据源单独识别模式,和公路施工风险源和公路施工环境数据源以噪声处理的方式共同识别模式;当公路施工环境数据源单独识别时,识别模式即为直接对公路施工环境数据源信号进行识别,当公路施工环境数据源和公路施工风险源以噪声处理方式共同识别时,识别模式分为,先识别公路施工环境数据源信号后识别公路施工风险源信号的识别模式,以及先识别公路施工风险源信号后识别公路施工环境数据源信号的识别模式。
在一个实施例中神经网络服务器处以及射频应对器处使用相应的识别模式对信号进行识别包括:
(1)当以及/>时,才考虑公路施工风险源识别,其中,不能同时成立时,采用公路施工环境数据源单独识别模式;
式中,PPmax为第一时刻公路施工环境数据源射频发射器的最大发射图像灰度强度,εp为P神经网络服务器在某一阶段发射图像灰度强度平均值,为P神经网络服务器与公路施工环境数据源射频发射器之间在eq通道的图像灰度强度增益值,PRmax为神经网络服务器的最大发射图像灰度强度,/>为公路施工环境数据源射频发射器与P神经网络服务器之间在eq通道图像灰度强度增益,Rp为公路施工环境数据源的施工图像清晰度强度,gP,R为P神经网络服务器与公路施工环境数据源射频发射器之间的通道图像灰度强度增益,B为高斯白噪声系数,N0为高斯白噪声,gR,P为公路施工环境数据源射频发射器与P神经网络服务器之间的通道图像灰度强度增益;
(2)当以及/>时,并且/>和 同时成立时,神经网络服务器处先识别公路施工环境数据源信号,后识别公路施工风险源信号;第二时刻神经网络服务器给公路施工环境数据源信号分配的图像灰度强度为/>公路施工环境数据源射频应对器处将公路施工风险源信号当作噪声直接识别自己的信号,公路施工风险源射频应对器处,公路施工风险源先识别公路施工环境数据源信号,将其从混叠信号中删除后,再识别自己的信号;其中/>
式中,式中,PSmax为公路施工风险源射频发射器的最大发射图像灰度强度,vS为S神经网络服务在某一阶段发射图像灰度强度平均值, 为S神经网络服务与公路施工环境数据源射频发射器之间在eq通道图像灰度强度增益,/>为公路施工环境数据源射频发射器与S神经网络服务之间在eq通道图像灰度强度增益,/>为第一时刻公路施工环境数据源射频发射器与S神经网络服务器之间使用的发射图像灰度强度,gR,S为公路施工环境数据源射频发射器与S神经网络服务器之间的通道图像灰度强度增益,gS,R为S神经网络服务器与公路施工风险源射频发射器之间的通道图像灰度强度增益;
(3)当以及/>时,并且/>和 同时成立时,神经网络服务器先识别公路施工环境数据源信号后识别公路施工风险源信号;第二时刻里神经网络服务器给公路施工风险源信号分配的图像灰度强度为/>公路施工环境数据源射频应对器处先识别公路施工风险源信号,将其从混叠信号中删除后,再识别公路施工环境数据源信号;公路施工风险源射频应对器处,将公路施工环境数据源信号当作噪声来处理,直接识别公路施工风险源信号;
(4)当以及/>时,并且/>和 同时成立时,神经网络服务器处先识别公路施工风险源信号后识别公路施工环境数据源信号;第二时刻神经网络服务器给公路施工环境数据源的图像灰度强度为/>公路施工环境数据源射频应对器处将公路施工风险源的信号当作噪声来处理,直接识别自己的信号;公路施工风险源射频应对器处先识别公路施工环境数据源信号,将其从混叠信号中删除后,再识别自己的信号;
(5)当以及/>时,并且/>和 同时成立时,第一时刻公路施工环境数据源的发射图像灰度强度分别为/>神经网络服务器处先识别公路施工风险源信号后识别公路施工环境数据源信号;第二时刻神经网络服务器给公路施工风险源信号分配的图像灰度强度为/>公路施工环境数据源射频应对器处先识别公路施工风险源信号,将其从混叠信号中删除后,再识别自己的信号,公路施工风险源射频应对器处将公路施工环境数据源信号当作噪声来处理,直接识别自己的信号。
本发明的另一目的在于提供一种基于神经网络的公路施工重大风险源识别预警系统,实施所述的基于神经网络的公路施工重大风险源识别方法,该系统包括:
通道图像灰度强度增益获取模块,用于公路施工环境数据源射频发射器、公路施工环境数据源射频应对器、公路施工风险源射频发射器和公路施工风险源射频应对器向神经网络服务器发送风险源识别预处理数据集,神经网络服务器根据接收到的风险源识别预处理数据集估计出各个通道的通道图像灰度强度增益;
施工图像清晰度强度判定模块,用于根据估计出的通道图像灰度强度增益判断出公路施工环境数据源单独传输时,公路施工环境数据源射频发射器和射频应对器是否都可以满足公路施工环境数据源的施工图像清晰度强度;
识别模式识别模块,用于计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器机射频应对器处采用先识别公路施工环境数据源信号后识别公路施工风险源信号,所分别需要的公路施工环境数据源射频发射器和公路施工风险源射频发射器的图像灰度强度,神经网络服务器需要给公路施工环境数据源信号和公路施工风险源分配的图像灰度强度;如果计算所得图像灰度强度满足最大图像灰度强度限制,公路施工环境数据源射频发射器,公路施工风险源射频发射器,以及神经网络服务器使用相应的图像灰度强度值发送信号,神经网络服务器处以及射频应对器处使用相应的识别模式对信号进行识别;
最大图像灰度强度限制模块,用于计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器先识别公路施工环境数据源信号,后识别公路施工风险源信号,所分别需要的公路施工环境数据源射频发射器和公路施工风险源射频发射器的图像灰度强度,射频应对器处先识别公路施工风险源信号后识别公路施工环境数据源信号,神经网络服务器需要给公路施工环境数据源和公路施工风险源信号分配的图像灰度强度;如果计算所得图像灰度强度满足最大图像灰度强度限制;
公路施工环境数据源和公路施工风险源同时传输模块,用于计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器先识别公路施工风险源信号,后识别公路施工环境数据源信号,所分别需要的公路施工环境数据源射频发射器和公路施工风险源射频发射器的图像灰度强度,射频应对器处先识别公路施工环境数据源信号后识别公路施工风险源信号,神经网络服务器处需要给公路施工环境数据源和公路施工风险源信号分配的图像灰度强度;
公路施工环境数据源和公路施工风险源分配的图像灰度强度识别模块,用于计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器处以及射频应对器处先识别公路施工风险源信号后识别公路施工环境数据源信号,所分别需要的公路施工环境数据源射频发射器图像灰度强度和公路施工风险源射频发射器图像灰度强度,神经网络服务器处需要给公路施工环境数据源和公路施工风险源分配的图像灰度强度;
