CN117726965A - 基于神经网络的无人值守过磅控制方法及系统 - Google Patents
基于神经网络的无人值守过磅控制方法及系统 Download PDFInfo
- Publication number
- CN117726965A CN117726965A CN202311453092.4A CN202311453092A CN117726965A CN 117726965 A CN117726965 A CN 117726965A CN 202311453092 A CN202311453092 A CN 202311453092A CN 117726965 A CN117726965 A CN 117726965A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- weighing
- image
- information
- 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.)
- Pending
Links
- 238000005303 weighing Methods 0.000 title claims abstract description 226
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 77
- 238000012544 monitoring process Methods 0.000 claims abstract description 56
- 230000008569 process Effects 0.000 claims abstract description 43
- 238000004458 analytical method Methods 0.000 claims abstract description 31
- 238000012937 correction Methods 0.000 claims abstract description 13
- 238000003702 image correction Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 34
- 230000000875 corresponding effect Effects 0.000 claims description 21
- 230000004927 fusion Effects 0.000 claims description 18
- 230000007547 defect Effects 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000002596 correlated effect Effects 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000001276 controlling effect Effects 0.000 claims 9
- 230000006870 function Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005206 flow analysis Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000010802 sludge Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于神经网络的无人值守过磅控制方法及系统，在预设场地内，构建基于GAN的图像生成模型，将历史车辆图像数据导入图像生成模型进行训练；基于过磅监测方案，获取车辆过磅视频数据，基于所述视频数据进行车辆图像提取，基于图像生成模型对车辆图像进行图像修正与识别，得到识别结果；基于所述视频数据对车辆前后车牌图像进行拟合分析与识别，并得到车辆I D信息；将所述识别结果、车辆I D信息与过磅数据进行数据整合并形成车辆过磅流程数据，将所述车辆过磅流程数据发送至云端。通过能够对车辆进行图像实时修正与识别，有效提高车辆过磅系统的稳定运行，提高车辆过磅效率，实现安全高效的无人值守过磅流程。
Description
技术领域
本发明涉及神经网络领域，更具体的，涉及基于神经网络的无人值守过磅控制方法及系统。
背景技术
在目前的车辆运载过磅流程中，受制于现有技术，大多还停留在人工手动过磅的模式，操作过程费时费力，且容易出错。而随着信息化技术的发展，无人值守过磅越来越受到重视，其技术带来的效益提升不容忽视。
但在目前技术中，车辆过磅技术依然存在识别难度大，记录不准确、监测效率低下等情况，因此，现在亟需一种高效、精准的无人值守过磅控制方法。
发明内容
本发明克服了现有技术的缺陷，提出了基于神经网络的无人值守过磅控制方法及系统。
本发明第一方面提供了一种基于神经网络的无人值守过磅控制方法，包括：
在预设场地内，实时获取目标车辆位置，若目标车辆位置经过过磅区域，实时生成过磅监测方案；
构建基于GAN的图像生成模型，将历史车辆图像数据导入图像生成模型进行训练；
基于过磅监测方案，获取车辆过磅视频数据，基于所述视频数据进行车辆图像提取，基于图像生成模型对车辆图像进行图像修正与识别，得到识别结果；
基于所述视频数据对车辆前后车牌图像进行拟合分析与识别，并得到车辆ID信息；
将所述识别结果、车辆ID信息与过磅数据进行数据整合并形成车辆过磅流程数据，将所述车辆过磅流程数据发送至云端。
