CN116843514B - 一种基于数据识别的物业综合管理系统及方法 - Google Patents
一种基于数据识别的物业综合管理系统及方法 Download PDFInfo
- Publication number
- CN116843514B CN116843514B CN202311093864.8A CN202311093864A CN116843514B CN 116843514 B CN116843514 B CN 116843514B CN 202311093864 A CN202311093864 A CN 202311093864A CN 116843514 B CN116843514 B CN 116843514B
- Authority
- CN
- China
- Prior art keywords
- time segment
- current time
- property
- information acquisition
- real
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000007726 management method Methods 0.000 claims abstract description 200
- 238000006243 chemical reaction Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000000875 corresponding effect Effects 0.000 claims description 124
- 238000012549 training Methods 0.000 claims description 51
- 238000013527 convolutional neural network Methods 0.000 claims description 39
- 230000009467 reduction Effects 0.000 claims description 17
- 230000002596 correlated effect Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 9
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 230000000007 visual effect Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 12
- 230000011218 segmentation Effects 0.000 description 6
- 238000007689 inspection Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- 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
- G06Q50/16—Real estate
- G06Q50/163—Real estate management
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Biophysics (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)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于数据识别的物业综合管理系统及方法,涉及电数字数据处理领域,所述系统包括:目标转换部件,用于基于设定区域在当前时间分段之前多个时间分段的参考人员数量、最大噪声幅值和噪声类型数量和各项配置数据智能分析当前时间分段的参考人员数量、最大噪声幅值和噪声类型数量;管理决策部件,用于基于所述参考人员数量确定在当前时间分段内对设定区域的巡察次数。本发明还涉及一种基于数据识别的物业综合管理方法。通过本发明,面对无法充分利用有限的物业管理人员以及视频画面监控效果较差的技术问题,能够智能预测未来时间分段在设定区域内出现过的人员数量、采集画面的最大噪声幅值和噪声类型数量,从而解决了上述技术问题。
Description
技术领域
本发明涉及电数字数据处理领域,尤其涉及一种基于数据识别的物业综合管理系统及方法。
背景技术
物业管理方通常负责一个住宅小区、一处办公场所或者一个工厂园区的各项物业的综合管理,例如,不同区域的定期巡察,不同位置的画面监控。由于各处环境的复杂程度的不同、监控设备的差异以及物业管理方的人力成本和经济成本的限制,物业管理方需要熟悉其负责范围内各个管理区域的特点以及其监控设备的软硬件特性以及干扰情况,对其有限的人力和硬件进行合理的调配和配置,以提升其整体的综合管理水平。
示例地,中国发明专利公开文本CN111882461A提出的一种智能化综合物业管理平台,所述平台包括:管理主机、进出管理系统、灯光控制系统、监控系统、防高空抛物识别系统、音乐播放控制系统、报警系统和用户系统,灯光控制系统由若干声光控路灯组成,防高空抛物识别系统包括若干AI识别装置,AI识别装置上设有第一摄像头,第一摄像头呈仰状朝向住宅楼,AI识别装置安装在声光控路灯上,音乐播放控制系统包括若干扬声器。本发明通过防高空抛物识别系统融入物业管理平台中,将防高空抛物识别系统与管理主机相连接,能够检测高空抛物事件并通过音乐播放控制系统对声光控路灯附近范围的人进行警示,能够减少高空抛物造成的危害。
示例地,中国发明专利公开文本CN107274307A提出的一种综合物业管理系统,所述系统包括人事管理模块、房屋管理模块、合同管理模块、物业服务管理模块、资产管理模块、物业系统维护模块和服务意见收集模块。人事管理模块分管员工、户主和租户的信息,便于处理好小区所有人员的人际关系,并且能最大化各方的利益;合同管理模块收录有租赁合同、购房合同和物业合同,使一切行为都有一个具体根据,避免户主、租户和工作人员相互之间出现纠纷;房屋管理模块包括空置房管理模块,能有效减少空置房的物业服务,节约服务资源;物业服务管理模块可进行管理保安消防、保洁环卫、能耗和设备的统一管理,井然有序,有条不紊;服务意见收集模块能有效收集住户意见,便于对物业服务进行改善。