公路施工环境数据源单独传输模式模块,用于公路施工风险源不能识别判定;
射频应对器处的识别模式反馈模块,用于神经网络服务器将确定的公路施工环境数据源射频发射器和公路施工风险源射频发射器所使用的发射图像灰度强度反馈给公路施工环境数据源和公路施工风险源射频发射器,将确定下的射频应对器处的识别模式反馈给公路施工风险源和公路施工环境数据源射频应对器;
公路施工环境数据源和公路施工风险源进行图像灰度强度的分配模块,用于第一时刻里公路施工环境数据源射频发射器和公路施工风险源射频发射器根据神经网络服务器反馈的结果使用相应的图像灰度强度进行发送,神经网络服务器使用相应的识别模式进行识别;第二时刻里,神经网络服务器根据确定下来的图像灰度强度分配值,对公路施工环境数据源和公路施工风险源进行图像灰度强度的分配,射频应对器处接收到信号后,根据反馈得到的识别模式进行识别。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明对于公路施工风险源识别中对于可能不可预见的风险源实际能有效提前感知,能达到防范于未然,能提前感知保证安全事故的发展趋势,保证财产安全。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理;
图1是本发明实施例提供的基于神经网络的公路施工重大风险源识别方法流程图;
图2是本发明实施例提供的公路施工环境数据源射频发射器,公路施工风险源射频发射器,神经网络服务器根据判断结果操作流程图;
图3是本发明实施例提供的基于神经网络的公路施工重大风险源识别预警系统示意图;
图中:1、通道图像灰度强度增益获取模块;2、施工图像清晰度强度判定模块;3、识别模式识别模块;4、最大图像灰度强度限制模块;5、公路施工环境数据源和公路施工风险源同时传输模块;6、公路施工环境数据源和公路施工风险源分配的图像灰度强度识别模块;7、公路施工环境数据源单独传输模式模块;8、射频应对器处的识别模式反馈模块;9、公路施工环境数据源和公路施工风险源进行图像灰度强度的分配模块。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施的限制。
实施例1,如图1所示,本发明实施例提供的基于神经网络的公路施工重大风险源识别方法包括以下步骤:
S1,公路施工环境数据源射频发射器、公路施工环境数据源射频应对器、公路施工风险源射频发射器和公路施工风险源射频应对器向神经网络服务器发送风险源识别预处理数据集,神经网络服务器根据接收到的风险源识别预处理数据集估计出各个通道的通道图像灰度强度增益;
S2,根据估计出的通道图像灰度强度增益判断出公路施工环境数据源单独传输时,公路施工环境数据源射频发射器和射频应对器是否都可以满足公路施工环境数据源的施工图像清晰度强度,若能满足,则考虑公路施工风险源的识别,进入步骤S3;否则进入步骤S8;
S3,计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器机射频应对器处采用先识别公路施工环境数据源信号后识别公路施工风险源信号;
分别需要的公路施工环境数据源射频发射器和公路施工风险源射频发射器的图像灰度强度,神经网络服务器需要给公路施工环境数据源信号和公路施工风险源分配的图像灰度强度;如果计算所得图像灰度强度满足最大图像灰度强度限制,公路施工环境数据源射频发射器,公路施工风险源射频发射器,以及神经网络服务器使用相应的图像灰度强度值发送信号,神经网络服务器处以及射频应对器处使用相应的识别模式对信号进行识别,进入步骤S8;否则,进入步骤S4;
S4,计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器先识别公路施工环境数据源信号,后识别公路施工风险源信号;
分别需要的公路施工环境数据源射频发射器和公路施工风险源射频发射器的图像灰度强度,射频应对器处先识别公路施工风险源信号后识别公路施工环境数据源信号,神经网络服务器需要给公路施工环境数据源和公路施工风险源信号分配的图像灰度强度;如果计算所得图像灰度强度满足最大图像灰度强度限制,进入步骤S8;否则,进入步骤S5;
具体包括:神经网络服务器根据估计出的通道图像灰度强度增益,确定公路施工环境数据源射频发射器、公路施工风险源射频发射器和神经网络服务器所实际使用的发射图像灰度强度,识别模式,以及识别模式;识别模式分为公路施工环境数据源单独识别模式,和公路施工风险源和公路施工环境数据源以噪声处理的方式共同识别模式;当公路施工环境数据源单独识别时,识别模式即为直接对公路施工环境数据源信号进行识别,当公路施工环境数据源和公路施工风险源以噪声处理方式共同识别时,识别模式分为,先识别公路施工环境数据源信号后识别公路施工风险源信号的识别模式,以及先识别公路施工风险源信号后识别公路施工环境数据源信号的识别模式;
(1)当以及/>时,才考虑公路施工风险源识别,其中,不能同时成立时,采用公路施工环境数据源单独识别模式;
式中,PPmax为第一时刻公路施工环境数据源射频发射器的最大发射图像灰度强度,εp为P神经网络服务器在某一阶段发射图像灰度强度平均值,为P神经网络服务器与公路施工环境数据源射频发射器之间在eq通道的图像灰度强度增益值,PRmax为神经网络服务器的最大发射图像灰度强度,/>为公路施工环境数据源射频发射器与P神经网络服务器之间在eq通道图像灰度强度增益,Rp为公路施工环境数据源的施工图像清晰度强度,gP,R为P神经网络服务器与公路施工环境数据源射频发射器之间的通道图像灰度强度增益,B为高斯白噪声系数,N0为高斯白噪声,gR,P为公路施工环境数据源射频发射器与P神经网络服务器之间的通道图像灰度强度增益;
(2)当以及/>时,并且/>和 同时成立时,神经网络服务器处先识别公路施工环境数据源信号,后识别公路施工风险源信号;第二时刻神经网络服务器给公路施工环境数据源信号分配的图像灰度强度为/>公路施工环境数据源射频应对器处将公路施工风险源信号当作噪声直接识别自己的信号,公路施工风险源射频应对器处,公路施工风险源先识别公路施工环境数据源信号,将其从混叠信号中删除后,再识别自己的信号;其中/>
式中,式中,PSmax为公路施工风险源射频发射器的最大发射图像灰度强度,εS为S神经网络服务在某一阶段发射图像灰度强度平均值, 为S神经网络服务与公路施工环境数据源射频发射器之间在eq通道图像灰度强度增益,/>为公路施工环境数据源射频发射器与S神经网络服务之间在eq通道图像灰度强度增益,/>为第一时刻公路施工环境数据源射频发射器与S神经网络服务器之间使用的发射图像灰度强度,gR,S为公路施工环境数据源射频发射器与S神经网络服务器之间的通道图像灰度强度增益,gS,R为S神经网络服务器与公路施工风险源射频发射器之间的通道图像灰度强度增益。