本方案中，所述在预设场地内，实时获取目标车辆位置，若目标车辆位置经过过磅区域，实时生成过磅监测方案，具体为：
基于预设场地的面积、地图轮廓、构建场地空间模型；
基于车辆终端系统，实时获取车辆位置信息；
基于车辆位置信息，判断车辆是否到达地磅区域，若是，则基于当前地磅区域、车辆位置、地磅监控范围生成过磅监测方案。
本方案中，所述构建基于GAN的图像生成模型，将历史车辆图像数据导入图像生成模型进行训练，具体为：
根据构建基于GAN的图像生成模型；
在所述图像生成模型中构建生成器与判别器；
获取已有车辆图像数据，将所述已有车辆图像数据进行数据标准化并形成第一训练数据；
对所述生成器进行参数初始化并生成预设数据量的车辆测试图像数据，将所述车辆测试图像数据作为第二训练数据；
将第一训练数据与第二训练数据进行数据融合并导入所述判别器进行图像判别训练并调整判别器参数；
生成器通过循环调整参数生成训练数据并与第一训练数据进行融合形成新的融合训练数据，判别器循环接收融合训练数据进行判别训练并不断调整判别器参数；
循环进行生成器与判别器的神经对抗网络训练，直至达到迭代次数或判别器与生成器达到纳什平衡。
本方案中，所述基于过磅监测方案，获取车辆过磅视频数据，基于所述视频数据进行车辆图像提取，基于图像生成模型对车辆图像进行图像修正与识别，得到识别结果，具体为：
基于过磅监测方案，获取车辆过磅视频数据；
对车辆过磅视频数据进行关键帧提取并得到车辆图像集；
对车辆图像集进行图像增强、图像标准化预处理；
对车辆图像集中的每个图像数据进行基于预设标准的图像筛选，得到高特征车辆图像，所述预设标准包括清晰度、轮廓特征、色彩特征；
将高特征车辆图像导入车辆识别模型判断是否成功识别车辆，若否，则将高特征车辆图像进行网格划分，形成多个图像子区域；
提取出其中一个图像子区域的物体轮廓特征、纹理特征、色彩特征；
基于所述物体轮廓特征、纹理特征、色彩特征分别计算出图像的轮廓连续度、纹理连续度、色彩平滑度；
若所述轮廓连续度、纹理连续度、色彩平滑度不符合第二预设标准，则将对应的图像子区域标记为缺陷区域；
判断所有图像子区域，得到多个缺陷区域，将所有非缺陷区域标记的图像子区域整合为基础图像区域；
将所述多个缺陷区域整合为异常图像区域；
将高特征车辆图像导入图像生成模型，将对应基础图像区域的图像数据作为生成器的基础图像数据，以异常图像区域作为目标生成图像区域，通过生成器生成区域修正图像数据；
将区域修正图像数据与基础图像数据进行图像拼接融合形成完整图像数据；
将完整图像数据导入车辆识别模型进行识别并得到车辆识别结果。
本方案中，所述基于所述视频数据对车辆前后车牌图像进行拟合分析与识别，并得到车辆ID信息，具体为：
根据所述车辆图像集，进行基于角度的图像数据划分，得到车辆前部图像数据与车辆后部图像数据；
基于所述车辆前部图像数据与车辆后部图像数据进行车牌区域识别与图像提取，得到前车牌图像与后车牌图像；
对所述前车牌图像与后车牌图像分别进行字符特征识别与特征提取，得到第一字符特征数据与第二字符特征数据；
基于第一字符特征数据与第二字符特征数据进行前后车牌的识别得到前车牌识别结果与后车牌识别结果；
基于所述前车牌识别结果与后车牌识别结果进行识别车牌完整度判断，若完成度均低于预设完整度，则将第一字符特征数据与第二字符特征数据进行图像线性拟合，形成拟合特征数据；
基于所述拟合特征数据进行车牌的识别，得到第一车牌识别结果，基于第一车牌识别结果进行车辆信息检索，得到车辆ID信息。
本方案中，所述将第一字符特征数据与第二字符特征数据进行图像线性拟合，形成拟合特征数据，具体为：
将第一字符特征数据进行特征向量转化，得到多个第一特征值与对应多个第一特征向量；
将第二字符特征数据进行特征向量转化，得到多个第二特征值与多个第二特征向量；
判断所述多个第一特征值与多个第二特征值的数据范围，若其中一个第一特征值与另一个第二特征值的差值在预设范围内，则将对应一个第一特征值与另一个第二特征值进行关联，形成一对关联特征值，循环判断其余第一特征值与第二特征值，得到多对关联特征值；
基于多对关联特征值，将每对关联特征值中对应的第一特征向量与第二特征向量进行线性拟合，并形成多个融合特征向量；
将多个融合特征向量与多对关联特征值进行数据整合，得到拟合特征数据。
本方案中，所述将所述识别结果、车辆ID信息与过磅数据进行数据整合并形成车辆过磅流程数据，将所述车辆过磅流程数据发送至云端，具体为：
基于所述车辆ID信息，获取目标车辆载重信息；
实时采集目标车辆过磅数据，基于所述车辆过磅数据与目标车辆载重信息进行过磅标准分析，若超出载重范围，则实时生成预警信息；
将车辆ID信息、目标车辆载重信息、过磅数据、预警信息进行数据整合得到车辆过磅流程数据；
将所述车辆过磅流程数据发送至系统云端进行存储。
本发明第二方面还提供了一种基于神经网络的无人值守过磅控制系统，该系统包括：存储器、处理器，所述存储器中包括基于神经网络的无人值守过磅控制程序，所述基于神经网络的无人值守过磅控制程序被所述处理器执行时实现如下步骤：
在预设场地内，实时获取目标车辆位置，若目标车辆位置经过过磅区域，实时生成过磅监测方案；
构建基于GAN的图像生成模型，将历史车辆图像数据导入图像生成模型进行训练；
基于过磅监测方案，获取车辆过磅视频数据，基于所述视频数据进行车辆图像提取，基于图像生成模型对车辆图像进行图像修正与识别，得到识别结果；
基于所述视频数据对车辆前后车牌图像进行拟合分析与识别，并得到车辆ID信息；
将所述识别结果、车辆ID信息与过磅数据进行数据整合并形成车辆过磅流程数据，将所述车辆过磅流程数据发送至云端。
本方案中，所述在预设场地内，实时获取目标车辆位置，若目标车辆位置经过过磅区域，实时生成过磅监测方案，具体为：