显然,上述现有技术仅仅限于基于当前物业管理关联数据的现场物业管理,例如,高空抛物监管或者经济项目监管,未涉及物业综合管理中最主要的两个方面,即不同区域的定期巡察以及不同位置的画面监控的物业服务水平的提升和优化,导致现有技术中的物业综合管理模式仍旧存在无法充分利用有限的物业管理人员以及视频画面监控效果较差的技术问题。
发明内容
为了解决现有技术中的技术问题,本发明提供了一种基于数据识别的物业综合管理系统及方法,能够基于设定物业管理区域的各份历史时间分段出现的人员数量以及视觉数据采集部件的各项采集参数采用智能分析模式预测未来时间分段在设定物业管理区域内出现过的人员数量、未来时间分段内采集画面的最大噪声幅值和噪声类型数量,从而为未来时间分段的分区巡察人员的优化配置以及视觉画面的优化处理提供关键信息。
根据本发明的一方面,提供了一种基于数据识别的物业综合管理系统,所述系统包括:
信息采集部件,设置在设定物业管理区域内,用于以固定帧速执行对所述设定物业管理区域内的场景画面采集,以获得每一时刻对应的实时场景画面,单个物业运营方同时负责管理多个物业管理区域;
数据识别部件,与所述信息采集部件连接,用于获得每一时间分段内各个时刻分别对应的各帧实时场景画面,并基于所述各帧实时场景画面识别在所述时间分段内所述设定物业管理区域中出现过的人员数量,并作为所述时间分段对应的参考人员数量输出;
内容捕获部件,与所述信息采集部件连接,用于获得所述信息采集部件的各项采集参数,所述信息采集部件的各项采集参数包括固定帧数、解析度、对比度以及每一时间分段内采集画面的最大噪声幅值和噪声类型数量;
目标转换部件,分别与所述数据识别部件以及所述内容捕获部件连接,用于在当前时间分段到达时,基于当前时间分段之前固定数目的多个时间分段分别对应的多份参考人员数量、多份最大噪声幅值和多份噪声类型数量、所述信息采集部件的固定帧数、解析度和对比度以及所述设定物业管理区域的区域占地面积智能分析当前时间分段对应的参考人员数量、最大噪声幅值和噪声类型数量。
根据本发明的另一方面,提供了一种基于数据识别的物业综合管理方法,所述方法包括:
采用设置在设定物业管理区域内的信息采集部件用于以固定帧速执行对所述设定物业管理区域内的场景画面采集,以获得每一时刻对应的实时场景画面,单个物业运营方同时负责管理多个物业管理区域;
获得每一时间分段内各个时刻分别对应的各帧实时场景画面,并基于所述各帧实时场景画面识别在所述时间分段内所述设定物业管理区域中出现过的人员数量,并作为所述时间分段对应的参考人员数量输出;
获得所述信息采集部件的各项采集参数,所述信息采集部件的各项采集参数包括固定帧数、解析度、对比度以及每一时间分段内采集画面的最大噪声幅值和噪声类型数量;
在当前时间分段到达时,基于当前时间分段之前固定数目的多个时间分段分别对应的多份参考人员数量、多份最大噪声幅值和多份噪声类型数量、所述信息采集部件的固定帧数、解析度和对比度以及所述设定物业管理区域的区域占地面积智能分析当前时间分段对应的参考人员数量、最大噪声幅值和噪声类型数量;
基于接收到的当前时间分段对应的参考人员数量确定在当前时间分段内所述物业运营方对所述设定物业管理区域的巡察次数;
其中,所述设定物业管理区域在所述多个物业管理区域内且各个时间分段的持续时长相等;
其中,所述信息采集部件的各项采集参数包括固定帧数、解析度、对比度以及每一时间分段内采集画面的最大噪声幅值和噪声类型数量包括:每一时间分段内采集画面的最大噪声幅值为在所述时间分段内采集的各帧实时场景画面种出现过的最大噪声幅值;
其中,所述信息采集部件的各项采集参数包括固定帧数、解析度、对比度以及每一时间分段内采集画面的最大噪声幅值和噪声类型数量包括:每一时间分段内采集画面的噪声类型数量为在所述时间分段内采集的各帧实时场景画面种出现过的噪声类型的总数;
其中,基于接收到的当前时间分段对应的参考人员数量确定在当前时间分段内所述物业运营方对所述设定物业管理区域的巡察次数包括:确定的在当前时间分段内所述物业运营方对所述设定物业管理区域的巡察次数与接收到的当前时间分段对应的参考人员数量单调正向关联;
其中,基于当前时间分段之前固定数目的多个时间分段分别对应的多份参考人员数量、多份最大噪声幅值和多份噪声类型数量、所述信息采集部件的固定帧数、解析度和对比度以及所述设定物业管理区域的区域占地面积智能分析当前时间分段对应的参考人员数量、最大噪声幅值和噪声类型数量包括:采用完成多次训练后的卷积神经网络执行所述智能分析,所述多次训练的次数与所述设定物业管理区域的区域占地面积成正比。
由此可见,本发明至少具备以下四处显著的技术进步:
第一处:针对同时负责管理多个物业管理区域的物业运营方,基于针对性的视觉数据识别机制完成对每一时间分段设定物业管理区域内出现过的人员数量的提取,同时获取视觉数据采集部件的各项采集参数,所述各项采集参数包括固定帧数、解析度、对比度以及每一时间分段内采集画面的最大噪声幅值和噪声类型数量,从而为后续的未来时间分段设定物业管理区域内出现过的人员数量、未来时间分段内采集画面的最大噪声幅值和噪声类型数量的智能分析提供可靠的各项基础数据;
第二处:采用完成多次训练后的卷积神经网络执行智能分析,所述多次训练的次数与设定物业管理区域的区域占地面积成正比,在对卷积神经网络执行的每一次训练中,将已知的某一时间分段对应的参考人员数量、最大噪声幅值和噪声类型数量作为所述卷积神经网络的输出数据,将所述某一时间分段之前的固定数目的多个时间分段分别对应的多份参考人员数量、多份最大噪声幅值和多份噪声类型数量、所述信息采集部件的固定帧数、解析度和对比度以及所述设定物业管理区域的区域占地面积作为所述卷积神经网络的逐项输入数据,从而保证了每一次训练的训练效果,提升了后续智能分析的有效性和稳定性;