(3)当以及/>时,并且/>和 同时成立时,神经网络服务器先识别公路施工环境数据源信号后识别公路施工风险源信号;第二时刻里神经网络服务器给公路施工风险源信号分配的图像灰度强度为/>公路施工环境数据源射频应对器处先识别公路施工风险源信号,将其从混叠信号中删除后,再识别公路施工环境数据源信号;公路施工风险源射频应对器处,将公路施工环境数据源信号当作噪声来处理,直接识别公路施工风险源信号;
(4)当以及/>时,并且/>和 同时成立时,神经网络服务器处先识别公路施工风险源信号后识别公路施工环境数据源信号;第二时刻神经网络服务器给公路施工环境数据源的图像灰度强度为/>公路施工环境数据源射频应对器处将公路施工风险源的信号当作噪声来处理,直接识别自己的信号;公路施工风险源射频应对器处先识别公路施工环境数据源信号,将其从混叠信号中删除后,再识别自己的信号;
(5)当以及/>时,并且/>和 同时成立时,第一时刻公路施工环境数据源的发射图像灰度强度分别为/>神经网络服务器处先识别公路施工风险源信号后识别公路施工环境数据源信号;第二时刻神经网络服务器给公路施工风险源信号分配的图像灰度强度为/>公路施工环境数据源射频应对器处先识别公路施工风险源信号,将其从混叠信号中删除后,再识别自己的信号,公路施工风险源射频应对器处将公路施工环境数据源信号当作噪声来处理,直接识别自己的信号。
(6)当(2)-(5)中没有一个成立时,采用公路施工环境数据源单独识别模式。
S5,计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器先识别公路施工风险源信号,后识别公路施工环境数据源信号;
分别需要的公路施工环境数据源射频发射器和公路施工风险源射频发射器的图像灰度强度,射频应对器处先识别公路施工环境数据源信号后识别公路施工风险源信号,神经网络服务器处需要给公路施工环境数据源和公路施工风险源信号分配的图像灰度强度,如果计算所得的图像灰度强度满足相应的最大图像灰度强度限制,进入步骤S8;否则,进入步骤S6;
S6,计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器处以及射频应对器处先识别公路施工风险源信号后识别公路施工环境数据源信号;
分别需要的公路施工环境数据源射频发射器图像灰度强度和公路施工风险源射频发射器图像灰度强度,神经网络服务器处需要给公路施工环境数据源和公路施工风险源分配的图像灰度强度;如果计算所得的图像灰度强度满足相应的最大图像灰度强度限制,进入步骤S8;否则,进入步骤S7;
S7,公路施工环境数据源单独传输模式,公路施工风险源不能识别;
S8,神经网络服务器将确定的公路施工环境数据源射频发射器和公路施工风险源射频发射器所使用的发射图像灰度强度反馈给公路施工环境数据源和公路施工风险源射频发射器;
将确定下的射频应对器处的识别模式反馈给公路施工风险源和公路施工环境数据源射频应对器;
S9,第一时刻里公路施工环境数据源射频发射器和公路施工风险源射频发射器根据神经网络服务器反馈的结果使用相应的图像灰度强度进行发送,神经网络服务器使用相应的识别模式进行识别;
第二时刻里,神经网络服务器根据确定下来的图像灰度强度分配值,对公路施工环境数据源和公路施工风险源进行图像灰度强度的分配,射频应对器处接收到信号后,根据反馈得到的识别模式进行识别。
在本发明实施例中,步骤S2所述基于混合噪声处理的认知中继网络中的公路施工风险源的识别方法进一步包括:
(1)公路施工环境数据源射频发射器、公路施工环境数据源射频应对器、公路施工风险源射频发射器和公路施工风险源射频应对器向神经网络服务器发送风险源识别预处理数据集,神经网络服务器根据接收到的风险源识别预处理数据集估计出各个通道的通道图像灰度强度增益;
(2)根据估计出的通道图像灰度强度增益判断出公路施工环境数据源单独传输时,公路施工环境数据源射频发射器和射频应对器是否都可以满足公路施工环境数据源的施工图像清晰度强度,若能满足,则考虑公路施工风险源的识别,进入(3),否则只有公路施工环境数据源单独传输;
(3)计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器机射频应对器处采用先识别公路施工环境数据源信号后识别公路施工风险源信号,所分别需要的公路施工环境数据源射频发射器和公路施工风险源射频发射器的图像灰度强度,神经网络服务器需要给公路施工环境数据源信号和公路施工风险源分配的图像灰度强度;如果计算所得图像灰度强度满足最大图像灰度强度限制,公路施工环境数据源射频发射器,公路施工风险源射频发射器,以及神经网络服务器使用相应的图像灰度强度值发送信号,神经网络服务器处以及射频应对器处使用相应的识别模式对信号进行识别;否则,进入(4);
(4)计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器先识别公路施工环境数据源信号,后识别公路施工风险源信号,所分别需要的公路施工环境数据源射频发射器和公路施工风险源射频发射器的图像灰度强度,射频应对器处先识别公路施工风险源信号后识别公路施工环境数据源信号,神经网络服务器需要给公路施工环境数据源和公路施工风险源信号分配的图像灰度强度,如果计算所得图像灰度强度满足最大图像灰度强度限制,公路施工环境数据源射频发射器,公路施工风险源射频发射器,以及神经网络服务器使用相应的图像灰度强度值发送信号,神经网络服务器处以及射频应对器处使用相应的识别模式对信号进行识别;否则,进入(5);
(5)计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器先识别公路施工风险源信号,后识别公路施工环境数据源信号,所分别需要的公路施工环境数据源射频发射器和公路施工风险源射频发射器的图像灰度强度,射频应对器处先识别公路施工环境数据源信号后识别公路施工风险源信号,神经网络服务器处需要给公路施工环境数据源和公路施工风险源信号分配的图像灰度强度,如果计算所得的图像灰度强度满足相应的最大图像灰度强度限制,公路施工环境数据源射频发射器,公路施工风险源射频发射器;以及神经网络服务器使用相应的图像灰度强度值发送信号,神经网络服务器处以及射频应对器处使用相应的识别模式对信号进行识别;否则,进入(6);
(6)计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器处以及射频应对器处先识别公路施工风险源信号后识别公路施工环境数据源信号,所分别需要的公路施工环境数据源射频发射器图像灰度强度和公路施工风险源射频发射器图像灰度强度;神经网络服务器处需要给公路施工环境数据源和公路施工风险源分配的图像灰度强度,如果计算所得的图像灰度强度满足相应的最大图像灰度强度限制,公路施工环境数据源射频发射器,公路施工风险源射频发射器,以及神经网络服务器使用相应的图像灰度强度值发送信号;神经网络服务器处以及射频应对器处使用相应的识别模式对信号进行识别;否则,进入(7);
