CN117689215B - 危险货物集装箱的港区装卸仓储安全风险评估系统、方法 - Google Patents
危险货物集装箱的港区装卸仓储安全风险评估系统、方法 Download PDFInfo
- Publication number
- CN117689215B CN117689215B CN202410138563.0A CN202410138563A CN117689215B CN 117689215 B CN117689215 B CN 117689215B CN 202410138563 A CN202410138563 A CN 202410138563A CN 117689215 B CN117689215 B CN 117689215B
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- risk
- transportation path
- cargo
- data
- 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 65
- 238000012502 risk assessment Methods 0.000 title claims abstract description 34
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims abstract description 159
- 229910052744 lithium Inorganic materials 0.000 claims abstract description 159
- 238000012937 correction Methods 0.000 claims abstract description 38
- 238000013135 deep learning Methods 0.000 claims abstract description 21
- 230000005855 radiation Effects 0.000 claims description 61
- 230000006870 function Effects 0.000 claims description 43
- 238000013210 evaluation model Methods 0.000 claims description 37
- 230000007613 environmental effect Effects 0.000 claims description 31
- 238000011156 evaluation Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 21
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 20
- 229910052760 oxygen Inorganic materials 0.000 claims description 20
- 239000001301 oxygen Substances 0.000 claims description 20
- 239000000126 substance Substances 0.000 claims description 19
- 238000012911 target assessment Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000002485 combustion reaction Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000002269 spontaneous effect Effects 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 108091026890 Coding region Proteins 0.000 claims description 3
- 238000013215 result calculation Methods 0.000 claims description 3
- 231100001261 hazardous Toxicity 0.000 claims description 2
- 238000010438 heat treatment Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 15
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 108700026244 Open Reading Frames Proteins 0.000 description 1
- 241001417517 Scatophagidae Species 0.000 description 1
- 239000012298 atmosphere Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了危险货物集装箱的港区装卸仓储安全风险评估系统、方法,解决了现有技术无法对锂电池汽车港区装卸风险进行精准评估的问题,所述方法包括:获取货物集装箱关联的外部环境数据以及内部锂电池状态数据;基于外部环境数据生成货物运输路径有向图,基于深度学习和计算机视觉校正并重构隐藏在干扰数据后的锂电池预警模型;执行锂电池预警模型,得到货物集装箱实时运输风险评估结果;本发明实施例通过构建锂电池预警模型来计算货物集装箱实时运输风险评估结果,从而实现对锂电池汽车在港区转运装卸过程中风险进行评估预警,同时结合货物集装箱关联的外部环境数据以及内部锂电池状态数据实现对风险的精准评估。
Description
技术领域
本发明属于数据处理技术领域,具体涉及危险货物集装箱的港区装卸仓储安全风险评估系统、方法。
背景技术