第三处:在当前时间分段到达时,基于当前时间分段之前固定数目的多个时间分段分别对应的多份出现过的人员数量、多份最大噪声幅值和多份噪声类型数量、视觉数据采集部件的固定帧数、解析度和对比度以及设定物业管理区域的区域占地面积,使用完成多次训练后的卷积神经网络智能分析当前时间分段对应的参考人员数量、最大噪声幅值和噪声类型数量,从而实现对刚到达的未来时间分段在设定物业管理区域内出现过的人员数量、未来时间分段内采集画面的最大噪声幅值和噪声类型数量的可靠预测;
第四处:基于智能分析获得的参考人员数量、最大噪声幅值和噪声类型数量自适应确定对未来时间分段内对设定物业管理区域的巡察次数以及视觉数据采集部件采集画面的降噪策略,从而增强了物业安全管理效果和视觉画面监控效果,提升了物业管理方的综合管理能力。
附图说明
以下将结合附图对本发明的实施例进行描述,其中:
图1为根据本发明的基于数据识别的物业综合管理系统及方法的技术流程图;
图2为根据本发明的第一实施例示出的基于数据识别的物业综合管理系统的内部结构图;
图3为根据本发明的第二实施例示出的基于数据识别的物业综合管理系统的内部结构图;
图4为根据本发明的第三实施例示出的基于数据识别的物业综合管理系统的内部结构图;
图5为根据本发明的第四实施例示出的基于数据识别的物业综合管理系统的内部结构图;
图6为根据本发明的第五实施例示出的基于数据识别的物业综合管理系统的内部结构图;
图7为根据本发明的第六实施例示出的基于数据识别的物业综合管理系统的内部结构图;
图8为根据本发明的第七实施例示出的基于数据识别的物业综合管理方法的步骤流程图。
具体实施方式
如图1所示,给出了根据本发明示出的基于数据识别的物业综合管理系统及方法的技术流程图。
如图1所示,本发明的具体的技术流程如下:
第一步:在当前时间分段到达时,获取物业运营方管辖范围内的某一设定物业管理区域中各个过往时间分段分别对应的各份出现过的人体目标数量,所述人体目标数量的获取基于现场视觉数据的针对性识别,同时获取所述某一设定物业管理区域对应的视觉数据采集部件的各项采集参数,从而为后续的所述某一设定物业管理区域在未来时间分段内的场景预测提供可靠的各项基础数据;
示例地,获取的所述某一设定物业管理区域对应的视觉数据采集部件的各项采集参数包括所述视觉数据采集部件的固定帧数、解析度、对比度以及每一过往时间分段内采集画面的最大噪声幅值和噪声类型数量;
第二步:引入完成多次训练后的卷积神经网络用于执行后续的场景预测,为保证预测结果的有效性和稳定性,采取了以下两项针对性措施:
措施A:多次训练的次数与设定物业管理区域的区域占地面积成正比,从而保证了为设定物业管理区域获取的完成多次训练后的卷积神经网络的针对性;
措施B:在对卷积神经网络执行的每一次训练中,将已知的某一时间分段对应的参考人员数量、最大噪声幅值和噪声类型数量作为卷积神经网络的输出数据,将所述某一时间分段之前的固定数目的多个时间分段分别对应的多份参考人员数量、多份最大噪声幅值和多份噪声类型数量、视觉数据采集部件的固定帧数、解析度和对比度以及设定物业管理区域的区域占地面积作为所述卷积神经网络的逐项输入数据,从而保证了每一次训练的训练效果;
第三步:使用第二步引入的完成多次训练后的卷积神经网络基于各项基础数据智能分析未来时间分段设定物业管理区域内出现过的人员数量、未来时间分段内采集画面的最大噪声幅值和噪声类型数量;
第四步:基于智能分析获得的未来时间分段设定物业管理区域内出现过的人员数量自适应选择未来时间分段内对设定物业管理区域的巡察次数,以及基于智能分析获得的未来时间分段设定物业管理区域对应的视觉数据采集部件出现的最大噪声幅值和噪声类型数量确定对未来时间分段内对所述视觉数据采集部件执行的画面降噪策略,从而增强了物业安全管理效果和视觉画面监控效果,提升了物业管理方的综合管理能力;
如图1所示,本发明的第四步可以选择在物业运营方的控制操作间内完成。
本发明的关键点在于:物业运营方管辖范围内的不同设定物业管理区域的不同的多次训练后的卷积神经网络的定制、多次训练后的卷积神经网络执行智能分析时的各个输入项的针对性选择以及每一过往时间分段对应的出现过的人体目标数量的视觉数据识别。
下面,将对本发明的基于数据识别的物业综合管理系统及方法以实施例的方式进行具体说明。
实施例
图2为根据本发明的第一实施例示出的基于数据识别的物业综合管理系统的内部结构图。
如图2所示,所述基于数据识别的物业综合管理系统包括以下部件:
信息采集部件,设置在设定物业管理区域内,用于以固定帧速执行对所述设定物业管理区域内的场景画面采集,以获得每一时刻对应的实时场景画面,单个物业运营方同时负责管理多个物业管理区域;
示例地,所述信息采集部件可以为内置图像传感器的可视化监视器;
例如,所述可视化监视器内置的图像传感器的选型可以为CMOS图像传感器或者CCD图像传感器中的一种;
数据识别部件,与所述信息采集部件连接,用于获得每一时间分段内各个时刻分别对应的各帧实时场景画面,并基于所述各帧实时场景画面识别在所述时间分段内所述设定物业管理区域中出现过的人员数量,并作为所述时间分段对应的参考人员数量输出;
示例地,可以选择ASIC芯片或者SOC芯片来实现所述数据识别部件;
内容捕获部件,与所述信息采集部件连接,用于获得所述信息采集部件的各项采集参数,所述信息采集部件的各项采集参数包括固定帧数、解析度、对比度以及每一时间分段内采集画面的最大噪声幅值和噪声类型数量;
示例地,所述内容捕获部件可以包括多个数据捕获单元,用于分别获得所述信息采集部件的各项采集参数;
目标转换部件,分别与所述数据识别部件以及所述内容捕获部件连接,用于在当前时间分段到达时,基于当前时间分段之前固定数目的多个时间分段分别对应的多份参考人员数量、多份最大噪声幅值和多份噪声类型数量、所述信息采集部件的固定帧数、解析度和对比度以及所述设定物业管理区域的区域占地面积智能分析当前时间分段对应的参考人员数量、最大噪声幅值和噪声类型数量;
例如,基于当前时间分段之前固定数目的多个时间分段分别对应的多份参考人员数量、多份最大噪声幅值和多份噪声类型数量、所述信息采集部件的固定帧数、解析度和对比度以及所述设定物业管理区域的区域占地面积智能分析当前时间分段对应的参考人员数量、最大噪声幅值和噪声类型数量包括:可以选择使用数值仿真模式来实现基于当前时间分段之前固定数目的多个时间分段分别对应的多份参考人员数量、多份最大噪声幅值和多份噪声类型数量、所述信息采集部件的固定帧数、解析度和对比度以及所述设定物业管理区域的区域占地面积智能分析当前时间分段对应的参考人员数量、最大噪声幅值和噪声类型数量的处理过程。
实施例
图3为根据本发明的第二实施例示出的基于数据识别的物业综合管理系统的内部结构图。
如图3所示,相比较于图2,所述基于数据识别的物业综合管理系统还包括:
管理决策部件,与所述目标转换部件连接,用于基于接收到的当前时间分段对应的参考人员数量确定在当前时间分段内所述物业运营方对所述设定物业管理区域的巡察次数;
示例地,基于接收到的当前时间分段对应的参考人员数量确定在当前时间分段内所述物业运营方对所述设定物业管理区域的巡察次数包括:可以选择采用数值转换函数表示接收到的当前时间分段对应的参考人员数量与确定的在当前时间分段内所述物业运营方对所述设定物业管理区域的巡察次数的数值映射关系;
其中,所述设定物业管理区域在所述多个物业管理区域内且各个时间分段的持续时长相等;
其中,所述信息采集部件的各项采集参数包括固定帧数、解析度、对比度以及每一时间分段内采集画面的最大噪声幅值和噪声类型数量包括:每一时间分段内采集画面的最大噪声幅值为在所述时间分段内采集的各帧实时场景画面种出现过的最大噪声幅值;
其中,所述信息采集部件的各项采集参数包括固定帧数、解析度、对比度以及每一时间分段内采集画面的最大噪声幅值和噪声类型数量包括:每一时间分段内采集画面的噪声类型数量为在所述时间分段内采集的各帧实时场景画面种出现过的噪声类型的总数;
其中,基于接收到的当前时间分段对应的参考人员数量确定在当前时间分段内所述物业运营方对所述设定物业管理区域的巡察次数包括:确定的在当前时间分段内所述物业运营方对所述设定物业管理区域的巡察次数与接收到的当前时间分段对应的参考人员数量单调正向关联;
其中,基于当前时间分段之前固定数目的多个时间分段分别对应的多份参考人员数量、多份最大噪声幅值和多份噪声类型数量、所述信息采集部件的固定帧数、解析度和对比度以及所述设定物业管理区域的区域占地面积智能分析当前时间分段对应的参考人员数量、最大噪声幅值和噪声类型数量包括:采用完成多次训练后的卷积神经网络执行所述智能分析,所述多次训练的次数与所述设定物业管理区域的区域占地面积成正比;
示例地,所述多次训练的次数与所述设定物业管理区域的区域占地面积成正比包括:所述设定物业管理区域的区域占地面积为100平方米,所述多次训练的次数为200,所述设定物业管理区域的区域占地面积为150平方米,所述多次训练的次数为300,以及所述设定物业管理区域的区域占地面积为200平方米,所述多次训练的次数为400。
实施例
图4为根据本发明的第三实施例示出的基于数据识别的物业综合管理系统的内部结构图。
如图4所示,相比较于图3,所述基于数据识别的物业综合管理系统还包括:
动态处理部件,分别与所述管理决策部件以及所述信息采集部件连接,用于基于接收到的当前时间分段对应的最大噪声幅值确定对当前时间分段内所述信息采集部件输出的每一帧实时场景画面的降噪强度;
例如,动态处理部件,分别与所述管理决策部件以及所述信息采集部件连接,用于基于接收到的当前时间分段对应的最大噪声幅值确定对当前时间分段内所述信息采集部件输出的每一帧实时场景画面的降噪强度包括:采用16位或者32位并行数据总线完成动态处理部件、管理决策部件以及信息采集部件两两部件之间的并行数据通信。
其中,基于接收到的当前时间分段对应的最大噪声幅值确定对当前时间分段内所述信息采集部件输出的每一帧实时场景画面的降噪强度包括:接收到的当前时间分段对应的最大噪声幅值越大,确定的对当前时间分段内所述信息采集部件输出的每一帧实时场景画面的降噪强度越高。
实施例
图5为根据本发明的第四实施例示出的基于数据识别的物业综合管理系统的内部结构图。
如图5所示,相比较于图3,所述基于数据识别的物业综合管理系统还包括:
随动操作部件,分别与所述管理决策部件以及所述信息采集部件连接,用于基于接收到的当前时间分段对应的噪声类型数量确定对当前时间分段内所述信息采集部件输出的每一帧实时场景画面使用的降噪算法复杂度;
示例地,可以采用MATLAB工具箱仿真实现接收到的当前时间分段对应的噪声类型数量与确定的对当前时间分段内所述信息采集部件输出的每一帧实时场景画面使用的降噪算法复杂度之间的对应数值关系;
其中,基于接收到的当前时间分段对应的噪声类型数量确定对当前时间分段内所述信息采集部件输出的每一帧实时场景画面使用的降噪算法复杂度包括:接收到的当前时间分段对应的噪声类型数量越多,确定的对当前时间分段内所述信息采集部件输出的每一帧实时场景画面使用的降噪算法复杂度越高。
实施例
图6为根据本发明的第五实施例示出的基于数据识别的物业综合管理系统的内部结构图。
如图6所示,相比较于图3,所述基于数据识别的物业综合管理系统还包括:
训练执行部件,与所述目标转换部件连接,用于对卷积神经网络执行多次训练以获得完成多次训练后的卷积神经网络,并将完成多次训练后的卷积神经网络发生给所述目标转换部件使用;
示例地,可以选择FPGA器件、CPLD器件或者GAL器件来实现所述训练执行部件;
其中,对卷积神经网络执行多次训练以获得完成多次训练后的卷积神经网络,并将完成多次训练后的卷积神经网络发生给所述目标转换部件使用包括:在对卷积神经网络执行的每一次训练中,将已知的某一时间分段对应的参考人员数量、最大噪声幅值和噪声类型数量作为所述卷积神经网络的输出数据,将所述某一时间分段之前的固定数目的多个时间分段分别对应的多份参考人员数量、多份最大噪声幅值和多份噪声类型数量、所述信息采集部件的固定帧数、解析度和对比度以及所述设定物业管理区域的区域占地面积作为所述卷积神经网络的逐项输入数据。
实施例
图7为根据本发明的第六实施例示出的基于数据识别的物业综合管理系统的内部结构图。
如图7所示,相比较于图3,所述基于数据识别的物业综合管理系统还包括:
即时播放部件,与所述目标转换部件连接且设置在所述物业运营方的控制操作间内,用于接收并即时播放与当前时间分段对应的参考人员数量、最大噪声幅值和噪声类型数量的显示信息;
例如,可以选择液晶显示屏幕、LED显示阵列或者LCD显示阵列来实现所述即时播放部件,与所述目标转换部件连接且设置在所述物业运营方的控制操作间内,用于接收并即时播放与当前时间分段对应的参考人员数量、最大噪声幅值和噪声类型数量的显示信息。
接着,将继续对本发明的各个实施例进行进一步地说明。
在上述各个实施例内,可选地,在所述基于数据识别的物业综合管理系统中:
获得每一时间分段内各个时刻分别对应的各帧实时场景画面,并基于所述各帧实时场景画面识别在所述时间分段内所述设定物业管理区域中出现过的人员数量包括:识别所述时间分段内每一时刻对应的实时场景画面中的各个人体目标以作为所述时刻对应的人体目标集合;
例如,可以基于标准人体成像特性识别所述时间分段内每一时刻对应的实时场景画面中的各个人体目标;
其中,获得每一时间分段内各个时刻分别对应的各帧实时场景画面,并基于所述各帧实时场景画面识别在所述时间分段内所述设定物业管理区域中出现过的人员数量还包括:将所述时间分段内的各个时刻分别对应的各个人体目标集合进行合并以获得汇总人体目标集合;
其中,获得每一时间分段内各个时刻分别对应的各帧实时场景画面,并基于所述各帧实时场景画面识别在所述时间分段内所述设定物业管理区域中出现过的人员数量还包括:对所述汇总人体目标集合中的人体目标进行去重处理以获得剩余的多个人体目标,将剩余的多个人体目标的总数作为所述时间分段内所述设定物业管理区域中出现过的人员数量。
以及在上述各个实施例内,可选地,在所述基于数据识别的物业综合管理系统中:
以固定帧速执行对所述设定物业管理区域内的场景画面采集,以获得每一时刻对应的实时场景画面包括:所述固定帧速的数值越大,每一时刻对应的实时场景画面的解析度越低,且所述固定帧速的数值大于等于设定帧速阈值;
这样,采用所述固定帧速的数值越大,每一时刻对应的实时场景画面的解析度越低,且所述固定帧速的数值大于等于设定帧速阈值的数值关联设计模式,能够在保证成像效果的同时,避免出现过多的视觉数据量,影响后续的图像数据识别处理的复杂度;
其中,以固定帧速执行对所述设定物业管理区域内的场景画面采集,以获得每一时刻对应的实时场景画面包括:各个时刻对应的各帧实时场景画面的解析度和对比度相同。
实施例
图8为根据本发明的第七实施例示出的基于数据识别的物业综合管理方法的步骤流程图。
如图8所示,所述基于数据识别的物业综合管理方法包括以下步骤:
采用设置在设定物业管理区域内的信息采集部件用于以固定帧速执行对所述设定物业管理区域内的场景画面采集,以获得每一时刻对应的实时场景画面,单个物业运营方同时负责管理多个物业管理区域;
示例地,所述信息采集部件可以为内置图像传感器的可视化监视器;
例如,所述可视化监视器内置的图像传感器的选型可以为CMOS图像传感器或者CCD图像传感器中的一种;
获得每一时间分段内各个时刻分别对应的各帧实时场景画面,并基于所述各帧实时场景画面识别在所述时间分段内所述设定物业管理区域中出现过的人员数量,并作为所述时间分段对应的参考人员数量输出;
示例地,可以选择ASIC芯片或者SOC芯片来实现获得每一时间分段内各个时刻分别对应的各帧实时场景画面,并基于所述各帧实时场景画面识别在所述时间分段内所述设定物业管理区域中出现过的人员数量,并作为所述时间分段对应的参考人员数量输出的操作构成;
获得所述信息采集部件的各项采集参数,所述信息采集部件的各项采集参数包括固定帧数、解析度、对比度以及每一时间分段内采集画面的最大噪声幅值和噪声类型数量;
示例地,可以选择使用多个数据捕获单元,用于分别获得所述信息采集部件的各项采集参数;
在当前时间分段到达时,基于当前时间分段之前固定数目的多个时间分段分别对应的多份参考人员数量、多份最大噪声幅值和多份噪声类型数量、所述信息采集部件的固定帧数、解析度和对比度以及所述设定物业管理区域的区域占地面积智能分析当前时间分段对应的参考人员数量、最大噪声幅值和噪声类型数量;
例如,基于当前时间分段之前固定数目的多个时间分段分别对应的多份参考人员数量、多份最大噪声幅值和多份噪声类型数量、所述信息采集部件的固定帧数、解析度和对比度以及所述设定物业管理区域的区域占地面积智能分析当前时间分段对应的参考人员数量、最大噪声幅值和噪声类型数量包括:可以选择使用数值仿真模式来实现基于当前时间分段之前固定数目的多个时间分段分别对应的多份参考人员数量、多份最大噪声幅值和多份噪声类型数量、所述信息采集部件的固定帧数、解析度和对比度以及所述设定物业管理区域的区域占地面积智能分析当前时间分段对应的参考人员数量、最大噪声幅值和噪声类型数量的处理过程。
基于接收到的当前时间分段对应的参考人员数量确定在当前时间分段内所述物业运营方对所述设定物业管理区域的巡察次数;
示例地,基于接收到的当前时间分段对应的参考人员数量确定在当前时间分段内所述物业运营方对所述设定物业管理区域的巡察次数包括:可以选择采用数值转换函数表示接收到的当前时间分段对应的参考人员数量与确定的在当前时间分段内所述物业运营方对所述设定物业管理区域的巡察次数的数值映射关系;
其中,所述设定物业管理区域在所述多个物业管理区域内且各个时间分段的持续时长相等;
其中,所述信息采集部件的各项采集参数包括固定帧数、解析度、对比度以及每一时间分段内采集画面的最大噪声幅值和噪声类型数量包括:每一时间分段内采集画面的最大噪声幅值为在所述时间分段内采集的各帧实时场景画面种出现过的最大噪声幅值;
其中,所述信息采集部件的各项采集参数包括固定帧数、解析度、对比度以及每一时间分段内采集画面的最大噪声幅值和噪声类型数量包括:每一时间分段内采集画面的噪声类型数量为在所述时间分段内采集的各帧实时场景画面种出现过的噪声类型的总数;
其中,基于接收到的当前时间分段对应的参考人员数量确定在当前时间分段内所述物业运营方对所述设定物业管理区域的巡察次数包括:确定的在当前时间分段内所述物业运营方对所述设定物业管理区域的巡察次数与接收到的当前时间分段对应的参考人员数量单调正向关联;
其中,基于当前时间分段之前固定数目的多个时间分段分别对应的多份参考人员数量、多份最大噪声幅值和多份噪声类型数量、所述信息采集部件的固定帧数、解析度和对比度以及所述设定物业管理区域的区域占地面积智能分析当前时间分段对应的参考人员数量、最大噪声幅值和噪声类型数量包括:采用完成多次训练后的卷积神经网络执行所述智能分析,所述多次训练的次数与所述设定物业管理区域的区域占地面积成正比;
示例地,所述多次训练的次数与所述设定物业管理区域的区域占地面积成正比包括:所述设定物业管理区域的区域占地面积为100平方米,所述多次训练的次数为200,所述设定物业管理区域的区域占地面积为150平方米,所述多次训练的次数为300,以及所述设定物业管理区域的区域占地面积为200平方米,所述多次训练的次数为400。
另外,在根据本发明的基于数据识别的物业综合管理系统及方法中:
基于当前时间分段之前固定数目的多个时间分段分别对应的多份参考人员数量、多份最大噪声幅值和多份噪声类型数量、所述信息采集部件的固定帧数、解析度和对比度以及所述设定物业管理区域的区域占地面积智能分析当前时间分段对应的参考人员数量、最大噪声幅值和噪声类型数量还包括:所述固定数目的取值与所述固定帧速的取值单调正向关联;
其中,基于当前时间分段之前固定数目的多个时间分段分别对应的多份参考人员数量、多份最大噪声幅值和多份噪声类型数量、所述信息采集部件的固定帧数、解析度和对比度以及所述设定物业管理区域的区域占地面积智能分析当前时间分段对应的参考人员数量、最大噪声幅值和噪声类型数量还包括:将当前时间分段之前固定数目的多个时间分段分别对应的多份参考人员数量、多份最大噪声幅值和多份噪声类型数量、所述信息采集部件的固定帧数、解析度和对比度以及所述设定物业管理区域的区域占地面积作为完成多次训练后的卷积神经网络的逐项输入数据;
其中,基于当前时间分段之前固定数目的多个时间分段分别对应的多份参考人员数量、多份最大噪声幅值和多份噪声类型数量、所述信息采集部件的固定帧数、解析度和对比度以及所述设定物业管理区域的区域占地面积智能分析当前时间分段对应的参考人员数量、最大噪声幅值和噪声类型数量还包括:运行完成多次训练后的卷积神经网络,获得完成多次训练后的卷积神经网络输出的当前时间分段对应的参考人员数量、最大噪声幅值和噪声类型数量。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的实施方式的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。在本说明书的描述中,参考术语“一个实施方式”、“某些实施方式”、“示意性实施方式”、“示例”、“具体示例”或“一些示例”等的描述意指结合所述实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于数据识别的物业综合管理系统,其特征在于,所述系统包括:
信息采集部件,设置在设定物业管理区域内,用于以固定帧速执行对所述设定物业管理区域内的场景画面采集,以获得每一时刻对应的实时场景画面,单个物业运营方同时负责管理多个物业管理区域;
数据识别部件,与所述信息采集部件连接,用于获得每一时间分段内各个时刻分别对应的各帧实时场景画面,并基于所述各帧实时场景画面识别在所述时间分段内所述设定物业管理区域中出现过的人员数量,并作为所述时间分段对应的参考人员数量输出;
内容捕获部件,与所述信息采集部件连接,用于获得所述信息采集部件的各项采集参数,所述信息采集部件的各项采集参数包括固定帧数、解析度、对比度以及每一时间分段内采集画面的最大噪声幅值和噪声类型数量;
目标转换部件,分别与所述数据识别部件以及所述内容捕获部件连接,用于在当前时间分段到达时,基于当前时间分段之前固定数目的多个时间分段分别对应的多份参考人员数量、多份最大噪声幅值和多份噪声类型数量、所述信息采集部件的固定帧数、解析度和对比度以及所述设定物业管理区域的区域占地面积,来智能分析当前时间分段对应的参考人员数量、最大噪声幅值和噪声类型数量。
2.如权利要求1所述的基于数据识别的物业综合管理系统,其特征在于,所述系统还包括:
管理决策部件,与所述目标转换部件连接,用于基于接收到的当前时间分段对应的参考人员数量确定在当前时间分段内所述物业运营方对所述设定物业管理区域的巡察次数;
其中,所述设定物业管理区域在所述多个物业管理区域内且各个时间分段的持续时长相等;
其中,每一时间分段内采集画面的最大噪声幅值为在所述时间分段内采集的各帧实时场景画面种出现过的最大噪声幅值;
其中,每一时间分段内采集画面的噪声类型数量为在所述时间分段内采集的各帧实时场景画面种出现过的噪声类型的总数。
3.如权利要求2所述的基于数据识别的物业综合管理系统,其特征在于:
基于接收到的当前时间分段对应的参考人员数量确定在当前时间分段内所述物业运营方对所述设定物业管理区域的巡察次数包括:确定的在当前时间分段内所述物业运营方对所述设定物业管理区域的巡察次数与接收到的当前时间分段对应的参考人员数量单调正向关联;
其中,基于当前时间分段之前固定数目的多个时间分段分别对应的多份参考人员数量、多份最大噪声幅值和多份噪声类型数量、所述信息采集部件的固定帧数、解析度和对比度以及所述设定物业管理区域的区域占地面积,来智能分析当前时间分段对应的参考人员数量、最大噪声幅值和噪声类型数量包括:采用完成多次训练后的卷积神经网络执行所述智能分析,所述多次训练的次数与所述设定物业管理区域的区域占地面积成正比。
4.如权利要求3所述的基于数据识别的物业综合管理系统,其特征在于,所述系统还包括:
动态处理部件,分别与所述管理决策部件以及所述信息采集部件连接,用于基于接收到的当前时间分段对应的最大噪声幅值确定对当前时间分段内所述信息采集部件输出的每一帧实时场景画面的降噪强度;
其中,基于接收到的当前时间分段对应的最大噪声幅值确定对当前时间分段内所述信息采集部件输出的每一帧实时场景画面的降噪强度包括:接收到的当前时间分段对应的最大噪声幅值越大,确定的对当前时间分段内所述信息采集部件输出的每一帧实时场景画面的降噪强度越高。
5.如权利要求3所述的基于数据识别的物业综合管理系统,其特征在于,所述系统还包括:
随动操作部件,分别与所述管理决策部件以及所述信息采集部件连接,用于基于接收到的当前时间分段对应的噪声类型数量确定对当前时间分段内所述信息采集部件输出的每一帧实时场景画面使用的降噪算法复杂度;
其中,基于接收到的当前时间分段对应的噪声类型数量确定对当前时间分段内所述信息采集部件输出的每一帧实时场景画面使用的降噪算法复杂度包括:接收到的当前时间分段对应的噪声类型数量越多,确定的对当前时间分段内所述信息采集部件输出的每一帧实时场景画面使用的降噪算法复杂度越高。
6.如权利要求3所述的基于数据识别的物业综合管理系统,其特征在于,所述系统还包括:
训练执行部件,与所述目标转换部件连接,用于对卷积神经网络执行多次训练以获得完成多次训练后的卷积神经网络,并将完成多次训练后的卷积神经网络发生给所述目标转换部件使用;
其中,对卷积神经网络执行多次训练以获得完成多次训练后的卷积神经网络,并将完成多次训练后的卷积神经网络发生给所述目标转换部件使用包括:在对卷积神经网络执行的每一次训练中,将已知的某一时间分段对应的参考人员数量、最大噪声幅值和噪声类型数量作为所述卷积神经网络的输出数据,将所述某一时间分段之前的固定数目的多个时间分段分别对应的多份参考人员数量、多份最大噪声幅值和多份噪声类型数量、所述信息采集部件的固定帧数、解析度和对比度以及所述设定物业管理区域的区域占地面积作为所述卷积神经网络的逐项输入数据。
7.如权利要求3所述的基于数据识别的物业综合管理系统,其特征在于,所述系统还包括:
即时播放部件,与所述目标转换部件连接且设置在所述物业运营方的控制操作间内,用于接收并即时播放与当前时间分段对应的参考人员数量、最大噪声幅值和噪声类型数量的显示信息。
8.如权利要求3-7任一所述的基于数据识别的物业综合管理系统,其特征在于:
获得每一时间分段内各个时刻分别对应的各帧实时场景画面,并基于所述各帧实时场景画面识别在所述时间分段内所述设定物业管理区域中出现过的人员数量包括:
识别所述时间分段内每一时刻对应的实时场景画面中的各个人体目标以作为所述时刻对应的人体目标集合;
其中,将所述时间分段内的各个时刻分别对应的各个人体目标集合进行合并以获得汇总人体目标集合;
其中,对所述汇总人体目标集合中的人体目标进行去重处理以获得剩余的多个人体目标,将剩余的多个人体目标的总数作为所述时间分段内所述设定物业管理区域中出现过的人员数量。
9.如权利要求3-7任一所述的基于数据识别的物业综合管理系统,其特征在于:
其中,所述固定帧速的数值越大,每一时刻对应的实时场景画面的解析度越低,且所述固定帧速的数值大于等于设定帧速阈值;
其中,各个时刻对应的各帧实时场景画面的解析度和对比度相同。
10.一种基于数据识别的物业综合管理方法,其特征在于,所述方法包括:
采用设置在设定物业管理区域内的信息采集部件用于以固定帧速执行对所述设定物业管理区域内的场景画面采集,以获得每一时刻对应的实时场景画面,单个物业运营方同时负责管理多个物业管理区域;
获得每一时间分段内各个时刻分别对应的各帧实时场景画面,并基于所述各帧实时场景画面识别在所述时间分段内所述设定物业管理区域中出现过的人员数量,并作为所述时间分段对应的参考人员数量输出;
获得所述信息采集部件的各项采集参数,所述信息采集部件的各项采集参数包括固定帧数、解析度、对比度以及每一时间分段内采集画面的最大噪声幅值和噪声类型数量;
在当前时间分段到达时,基于当前时间分段之前固定数目的多个时间分段分别对应的多份参考人员数量、多份最大噪声幅值和多份噪声类型数量、所述信息采集部件的固定帧数、解析度和对比度以及所述设定物业管理区域的区域占地面积,来智能分析当前时间分段对应的参考人员数量、最大噪声幅值和噪声类型数量;
基于接收到的当前时间分段对应的参考人员数量确定在当前时间分段内所述物业运营方对所述设定物业管理区域的巡察次数;
其中,所述设定物业管理区域在所述多个物业管理区域内且各个时间分段的持续时长相等;
其中,每一时间分段内采集画面的最大噪声幅值为在所述时间分段内采集的各帧实时场景画面种出现过的最大噪声幅值;
其中,每一时间分段内采集画面的噪声类型数量为在所述时间分段内采集的各帧实时场景画面种出现过的噪声类型的总数;
其中,基于接收到的当前时间分段对应的参考人员数量确定在当前时间分段内所述物业运营方对所述设定物业管理区域的巡察次数包括:确定的在当前时间分段内所述物业运营方对所述设定物业管理区域的巡察次数与接收到的当前时间分段对应的参考人员数量单调正向关联;
其中,基于当前时间分段之前固定数目的多个时间分段分别对应的多份参考人员数量、多份最大噪声幅值和多份噪声类型数量、所述信息采集部件的固定帧数、解析度和对比度以及所述设定物业管理区域的区域占地面积,来智能分析当前时间分段对应的参考人员数量、最大噪声幅值和噪声类型数量包括:采用完成多次训练后的卷积神经网络执行所述智能分析,所述多次训练的次数与所述设定物业管理区域的区域占地面积成正比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311093864.8A CN116843514B (zh) | 2023-08-29 | 2023-08-29 | 一种基于数据识别的物业综合管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311093864.8A CN116843514B (zh) | 2023-08-29 | 2023-08-29 | 一种基于数据识别的物业综合管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116843514A CN116843514A (zh) | 2023-10-03 |
CN116843514B true CN116843514B (zh) | 2023-11-21 |
Family
ID=88163771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311093864.8A Active CN116843514B (zh) | 2023-08-29 | 2023-08-29 | 一种基于数据识别的物业综合管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116843514B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117745044B (zh) * | 2024-02-21 | 2024-08-30 | 广东广宇科技发展有限公司 | 物业资产管理方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110459236A (zh) * | 2019-08-15 | 2019-11-15 | 北京小米移动软件有限公司 | 音频信号的噪声估计方法、装置及存储介质 |
CN110864800A (zh) * | 2018-08-28 | 2020-03-06 | 朱如兴 | 现场噪声幅值分析方法 |
JP2021015497A (ja) * | 2019-07-12 | 2021-02-12 | コニカミノルタ株式会社 | 制御装置、制御プログラム、および制御方法 |
CN113808602A (zh) * | 2021-01-29 | 2021-12-17 | 北京沃东天骏信息技术有限公司 | 语音增强方法、模型训练方法以及相关设备 |
CN113870063A (zh) * | 2021-10-13 | 2021-12-31 | 滨州学院 | 一种基于计算机视觉技术的校园智慧餐厅系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6910208B2 (ja) * | 2017-05-30 | 2021-07-28 | キヤノン株式会社 | 情報処理装置、情報処理方法およびプログラム |
-
2023
- 2023-08-29 CN CN202311093864.8A patent/CN116843514B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110864800A (zh) * | 2018-08-28 | 2020-03-06 | 朱如兴 | 现场噪声幅值分析方法 |
JP2021015497A (ja) * | 2019-07-12 | 2021-02-12 | コニカミノルタ株式会社 | 制御装置、制御プログラム、および制御方法 |
CN110459236A (zh) * | 2019-08-15 | 2019-11-15 | 北京小米移动软件有限公司 | 音频信号的噪声估计方法、装置及存储介质 |
CN113808602A (zh) * | 2021-01-29 | 2021-12-17 | 北京沃东天骏信息技术有限公司 | 语音增强方法、模型训练方法以及相关设备 |
CN113870063A (zh) * | 2021-10-13 | 2021-12-31 | 滨州学院 | 一种基于计算机视觉技术的校园智慧餐厅系统 |
Non-Patent Citations (1)
Title |
---|
Dynamic noise estimation: A generalized method for modeling noise in sequential decision-making behavior;Jing-Jing Li等;《bioRxiv》;第1-24页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116843514A (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116843514B (zh) | 一种基于数据识别的物业综合管理系统及方法 | |
CN102616613B (zh) | 一种电梯监控系统 | |
CN204463272U (zh) | 预约排队系统 | |
CN105208528B (zh) | 一种用于识别同行人员的系统及方法 | |
CN116452379B (zh) | 一种基于大数据的智慧校园管理系统 | |
CN111104610B (zh) | 一种社区人口大数据的可视化管理系统和方法 | |
CN113689648B (zh) | 一种基于物联网的智慧社区安防管理系统及方法 | |
CN108229860A (zh) | 一种建筑工程质量监测装置 | |
CN104954744A (zh) | 烟雾检测系统 | |
CN101605247A (zh) | 基于虚拟仪器的网络视频监控系统 | |
CN203135930U (zh) | 一种变电站双视在线监测智能预警系统 | |
CN117579782A (zh) | 用于楼宇监控的图像数据处理系统 | |
CN111402346A (zh) | 一种基于bim的智慧楼宇系统及其管理方法 | |
CN118192400A (zh) | 一种智慧泵站自动管理与控制方法 | |
CN103167313B (zh) | 视频监控业务质量测试方法和系统、质量测试服务器 | |
CN201435784Y (zh) | 一种网络视频监控系统 | |
CN110069509A (zh) | 全周期多维度智能温控信息处理系统和方法 | |
CN113691778A (zh) | 一种城市轨道交通车站全景巡站系统 | |
CN105282497A (zh) | 铁路接送列车安全辅助系统及使用方法 | |
CN103067654B (zh) | 一种具有无线电侦测及频谱显示功能的摄像机 | |
CN107506944A (zh) | 一种用于对视频监控系统性能进行评价的方法及系统 | |
CN108806165B (zh) | 拍照式火焰探测系统及其控制方法 | |
CN116385959A (zh) | 一种基于深度学习的皮带通廊全域烟雾实时检测方法 | |
CN115204703A (zh) | 基于5g的多源融合社区服务系统 | |
CN115830445A (zh) | 一种自动发现识别建筑物加盖识别方法及系统 |
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 |