(7)公路施工环境数据源单独传输。在本发明实施例步骤S4中,公路施工环境数据源射频发射器,公路施工风险源射频发射器,P神经网络服务器,S神经网络服务器分别发送风险源识别预处理数据集给神经网络服务器,神经网络服务器根据收到的训练训练估计出各个通道的通道图像灰度强度增益。
在本发明实施例步骤S9中,公路施工环境数据源射频发射器,公路施工风险源射频发射器,神经网络服务器根据判断结果,公路施工环境数据源射频发射器,公路施工风险源射频发射器和神经网络服务器进行如下的操作,如图2所示,具体包括:
S101,当只有公路施工环境数据源识别时,在第一时刻里,公路施工环境数据源以图像灰度强度值为PPmax向神经网络服务器传输数据,在第二时刻里神经网络服务器对接收到的信号识别后,重新编码并以图像灰度强度值为PRmax将数据传输给P神经网络服务器;
S102,当公路施工风险源和公路施工环境数据源同时识别时,在第一时刻里,公路施工环境数据源射频发射器和公路施工风险源射频发射器同时给神经网络服务器分别使用值PRmax为的图像灰度强度进行数据的传输,在第二时刻里神经网络服务器对接收到的信号,采用在确定的识别模式进行识别,而后重新对公路施工环境数据源和公路施工风险源的信号进行图像灰度强度分配,转发给P神经网络服务器和S神经网络服务器,P神经网络服务器和S神经网络服务器接收到信号后,采用在确定的识别模式对接收到的信号进行识别。
实施例2,如图3所示,本发明实施例提供的基于神经网络的公路施工重大风险源识别预警系统包括:
通道图像灰度强度增益获取模块1,用于公路施工环境数据源射频发射器、公路施工环境数据源射频应对器、公路施工风险源射频发射器和公路施工风险源射频应对器向神经网络服务器发送风险源识别预处理数据集,神经网络服务器根据接收到的风险源识别预处理数据集估计出各个通道的通道图像灰度强度增益;
施工图像清晰度强度判定模块2,用于根据估计出的通道图像灰度强度增益判断出公路施工环境数据源单独传输时,公路施工环境数据源射频发射器和射频应对器是否都可以满足公路施工环境数据源的施工图像清晰度强度;
识别模式识别模块3,用于计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器机射频应对器处采用先识别公路施工环境数据源信号后识别公路施工风险源信号,所分别需要的公路施工环境数据源射频发射器和公路施工风险源射频发射器的图像灰度强度,神经网络服务器需要给公路施工环境数据源信号和公路施工风险源分配的图像灰度强度;如果计算所得图像灰度强度满足最大图像灰度强度限制,公路施工环境数据源射频发射器,公路施工风险源射频发射器,以及神经网络服务器使用相应的图像灰度强度值发送信号,神经网络服务器处以及射频应对器处使用相应的识别模式对信号进行识别;
最大图像灰度强度限制模块4,用于计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器先识别公路施工环境数据源信号,后识别公路施工风险源信号,所分别需要的公路施工环境数据源射频发射器和公路施工风险源射频发射器的图像灰度强度,射频应对器处先识别公路施工风险源信号后识别公路施工环境数据源信号,神经网络服务器需要给公路施工环境数据源和公路施工风险源信号分配的图像灰度强度;如果计算所得图像灰度强度满足最大图像灰度强度限制;
公路施工环境数据源和公路施工风险源同时传输模块5,用于计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器先识别公路施工风险源信号,后识别公路施工环境数据源信号,所分别需要的公路施工环境数据源射频发射器和公路施工风险源射频发射器的图像灰度强度,射频应对器处先识别公路施工环境数据源信号后识别公路施工风险源信号,神经网络服务器处需要给公路施工环境数据源和公路施工风险源信号分配的图像灰度强度;
公路施工环境数据源和公路施工风险源分配的图像灰度强度识别模块6,用于计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器处以及射频应对器处先识别公路施工风险源信号后识别公路施工环境数据源信号,所分别需要的公路施工环境数据源射频发射器图像灰度强度和公路施工风险源射频发射器图像灰度强度,神经网络服务器处需要给公路施工环境数据源和公路施工风险源分配的图像灰度强度;
公路施工环境数据源单独传输模式模块7,用于公路施工风险源不能识别判定;
射频应对器处的识别模式反馈模块8,用于神经网络服务器将确定的公路施工环境数据源射频发射器和公路施工风险源射频发射器所使用的发射图像灰度强度反馈给公路施工环境数据源和公路施工风险源射频发射器,将确定下的射频应对器处的识别模式反馈给公路施工风险源和公路施工环境数据源射频应对器;
公路施工环境数据源和公路施工风险源进行图像灰度强度的分配模块9,用于第一时刻里公路施工环境数据源射频发射器和公路施工风险源射频发射器根据神经网络服务器反馈的结果使用相应的图像灰度强度进行发送,神经网络服务器使用相应的识别模式进行识别;第二时刻里,神经网络服务器根据确定下来的图像灰度强度分配值,对公路施工环境数据源和公路施工风险源进行图像灰度强度的分配,射频应对器处接收到信号后,根据反馈得到的识别模式进行识别。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
上述装置/单元之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程。
基于上述本发明实施例记载的技术方案,进一步的可提出以下应用例。
根据本申请的实施例,本发明还提供了一种计算机设备,该计算机设备包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本发明实施例还提供了一种信息数据处理终端,所述信息数据处理终端用于实现于电子装置上执行时,提供公路施工环境数据源输入接口以实施如上述各方法实施例中的步骤,所述信息数据处理终端不限于手机、电脑、交换机。
本发明实施例还提供了一种服务器,所述服务器用于实现于电子装置上执行时,提供公路施工环境数据源输入接口以实施如上述各方法实施例中的步骤。
本发明实施例还提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行时可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(神经网络服务器ead-OnlyMemo神经网络服务器y,神经网络服务器OM)、随机存取存储器(神经网络服务器andomAccessMemo神经网络服务器y,神经网络服务器AM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