现阶段,港口生产运输场景是多工种、多环节的组合场景,港口生产运输场景具有作业点多、分散、受自然因素影响大的特点,同时考虑到港口生产运输的高度连续性、随机性及复杂性,使得港口生产运输较一般行业潜在着更大的危险性和不安全因素。
随着新能源技术的不断进步和完善,新能源汽车市场占比越来越大,而锂电池汽车作为新能源汽车的一种,在港区运输作业占比也越来越重,考虑到锂电池汽车中锂电池作为危险源,在装卸存储过程中会对港区造成潜在的威胁,而现有技术虽然针对易燃易爆罐装货物、有毒货物风险评价存在一定准则,但是现有技术仅仅通过经验和主观评判对锂电池汽车在港区装卸风险进行评估,无法对锂电池汽车港区装卸风险进行精准评估,为了解决上述问题,我们提出了危险货物集装箱的港区装卸仓储安全风险评估系统、方法。
发明内容
本发明的目的在于针对现有技术的不足之处,提供危险货物集装箱的港区装卸仓储安全风险评估系统、方法,解决了现有技术仅通过经验和主观评判对锂电池汽车在港区装卸风险进行评估,无法对锂电池汽车港区装卸风险进行精准评估的问题。
本发明是这样实现的,危险货物集装箱的港区装卸仓储安全风险评估方法,所述危险货物集装箱的港区装卸仓储安全风险评估方法,具体包括:
获取货物集装箱关联的外部环境数据以及内部锂电池状态数据;
加载外部环境数据,基于外部环境数据生成货物运输路径有向图,遍历所述货物运输路径有向图,识别货物运输路径有向图中环境风险源以及环境风险值,重构货物运输路径有向图,生成运输路径辐射函数;
采集事故历史数据,通过事故历史数据训练并测试预配置的风险评估模型,得到多组目标评估模型,基于深度学习和计算机视觉校正并重构隐藏在干扰数据后的锂电池预警模型;
以运输路径辐射函数以及内部锂电池状态数据为输入,执行锂电池预警模型,得到货物集装箱实时运输风险评估结果。
优选地,所述基于外部环境数据生成货物运输路径有向图的方法,具体包括:
加载货物集装箱运输路径坐标数据集以及锂电池集装箱堆场位置信息,其中,运输路径坐标数据集包括港区罐区、危害物储存区以及危害品罐车实时坐标数据;
基于货物集装箱运输路径坐标数据集以及锂电池集装箱堆场位置信息生成锂电池运行三维立体网格;
以货物集装箱单向运输方向为传播路径,依次连接传播路径中货物集装箱与所经过的港区罐区、危害物储存区以及危害品罐车交汇点,生成货物运输路径有向图。
优选地,所述重构货物运输路径有向图,生成运输路径辐射函数的方法,具体包括:
遍历所述货物运输路径有向图;
对货物运输路径有向图进行区域划分,并对划分后的区域逐一编号,得到带有编号区域,获取编号区域内场景实时数据,其中,场景实时数据包括编号区域内交汇点的实时温度、有害物浓度、能见度、氧气浓度;
基于预设的风险源等级划分规则获取编号区域内交汇点的风险等级,基于风险等级以及风险值校正函数计算当前环境风险源的环境风险值。
优选地,所述基于风险等级以及风险值校正函数计算当前环境风险源的环境风险值的方法,具体包括:
获取编号区域内交汇点的风险等级,通过公式(1)计算当前环境风险源的环境风险值;
(1)
其中,表示风险值校正函数,/>表示编号区域内交汇点风险因素数量,而/>为每种风险因素的实际存在量,而/>表示风险因素对应的临界总量,/>表示编号区域内交汇点的等级校正值,等级校正值通过式(2)计算;
(2)
其中,表示编号区域内交汇点的等级影响因素,等级影响因素为实时温度、有害物浓度、能见度、氧气浓度,/>表示实时温度、有害物浓度、能见度、氧气浓度的占比系数,编号区域内交汇点的实时温度、有害物浓度、能见度、氧气浓度总占比系数和为1,而/>为编号区域内交汇点的风险等级,/>为实时温度、有害物浓度、能见度、氧气浓度的安全等级,若实时温度、有害物浓度、能见度、氧气浓度的安全等级为安全值范围内,则/>置为0;
所述风险值校正函数的表达式(3)为:
(3)
其中,为编号区域内交汇点密度,/>为货物集装箱的运行速度,/>表示在编号区域内货物集装箱的停留时间,/>表示货物集装箱与交汇点最近距离,/>表示校正系数,而/>为编号区域内交汇点总量。
优选地,所述重构货物运输路径有向图,生成运输路径辐射函数的方法,具体还包括:
加载货物运输路径有向图,基于货物运输路径分析锂电池叠加热传递、破损以及自燃后与区域内交汇点的关联性,计算锂电池状态传播因子;
(4)
其中,表示锂电池实时温度,/>为锂电池总重量,而/>为锂电池状态传播系数;
(5)
其中,为区域内交汇点初始温度,/>为区域内交汇点的交汇温度,/>为编号区域的体积;
基于锂电池状态传播因子绘制锂电池在编号区域内的传播辐射图;
以传播辐射图覆盖运输路径有向图,生成重构货物运输路径有向图,重构货物运输路径有向图中锂电池传播风险值以运输路径辐射函数表示,其中运输路径辐射函数表示为:
(6)
其中,为锂电池异常状态对编号区域的辐射概率,/>为锂电池正常状态对编号区域的辐射概率,/>为锂电池自屏蔽状态对编号区域的辐射概率,/>表示编号区域的事故影响结果。
优选地,所述通过事故历史数据训练并测试预配置的风险评估模型,得到多组目标评估模型的方法,具体包括:
获取事故历史数据,加载预配置的初始评估模型,所述初始评估模型为DeeplabV3+网络;
扩大历史数据数量,并对扩大后的历史数据进行编号,将历史数据划分为训练集以及测试集;
将训练集以及测试集放初始评估模型进行训练以及测试,得到修剪后的多组目标评估模型,获得初始评估值;
基于预设的评估精度判断初始评估值是否超过评估精度,若超过评估精度,则保留当前目标评估模型。
优选地,所述基于深度学习和计算机视觉校正并重构隐藏在干扰数据后的锂电池预警模型的方法,具体包括:
基于计算机视觉获取内部锂电池状态数据,同时加载历史数据中的外部环境数据以及多组目标评估模型;
基于深度学习校正锂电池状态数据,校正后锂电池特征向量输出结果为;
(7)
其中,为卷积矩阵,/>表示卷积核大小,且/>的大小为/>,而/>表示卷积矩阵在卷积运算时的补零层数,/>表示卷积空洞度。
优选地,所述基于深度学习和计算机视觉校正并重构隐藏在干扰数据后的锂电池预警模型的方法,具体还包括:
采用分裂布雷格曼迭代算法求解构建的多组目标评估模型,并依次解调得到隐藏在干扰数据后的锂电池预警模型;
其中,锂电池预警模型的表达式为:
(8)。