基于预设场地的面积、地图轮廓、构建场地空间模型；
基于车辆终端系统，实时获取车辆位置信息；
基于车辆位置信息，判断车辆是否到达地磅区域，若是，则基于当前地磅区域、车辆位置、地磅监控范围生成过磅监测方案。
本方案中，所述将所述识别结果、车辆ID信息与过磅数据进行数据整合并形成车辆过磅流程数据，将所述车辆过磅流程数据发送至云端，具体为：
基于所述车辆ID信息，获取目标车辆载重信息；
实时采集目标车辆过磅数据，基于所述车辆过磅数据与目标车辆载重信息进行过磅标准分析，若超出载重范围，则实时生成预警信息；
将车辆ID信息、目标车辆载重信息、过磅数据、预警信息进行数据整合得到车辆过磅流程数据；
将所述车辆过磅流程数据发送至系统云端进行存储。
本发明公开了一种基于神经网络的无人值守过磅控制方法及系统，在预设场地内，构建基于GAN的图像生成模型，将历史车辆图像数据导入图像生成模型进行训练；基于过磅监测方案，获取车辆过磅视频数据，基于所述视频数据进行车辆图像提取，基于图像生成模型对车辆图像进行图像修正与识别，得到识别结果；基于所述视频数据对车辆前后车牌图像进行拟合分析与识别，并得到车辆ID信息；将所述识别结果、车辆ID信息与过磅数据进行数据整合并形成车辆过磅流程数据，将所述车辆过磅流程数据发送至云端。通过能够对车辆进行图像实时修正与识别，有效提高车辆过磅系统的稳定运行，提高车辆过磅效率，实现安全高效的无人值守过磅流程。
附图说明
图1示出了本发明一种基于神经网络的无人值守过磅控制方法的流程图；
图2示出了本发明过磅监测方案获取流程图；
图3示出了本发明车辆过磅流程数据获取流程图；
图4示出了本发明一种基于神经网络的无人值守过磅控制系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
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，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于神经网络的无人值守过磅控制方法的流程图。
如图1所示，本发明第一方面提供了一种基于神经网络的无人值守过磅控制方法，包括：
S102，在预设场地内，实时获取目标车辆位置，若目标车辆位置经过过磅区域，实时生成过磅监测方案；
S104，构建基于GAN的图像生成模型，将历史车辆图像数据导入图像生成模型进行训练；
S106，基于过磅监测方案，获取车辆过磅视频数据，基于所述视频数据进行车辆图像提取，基于图像生成模型对车辆图像进行图像修正与识别，得到识别结果；
S108，基于所述视频数据对车辆前后车牌图像进行拟合分析与识别，并得到车辆ID信息；
S110，将所述识别结果、车辆ID信息与过磅数据进行数据整合并形成车辆过磅流程数据，将所述车辆过磅流程数据发送至云端。
图2示出了本发明过磅监测方案获取流程图。
根据本发明实施例，所述在预设场地内，实时获取目标车辆位置，若目标车辆位置经过过磅区域，实时生成过磅监测方案，具体为：
S202，基于预设场地的面积、地图轮廓、构建场地空间模型；
S204，基于车辆终端系统，实时获取车辆位置信息；
S206，基于车辆位置信息，判断车辆是否到达地磅区域，若是，则基于当前地磅区域、车辆位置、地磅监控范围生成过磅监测方案。
需要说明的是，所述场地空间模型具体为一种二维可视化模型，通过该模型，结合相关实时数据，能够进行可视化车辆展示，过磅过程展示，车辆分布展示等。所述车辆一般为各种类型的货车、卡车等。所述过磅监测方案包括生成监测时间、实时打开地磅监控范围内的摄像设备，实时采集监控视频、将过磅数据进行存储等。所述过磅监测方案可通过用户终端设备进行查看。
根据本发明实施例，所述构建基于GAN的图像生成模型，将历史车辆图像数据导入图像生成模型进行训练，具体为：
根据构建基于GAN的图像生成模型；
在所述图像生成模型中构建生成器与判别器；
获取已有车辆图像数据，将所述已有车辆图像数据进行数据标准化并形成第一训练数据；
对所述生成器进行参数初始化并生成预设数据量的车辆测试图像数据，将所述车辆测试图像数据作为第二训练数据；
将第一训练数据与第二训练数据进行数据融合并导入所述判别器进行图像判别训练并调整判别器参数；
生成器通过循环调整参数生成训练数据并与第一训练数据进行融合形成新的融合训练数据，判别器循环接收融合训练数据进行判别训练并不断调整判别器参数；
循环进行生成器与判别器的神经对抗网络训练，直至达到迭代次数或判别器与生成器达到纳什平衡。
需要说明的是，所述判别器与生成器达到纳什平衡即判别器的判定概率为0.5。所述第一训练数据为真实数据，第二训练数据为虚拟生成数据。通过本发明训练过程，能够使图像生成模型具有生成高真实度车辆图像的功能。
另外，所述已有车辆图像数据具体包括在预设场地内进行通行、载货、过磅的所有类型车辆的历史图像数据，该图像数据包括车辆多个角度的图像数据，用于进行模型训练与识别对比。其中，已有车辆图像数据一般可以通过车辆档案数据进行数据检索采集获取。
根据本发明实施例，所述基于过磅监测方案，获取车辆过磅视频数据，基于所述视频数据进行车辆图像提取，基于图像生成模型对车辆图像进行图像修正与识别，得到识别结果，具体为：
基于过磅监测方案，获取车辆过磅视频数据；
对车辆过磅视频数据进行关键帧提取并得到车辆图像集；
对车辆图像集进行图像增强、图像标准化预处理；
对车辆图像集中的每个图像数据进行基于预设标准的图像筛选，得到高特征车辆图像，所述预设标准包括清晰度、轮廓特征、色彩特征；
将高特征车辆图像导入车辆识别模型判断是否成功识别车辆，若否，则将高特征车辆图像进行网格划分，形成多个图像子区域；