以上所述,仅为本发明较优的具体的实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种基于神经网络的公路施工重大风险源识别方法,其特征在于,该方法包括以下步骤:
S1,公路施工环境数据源射频发射器、公路施工环境数据源射频应对器、公路施工风险源射频发射器和公路施工风险源射频应对器向神经网络服务器发送风险源识别预处理数据集,神经网络服务器根据接收到的风险源识别预处理数据集估计出各个通道的通道图像灰度强度增益;进入步骤S2;
S2,根据估计出的通道图像灰度强度增益判断出公路施工环境数据源单独传输时,公路施工环境数据源射频发射器和射频应对器是否都可以满足公路施工环境数据源的施工图像清晰度强度,若能满足,则考虑公路施工风险源的识别,进入步骤S3;否则进入步骤S8;
S3,计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器机射频应对器处采用先识别公路施工环境数据源信号后识别公路施工风险源信号,所分别需要的公路施工环境数据源射频发射器和公路施工风险源射频发射器的图像灰度强度,神经网络服务器需要给公路施工环境数据源信号和公路施工风险源分配的图像灰度强度;如果计算所得图像灰度强度满足最大图像灰度强度限制,公路施工环境数据源射频发射器,公路施工风险源射频发射器,以及神经网络服务器使用相应的图像灰度强度值发送信号,神经网络服务器处以及射频应对器处使用相应的识别模式对信号进行识别,进入步骤S8;否则,进入步骤S4;
S4,计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器先识别公路施工环境数据源信号,后识别公路施工风险源信号,所分别需要的公路施工环境数据源射频发射器和公路施工风险源射频发射器的图像灰度强度,射频应对器处先识别公路施工风险源信号后识别公路施工环境数据源信号,神经网络服务器需要给公路施工环境数据源和公路施工风险源信号分配的图像灰度强度;如果计算所得图像灰度强度满足最大图像灰度强度限制,进入步骤S8;否则,进入步骤S5;
具体包括:神经网络服务器根据估计出的通道图像灰度强度增益,确定公路施工环境数据源射频发射器、公路施工风险源射频发射器和神经网络服务器所实际使用的发射图像灰度强度,识别模式,以及识别模式;识别模式分为公路施工环境数据源单独识别模式,和公路施工风险源和公路施工环境数据源以噪声处理的方式共同识别模式;当公路施工环境数据源单独识别时,识别模式即为直接对公路施工环境数据源信号进行识别,当公路施工环境数据源和公路施工风险源以噪声处理方式共同识别时,识别模式分为,先识别公路施工环境数据源信号后识别公路施工风险源信号的识别模式,以及先识别公路施工风险源信号后识别公路施工环境数据源信号的识别模式;
S5,计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器先识别公路施工风险源信号,后识别公路施工环境数据源信号,所分别需要的公路施工环境数据源射频发射器和公路施工风险源射频发射器的图像灰度强度,射频应对器处先识别公路施工环境数据源信号后识别公路施工风险源信号,神经网络服务器处需要给公路施工环境数据源和公路施工风险源信号分配的图像灰度强度,如果计算所得的图像灰度强度满足相应的最大图像灰度强度限制,进入步骤S8;否则,进入步骤S6;
S6,计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器处以及射频应对器处先识别公路施工风险源信号后识别公路施工环境数据源信号,所分别需要的公路施工环境数据源射频发射器图像灰度强度和公路施工风险源射频发射器图像灰度强度,神经网络服务器处需要给公路施工环境数据源和公路施工风险源分配的图像灰度强度;如果计算所得的图像灰度强度满足相应的最大图像灰度强度限制,进入步骤S8;否则,进入步骤S7;
S7,公路施工环境数据源单独传输模式,公路施工风险源不能识别;进入步骤S8;
S8,神经网络服务器将确定的公路施工环境数据源射频发射器和公路施工风险源射频发射器所使用的发射图像灰度强度反馈给公路施工环境数据源和公路施工风险源射频发射器,将确定下的射频应对器处的识别模式反馈给公路施工风险源和公路施工环境数据源射频应对器;进入步骤S9;
S9,第一时刻里公路施工环境数据源射频发射器和公路施工风险源射频发射器根据神经网络服务器反馈的结果使用相应的图像灰度强度进行发送,神经网络服务器使用相应的识别模式进行识别;第二时刻里,神经网络服务器根据确定下来的图像灰度强度分配值,对公路施工环境数据源和公路施工风险源进行图像灰度强度的分配,射频应对器处接收到信号后,根据反馈得到的识别模式进行识别;
在步骤S2中,基于混合噪声处理的认知中继网络中的公路施工风险源的识别方法包括:一种识别方法是在上一种识别方法不满足最大图像灰度强度限制的情况条件下,才按下一种识别模式识别;
具体如下:
(1)公路施工环境数据源射频发射器、公路施工环境数据源射频应对器、公路施工风险源射频发射器和公路施工风险源射频应对器向神经网络服务器发送风险源识别预处理数据集,神经网络服务器根据接收到的风险源识别预处理数据集估计出各个通道的通道图像灰度强度增益;
(2)根据估计出的通道图像灰度强度增益判断出公路施工环境数据源单独传输时,公路施工环境数据源射频发射器和射频应对器是否都可以满足公路施工环境数据源的施工图像清晰度强度,若能满足,则考虑公路施工风险源的识别,进入(3),否则只有公路施工环境数据源单独传输;
(3)计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器机射频应对器处采用先识别公路施工环境数据源信号后识别公路施工风险源信号,所分别需要的公路施工环境数据源射频发射器和公路施工风险源射频发射器的图像灰度强度,神经网络服务器需要给公路施工环境数据源信号和公路施工风险源分配的图像灰度强度;如果计算所得图像灰度强度满足最大图像灰度强度限制,公路施工环境数据源射频发射器,公路施工风险源射频发射器,以及神经网络服务器使用相应的图像灰度强度值发送信号,神经网络服务器处以及射频应对器处使用相应的识别模式对信号进行识别;否则,进入(4);
(4)计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器先识别公路施工环境数据源信号,后识别公路施工风险源信号,所分别需要的公路施工环境数据源射频发射器和公路施工风险源射频发射器的图像灰度强度,射频应对器处先识别公路施工风险源信号后识别公路施工环境数据源信号,神经网络服务器需要给公路施工环境数据源和公路施工风险源信号分配的图像灰度强度,如果计算所得图像灰度强度满足最大图像灰度强度限制,公路施工环境数据源射频发射器,公路施工风险源射频发射器,以及神经网络服务器使用相应的图像灰度强度值发送信号,神经网络服务器处以及射频应对器处使用相应的识别模式对信号进行识别;否则,进入(5);