另一方面,本发明还提供了一种危险货物集装箱的港区装卸仓储安全风险评估系统,所述系统包括:
数据采集服务器,数据采集服务器用于获取货物集装箱关联的外部环境数据以及内部锂电池状态数据;
路径有向图生成模块,路径有向图生成模块用于加载外部环境数据,基于外部环境数据生成货物运输路径有向图,遍历所述货物运输路径有向图,识别货物运输路径有向图中环境风险源以及环境风险值,重构货物运输路径有向图,生成运输路径辐射函数;
预警模型生成模块,预警模型生成模块用于采集事故历史数据,通过事故历史数据训练并测试预配置的风险评估模型,得到多组目标评估模型,基于深度学习和计算机视觉校正并重构隐藏在干扰数据后的锂电池预警模型;
评估结果计算模块,评估结果计算模块以运输路径辐射函数以及内部锂电池状态数据为输入,执行锂电池预警模型,得到货物集装箱实时运输风险评估结果。
优选地,所述路径有向图生成模块包括:
坐标采集单元,坐标采集单元用于加载货物集装箱运输路径坐标数据集以及锂电池集装箱堆场位置信息,其中,运输路径坐标数据集包括港区罐区、危害物储存区以及危害品罐车实时坐标数据;
立体网格构建单元,立体网格构建单元基于货物集装箱运输路径坐标数据集以及锂电池集装箱堆场位置信息生成锂电池运行三维立体网格;
有向图生成单元,有向图生成单元以货物集装箱单向运输方向为传播路径,依次连接传播路径中货物集装箱与所经过的港区罐区、危害物储存区以及危害品罐车交汇点,生成货物运输路径有向图。
与现有技术相比,本申请实施例主要有以下有益效果:
本发明实施例通过构建锂电池预警模型来计算货物集装箱实时运输风险评估结果,从而实现对锂电池汽车在港区转运装卸过程中风险进行评估预警,同时结合货物集装箱关联的外部环境数据以及内部锂电池状态数据实现对风险的精准评估,相对于现有技术对锂电池汽车港区装卸风险结果更为准确。
在本实施例中以传播辐射图覆盖运输路径有向图,生成重构货物运输路径有向图,从而实现了对异常状态辐射扩散结果进行预判,且重构后的货物运输路径有向图可以通过后台显示器实时显示呈现,使得锂电池运输过程中风险可视化,便于对事故的预警以及事故发生第一时间进行分析诊断。
附图说明
图1是本发明提供的危险货物集装箱的港区装卸仓储安全风险评估方法的实现流程示意图。
图2示出了基于外部环境数据生成货物运输路径有向图方法的实现流程示意图。
图3出了重构货物运输路径有向图,生成运输路径辐射函数方法的实现流程示意图。
图4示出了所述通过事故历史数据训练并测试预配置的风险评估模型,得到多组目标评估模型方法的实现流程示意图。
图5示出了所述基于深度学习和计算机视觉校正并重构隐藏在干扰数据后的锂电池预警模型方法的实现流程示意图。
图6是本发明提供的危险货物集装箱的港区装卸仓储安全风险评估系统的结构示意图。
图7示出了本发明提供的路径有向图生成模块的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
现有技术虽然针对易燃易爆罐装货物、有毒货物风险评价存在一定准则,但是现有技术仅通过经验和主观评判对锂电池汽车在港区装卸风险进行评估,无法对锂电池汽车港区装卸风险进行精准评估,为了解决上述问题,我们提出了危险货物集装箱的港区装卸仓储安全风险评估系统、方法,简而言之,所述方法首先包括获取货物集装箱关联的外部环境数据以及内部锂电池状态数据,然后基于外部环境数据生成货物运输路径有向图,遍历所述货物运输路径有向图,并重构货物运输路径有向图,生成运输路径辐射函数,然后基于深度学习和计算机视觉校正并重构隐藏在干扰数据后的锂电池预警模型,最后,可以以运输路径辐射函数以及内部锂电池状态数据为输入,执行锂电池预警模型,得到货物集装箱实时运输风险评估结果。本发明实施例通过构建锂电池预警模型来计算货物集装箱实时运输风险评估结果,从而实现对锂电池汽车在港区转运装卸过程中风险进行评估预警,同时结合货物集装箱关联的外部环境数据以及内部锂电池状态数据实现对风险的精准评估,相对于现有技术对锂电池汽车港区装卸风险结果更为准确。
本发明实施例提供了危险货物集装箱的港区装卸仓储安全风险评估方法,图1示出了所述危险货物集装箱的港区装卸仓储安全风险评估方法的实现流程示意图,所述危险货物集装箱的港区装卸仓储安全风险评估方法,具体包括:
步骤S10,获取货物集装箱关联的外部环境数据以及内部锂电池状态数据;
需要说明的是,获取货物集装箱关联的外部环境数据以及内部锂电池状态数据可以通过数据采集服务器100获取,而数据采集服务器100则以一拖n组的方式通讯连接有上位机、工业相机、温度传感器、湿度传感器、浓度传感器、氧气传感器、烟雾传感器以及红外传感器,通过数据采集服务器100可以获取危险货物集装箱关联的外部环境数据以及内部锂电池状态数据,与现有技术不同的是,本申请中获取数据种类更为全面,从而方便了锂电池预警模型的构建,从内部以及外因分析锂电池汽车装卸仓储风险因素,使得风险评估结果更为精准。
需要说明的是,所述外部环境数据包括但不限于外界环境的实时温度、有害物浓度、能见度、氧气浓度、风险源基本信息、风险源总量信息、大气、水、土壤、辐射、气象数据,同时数据采集服务器100还可以接入港区数据库,港区数据库内储存有港区平面、三维数据库,从而方便了精准获取货物运输路径坐标数据。
在本实施例中,内部锂电池状态数据包括但不限于锂电池汽车中锂电池的数量、规格、重量、型号、表面外观图片等。
步骤S20,加载外部环境数据,基于外部环境数据生成货物运输路径有向图,遍历所述货物运输路径有向图,识别货物运输路径有向图中环境风险源以及环境风险值,重构货物运输路径有向图,生成运输路径辐射函数;
步骤S30,采集事故历史数据,通过事故历史数据训练并测试预配置的风险评估模型,得到多组目标评估模型,基于深度学习和计算机视觉校正并重构隐藏在干扰数据后的锂电池预警模型;
步骤S40,以运输路径辐射函数以及内部锂电池状态数据为输入,执行锂电池预警模型,得到货物集装箱实时运输风险评估结果。
本发明实施例通过构建锂电池预警模型来计算货物集装箱实时运输风险评估结果,从而实现对锂电池汽车在港区转运装卸过程中风险进行评估预警,同时结合货物集装箱关联的外部环境数据以及内部锂电池状态数据实现对风险的精准评估,相对于现有技术对锂电池汽车港区装卸风险结果更为准确。
本发明实施例提供了基于外部环境数据生成货物运输路径有向图的方法,图2示出了基于外部环境数据生成货物运输路径有向图方法的实现流程示意图,所述基于外部环境数据生成货物运输路径有向图的方法,具体包括:
步骤S101,加载货物集装箱运输路径坐标数据集以及锂电池集装箱堆场位置信息,其中,运输路径坐标数据集包括港区罐区、危害物储存区以及危害品罐车实时坐标数据;
在本实施例中,货物集装箱运输路径是预警模型生成模块300通过港区数据库中加载获取,考虑到每一种货物集装箱的堆场位置以及风险等级不同,需要预先对不同货物进港路径进行规划,而运输路径途径的港区罐区、危害物储存区以及危害品罐车均会与货物集装箱产生多米诺骨牌效应,因此,在生成货物运输路径有向图时,需要获取港区罐区、危害物储存区以及危害品罐车实时坐标数据,而实时坐标数据可以为三维坐标数据。
步骤S102,基于货物集装箱运输路径坐标数据集以及锂电池集装箱堆场位置信息生成锂电池运行三维立体网格;
需要说明的是,基于货物集装箱运输路径坐标数据集以及锂电池集装箱堆场位置信息生成锂电池运行三维立体网格可以通过Polygon Modeling、盒建模(Box Modeling)或布尔建模的方式生成三维立体网络。
步骤S103,以货物集装箱单向运输方向为传播路径,依次连接传播路径中货物集装箱与所经过的港区罐区、危害物储存区以及危害品罐车交汇点,生成货物运输路径有向图。
在本实施例中,货物运输路径有向图包含有货物运输路径的三维立体网格以及以运输路径为单一方向的路径有向图,路径有向图中还包括货物运输路径的三维立体网格以及以运输路径关联的目标路网/水网的SCATS数据或AIS数据。
本发明实施例提供了重构货物运输路径有向图,生成运输路径辐射函数的方法,图3示出了所述重构货物运输路径有向图,生成运输路径辐射函数方法的实现流程示意图,所述重构货物运输路径有向图,生成运输路径辐射函数的方法,具体包括:
步骤S201,遍历所述货物运输路径有向图;
步骤S202,对货物运输路径有向图进行区域划分,并对划分后的区域逐一编号,得到带有编号区域,获取编号区域内场景实时数据,其中,场景实时数据包括编号区域内交汇点的实时温度、有害物浓度、能见度、氧气浓度;
为了简化数据处理流程,同时降低整个系统的处理负载,对货物运输路径有向图进行区域划分,并对划分后的区域逐一编号,而划分的依据可参考以下条件中的任意一种:
1)路径对港区关联区域造成的单次最大风险量级比港区关联区域常规风险高两个数量级,单次最大风险量级大的优先划分出来;
2)港区关联区域满足一定的地理分隔特征条件,即港区关联区域内有明显的地理隔断标识(山丘、河流、湖泊、海湾、堆场...)。
需要说明的是,划分后的区域逐一编号的编号规则包括但不限于信息点编号规则、AP编号规则、监控编号规则。
步骤S203,基于预设的风险源等级划分规则获取编号区域内交汇点的风险等级,基于风险等级以及风险值校正函数计算当前环境风险源的环境风险值。
在本实施例中,预设的风险源等级划分规则对风险源进行划分时,可以将风险源划分为重大风险、较大风险、一般风险、较小风险,且可以对不同等级的风险值进行赋值为10、8、6、4。
需要说明的是,本发明实施例还提供了基于风险等级以及风险值校正函数计算当前环境风险源的环境风险值的方法,所述基于风险等级以及风险值校正函数计算当前环境风险源的环境风险值的方法,具体包括:
获取编号区域内交汇点的风险等级,通过公式(1)计算当前环境风险源的环境风险值;
(1)
其中,表示风险值校正函数,/>表示编号区域内交汇点风险因素数量,/>的数量可以为4、8、10或/>种,而/>为每种风险因素的实际存在量,而/>表示风险因素对应的临界总量,/>表示编号区域内交汇点的等级校正值,等级校正值通过式(2)计算;
(2)
其中,表示编号区域内交汇点的等级影响因素,等级影响因素为实时温度、有害物浓度、能见度、氧气浓度,/>表示实时温度、有害物浓度、能见度、氧气浓度的占比系数,编号区域内交汇点的实时温度、有害物浓度、能见度、氧气浓度总占比系数和为1,即多种等级影响因素占比系数和为1,而/>为编号区域内交汇点的风险等级,/>为实时温度、有害物浓度、能见度、氧气浓度的安全等级,若实时温度、有害物浓度、能见度、氧气浓度的安全等级为安全值范围内,则/>置为0;
所述风险值校正函数的表达式(3)为:
(3)
其中,为编号区域内交汇点密度(个/㎡),/>为货物集装箱的运行速度(m/s),表示在编号区域内货物集装箱的停留时间(s),/>表示货物集装箱与交汇点最近距离(m),/>表示校正系数,而/>为编号区域内交汇点总量,在本实施例中,/>。
步骤S204,加载货物运输路径有向图,基于货物运输路径分析锂电池叠加热传递、破损以及自燃后与区域内交汇点的关联性,计算锂电池状态传播因子;
(4)
其中,表示锂电池实时温度,/>为锂电池总重量(㎏),而/>为锂电池状态传播系数;
(5)
其中,为区域内交汇点初始温度(℃),/>为区域内交汇点的交汇温度,/>为编号区域的体积(m³);
步骤S205,基于锂电池状态传播因子绘制锂电池在编号区域内的传播辐射图;
需要说明的是,基于锂电池状态传播因子绘制锂电池在编号区域内的传播辐射图绘制时,路径有向图生成模块200接收到传播辐射图绘制请求后,根据锂电池状态传播因子/>传播因子以及锂电池叠加热传递、破损以及自燃后与区域内交汇点的关联性实时确定多个传播因子辐射轨迹点数据,然后根据多个辐射轨迹点数据,绘制传播辐射图。通过本公开实施例提供的传播辐射图绘制方法,路径有向图生成模块200的可以直观地展示出锂电池在编号区域内的传播辐射状态。
步骤S206,以传播辐射图覆盖运输路径有向图,生成重构货物运输路径有向图,重构货物运输路径有向图中锂电池传播风险值以运输路径辐射函数表示,其中运输路径辐射函数表示为:
(6)
其中,为锂电池异常状态对编号区域的辐射概率,/>为锂电池正常状态对编号区域的辐射概率,/>为锂电池自屏蔽状态对编号区域的辐射概率,/>表示编号区域的事故影响结果。
在本实施例中以传播辐射图覆盖运输路径有向图,生成重构货物运输路径有向图,从而实现了对异常状态辐射扩散结果进行预判,且重构后的货物运输路径有向图可以通过后台显示器实时显示呈现,使得锂电池运输过程中风险可视化,便于对事故的预警以及事故发生第一时间进行分析诊断。
本发明实施例提供了通过事故历史数据训练并测试预配置的风险评估模型,得到多组目标评估模型的方法,图4示出了所述通过事故历史数据训练并测试预配置的风险评估模型,得到多组目标评估模型方法的实现流程示意图,所述通过事故历史数据训练并测试预配置的风险评估模型,得到多组目标评估模型的方法,具体包括:
步骤S301,获取事故历史数据,加载预配置的初始评估模型,所述初始评估模型为DeeplabV3+网络;
在本实施例中,事故历史数据的获取可以通过港区数据库或专家数据库获取,事故历史数据包括事故诱因信息以及事故诱因触发事故的概率以及事故结果,而初始评估模型可以为DeeplabV3+网络,且DeeplabV3+网络可以采用用Xception作为主干网络,其特点是每一个block由深度可分离卷积构成,使网络的可训练性提高。
步骤S302,扩大历史数据数量,并对扩大后的历史数据进行编号,将历史数据划分为训练集以及测试集;
步骤S303,将训练集以及测试集放初始评估模型进行训练以及测试,得到修剪后的多组目标评估模型,获得初始评估值;
在本实施例中,扩大历史数据数量的方法可以采用支持向量机(SVM)算法、随机森林实现,也可以采用无监督学习方式实现数据的扩大采集,而初始评估模型进行迭代训练的次数可以为200轮,且前150轮为冻结主干网络迁移训练,后50轮采用非冻结主干网络迁移训练,且对初始评估模型测试时,可以采用用BCE-Dice损失函数评估模初始评估模型的效果。
步骤S304,基于预设的评估精度判断初始评估值是否超过评估精度,若超过评估精度,则保留当前目标评估模型。需要说明的是,评估精度可以为0.9-1。
本发明实施例提供了基于深度学习和计算机视觉校正并重构隐藏在干扰数据后的锂电池预警模型的方法,图5示出了所述基于深度学习和计算机视觉校正并重构隐藏在干扰数据后的锂电池预警模型方法的实现流程示意图,所述基于深度学习和计算机视觉校正并重构隐藏在干扰数据后的锂电池预警模型的方法,具体包括:
步骤S401,基于计算机视觉获取内部锂电池状态数据,同时加载历史数据中的外部环境数据以及多组目标评估模型;
步骤S402,基于深度学习校正锂电池状态数据,校正后锂电池特征向量输出结果为;
(7)
其中,为卷积矩阵,/>表示卷积核大小,卷积核的数量可以为64、128或256个,且卷积核的尺寸为3*3,而卷积步长为1,且卷积矩阵/>的大小为/>,而/>表示卷积矩阵/>在卷积运算时的补零层数,在本实施例中补零层数可以为2-4层,/>表示卷积空洞度,卷积空洞度/>取值范围为0.1-0.3。
步骤S403,采用分裂布雷格曼迭代算法求解构建的多组目标评估模型,并依次解调得到隐藏在干扰数据后的锂电池预警模型;
其中,锂电池预警模型的表达式为:
(8)
在本实施例中,基于计算机视觉是采用缺陷梯度特征的检测方法对锂电池外观状态进行实时缺陷检测,通过计算机视觉结合深度学习能够最大化的实现对锂电池表面缺陷进行检测,从而为锂电池运输、装卸风险预警评估提供支撑,而基于深度学习校正锂电池状态数据时,深度学习网络可以为卷积神经网络(Convolutional Neural Networks,CNN)、深度置信网络(Deep Belief Networks,DBN)等。
另一方面,本发明实施例还提供了危险货物集装箱的港区装卸仓储安全风险评估系统,图6示出了所述危险货物集装箱的港区装卸仓储安全风险评估系统的结构示意图,所述危险货物集装箱的港区装卸仓储安全风险评估系统,具体包括:
数据采集服务器100,数据采集服务器100用于获取货物集装箱关联的外部环境数据以及内部锂电池状态数据;
路径有向图生成模块200,路径有向图生成模块200用于加载外部环境数据,基于外部环境数据生成货物运输路径有向图,遍历所述货物运输路径有向图,识别货物运输路径有向图中环境风险源以及环境风险值,重构货物运输路径有向图,生成运输路径辐射函数;
预警模型生成模块300,预警模型生成模块300用于采集事故历史数据,通过事故历史数据训练并测试预配置的风险评估模型,得到多组目标评估模型,基于深度学习和计算机视觉校正并重构隐藏在干扰数据后的锂电池预警模型;
评估结果计算模块400,评估结果计算模块400以运输路径辐射函数以及内部锂电池状态数据为输入,执行锂电池预警模型,得到货物集装箱实时运输风险评估结果。
在本实施例中,数据采集服务器100、路径有向图生成模块200、预警模型生成模块300以及评估结果计算模块400之间可以通过蓝牙、5G或局域网通讯连接,且数据采集服务器100、路径有向图生成模块200、预警模型生成模块300以及评估结果计算模块400之间相互配合工作实现了对锂电池汽车在港区转运装卸过程中风险进行评估预警,同时结合货物集装箱关联的外部环境数据以及内部锂电池状态数据实现对风险的精准评估,相对于现有技术对锂电池汽车港区装卸风险结果更为准确。
本发明实施例提供了路径有向图生成模块200,图7示出了所述路径有向图生成模块200的结构示意图,所述路径有向图生成模块200,具体包括:
坐标采集单元210,坐标采集单元210用于加载货物集装箱运输路径坐标数据集以及锂电池集装箱堆场位置信息,其中,运输路径坐标数据集包括港区罐区、危害物储存区以及危害品罐车实时坐标数据;
立体网格构建单元220,立体网格构建单元220基于货物集装箱运输路径坐标数据集以及锂电池集装箱堆场位置信息生成锂电池运行三维立体网格;
有向图生成单元230,有向图生成单元230以货物集装箱单向运输方向为传播路径,依次连接传播路径中货物集装箱与所经过的港区罐区、危害物储存区以及危害品罐车交汇点,生成货物运输路径有向图。
区域划分单元240,区域划分单元240用于对货物运输路径有向图进行区域划分,并对划分后的区域逐一编号,得到带有编号区域,获取编号区域内场景实时数据,其中,场景实时数据包括编号区域内交汇点的实时温度、有害物浓度、能见度、氧气浓度;
风险值计算单元250,风险值计算单元250基于预设的风险源等级划分规则获取编号区域内交汇点的风险等级,基于风险等级以及风险值校正函数计算当前环境风险源的环境风险值。
有向图重构单元260,有向图重构单元260基于货物运输路径分析锂电池叠加热传递、破损以及自燃后与区域内交汇点的关联性,然后基于锂电池状态传播因子绘制锂电池在编号区域内的传播辐射图,最后以传播辐射图覆盖运输路径有向图,生成重构货物运输路径有向图,重构货物运输路径有向图中锂电池传播风险值以运输路径辐射函数表示。
在本发明的另一方面,还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序指令,该计算机程序指令可以被处理器执行。该计算机程序指令被执行时实现上述任意一项实施例的方法。
本发明实施例的另一方面,还提供了一种计算机设备,所述计算机设备包括存储器和处理器,该存储器中存储有计算机程序,该计算机程序被该处理器执行时实现上述任意一项实施例的方法。
存储器作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的危险货物集装箱的港区装卸仓储安全风险评估方法对应的程序指令/模块。存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储危险货物集装箱的港区装卸仓储安全风险评估方法的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至本地模块。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本领域技术人员还将明白的是,结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性,已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能,但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
最后需要说明的是,本文的计算机可读存储介质(例如,存储器)可以是易失性存储器或非易失性存储器,或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的,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)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM),该RAM可以充当外部高速缓存存储器。作为例子而非限制性的,RAM可以以多种形式获得,比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDRSDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)、以及直接Rambus RAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。
综上所述,本发明提供了危险货物集装箱的港区装卸仓储安全风险评估系统、方法,本发明实施例通过构建锂电池预警模型来计算货物集装箱实时运输风险评估结果,从而实现对锂电池汽车在港区转运装卸过程中风险进行评估预警,同时结合货物集装箱关联的外部环境数据以及内部锂电池状态数据实现对风险的精准评估,相对于现有技术对锂电池汽车港区装卸风险结果更为准确。
需要说明的是,对于前述的各实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可能采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,涉及的动作和模块并不一定是本发明所必须的。
本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或通信连接可以是通过一些接口,装置或单元之间的间接耦合或通信连接,可以是电信或者其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上实施例仅用以说明本发明的技术方案,而非对发明的保护范围进行限制。显然,所描述的实施例仅仅是本发明部分实施例,而不是全部实施例。基于这些实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明所要保护的范围。尽管参照上述实施例对本发明进行了详细的说明,本领域普通技术人员依然可以在不冲突的情况下,不作出创造性劳动对本发明各实施例中的特征根据情况相互组合、增删或作其他调整,从而得到不同的、本质未脱离本发明的构思的其他技术方案,这些技术方案也同样属于本发明所要保护的范围。
Claims (3)
1.危险货物集装箱的港区装卸仓储安全风险评估方法,其特征在于,所述危险货物集装箱的港区装卸仓储安全风险评估方法,具体包括:
获取货物集装箱关联的外部环境数据以及内部锂电池状态数据;
加载外部环境数据,基于外部环境数据生成货物运输路径有向图,遍历所述货物运输路径有向图,识别货物运输路径有向图中环境风险源以及环境风险值,重构货物运输路径有向图,生成运输路径辐射函数;
采集事故历史数据,通过事故历史数据训练并测试预配置的风险评估模型,得到多组目标评估模型,基于深度学习和计算机视觉校正并重构隐藏在干扰数据后的锂电池预警模型;
以运输路径辐射函数以及内部锂电池状态数据为输入,执行锂电池预警模型,得到货物集装箱实时运输风险评估结果;
所述基于外部环境数据生成货物运输路径有向图的方法,具体包括:
加载货物集装箱运输路径坐标数据集以及锂电池集装箱堆场位置信息,其中,运输路径坐标数据集包括港区罐区、危害物储存区以及危害品罐车实时坐标数据;
基于货物集装箱运输路径坐标数据集以及锂电池集装箱堆场位置信息生成锂电池运行三维立体网格;
以货物集装箱单向运输方向为传播路径,依次连接传播路径中货物集装箱与所经过的港区罐区、危害物储存区以及危害品罐车交汇点,生成货物运输路径有向图;
所述重构货物运输路径有向图,生成运输路径辐射函数的方法,具体包括:
遍历所述货物运输路径有向图;
对货物运输路径有向图进行区域划分,并对划分后的区域逐一编号,得到带有编号区域,获取编号区域内场景实时数据,其中,场景实时数据包括编号区域内交汇点的实时温度、有害物浓度、能见度、氧气浓度;
基于预设的风险源等级划分规则获取编号区域内交汇点的风险等级,基于风险等级以及风险值校正函数计算当前环境风险源的环境风险值;
加载货物运输路径有向图,基于货物运输路径分析锂电池叠加热传递、破损以及自燃后与区域内交汇点的关联性,计算锂电池状态传播因子;
(4)
其中,表示锂电池实时温度,/>为锂电池总重量,而/>为锂电池状态传播系数;
(5)
其中,为区域内交汇点初始温度,/>为区域内交汇点的交汇温度,/>为编号区域的体积;
基于锂电池状态传播因子绘制锂电池在编号区域内的传播辐射图;
以传播辐射图覆盖运输路径有向图,生成重构货物运输路径有向图,重构货物运输路径有向图中锂电池传播风险值以运输路径辐射函数表示,其中运输路径辐射函数表示为:
(6)
其中,为锂电池异常状态对编号区域的辐射概率,/>为锂电池正常状态对编号区域的辐射概率,/>为锂电池自屏蔽状态对编号区域的辐射概率,/>表示编号区域的事故影响结果;
所述基于风险等级以及风险值校正函数计算当前环境风险源的环境风险值的方法,具体包括:
获取编号区域内交汇点的风险等级,通过公式(1)计算当前环境风险源的环境风险值;
(1)
其中,表示风险值校正函数,/>表示编号区域内交汇点风险因素数量,而/>为每种风险因素的实际存在量,而/>表示风险因素对应的临界总量,/>表示编号区域内交汇点的等级校正值,等级校正值通过式(2)计算;
(2)
其中,表示编号区域内交汇点的等级影响因素,等级影响因素为实时温度、有害物浓度、能见度、氧气浓度,/>表示实时温度、有害物浓度、能见度、氧气浓度的占比系数,编号区域内交汇点的实时温度、有害物浓度、能见度、氧气浓度总占比系数和为1,而/>为编号区域内交汇点的风险等级,/>为实时温度、有害物浓度、能见度、氧气浓度的安全等级,若实时温度、有害物浓度、能见度、氧气浓度的安全等级为安全值范围内,则/>置为0;
所述风险值校正函数的表达式(3)为:
(3)
其中,为编号区域内交汇点密度,/>为货物集装箱的运行速度,/>表示在编号区域内货物集装箱的停留时间,/>表示货物集装箱与交汇点最近距离,/>表示校正系数,而/>为编号区域内交汇点总量;
所述通过事故历史数据训练并测试预配置的风险评估模型,得到多组目标评估模型的方法,具体包括:
获取事故历史数据,加载预配置的初始评估模型,所述初始评估模型为DeeplabV3+网络;
扩大历史数据数量,并对扩大后的历史数据进行编号,将历史数据划分为训练集以及测试集;
将训练集以及测试集放初始评估模型进行训练以及测试,得到修剪后的多组目标评估模型,获得初始评估值;
基于预设的评估精度判断初始评估值是否超过评估精度,若超过评估精度,则保留当前目标评估模型;
所述基于深度学习和计算机视觉校正并重构隐藏在干扰数据后的锂电池预警模型的方法,具体包括:
基于计算机视觉获取内部锂电池状态数据,同时加载历史数据中的外部环境数据以及多组目标评估模型;
基于深度学习校正锂电池状态数据,校正后锂电池特征向量输出结果为;
(7)
其中,为卷积矩阵,/>表示卷积核大小,且/>的大小为/>,而/>表示卷积矩阵/>在卷积运算时的补零层数,/>表示卷积空洞度;
采用分裂布雷格曼迭代算法求解构建的多组目标评估模型,并依次解调得到隐藏在干扰数据后的锂电池预警模型;
其中,锂电池预警模型的表达式为:
(8)。
2.一种危险货物集装箱的港区装卸仓储安全风险评估系统,采用如权利要求1所述的方法,其特征在于:所述系统包括:
数据采集服务器,数据采集服务器用于获取货物集装箱关联的外部环境数据以及内部锂电池状态数据;
路径有向图生成模块,路径有向图生成模块用于加载外部环境数据,基于外部环境数据生成货物运输路径有向图,遍历所述货物运输路径有向图,识别货物运输路径有向图中环境风险源以及环境风险值,重构货物运输路径有向图,生成运输路径辐射函数;
预警模型生成模块,预警模型生成模块用于采集事故历史数据,通过事故历史数据训练并测试预配置的风险评估模型,得到多组目标评估模型,基于深度学习和计算机视觉校正并重构隐藏在干扰数据后的锂电池预警模型;
评估结果计算模块,评估结果计算模块以运输路径辐射函数以及内部锂电池状态数据为输入,执行锂电池预警模型,得到货物集装箱实时运输风险评估结果。
3.如权利要求2所述的危险货物集装箱的港区装卸仓储安全风险评估系统,其特征在于:所述路径有向图生成模块包括:
坐标采集单元,坐标采集单元用于加载货物集装箱运输路径坐标数据集以及锂电池集装箱堆场位置信息,其中,运输路径坐标数据集包括港区罐区、危害物储存区以及危害品罐车实时坐标数据;
立体网格构建单元,立体网格构建单元基于货物集装箱运输路径坐标数据集以及锂电池集装箱堆场位置信息生成锂电池运行三维立体网格;
有向图生成单元,有向图生成单元以货物集装箱单向运输方向为传播路径,依次连接传播路径中货物集装箱与所经过的港区罐区、危害物储存区以及危害品罐车交汇点,生成货物运输路径有向图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410138563.0A CN117689215B (zh) | 2024-02-01 | 2024-02-01 | 危险货物集装箱的港区装卸仓储安全风险评估系统、方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410138563.0A CN117689215B (zh) | 2024-02-01 | 2024-02-01 | 危险货物集装箱的港区装卸仓储安全风险评估系统、方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117689215A CN117689215A (zh) | 2024-03-12 |
CN117689215B true CN117689215B (zh) | 2024-04-05 |
Family
ID=90133741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410138563.0A Active CN117689215B (zh) | 2024-02-01 | 2024-02-01 | 危险货物集装箱的港区装卸仓储安全风险评估系统、方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117689215B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101341986B1 (ko) * | 2013-06-14 | 2013-12-16 | 대한민국 | 관세행정 통합위험관리 시스템 및 그 방법 |
CN105894115A (zh) * | 2016-03-31 | 2016-08-24 | 交通运输部水运科学研究所 | 区域性港口重大危险源定量风险评估方法 |
CN114997773A (zh) * | 2022-05-09 | 2022-09-02 | 江苏智赢信息科技有限公司 | 一种港口危险货物安全动态精细化监管系统 |
CN115994689A (zh) * | 2023-03-22 | 2023-04-21 | 交通运输部水运科学研究所 | 一种智慧码头港区危险货物安全运输的管理方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050119904A1 (en) * | 2003-12-02 | 2005-06-02 | Tissington A. R. | Cargo handling security handling system and method |
-
2024
- 2024-02-01 CN CN202410138563.0A patent/CN117689215B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101341986B1 (ko) * | 2013-06-14 | 2013-12-16 | 대한민국 | 관세행정 통합위험관리 시스템 및 그 방법 |
CN105894115A (zh) * | 2016-03-31 | 2016-08-24 | 交通运输部水运科学研究所 | 区域性港口重大危险源定量风险评估方法 |
CN114997773A (zh) * | 2022-05-09 | 2022-09-02 | 江苏智赢信息科技有限公司 | 一种港口危险货物安全动态精细化监管系统 |
CN115994689A (zh) * | 2023-03-22 | 2023-04-21 | 交通运输部水运科学研究所 | 一种智慧码头港区危险货物安全运输的管理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117689215A (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10093021B2 (en) | Simultaneous mapping and planning by a robot | |
CN111142557B (zh) | 无人机路径规划方法、系统、计算机设备及可读存储介质 | |
US20210150807A1 (en) | Generating realistic point clouds | |
CN111860493B (zh) | 一种基于点云数据的目标检测方法及装置 | |
CN107169600A (zh) | 识别重大危险源的方法、系统、存储介质及计算机设备 | |
CN112639495A (zh) | 一种电池检测的方法和装置 | |
CN111507369A (zh) | 自动行驶车辆空间学习方法及装置、测试方法及装置 | |
CN116052026B (zh) | 一种无人机航拍图像目标检测方法、系统及存储介质 | |
CN113850391A (zh) | 占用验证装置和方法 | |
CN114880935A (zh) | 隧道火灾超前预测方法 | |
US11100372B2 (en) | Training deep neural networks with synthetic images | |
CN111488783B (zh) | 基于cnn检测伪3d边界框的方法及其装置 | |
CN117689215B (zh) | 危险货物集装箱的港区装卸仓储安全风险评估系统、方法 | |
CN115775472A (zh) | 一种低空动目标处置落点智能预判系统和算法 | |
US20210333764A1 (en) | Electronic control device and neural network update system | |
Foroutan et al. | Assessing impact of understory vegetation density on solid obstacle detection for off-road autonomous ground vehicles | |
CN113379654A (zh) | 动态路由的块鉴别器 | |
CN117095303A (zh) | 基于数字孪生技术建筑群的智能监测分析预警方法及系统 | |
CN115810115A (zh) | 基于图像特征的图像和多帧毫米波雷达目标的融合方法 | |
CN112937480B (zh) | 特种运输车辆安全监测系统及方法 | |
US10977783B1 (en) | Quantifying photorealism in simulated data with GANs | |
US20210103800A1 (en) | Certified adversarial robustness for deep reinforcement learning | |
CN113919768A (zh) | 一种特种物质的道路运输风险预测方法和系统 | |
CN106342322B (zh) | 基于置信规则库推理的航母编队识别方法 | |
CN116027670B (zh) | 一种多Agent协作粉体能源物料传输控制系统、方法及介质 |
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 |