提取出其中一个图像子区域的物体轮廓特征、纹理特征、色彩特征；
基于所述物体轮廓特征、纹理特征、色彩特征分别计算出图像的轮廓连续度、纹理连续度、色彩平滑度；
若所述轮廓连续度、纹理连续度、色彩平滑度不符合第二预设标准，则将对应的图像子区域标记为缺陷区域；
判断所有图像子区域，得到多个缺陷区域，将所有非缺陷区域标记的图像子区域整合为基础图像区域；
将所述多个缺陷区域整合为异常图像区域；
将高特征车辆图像导入图像生成模型，将对应基础图像区域的图像数据作为生成器的基础图像数据，以异常图像区域作为目标生成图像区域，通过生成器生成区域修正图像数据；
将区域修正图像数据与基础图像数据进行图像拼接融合形成完整图像数据；
将完整图像数据导入车辆识别模型进行识别并得到车辆识别结果。
需要说明的是，所述高特征车辆图像中，由于车辆在过磅过程中容易出现颠簸、震动等情况，且受环境影响，进而导致视频数据中的一些图像集出现车辆图像不清晰、特征度不明显的情况，因此，需要将筛选出高特征度的图像进行图像识别。进一步地，在得到的高特征车辆图像中，可能依然会存在图像特征度低于识别度的情况，例如，车辆上污泥聚集较多，影响车辆特征识别、货车上载货量较大，货物遮挡车辆部分特征等情况，此时，通过本发明中的图像生成模型，能够对车辆进行图像实时修正与识别，有效提高车辆过磅系统的稳定运行，提高车辆过磅效率，实现安全高效的无人值守过磅流程。所述车辆识别结果包括车辆属性、车辆类型、车辆承载货物重量等。
所述预设标准包括清晰度、轮廓特征、色彩特征，即轮廓特征、色彩特征的区分度需大于预设值且清晰度也要大于预设清晰度。
根据本发明实施例，所述基于所述视频数据对车辆前后车牌图像进行拟合分析与识别，并得到车辆ID信息，具体为：
根据所述车辆图像集，进行基于角度的图像数据划分，得到车辆前部图像数据与车辆后部图像数据；
基于所述车辆前部图像数据与车辆后部图像数据进行车牌区域识别与图像提取，得到前车牌图像与后车牌图像；
对所述前车牌图像与后车牌图像分别进行字符特征识别与特征提取，得到第一字符特征数据与第二字符特征数据；
基于第一字符特征数据与第二字符特征数据进行前后车牌的识别得到前车牌识别结果与后车牌识别结果；
基于所述前车牌识别结果与后车牌识别结果进行识别车牌完整度判断，若完成度均低于预设完整度，则将第一字符特征数据与第二字符特征数据进行图像线性拟合，形成拟合特征数据；
基于所述拟合特征数据进行车牌的识别，得到第一车牌识别结果，基于第一车牌识别结果进行车辆信息检索，得到车辆ID信息。
根据本发明实施例，所述将第一字符特征数据与第二字符特征数据进行图像线性拟合，形成拟合特征数据，具体为：
将第一字符特征数据进行特征向量转化，得到多个第一特征值与对应多个第一特征向量；
将第二字符特征数据进行特征向量转化，得到多个第二特征值与多个第二特征向量；
判断所述多个第一特征值与多个第二特征值的数据范围，若其中一个第一特征值与另一个第二特征值的差值在预设范围内，则将对应一个第一特征值与另一个第二特征值进行关联，形成一对关联特征值，循环判断其余第一特征值与第二特征值，得到多对关联特征值；
基于多对关联特征值，将每对关联特征值中对应的第一特征向量与第二特征向量进行线性拟合，并形成多个融合特征向量；
将多个融合特征向量与多对关联特征值进行数据整合，得到拟合特征数据。
需要说明的是，第一字符特征数据与第二字符特征数据分别对应前车牌特征与后车牌特征，而在实际车牌识别中，由于受环境影响，车牌可能会出现模糊、失真、遮挡等情况，此时，通过本发明对两者字符特征进行特征向量的分解与融合，能够实现将两者的关键特征进行融合，从而得到特征度更高的数据，进行实现车牌的融合识别。另外，通过拟合特征数据能够生成高特征度的车牌图像，从而实现车牌图像的实时精准修正与录入。
图3示出了本发明车辆过磅流程数据获取流程图。
根据本发明实施例，所述将所述识别结果、车辆ID信息与过磅数据进行数据整合并形成车辆过磅流程数据，将所述车辆过磅流程数据发送至云端，具体为：
S302，基于所述车辆ID信息，获取目标车辆载重信息；
S304，实时采集目标车辆过磅数据，基于所述车辆过磅数据与目标车辆载重信息进行过磅标准分析，若超出载重范围，则实时生成预警信息；
S306，将车辆ID信息、目标车辆载重信息、过磅数据、预警信息进行数据整合得到车辆过磅流程数据；
S308，将所述车辆过磅流程数据发送至系统云端进行存储。
需要说明的是，所述预设阈值一般由用户设定，所述目标车辆载重信息包括车辆皮重、核载重量等信息。在预设场地内，车辆的每次过磅均会生成车辆过磅流程数据。通过采集车辆过磅流程数据，能够对预设场地进行货物运载的综合流量分析，实现预设场地的过磅信息化分析。所述过磅数据通过地磅装置获取，所述地磅装置实现联网功能，与本系统终端、云端实现数据互联。
根据本发明实施例，该包括：
获取预设场地内的地磅位置信息；
将所述地磅位置信息导入场地空间模型；
获取在预设时间段内的场地运载任务量；
获取预设时间段内，在预设场地内的计划作业车辆信息；
基于场地运载任务量与计划作业车辆信息进行货物运载次数、运载量分析，得到车辆预测作业量；
基于所述车辆预测作业量与计划作业车辆信息，对每台计划车辆进行调度优先级分析，得到车辆优先级信息；
基于云端获取当前货物完成运载量，基于场地运载任务量与当前货物完成运载量进行计算分析得到当前剩余运载量信息；
基于场地空间模型，实时判断过磅区域内的车辆数量是否大与预设数量，若是，则实时对过磅区域内的车辆进行识别并得到车辆属性信息；
基于所述车辆属性信息、当前剩余运载量信息、车辆优先级信息，对过磅区域内的车辆进行优化调度分析，生成车辆过磅调度方案；
将所述车辆过磅调度方案发送至过磅区域内的车辆终端设备，并基于车辆过磅调度方案生成多车辆过磅监测方案。
需要说明的是，所述运载任务量包括运载货物类型、货物重量等信息，所述车辆预测作业量包括不同计划车辆对应的运载作业量，所述运载作业量包括运载货物总重、运载次数、场地来回路程等信息。所述当前剩余运载量信息包括剩余运载货物类型、剩余货物重量等信息。所述车辆属性信息包括车辆类型、核载重量、载货类型等信息。所述计划作业车辆信息包括车辆类型、车辆数量、载货类型等。所述车辆过磅调度方案包括车辆路线、车辆过磅顺序等信息。
值得一提的是，在较大的场地内，由于车辆进行货物运载频率较高、货量较大，无人值守的过磅方式可能会出现过磅区域车辆拥堵情况，并且难以实现有效调度，进一步降低了无人值守过磅模式的效率。而本发明通过预先分析预设时间段内的运载任务量，对计划车辆进行优先级分析，并形成优先级信息，在预设过磅区域内出现拥堵情况时，能够实时生成调控信息进行车辆调度、实现在无人值守下的高效车辆过磅流程。
图4示出了本发明一种基于神经网络的无人值守过磅控制系统的框图。
本发明第二方面还提供了一种基于神经网络的无人值守过磅控制系统4，该系统包括：存储器41、处理器42，所述存储器中包括基于神经网络的无人值守过磅控制程序，所述基于神经网络的无人值守过磅控制程序被所述处理器执行时实现如下步骤：
在预设场地内，实时获取目标车辆位置，若目标车辆位置经过过磅区域，实时生成过磅监测方案；
构建基于GAN的图像生成模型，将历史车辆图像数据导入图像生成模型进行训练；
基于过磅监测方案，获取车辆过磅视频数据，基于所述视频数据进行车辆图像提取，基于图像生成模型对车辆图像进行图像修正与识别，得到识别结果；
基于所述视频数据对车辆前后车牌图像进行拟合分析与识别，并得到车辆ID信息；
将所述识别结果、车辆ID信息与过磅数据进行数据整合并形成车辆过磅流程数据，将所述车辆过磅流程数据发送至云端。
根据本发明实施例，所述在预设场地内，实时获取目标车辆位置，若目标车辆位置经过过磅区域，实时生成过磅监测方案，具体为：
基于预设场地的面积、地图轮廓、构建场地空间模型；
基于车辆终端系统，实时获取车辆位置信息；
基于车辆位置信息，判断车辆是否到达地磅区域，若是，则基于当前地磅区域、车辆位置、地磅监控范围生成过磅监测方案。
需要说明的是，所述场地空间模型具体为一种二维可视化模型，通过该模型，结合相关实时数据，能够进行可视化车辆展示，过磅过程展示，车辆分布展示等。所述车辆一般为各种类型的货车、卡车等。所述过磅监测方案包括生成监测时间、实时打开地磅监控范围内的摄像设备，实时采集监控视频、将过磅数据进行存储等。所述过磅监测方案可通过用户终端设备进行查看。
根据本发明实施例，所述构建基于GAN的图像生成模型，将历史车辆图像数据导入图像生成模型进行训练，具体为：
根据构建基于GAN的图像生成模型；
在所述图像生成模型中构建生成器与判别器；
获取已有车辆图像数据，将所述已有车辆图像数据进行数据标准化并形成第一训练数据；
对所述生成器进行参数初始化并生成预设数据量的车辆测试图像数据，将所述车辆测试图像数据作为第二训练数据；
将第一训练数据与第二训练数据进行数据融合并导入所述判别器进行图像判别训练并调整判别器参数；
生成器通过循环调整参数生成训练数据并与第一训练数据进行融合形成新的融合训练数据，判别器循环接收融合训练数据进行判别训练并不断调整判别器参数；
循环进行生成器与判别器的神经对抗网络训练，直至达到迭代次数或判别器与生成器达到纳什平衡。
需要说明的是，所述判别器与生成器达到纳什平衡即判别器的判定概率为0.5。所述第一训练数据为真实数据，第二训练数据为虚拟生成数据。通过本发明训练过程，能够使图像生成模型具有生成高真实度车辆图像的功能。
另外，所述已有车辆图像数据具体包括在预设场地内进行通行、载货、过磅的所有类型车辆的历史图像数据，该图像数据包括车辆多个角度的图像数据，用于进行模型训练与识别对比。其中，已有车辆图像数据一般可以通过车辆档案数据进行数据检索采集获取。
根据本发明实施例，所述基于过磅监测方案，获取车辆过磅视频数据，基于所述视频数据进行车辆图像提取，基于图像生成模型对车辆图像进行图像修正与识别，得到识别结果，具体为：
基于过磅监测方案，获取车辆过磅视频数据；
对车辆过磅视频数据进行关键帧提取并得到车辆图像集；
对车辆图像集进行图像增强、图像标准化预处理；
对车辆图像集中的每个图像数据进行基于预设标准的图像筛选，得到高特征车辆图像，所述预设标准包括清晰度、轮廓特征、色彩特征；
将高特征车辆图像导入车辆识别模型判断是否成功识别车辆，若否，则将高特征车辆图像进行网格划分，形成多个图像子区域；
提取出其中一个图像子区域的物体轮廓特征、纹理特征、色彩特征；
基于所述物体轮廓特征、纹理特征、色彩特征分别计算出图像的轮廓连续度、纹理连续度、色彩平滑度；
若所述轮廓连续度、纹理连续度、色彩平滑度不符合第二预设标准，则将对应的图像子区域标记为缺陷区域；
判断所有图像子区域，得到多个缺陷区域，将所有非缺陷区域标记的图像子区域整合为基础图像区域；
将所述多个缺陷区域整合为异常图像区域；
将高特征车辆图像导入图像生成模型，将对应基础图像区域的图像数据作为生成器的基础图像数据，以异常图像区域作为目标生成图像区域，通过生成器生成区域修正图像数据；
将区域修正图像数据与基础图像数据进行图像拼接融合形成完整图像数据；
将完整图像数据导入车辆识别模型进行识别并得到车辆识别结果。
需要说明的是，所述高特征车辆图像中，由于车辆在过磅过程中容易出现颠簸、震动等情况，且受环境影响，进而导致视频数据中的一些图像集出现车辆图像不清晰、特征度不明显的情况，因此，需要将筛选出高特征度的图像进行图像识别。进一步地，在得到的高特征车辆图像中，可能依然会存在图像特征度低于识别度的情况，例如，车辆上污泥聚集较多，影响车辆特征识别、货车上载货量较大，货物遮挡车辆部分特征等情况，此时，通过本发明中的图像生成模型，能够对车辆进行图像实时修正与识别，有效提高车辆过磅系统的稳定运行，提高车辆过磅效率，实现安全高效的无人值守过磅流程。所述车辆识别结果包括车辆属性、车辆类型、车辆承载货物重量等。
所述预设标准包括清晰度、轮廓特征、色彩特征，即轮廓特征、色彩特征的区分度需大于预设值且清晰度也要大于预设清晰度。
根据本发明实施例，所述基于所述视频数据对车辆前后车牌图像进行拟合分析与识别，并得到车辆ID信息，具体为：
根据所述车辆图像集，进行基于角度的图像数据划分，得到车辆前部图像数据与车辆后部图像数据；
基于所述车辆前部图像数据与车辆后部图像数据进行车牌区域识别与图像提取，得到前车牌图像与后车牌图像；
对所述前车牌图像与后车牌图像分别进行字符特征识别与特征提取，得到第一字符特征数据与第二字符特征数据；
基于第一字符特征数据与第二字符特征数据进行前后车牌的识别得到前车牌识别结果与后车牌识别结果；
基于所述前车牌识别结果与后车牌识别结果进行识别车牌完整度判断，若完成度均低于预设完整度，则将第一字符特征数据与第二字符特征数据进行图像线性拟合，形成拟合特征数据；
基于所述拟合特征数据进行车牌的识别，得到第一车牌识别结果，基于第一车牌识别结果进行车辆信息检索，得到车辆ID信息。
根据本发明实施例，所述将第一字符特征数据与第二字符特征数据进行图像线性拟合，形成拟合特征数据，具体为：
将第一字符特征数据进行特征向量转化，得到多个第一特征值与对应多个第一特征向量；
将第二字符特征数据进行特征向量转化，得到多个第二特征值与多个第二特征向量；
判断所述多个第一特征值与多个第二特征值的数据范围，若其中一个第一特征值与另一个第二特征值的差值在预设范围内，则将对应一个第一特征值与另一个第二特征值进行关联，形成一对关联特征值，循环判断其余第一特征值与第二特征值，得到多对关联特征值；
基于多对关联特征值，将每对关联特征值中对应的第一特征向量与第二特征向量进行线性拟合，并形成多个融合特征向量；
将多个融合特征向量与多对关联特征值进行数据整合，得到拟合特征数据。
需要说明的是，第一字符特征数据与第二字符特征数据分别对应前车牌特征与后车牌特征，而在实际车牌识别中，由于受环境影响，车牌可能会出现模糊、失真、遮挡等情况，此时，通过本发明对两者字符特征进行特征向量的分解与融合，能够实现将两者的关键特征进行融合，从而得到特征度更高的数据，进行实现车牌的融合识别。另外，通过拟合特征数据能够生成高特征度的车牌图像，从而实现车牌图像的实时精准修正与录入。
根据本发明实施例，所述将所述识别结果、车辆ID信息与过磅数据进行数据整合并形成车辆过磅流程数据，将所述车辆过磅流程数据发送至云端，具体为：
基于所述车辆ID信息，获取目标车辆载重信息；
实时采集目标车辆过磅数据，基于所述车辆过磅数据与目标车辆载重信息进行过磅标准分析，若超出载重范围，则实时生成预警信息；
将车辆ID信息、目标车辆载重信息、过磅数据、预警信息进行数据整合得到车辆过磅流程数据；
将所述车辆过磅流程数据发送至系统云端进行存储。
需要说明的是，所述预设阈值一般由用户设定，所述目标车辆载重信息包括车辆皮重、核载重量等信息。在预设场地内，车辆的每次过磅均会生成车辆过磅流程数据。通过采集车辆过磅流程数据，能够对预设场地进行货物运载的综合流量分析，实现预设场地的过磅信息化分析。所述过磅数据通过地磅装置获取，所述地磅装置实现联网功能，与本系统终端、云端实现数据互联。
本发明公开了一种基于神经网络的无人值守过磅控制方法及系统，在预设场地内，构建基于GAN的图像生成模型，将历史车辆图像数据导入图像生成模型进行训练；基于过磅监测方案，获取车辆过磅视频数据，基于所述视频数据进行车辆图像提取，基于图像生成模型对车辆图像进行图像修正与识别，得到识别结果；基于所述视频数据对车辆前后车牌图像进行拟合分析与识别，并得到车辆ID信息；将所述识别结果、车辆ID信息与过磅数据进行数据整合并形成车辆过磅流程数据，将所述车辆过磅流程数据发送至云端。通过能够对车辆进行图像实时修正与识别，有效提高车辆过磅系统的稳定运行，提高车辆过磅效率，实现安全高效的无人值守过磅流程。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-On ly Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于神经网络的无人值守过磅控制方法，其特征在于，包括：
在预设场地内，实时获取目标车辆位置，若目标车辆位置经过过磅区域，实时生成过磅监测方案；
构建基于GAN的图像生成模型，将历史车辆图像数据导入图像生成模型进行训练；
基于过磅监测方案，获取车辆过磅视频数据，基于所述视频数据进行车辆图像提取，基于图像生成模型对车辆图像进行图像修正与识别，得到识别结果；
基于所述视频数据对车辆前后车牌图像进行拟合分析与识别，并得到车辆ID信息；
将所述识别结果、车辆ID信息与过磅数据进行数据整合并形成车辆过磅流程数据，将所述车辆过磅流程数据发送至云端。
2.根据权利要求1所述的一种基于神经网络的无人值守过磅控制方法，其特征在于，所述在预设场地内，实时获取目标车辆位置，若目标车辆位置经过过磅区域，实时生成过磅监测方案，具体为：
基于预设场地的面积、地图轮廓、构建场地空间模型；
基于车辆终端系统，实时获取车辆位置信息；
基于车辆位置信息，判断车辆是否到达地磅区域，若是，则基于当前地磅区域、车辆位置、地磅监控范围生成过磅监测方案。
3.根据权利要求2所述的一种基于神经网络的无人值守过磅控制方法，其特征在于，所述构建基于GAN的图像生成模型，将历史车辆图像数据导入图像生成模型进行训练，具体为：
根据构建基于GAN的图像生成模型；
在所述图像生成模型中构建生成器与判别器；
获取已有车辆图像数据，将所述已有车辆图像数据进行数据标准化并形成第一训练数据；
对所述生成器进行参数初始化并生成预设数据量的车辆测试图像数据，将所述车辆测试图像数据作为第二训练数据；
将第一训练数据与第二训练数据进行数据融合并导入所述判别器进行图像判别训练并调整判别器参数；
生成器通过循环调整参数生成训练数据并与第一训练数据进行融合形成新的融合训练数据，判别器循环接收融合训练数据进行判别训练并不断调整判别器参数；
循环进行生成器与判别器的神经对抗网络训练，直至达到迭代次数或判别器与生成器达到纳什平衡。
4.根据权利要求3所述的一种基于神经网络的无人值守过磅控制方法，其特征在于，所述基于过磅监测方案，获取车辆过磅视频数据，基于所述视频数据进行车辆图像提取，基于图像生成模型对车辆图像进行图像修正与识别，得到识别结果，具体为：
基于过磅监测方案，获取车辆过磅视频数据；
对车辆过磅视频数据进行关键帧提取并得到车辆图像集；
对车辆图像集进行图像增强、图像标准化预处理；
对车辆图像集中的每个图像数据进行基于预设标准的图像筛选，得到高特征车辆图像，所述预设标准包括清晰度、轮廓特征、色彩特征；
将高特征车辆图像导入车辆识别模型判断是否成功识别车辆，若否，则将高特征车辆图像进行网格划分，形成多个图像子区域；
提取出其中一个图像子区域的物体轮廓特征、纹理特征、色彩特征；
基于所述物体轮廓特征、纹理特征、色彩特征分别计算出图像的轮廓连续度、纹理连续度、色彩平滑度；
若所述轮廓连续度、纹理连续度、色彩平滑度不符合第二预设标准，则将对应的图像子区域标记为缺陷区域；
判断所有图像子区域，得到多个缺陷区域，将所有非缺陷区域标记的图像子区域整合为基础图像区域；
将所述多个缺陷区域整合为异常图像区域；
将高特征车辆图像导入图像生成模型，将对应基础图像区域的图像数据作为生成器的基础图像数据，以异常图像区域作为目标生成图像区域，通过生成器生成区域修正图像数据；
将区域修正图像数据与基础图像数据进行图像拼接融合形成完整图像数据；
将完整图像数据导入车辆识别模型进行识别并得到车辆识别结果。
5.根据权利要求4所述的一种基于神经网络的无人值守过磅控制方法，其特征在于，所述基于所述视频数据对车辆前后车牌图像进行拟合分析与识别，并得到车辆ID信息，具体为：
根据所述车辆图像集，进行基于角度的图像数据划分，得到车辆前部图像数据与车辆后部图像数据；
基于所述车辆前部图像数据与车辆后部图像数据进行车牌区域识别与图像提取，得到前车牌图像与后车牌图像；
对所述前车牌图像与后车牌图像分别进行字符特征识别与特征提取，得到第一字符特征数据与第二字符特征数据；
基于第一字符特征数据与第二字符特征数据进行前后车牌的识别得到前车牌识别结果与后车牌识别结果；
基于所述前车牌识别结果与后车牌识别结果进行识别车牌完整度判断，若完成度均低于预设完整度，则将第一字符特征数据与第二字符特征数据进行图像线性拟合，形成拟合特征数据；
基于所述拟合特征数据进行车牌的识别，得到第一车牌识别结果，基于第一车牌识别结果进行车辆信息检索，得到车辆ID信息。
6.根据权利要求5所述的一种基于神经网络的无人值守过磅控制方法，其特征在于，所述将第一字符特征数据与第二字符特征数据进行图像线性拟合，形成拟合特征数据，具体为：
将第一字符特征数据进行特征向量转化，得到多个第一特征值与对应多个第一特征向量；
将第二字符特征数据进行特征向量转化，得到多个第二特征值与多个第二特征向量；
判断所述多个第一特征值与多个第二特征值的数据范围，若其中一个第一特征值与另一个第二特征值的差值在预设范围内，则将对应一个第一特征值与另一个第二特征值进行关联，形成一对关联特征值，循环判断其余第一特征值与第二特征值，得到多对关联特征值；
基于多对关联特征值，将每对关联特征值中对应的第一特征向量与第二特征向量进行线性拟合，并形成多个融合特征向量；
将多个融合特征向量与多对关联特征值进行数据整合，得到拟合特征数据。
7.根据权利要求6所述的一种基于神经网络的无人值守过磅控制方法，其特征在于，所述将所述识别结果、车辆ID信息与过磅数据进行数据整合并形成车辆过磅流程数据，将所述车辆过磅流程数据发送至云端，具体为：
基于所述车辆ID信息，获取目标车辆载重信息；
实时采集目标车辆过磅数据，基于所述车辆过磅数据与目标车辆载重信息进行过磅标准分析，若超出载重范围，则实时生成预警信息；
将车辆ID信息、目标车辆载重信息、过磅数据、预警信息进行数据整合得到车辆过磅流程数据；
将所述车辆过磅流程数据发送至系统云端进行存储。
8.一种基于神经网络的无人值守过磅控制系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于神经网络的无人值守过磅控制程序，所述基于神经网络的无人值守过磅控制程序被所述处理器执行时实现如下步骤：
在预设场地内，实时获取目标车辆位置，若目标车辆位置经过过磅区域，实时生成过磅监测方案；
构建基于GAN的图像生成模型，将历史车辆图像数据导入图像生成模型进行训练；
基于过磅监测方案，获取车辆过磅视频数据，基于所述视频数据进行车辆图像提取，基于图像生成模型对车辆图像进行图像修正与识别，得到识别结果；
基于所述视频数据对车辆前后车牌图像进行拟合分析与识别，并得到车辆ID信息；
将所述识别结果、车辆ID信息与过磅数据进行数据整合并形成车辆过磅流程数据，将所述车辆过磅流程数据发送至云端。
9.根据权利要求8所述的一种基于神经网络的无人值守过磅控制系统，其特征在于，所述在预设场地内，实时获取目标车辆位置，若目标车辆位置经过过磅区域，实时生成过磅监测方案，具体为：
基于预设场地的面积、地图轮廓、构建场地空间模型；
基于车辆终端系统，实时获取车辆位置信息；
基于车辆位置信息，判断车辆是否到达地磅区域，若是，则基于当前地磅区域、车辆位置、地磅监控范围生成过磅监测方案。
10.根据权利要求8所述的一种基于神经网络的无人值守过磅控制系统，其特征在于，所述将所述识别结果、车辆ID信息与过磅数据进行数据整合并形成车辆过磅流程数据，将所述车辆过磅流程数据发送至云端，具体为：
基于所述车辆ID信息，获取目标车辆载重信息；
实时采集目标车辆过磅数据，基于所述车辆过磅数据与目标车辆载重信息进行过磅标准分析，若超出载重范围，则实时生成预警信息；
将车辆ID信息、目标车辆载重信息、过磅数据、预警信息进行数据整合得到车辆过磅流程数据；
将所述车辆过磅流程数据发送至系统云端进行存储。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311453092.4A CN117726965A (zh) | 2023-11-03 | 2023-11-03 | 基于神经网络的无人值守过磅控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311453092.4A CN117726965A (zh) | 2023-11-03 | 2023-11-03 | 基于神经网络的无人值守过磅控制方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117726965A true CN117726965A (zh) | 2024-03-19 |
Family
ID=90198657
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311453092.4A Pending CN117726965A (zh) | 2023-11-03 | 2023-11-03 | 基于神经网络的无人值守过磅控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117726965A (zh) |
-
2023
- 2023-11-03 CN CN202311453092.4A patent/CN117726965A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111680746B (zh) | 车损检测模型训练、车损检测方法、装置、设备及介质 | |
| CN111222478A (zh) | 一种工地安全防护检测方法和系统 | |
| CN112367518B (zh) | 一种输电线路无人机巡检图像质量评价方法 | |
| CN111445058B (zh) | 数据分析方法、装置、设备及计算机可读存储介质 | |
| CN111814835A (zh) | 计算机视觉模型的训练方法、装置、电子设备和存储介质 | |
| CN116362571B (zh) | 一种基于深度学习的多源污染时空特征分析方法及系统 | |
| CN111382808A (zh) | 一种车辆检测处理方法及装置 | |
| CN111738156A (zh) | 一种高压开关设备状态智能巡检管理方法及系统 | |
| CN110992307A (zh) | 基于yolo的绝缘子定位识别方法及装置 | |
| CN114782892A (zh) | 违规行为目标检测方法、装置、设备及存储介质 | |
| CN110119675B (zh) | 一种产品识别方法和装置 | |
| CN113393442A (zh) | 列车零部件异常检测方法、系统、电子设备及存储介质 | |
| CN117726965A (zh) | 基于神经网络的无人值守过磅控制方法及系统 | |
| CN113808107B (zh) | 图像推荐方法、装置、电子设备和存储介质 | |
| CN115546736A (zh) | 基于图像采集的河道采砂监控处理方法及系统 | |
| CN113222843B (zh) | 一种图像修复方法及其相关设备 | |
| CN115272284A (zh) | 基于图像质量评估的输电线路缺陷识别方法 | |
| JP2019185410A (ja) | 車両推定装置、学習装置、及び車両推定方法 | |
| CN115131686A (zh) | 一种基于主动学习和半监督学习的智能电力巡检方法 | |
| CN112712002A (zh) | 基于cgan的环境监控方法、装置、系统及存储介质 | |
| CN114169623A (zh) | 一种电力设备故障分析方法、装置、电子设备及存储介质 | |
| CN114840583B (zh) | 基于块数据构建的全景指标数据分析处理方法及系统 | |
| CN116911470B (zh) | 一种基于深度学习的数据分析方法、系统及存储介质 | |
| CN116206093B (zh) | 基于位图的电表数据采集方法、系统和可读存储介质 | |
| CN117040141B (zh) | 电力智能网关的安全监测系统及方法 |
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 |