(5)计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器先识别公路施工风险源信号,后识别公路施工环境数据源信号,所分别需要的公路施工环境数据源射频发射器和公路施工风险源射频发射器的图像灰度强度,射频应对器处先识别公路施工环境数据源信号后识别公路施工风险源信号,神经网络服务器处需要给公路施工环境数据源和公路施工风险源信号分配的图像灰度强度,如果计算所得的图像灰度强度满足相应的最大图像灰度强度限制,公路施工环境数据源射频发射器,公路施工风险源射频发射器;以及神经网络服务器使用相应的图像灰度强度值发送信号,神经网络服务器处以及射频应对器处使用相应的识别模式对信号进行识别;否则,进入(6);
(6)计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器处以及射频应对器处先识别公路施工风险源信号后识别公路施工环境数据源信号,所分别需要的公路施工环境数据源射频发射器图像灰度强度和公路施工风险源射频发射器图像灰度强度;神经网络服务器处需要给公路施工环境数据源和公路施工风险源分配的图像灰度强度,如果计算所得的图像灰度强度满足相应的最大图像灰度强度限制,公路施工环境数据源射频发射器,公路施工风险源射频发射器,以及神经网络服务器使用相应的图像灰度强度值发送信号;神经网络服务器处以及射频应对器处使用相应的识别模式对信号进行识别;否则,进入(7)公路施工环境数据源单独传输;
(7)在步骤S4中,公路施工环境数据源射频发射器,公路施工风险源射频发射器,P神经网络服务器,S神经网络服务器分别发送风险源识别预处理数据集给神经网络服务器,神经网络服务器根据收到的训练训练估计出各个通道的通道图像灰度强度增益。
2.根据权利要求1所述的基于神经网络的公路施工重大风险源识别方法,其特征在于,神经网络服务器处以及射频应对器处使用相应的识别模式对信号进行识别包括:
(1)当以及/>时,才考虑公路施工风险源识别,其中,不能同时成立时,采用公路施工环境数据源单独识别模式;
式中,Ppmax为第一时刻公路施工环境数据源射频发射器的最大发射图像灰度强度,εp为P神经网络服务器在某一阶段发射图像灰度强度平均值,为P神经网络服务器与公路施工环境数据源射频发射器之间在eq通道的图像灰度强度增益值,PRmax为神经网络服务器的最大发射图像灰度强度,/>为公路施工环境数据源射频发射器与P神经网络服务器之间在eq通道图像灰度强度增益,Rp为公路施工环境数据源的施工图像清晰度强度,gP,R为P神经网络服务器与公路施工环境数据源射频发射器之间的通道图像灰度强度增益,B为高斯白噪声系数,N0为高斯白噪声,gR,P为公路施工环境数据源射频发射器与P神经网络服务器之间的通道图像灰度强度增益;
(2)当以及/>时,并且/>和/> 同时成立时,神经网络服务器处先识别公路施工环境数据源信号,后识别公路施工风险源信号;第二时刻神经网络服务器给公路施工环境数据源信号分配的图像灰度强度为/>公路施工环境数据源射频应对器处将公路施工风险源信号当作噪声直接识别自己的信号,公路施工风险源射频应对器处,公路施工风险源先识别公路施工环境数据源信号,将其从混叠信号中删除后,再识别自己的信号;其中/>
式中,PSmax为公路施工风险源射频发射器的最大发射图像灰度强度,εS为S神经网络服务在某一阶段发射图像灰度强度平均值, 为S神经网络服务与公路施工环境数据源射频发射器之间在eq通道图像灰度强度增益,/>为公路施工环境数据源射频发射器与S神经网络服务之间在eq通道图像灰度强度增益,/>为第一时刻公路施工环境数据源射频发射器与S神经网络服务器之间使用的发射图像灰度强度,gR,S为公路施工环境数据源射频发射器与S神经网络服务器之间的通道图像灰度强度增益,gS,R为S神经网络服务器与公路施工风险源射频发射器之间的通道图像灰度强度增益;
(3)当以及/>时,并且/>和/> 同时成立时,神经网络服务器先识别公路施工环境数据源信号后识别公路施工风险源信号;第二时刻里神经网络服务器给公路施工风险源信号分配的图像灰度强度为/>公路施工环境数据源射频应对器处先识别公路施工风险源信号,将其从混叠信号中删除后,再识别公路施工环境数据源信号;公路施工风险源射频应对器处,将公路施工环境数据源信号当作噪声来处理,直接识别公路施工风险源信号;
(4)当以及/>时,并且/>和/> 同时成立时,神经网络服务器处先识别公路施工风险源信号后识别公路施工环境数据源信号;
第二时刻神经网络服务器给公路施工环境数据源的图像灰度强度为公路施工环境数据源射频应对器处将公路施工风险源的信号当作噪声来处理,直接识别自己的信号;公路施工风险源射频应对器处先识别公路施工环境数据源信号,将其从混叠信号中删除后,再识别自己的信号;
(5)当以及/>时,并且/>和/> 同时成立时,第一时刻公路施工环境数据源的发射图像灰度强度分别为/>神经网络服务器处先识别公路施工风险源信号后识别公路施工环境数据源信号;第二时刻神经网络服务器给公路施工风险源信号分配的图像灰度强度为公路施工环境数据源射频应对器处先识别公路施工风险源信号,将其从混叠信号中删除后,再识别自己的信号,公路施工风险源射频应对器处将公路施工环境数据源信号当作噪声来处理,直接识别自己的信号。
3.一种基于神经网络的公路施工重大风险源识别预警系统,其特征在于,实施权利要求1-2任意一项所述的基于神经网络的公路施工重大风险源识别方法,该系统包括:
通道图像灰度强度增益获取模块,用于公路施工环境数据源射频发射器、公路施工环境数据源射频应对器、公路施工风险源射频发射器和公路施工风险源射频应对器向神经网络服务器发送风险源识别预处理数据集,神经网络服务器根据接收到的风险源识别预处理数据集估计出各个通道的通道图像灰度强度增益;
施工图像清晰度强度判定模块,用于根据估计出的通道图像灰度强度增益判断出公路施工环境数据源单独传输时,公路施工环境数据源射频发射器和射频应对器是否都可以满足公路施工环境数据源的施工图像清晰度强度;
识别模式识别模块,用于计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器机射频应对器处采用先识别公路施工环境数据源信号后识别公路施工风险源信号,所分别需要的公路施工环境数据源射频发射器和公路施工风险源射频发射器的图像灰度强度,神经网络服务器需要给公路施工环境数据源信号和公路施工风险源分配的图像灰度强度;如果计算所得图像灰度强度满足最大图像灰度强度限制,公路施工环境数据源射频发射器,公路施工风险源射频发射器,以及神经网络服务器使用相应的图像灰度强度值发送信号,神经网络服务器处以及射频应对器处使用相应的识别模式对信号进行识别,则执行射频应对器处的识别模式反馈模块的功能原理;如果计算所得图像灰度强度不满足最大图像灰度强度限制的情况条件下,则按最大图像灰度强度限制识别模式进行识别;
所述最大图像灰度强度限制识别模式进行识别包括:
计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器先识别公路施工环境数据源信号,后识别公路施工风险源信号,所分别需要的公路施工环境数据源射频发射器和公路施工风险源射频发射器的图像灰度强度,射频应对器处先识别公路施工风险源信号后识别公路施工环境数据源信号,神经网络服务器需要给公路施工环境数据源和公路施工风险源信号分配的图像灰度强度;如果计算所得图像灰度强度满足最大图像灰度强度限制,则执行射频应对器处的识别模式反馈模块的功能原理;
如果计算所得图像灰度强度不满足最大图像灰度强度限制的情况条件下,则按公路施工环境数据源和公路施工风险源同时传输识别模式进行识别;
其中,一种识别方法是在上一种识别方法不满足最大图像灰度强度限制的情况条件下,才按下一种识别模式识别;
所述公路施工环境数据源和公路施工风险源同时传输识别模式进行识别包括:
计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器先识别公路施工风险源信号,后识别公路施工环境数据源信号,所分别需要的公路施工环境数据源射频发射器和公路施工风险源射频发射器的图像灰度强度,射频应对器处先识别公路施工环境数据源信号后识别公路施工风险源信号,神经网络服务器处需要给公路施工环境数据源和公路施工风险源信号分配的图像灰度强度;如果计算所得的图像灰度强度满足相应的最大图像灰度强度限制,则执行射频应对器处的识别模式反馈模块的功能原理;
如果计算所得图像灰度强度不满足最大图像灰度强度限制的情况条件下,则按路施工环境数据源和公路施工风险源分配的图像灰度强度识别识别模式进行识别;
所述公路施工环境数据源和公路施工风险源分配的图像灰度强度识别模式进行识别包括:
计算公路施工环境数据源和公路施工风险源同时传输时,神经网络服务器处以及射频应对器处先识别公路施工风险源信号后识别公路施工环境数据源信号,所分别需要的公路施工环境数据源射频发射器图像灰度强度和公路施工风险源射频发射器图像灰度强度,神经网络服务器处需要给公路施工环境数据源和公路施工风险源分配的图像灰度强度;如果计算所得的图像灰度强度满足相应的最大图像灰度强度限制,则执行射频应对器处的识别模式反馈模块的功能原理;
如果计算所得图像灰度强度不满足最大图像灰度强度限制的情况条件下,则按公路施工环境数据源单独传输模式进行识别;
所述公路施工环境数据源单独传输模式进行识别包括:
在计算公路施工环境数据源和公路施工风险源同时传输时,对公路施工风险源不能识别判定,则执行公路施工环境数据源单独传输模式;
射频应对器处的识别模式反馈模块,用于神经网络服务器将确定的公路施工环境数据源射频发射器和公路施工风险源射频发射器所使用的发射图像灰度强度反馈给公路施工环境数据源和公路施工风险源射频发射器,将确定下的射频应对器处的识别模式反馈给公路施工风险源和公路施工环境数据源射频应对器;
公路施工环境数据源和公路施工风险源进行图像灰度强度的分配模块,用于第一时刻里公路施工环境数据源射频发射器和公路施工风险源射频发射器根据神经网络服务器反馈的结果使用相应的图像灰度强度进行发送,神经网络服务器使用相应的识别模式进行识别;第二时刻里,神经网络服务器根据确定下来的图像灰度强度分配值,对公路施工环境数据源和公路施工风险源进行图像灰度强度的分配,射频应对器处接收到信号后,根据反馈得到的识别模式进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310926853.7A CN116843184B (zh) | 2023-07-27 | 2023-07-27 | 基于神经网络的公路施工重大风险源识别方法及预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310926853.7A CN116843184B (zh) | 2023-07-27 | 2023-07-27 | 基于神经网络的公路施工重大风险源识别方法及预警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116843184A CN116843184A (zh) | 2023-10-03 |
CN116843184B true CN116843184B (zh) | 2024-02-20 |
Family
ID=88168940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310926853.7A Active CN116843184B (zh) | 2023-07-27 | 2023-07-27 | 基于神经网络的公路施工重大风险源识别方法及预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116843184B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665169A (zh) * | 2018-05-14 | 2018-10-16 | 中国路桥工程有限责任公司 | 一种公路施工重大风险源辨识方法 |
CN112712048A (zh) * | 2021-01-11 | 2021-04-27 | 武汉爱科森网络科技有限公司 | 一种对电动车进入楼宇进行监测预警的方法 |
CN112767387A (zh) * | 2021-01-29 | 2021-05-07 | 中华人民共和国张家港海关 | 一种基于分块梯度加权的木材图像自动识别方法 |
CN113504240A (zh) * | 2021-07-07 | 2021-10-15 | 广东电力信息科技有限公司 | 基于分层编码和视觉感知的电力设备故障检测方法 |
CN114282839A (zh) * | 2021-12-30 | 2022-04-05 | 贵州省交通规划勘察设计研究院股份有限公司 | 一种山地高速公路施工安全风险管理系统 |
CN114743168A (zh) * | 2022-04-06 | 2022-07-12 | 重庆交通大学 | 基于深度学习的行车风险源识别评估方法及系统 |
CN114781852A (zh) * | 2022-04-15 | 2022-07-22 | 云南绿色环境科技开发有限公司 | 基于双重预防机制的企业环境风控管理系统及方法 |
CN115331264A (zh) * | 2022-10-13 | 2022-11-11 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种基于神经网络的矿山工人安全识别管理方法 |
CN115481880A (zh) * | 2022-09-06 | 2022-12-16 | 中国路桥工程有限责任公司 | 一种公路施工重大风险源辨识方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108268832A (zh) * | 2017-12-20 | 2018-07-10 | 广州供电局有限公司 | 电力作业监测方法、装置、存储介质和计算机设备 |
CN112541878A (zh) * | 2020-12-24 | 2021-03-23 | 北京百度网讯科技有限公司 | 建立图像增强模型与图像增强的方法、装置 |
-
2023
- 2023-07-27 CN CN202310926853.7A patent/CN116843184B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665169A (zh) * | 2018-05-14 | 2018-10-16 | 中国路桥工程有限责任公司 | 一种公路施工重大风险源辨识方法 |
CN112712048A (zh) * | 2021-01-11 | 2021-04-27 | 武汉爱科森网络科技有限公司 | 一种对电动车进入楼宇进行监测预警的方法 |
CN112767387A (zh) * | 2021-01-29 | 2021-05-07 | 中华人民共和国张家港海关 | 一种基于分块梯度加权的木材图像自动识别方法 |
CN113504240A (zh) * | 2021-07-07 | 2021-10-15 | 广东电力信息科技有限公司 | 基于分层编码和视觉感知的电力设备故障检测方法 |
CN114282839A (zh) * | 2021-12-30 | 2022-04-05 | 贵州省交通规划勘察设计研究院股份有限公司 | 一种山地高速公路施工安全风险管理系统 |
CN114743168A (zh) * | 2022-04-06 | 2022-07-12 | 重庆交通大学 | 基于深度学习的行车风险源识别评估方法及系统 |
CN114781852A (zh) * | 2022-04-15 | 2022-07-22 | 云南绿色环境科技开发有限公司 | 基于双重预防机制的企业环境风控管理系统及方法 |
CN115481880A (zh) * | 2022-09-06 | 2022-12-16 | 中国路桥工程有限责任公司 | 一种公路施工重大风险源辨识方法 |
CN115331264A (zh) * | 2022-10-13 | 2022-11-11 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种基于神经网络的矿山工人安全识别管理方法 |
Non-Patent Citations (2)
Title |
---|
Design a management information system for financial risk control;Yong Li;《Cluster Computing》;全文 * |
兰州地铁下穿黄河段盾构隧道施工风险评估;祝连波;王晓许;;兰州交通大学学报(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116843184A (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2004109657B1 (en) | Speaker recognition in a multi-speaker environment and comparison of several voice prints to many | |
EP1107577A3 (en) | Method of processing document image data | |
CN111931189B (zh) | Api接口转用风险检测方法、装置和api服务系统 | |
CN111680694A (zh) | 文字图像中有色印章的滤除方法及装置 | |
CN112507988A (zh) | 一种图像处理方法、装置、存储介质及电子设备 | |
CN116843184B (zh) | 基于神经网络的公路施工重大风险源识别方法及预警系统 | |
CN106557370A (zh) | 基于实时统计数据的计算资源动态调度平台 | |
CN111931186B (zh) | 软件风险识别方法及装置 | |
CN115457155B (zh) | 用于表面检测的数据分析系统 | |
CA2471320A1 (en) | Systems and methods for estimating an image marking process using scanned image attributes | |
CN117252678A (zh) | 农业贷款请求的处理方法、装置、设备和可读存储介质 | |
CN110442799B (zh) | 基于数据管理平台的方案推送方法、装置及设备 | |
CN110008320B (zh) | 用于回答用户问题的方法和装置 | |
CN114779031A (zh) | 一种数字化电力设备紫外成像放电异常检测方法及系统 | |
CN114267035A (zh) | 一种文档图像处理方法、系统、电子设备及可读介质 | |
CN1622104A (zh) | 一种交易支付方法 | |
CN112766822A (zh) | 一种企业决策管理信息服务系统 | |
CN115082326A (zh) | 视频去模糊的处理方法、边缘计算设备及中心处理器 | |
WO2005036346B1 (en) | Method for capturing and processing information in a communication system | |
CN113056024A (zh) | 基于云存储的金融大数据信息保存方法及系统 | |
CN117058700B (zh) | 答题卡识别方法、装置、设备和存储介质 | |
CN115947181B (zh) | 打包机混纱处理方法、处理装置及处理系统 | |
CN113640750B (zh) | 基于图像的雷达信号波形调制方式识别方法、平台及介质 | |
CN113741403B (zh) | 车辆诊断方法、诊断设备及计算机可读存储介质 | |
CN115567323B (zh) | 一种改进型神经网络模型的网络信息分析方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |