CN109492795A - 基于ai的机场登机服务处理方法、装置、设备及介质 - Google Patents

Abstract

本发明公开一种基于AI的机场登机服务处理方法、装置、设备及介质，该基于AI的机场登机服务处理方法包括：获取登机服务请求，对登机服务请求中的原始登机牌图像进行锐化处理和灰度化处理，获取待识别登机牌图像；采用文本检测网络对待识别登机牌图像进行定位，获取N个文本区域；基于每一文本区域在待识别登机牌中的位置，按照预先标注好的场景模板将每一文本区域输入到对应的专用识别模型中进行识别，获取登机属性信息；从而自动获取用户到登机口位置的目标最优路线。该方法采用人工智能(AI)手段智能识别该文本区域对应的登机属性信息，从而获取登机口位置，自动寻找用户当前位置至登机口位置的最优路线，节省寻找登机口位置的时间，提高效率。

Description

基于AI的机场登机服务处理方法、装置、设备及介质

技术领域

本发明涉及互联网技术领域，尤其涉及一种基于AI的机场登机服务处理方法、装置、设备及介质。

背景技术

随着民航业的飞速发展，快速增长的旅客需求和逐渐复杂的航空环境，给机场和航空公司带来新的挑战。目前，在机场自助服务方法中，仅能识别登机牌中的航班号，若想获取航班号对应的登机口位置，还需要根据航班号查找第三方机场平台，以获取登机口位置，不能直接识别到登机牌中的登机口位置。且不能结合室内导航的技术自动为旅客规划至登机口位置的的最优路线，导致旅客花费大量时间在寻找登机口上，耗费时间。

发明内容

本发明实施例提供一种基于AI的机场登机服务处理方法、装置、设备及介质，以解决目前机场自助服务不能直接识别到登机牌中的登机口位置且不能结合室内导航的技术自动为旅客规划至登机口位置的的最优路线所导致的浪费时间的问题。

一种基于AI的机场登机服务处理方法，包括：

获取登机服务请求，所述登机服务请求包括原始登机牌图像；

对所述原始登机牌图像进行锐化处理和灰度化处理，获取待识别登机牌图像；

采用文本检测网络对所述待识别登机牌图像进行定位，获取N个文本区域；

基于每一所述文本区域在所述待识别登机牌图像中的位置，按照预先标注好的场景模板将每一所述文本区域输入到对应的专用识别模型中进行识别，获取登机属性信息，所述登机属性信息包括识别登机口位置；

基于所述识别登机口位置及用户当前位置，调用预先创建好的室内导航接口，获取用户到登机口位置的目标最优路线。

一种基于AI的机场登机服务处理装置，包括：

登机服务请求获取模块，用于获取登机服务请求，所述登机服务请求包括原始登机牌图像；

待识别登机牌图像获取模块，用于对所述原始登机牌图像进行锐化处理和灰度化处理，获取待识别登机牌图像；

文本区域获取模块，用于采用文本检测网络对所述待识别登机牌图像进行定位，获取N个文本区域；

识别登机口位置获取模块，用于基于每一所述文本区域在所述待识别登机牌图像中的位置，按照预先标注好的场景模板将每一所述文本区域输入到对应的专用识别模型中进行识别，获取登机属性信息，所述登机属性信息包括识别登机口位置；

目标最优路线获取模块，用于基于所述识别登机口位置及用户当前位置，调用预先创建好的室内导航接口，获取用户到登机口位置的目标最优路线。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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基于AI的机场登机服务处理方法的步骤。

一种非易失性存储介质，所述非易失性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实现上述基于AI的机场登机服务处理方法的步骤。

上述基于AI的机场登机服务处理方法、装置、设备及介质中，服务器通过先获取登机服务请求，以便对登机服务请求中的原始登机牌图像进行锐化处理和灰度化处理，获取待识别登机牌图像，以排除干扰，减少图像复杂度和信息处理量。然后，采用文本检测网络对待识别登机牌图像进行定位，获取N个文本区域，以便基于每一文本区域在待识别登机牌中的位置，按照预先标注好的场景模板将每一文本区域输入到对应的专用识别模型中进行识别，获取登机属性信息，通过采用专用识别模型对每一文本区域进行识别，极大地提高登机牌图像识别的准确率。最后，基于登机属性信息中的识别登机口位置及用户当前位置，调用预先创建好的室内导航接口，获取用户到登机口位置的目标最优路线，以便用户根据目标最优路线寻找到登机口位置。该方法通过获取每一文本区域在待识别登机牌中的位置，以便采用人工智能(AI)手段智能识别该文本区域对应的登机属性信息，从而获取登机属性信息中的登机口位置，并结合室内导航接口自动寻找至登机口位置的最优路线，有效节省寻找登机口位置的时间，提高效率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例中基于AI的机场登机服务处理方法的一应用环境示意图；

图2是本发明一实施例中基于AI的机场登机服务处理方法的一流程图；

图3是图2中步骤S30的一具体流程图；

图4是本发明一实施例中基于AI的机场登机服务处理方法的另一流程图；

图5是本发明一实施例中基于AI的机场登机服务处理方法的又一流程图；

图6是图5中步骤S63的一具体流程图；

图7是图2中步骤S50的一具体流程图；

图8是本发明一实施例中基于AI的机场登机服务处理装置的一示意图；

图9是本发明一实施例中计算机设备的一示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本申请提供的基于AI的机场登机服务处理方法，可应用在如图1的应用环境中，该基于AI的机场登机服务处理方法可应用在机场自助服务APP中，用于填补目前机场自助服务的空白，辅助用户进行自主办理登机手续，提高效率。其中，计算机设备通过网络与服务器进行通信。计算机设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器来实现。

在一实施例中，如图2所示，提供一种基于AI的机场登机服务处理方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：

S10：获取登机服务请求，登机服务请求包括原始登机牌图像。

其中，原始登机牌图像是由机场自助服务APP中的信息采集模块采集到的未经处理的包含登机牌的图像。登机服务请求是用于触发机场自助服务APP进行自助服务的请求。具体地，用户通过APP中的信息采集模块上传原始登机牌图像，以使服务器获取原始登机牌图像。该信息采集模块的采集方式包括但不限于相机拍摄和本地上传。

S20：对原始登机牌图像进行锐化处理和灰度化处理，获取待识别登机牌图像。

其中，待识别登机牌图像是指对原始登机牌图像进行锐化处理和灰度化处理后的图像。具体地，为了使图像的边缘、轮廓线以及图像的细节变得清晰，需先对原始登机牌图像进行锐化处理，获取锐化图像。在获取锐化图像后，由于锐化图像中可能包含多种颜色，而颜色本身非常容易受到光照等因素的影响，同类物体颜色有很多变化，所以颜色本身难以提供关键信息，因此需要对锐化图像进行灰度化处理，获取待识别登机牌图像，以排除干扰，减少图像复杂度和信息处理量。

本实施例中，锐化处理的方法包括但不限于拉普拉斯算子、sobel(加权平均差分)算子和Prewitt(平均差分)算子。以sobel算子方法为例，可采用如下公式对原始登机牌图像对应的像素矩阵M(i,j)进行变换：

A＝|(M(i-1，j-1)+2M(i-1,j)+M(i-1,j+1))-(M(i+1,j-1)+2M(i+1,j)+M(i+1,j+1))|

B＝|(M(i-1，j-1)+2M(i,j-1)+M(i+1,j-1))-(M(i-1,j+1)+2M(i,j+1)+M(i+1,j+1))S(i,j)＝A+B

其中，M(i，j)表示原始登机牌图像对应的像素矩阵。i和j代表矩阵的行和列。S(i，j)表示锐化图像对应的像素矩阵，A表示水平方向的卷积后的像素矩阵，B表示垂直方向的卷积后的像素矩阵。

S30：采用文本检测网络对待识别登机牌图像进行定位，获取N个文本区域。

其中，文本检测网络包括但不限于ctpn网络(Connectionist Text ProposalNetwork，文本检测网络)。ctpn网络是用于进行图像文字定位的常用网络，能够准确定位文本在图像中的位置，提高后续模型识别的准确率。

由于后续模型识别时需要对图像中含有文本的区域进行识别，以排除非文本区域的干扰，因此需要先确定文本区域。文本区域指待识别登机牌图像中仅包含文本的区域。具体地，服务器采用文本检测网络对待识别登机牌图像进行定位，以获取N个矩形框以及每一矩形框各顶点位置坐标；再基于矩形框的左上角和右下角的位置坐标，确定矩形框的长度和宽度；并基于矩形框的左上角、右下角的位置坐标以及矩形框的长度和宽度，获取N个文本区域。

S40：基于每一文本区域在待识别登机牌图像中的位置，按照预先标注好的场景模板将每一文本区域输入到对应的专用识别模型中进行识别，获取登机属性信息，登机属性信息包括识别登机口位置。

其中，登机属性信息是能够从登机牌中得知的属性信息，该登机属性信息包括旅客姓名、航班、日期、目的地、登机口位置和登机时间等。场景模板是指开发人员预先根据市面上各种登机牌图像建立的模板，该场景模板中设定登机牌图像中每一行对应的场景字段，如一般登机牌中第一行为姓名、第二行为航班、第三行为目的地和登机口、第四行为日期和登机时间。专用识别模型是专门用于识别某种特定图像的模型。

本实施例中，专用识别模型包括字母与数字识别模型和汉字识别模型。字母与数字识别模型是用于识别包含数字和字母的模型。汉字识别模型是用于识别汉字的模型。具体地，服务器基于文本区域在待识别登机牌中的位置坐标，以对比坐标的方式，确定每一文本区域对应的是哪一行矩形框。例如，获取到的两个矩形，假设以其中一个矩形框的左上角为原点，则该矩形框的左下角的坐标为(0，-3)，则另一矩形框的左上角坐标为(0，-4)则可认定(0，-4)对应的矩形框为第二行，而(0，-3)对应的矩形框为第一行。然后，按照预先标注好的场景模板将每一文本区域输入到对应的专用识别模型中进行识别，以获取登机属性信息。例如，根据预先标注好的场景模板可知第一行矩形框对应的文本区域的内容默认为姓名，而姓名为汉字组成，因此可将该文本区域输入到汉字识别模型中进行识别，以获取登机属性信息。本实施例中，通过将不同内容对应的文本区域输入到相应的专用识别模型中进行识别，避免采用泛化识别模型所造成的识别准确率不高的问题，极大地提高登机牌图像识别的准确率。

进一步地，该机场自助服务APP还会为用户提供登记流程指南，当用户成功登录机场自助服务APP时，服务器就会给用户推送登机流程指南，以便初次坐飞机的乘客能够根据登记流程指南办理登机手续，无需询问机场工作人员，方便旅客的出行，同时减少机场工作人员的工作量。

S50：基于识别登机口位置及用户当前位置，调用预先创建好的室内导航接口，获取用户到登机口位置的目标最优路线。

其中，识别登机口位置是指采用专用识别模型对待识别登机牌图像进行识别所得到的待识别登机牌图像中的登机口位置。用户当前位置是指用户在当前时刻在机场中所处的位置。具体地，服务器基于识别登机口位置，调用预先创建好的室内导航接口，获取用户到登机口位置的目标最优路线，以便用户根据目标最优路线寻找到登机口位置，避免因不熟悉机场环境而导致浪费大量时间寻找登机口位置的问题出现。

本实施例中，服务器通过先获取登机服务请求，以便对登机服务请求中的原始登机牌图像进行锐化处理和灰度化处理，获取待识别登机牌图像，以排除干扰，减少图像复杂度和信息处理量。然后，采用文本检测网络对待识别登机牌图像进行定位，获取N个文本区域，以便基于每一文本区域在待识别登机牌中的位置，按照预先标注好的场景模板将每一文本区域输入到对应的专用识别模型中进行识别，获取登机属性信息，通过采用专用识别模型对每一文本区域进行识别，可有效避免采用泛化识别模型所造成的识别准确率不高的问题，极大地提高登机牌图像识别的准确率。最后，基于识别登机口位置及用户当前位置，调用预先创建好的室内导航接口，获取用户到登机口位置的目标最优路线，以便用户根据目标最优路线寻找到登机口位置。该通过获取每一文本区域在待识别登机牌中的位置，以便采用人工智能(AI)手段智能识别该文本区域对应的登机属性信息，从而获取登机属性信息中的登机口位置，并结合室内导航接口自动寻找至登机口位置的最优路线，避免因不熟悉机场环境导致浪费大量时间寻找登机口位置，节省寻找登机口位置的时间。

在一实施例中，如图3所示，步骤S30中，即采用文本检测网络对待识别登机牌图像进行定位，获取N个文本区域，具体包括如下步骤：

S31：采用文本检测网络对待识别登机牌图像进行定位，获取定位坐标。

具体地，服务器采用文本检测网络对待识别登机牌图像进行定位，以获取N个矩形框以及每个矩形框各顶点的位置坐标，再从各顶点的位置坐标中选取左上角的位置坐标和右下角的位置坐标作为定位坐标，以便后续基于定位坐标对待识别登机牌图像进行裁剪。

S32：基于定位坐标对待识别登机牌图像进行裁剪，获取N个文本区域。

具体地，服务器基于定位坐标确定矩形框的长度和宽度，再根据定位坐标、矩形框的长度和宽度进行裁剪，获取N个矩形框对应的文本区域，以便后续将每一裁剪后的文本区域输入到专用识别模型中进行识别。

本实施例中，先采用文本检测网络对待识别登机牌图像进行定位，获取定位坐标，以便基于定位坐标确定矩形框的长度和宽度，再根据定位坐标、矩形框的长度和宽度进行裁剪，获取N个矩形框对应的文本区域，该获取文本区域的方法实现简单，且可有效获取所需文本区域，以便后续将每一裁剪后的文本区域输入到专用识别模型中进行识别。

在一实施例中，登机服务请求还包括用户信息。如图4所示，步骤40之后，该基于AI的机场登机服务处理方法还包括如下步骤：

S411：基于用户信息查找第三方机场平台，获取与所述用户信息相对应的当前登机口位置和当前值机状态。

其中，当前登机口位置是指在当前时刻第三方机场平台中与用户信息相对应的登机口位置。当前值机状态是确认用户在当前时刻是否登机的状态。可理解，当前值机状态包括已登机状态和未登机状态。具体地，用户可在注册机场自助服务APP时，将用户身份证号与机场自助服务APP进行绑定，以使服务器在获取登机服务请求时，直接读取与APP绑定的用户信息(即用户身份证号)，以便基于该用户信息查找第三方机场平台，获取与所述用户信息相对应的当前登机口位置和当前值机状态。可理解地，第三方机场平台与机场自助服务APP通过网络接口连接，以便实时获取当前登机口位置。

S412：在当前值机状态处于未登机状态时，将当前登机口位置与识别登机口位置进行匹配，若匹配失败，则生成提醒信息。

具体地，服务器在确认当前值机状态处于未登机状态时，将当前登机口位置与识别登机口位置进行匹配，若匹配成功，则证明与该用户信息相对应的登机口位置未发生改变。若匹配失败，则证明与该用户信息相对应的登机口位置发生过改变，生成提醒信息提醒用户登机口位置变动，避免发生误机的问题，造成经济损失。

进一步地，本实施例中还会判断当前***时间是否登机时间的可变动范围内，若当前***时间在登机时间的可变动范围内，则生成登机提示信息，以提示用户尽快登机，避免用户因没有注意时间而导致误机的问题。其中，登机时间的可变动范围为保证用户能够及时登机的变动范围，本实施例中，登机时间的可变动范围为30分钟。例如若用户登机时间为下午2点整，则下午1点30分到2点为登机时间的可变动范围，当***当前时间在登机时间的可变动范围内，则按照每10分钟提示一次用户登机的方式提示用户及时登机。可理解地，若用户当前值机状态为已登机状态，则不会生成提示信息，实用性强，可有效避免因没有时注意时间而导致误机的问题。

本实施例中，服务器基于用户预先注册APP时所绑定的身份证号(即用户信息)查找第三方机场平台，获取与用户信息相对应的当前登机口位置和当前值机状态，以便实时分析当前登机口位置是否发生变化。若在当前值机状态处于未登机状态时，将当前登机口位置与识别登机口位置进行匹配，若匹配失败，则生成提醒信息提醒用户登机口位置变动，避免发生误机的问题，造成经济损失。

进一步地，在生成提醒信息的同时，还会弹出提示用户是否需要更新目标最优路线的信息，若用户选择“是”，则生成更新路线请求，服务器会基于接收到的该更新路线请求，将识别登机口位置更新，即将当前登机口位置作为识别登机口位置，并将更新后的识别登机口位置与用户当前位置输入到预先创建好的室内导航接口中，以更新目标最优路线，以达到实时更新目标最优路线的目的，在遇到登机口位置发生变动时，可尽快根据更新的目标最优路线寻路至更新的登机口位置，节省时间。

在一实施例中，如图5所示，该基于AI的机场登机服务处理方法还包括如下步骤：

S61：获取语音协助请求，语音协助请求包括原始语音信息。

其中，语音协助请求是用于触发机场自助服务APP中语音助手功能的请求。具体地，用户可通过APP中的录音模块(如麦克风)录入原始语音信息，以使服务器获取语音协助请求。原始语音信息是指录音模块实时采集到的未经处理的语音信息，如“我想登机前买一些特产”和“我的证件遗失了，哪里可以给我提供帮助”等。

S62：对原始语音信息进行降噪处理，获取目标语音信息。

由于由计算机设备采集到原始语音信息一般都带有噪声，包括背景环境(机场)中的噪声以及计算机设备录音过程中产生的噪声。这些携带噪声的原始语音信息在进行语音识别时，会影响语音识别的准确性，因此，需要对原始语音信息进行降噪处理，以尽可能提取到更纯净的目标语音信息，使语音识别更加准确。其中，对原始语音信息进行降噪的方法包括但不限于采用谱减法、EEMD分解算法和SVD奇异值算法等。

S63：将目标语音信息输入到预先训练好的语音识别模型中进行识别，获取识别文本。

其中，语音识别模型是预先训练好的用于将目标语音信息识别成文本的模型。该语音识别模型的训练数据是采集目前现有的中文对话库、地址关键词库、中英文常用词汇库和指令语句库组成的语音信息，同时基于本实施例中的应用场景在语音信息中混合了机场噪音作为训练数据进行训练，以增强语音识别的准确率。

S64：将识别文本按照预先构建好的语义分析规则进行语音分析，获取关键词。

具体地，在将识别文本按照预先构建好的语义分析规则进行语音分析之前，需先对识别文本信息采用结巴分词工具进行分词，获取词次，并将词次输入到预先构建好的语义分析规则中进行语义分析，获取对应的关键词。语义分析规则是开发人员预先构建好的用于获取关键词的语义规则。例如当前识别到的识别文本为“我想购买一些特产”，则将该段识别文本进行分词得到“我/想/购买/一些/特产”，然后对分词得出的“我/想/购买/一些/特产”按照预先构建好的语义分析规则进行语义分析，得到关键词“购买”和“特产”。

S65：将关键词输入到预先训练好的智能应答模型中进行识别，获取语音协助信息。

其中，智能应答模型是预先训练好的应答模型，其训练数据为预先设定好的问题关键词以及对应的答案。语音协助信息是服务器基于用户提问获取对应答案的信息。具体地，将获取到的关键词输入到预先训练好的智能应答模型中进行识别，以获取语音协助信息。

例如，预先采用当地机场的相关信息进行训练相应的智能应答模型，若上述步骤中得到的关键词为“购买”和“特产”，则智能应答模型会通过识别到的关键词“购买”和“特产”，直接应答出当地特产有什么以及商铺的位置，形成应答推荐点。若用户想要开启导航，则可点击“导航”按钮，以输入位置导航请求，该位置导航请求携带有应答推荐点的位置信息。将该位置导航请求发送给服务器，以便服务器基于用户选择的应答推荐点，开启预先创建好的室内导航***，获取导航到应答推荐点的导航路线(即某一目标商铺的导航路线)，并将该导航路线在交互界面上显示，以便用户快速到达目标商铺位置，节省寻路时间，提高效率。

本实施例中，服务器先获取语音协助请求，以便对语音协助请求中的原始语音信息进行降噪处理，获取目标语音信息，以尽可能提取到更纯净的目标语音信息，使后续语音识别更加准确。然后，将目标语音信息输入到预先训练好的语音识别模型中进行识别，获取识别文本，以便将识别文本按照预先构建好的语义分析规则进行语音分析，获取关键词，无需人工干预，即可自动分析获取关键词，并将关键词输入到预先训练好的智能应答模型中进行识别，获取语音协助信息，实现语音助手的功能，从而实现自助服务，且有效减少机场工作人员的工作量。

在一实施例中，如图6所示，步骤S63中，即将目标语音信息输入到预先训练好的语音识别模型中进行识别，获取识别文本，具体包括如下步骤：

S631：对目标语音信息进行预处理，获取待识别语音信息。

其中，对目标语音进行预处理包括：分帧、加窗和预加重。分帧是将N个采样点集合成一个观测单位，称为帧。通常情况下N的值为256或512，涵盖的时间约为20-30ms左右。为避免相邻两帧的变化过大，通过使相邻两帧之间有一段重叠区域，此重叠区域包含了M个采样点，通常M的值约为N的1/2或1/3，此过程称为分帧。

加窗是每一帧乘以汉明窗(即Hamming Window)，由于汉明窗的幅频特性是旁瓣衰减较大，服务器通过对单帧语音数据进行加窗处理，可增加帧左端和帧右端的连续性。即通过对分帧后的单帧语音数据进行加窗处理，可将非平稳语音信号转变为短时平稳信号。设分帧后的信号为S(n),n＝0,1…,N-1,N为帧的大小，汉明窗的信号为W(n)，则加窗处理后的信号为S'(n)＝S(n)×W(n，其中，N为帧的大小，不同的a值会产生不同的汉明窗，一般情况下a取0.46。

预加重是将加窗后的单帧语音数据通过一个高通滤波器H(Z)＝1-μz^-1，其中，μ值介于0.9-1.0之间，Z表示单帧语音数据，预加重的目标是提升高频部分，使信号的频谱更平滑，保持在低频到高频的整个频带中，能用同样的信噪比求频谱，突出高频的共振峰。

S632：对待识别语音信息进行语音特征提取，获取目标语音特征。

其中，目标语音特征包括但不限于采用滤波器(Filter-Bank，简称Fbank)特征。滤波器特征是语音识别过程中常用的语音特征。由于常用的梅尔特征在模型识别过程中会对信息进行降维处理，导致部分信息的丢失，为避免上述问题出现，本实施例中采用滤波器特征代替常用的梅尔特征，可有助于提高后续模型识别的准确率。相应地，目标语音特征是采用ASR语音特征提取算法对待识别语音信息进行特征提取所获取的滤波器特征。ASR(Automatic Speech Recognition，自动语音识别)，是一种将人的语音转换为文本的技术。ASR语音特征提取算法是ASR技术中用于实现语音特征提取的算法。滤波器(Filter-Bank，简称Fbank)特征是语音识别过程中常用的语音特征。

S633：将目标语音特征输入到预先训练好的语音识别模型中进行识别，获取识别文本。

可理解，语音识别模型包括预先训练好的声学模型和语言模型。其中，声学模型是用来获取目标语音特征对应的音素序列。音素是由语音中最小的单位，可理解为汉字里面的拼音。例如：汉语音节ā(啊)只有一个音素，ài(爱)有两个音素，dāi(呆)有三个音素等。声学模型的训练方法包括但不限于采用GMM-HMM(混合高斯模型)进行训练。语言模型是用于将音素序列转换为自然语言文本的模型。本实施例中，语言模型可采用N-Gram语言模型。N-Gram是大词汇连续语音识别中常用的一种语言模型，利用上下文中相邻词间的搭配信息，在需要把连续无空格的拼音转换成汉字串(即句子)时，可以计算出具有最大概率的句子，从而实现到句子的自动转换。

具体地，服务器将目标语音特征输入到预先训练好的声学模型中进行识别，获取目标语音特征对应的音素序列，然后将获取的音素序列输入到预先训练好的语言模型中进行转换，以获取识别文本，以便后续将识别文本按照预先构建好的语义分析规则进行语音分析，实现语音助手的功能。

在一实施例中，如图7所示，步骤S50中，即基于识别登机口位置，调用预先创建好的室内导航接口，获取目标最优路线，具体包括如下步骤：

S51：获取室内导航指令，基于室内导航指令获取信号接收设备采集到的当前信号距离。

其中，室内导航指令是用于触发室内导航采集用户当前位置的指令。具体地，在获取到识别登机口位置后，会在交互界面上显示“导航”按钮，用户可根据需要点击“导航”按钮，以使服务器获取室内导航指令，调用机场中预先安装好的信号接收设备接收用户所携带的计算机设备所发出的当前位置信号和当前信号距离。当前位置信号是指用户在当前所处位置时，其所携带的计算机设备所发出的信号。该当前位置信号包括但不限于蓝牙信号或网络信号(包括但不限于wifi、2G、3G和4G)。当前信号距离是指每一当前位置信号到信号接收设备的距离。需说明，机场中所安装的信号接收设备可设置为N个，优选地，本实施例中为3个，可根据需求自行调整。

S52：采用毕达哥拉斯定理对当前信号距离进行处理，获取用户当前位置。

其中，毕达哥拉斯定理一般指勾股定理，是一个基本的几何定理。具体地，通过信号接收设备接收当前位置信号，以获取当前信号距离到每一信号接收设备的距离即d1、d2和d3，然后以每一信号接收设备所处的位置坐标为圆心，以d1、d2和d3为半径作三个圆。根据毕达哥拉斯计算公式对当前信号距离进行处理，得出三个圆的交点即用户当前位置，以便后续调用预先创建好的室内导航接口实现导航功能。其中，毕达哥拉斯定理的计算公式为 其中，(x₁,y₁)，(x₂,y₂),(x₃,y₃)三点分别为预先在机场中设置的信号接收设备的位置坐标点。(x₀,y₀)即为用户当前位置。

S53：基于用户当前位置和识别登机口位置，调用最优路径获取算法提供的室内导航接口对用户当前位置和识别登机口位置进行处理，获取目标最优路线。

具体地，将用户当前位置和识别登机口位置，通过最优路径获取算法提供的室内导航接口输入到最优路径获取算法中进行计算，以获取目标最优路线，以便用户根据目标去最优路线寻路至登机口位置，降低误机的风险。本实施例中，最优路径获取算法包括但不限于采用A*算法实现。其中，A*(A-Star)算法是一种静态路网图中求解最短路径最有效的直接搜索方法，也是解决许多搜索问题的有效算法。

本实施例中，服务器通过获取室内导航指令，以便基于室内导航指令获取信号接收设备采集到的当前信号距离，并根据当前信号距离，获取当前信号距离到每一信号接收设备的距离即d1、d2和d3，再采用毕达哥拉斯定理对当前信号距离进行处理，获取用户当前位置，以便基于用户当前位置和识别登机口位置，调用预先创建好的室内导航接口，获取目标最优路线，便于用户基于目标最优路线寻路至登机口，节省寻路时间，提高效率。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在一实施例中，提供一种基于AI的机场登机服务处理装置，该基于AI的机场登机服务处理装置与上述实施例中基于AI的机场登机服务处理方法一一对应。如图8所示，该基于AI的机场登机服务处理装置包括登机服务请求获取模块10、待识别登机牌图像获取模块20、文本区域获取模块30、识别登机口位置获取模块40和目标最优路线获取模块50。各功能模块详细说明如下：

登机服务请求获取模块10，用于获取登机服务请求，登机服务请求包括原始登机牌图像。

待识别登机牌图像获取模块20，用于对原始登机牌图像进行锐化处理和灰度化处理，获取待识别登机牌图像。

文本区域获取模块30，用于采用文本检测网络对待识别登机牌图像进行定位，获取N个文本区域。

识别登机口位置获取模块40，用于基于每一文本区域在待识别登机牌图像中的位置，按照预先标注好的场景模板将每一文本区域输入到对应的专用识别模型中进行识别，获取登机属性信息，登机属性信息包括识别登机口位置。

目标最优路线获取模块50，用于基于识别登机口位置及用户当前位置，调用预先创建好的室内导航接口，获取用户到登机口位置的目标最优路线。

具体地，文本区域获取模块包括定位坐标获取单元和文本区域获取单元。

定位坐标获取单元，用于采用文本检测网络对待识别登机牌图像进行定位，获取定位坐标。

文本区域获取单元，用于基于定位坐标对待识别登机牌图像进行裁剪，获取N个文本区域。

具体地，登机服务请求还包括用户信息。该基于AI的机场登机服务处理装置还包括平台信息反馈单元和提醒信息生成单元。

平台信息反馈单元，用于基于用户信息查找第三方机场平台，获取与用户信息相对应的当前登机口位置和当前值机状态。

提醒信息生成单元，用于在当前值机状态处于未登机状态时，将当前登机口位置与识别登机口位置进行匹配，若匹配失败，则生成提醒信息。

具体地，该基于AI的机场登机服务处理装置还包括语音协助请求获取单元、目标语音信息获取单元、识别文本获取单元、关键词获取单元和语音协助信息获取单元。

语音协助请求获取单元，用于获取语音协助请求，语音协助请求包括原始语音信息。

目标语音信息获取单元，用于对原始语音信息进行降噪处理，获取目标语音信息。

识别文本获取单元，用于将目标语音信息输入到预先训练好的语音识别模型中进行识别，获取识别文本。

关键词获取单元，用于将识别文本按照预先构建好的语义分析规则进行语音分析，获取关键词。

语音协助信息获取单元，用于将关键词输入到预先训练好的智能应答模型中进行识别，获取语音协助信息。

具体地，识别文本获取单元包括待识别语音信息获取子单元、目标语音特征获取子单元和识别文本获取子单元。

待识别语音信息获取子单，用于待识别语音信息获取子单元，用于对目标语音信息进行预处理，获取待识别语音信息。

目标语音特征获取子单元，用于对待识别语音信息进行语音特征提取，获取目标语音特征。

识别文本获取子单元，用于将目标语音特征输入到预先训练好的语音识别模型中进行识别，获取识别文本。

具体地，目标最优路线获取模块包括室内导航指令获取单元、用户当前位置获取单元和目标最优路线获取单元。

室内导航指令获取单元，用于获取室内导航指令，基于室内导航指令获取信号接收设备采集到的当前信号距离。

用户当前位置获取单元，用于采用毕达哥拉斯定理对当前信号距离进行处理，获取用户当前位置。

目标最优路线获取单元，用于基于用户当前位置和识别登机口位置，调用最优路径获取算法提供的室内导航接口对用户当前位置和识别登机口位置进行处理，获取目标最优路线。

关于基于AI的机场登机服务处理装置的具体限定可以参见上文中对于基于AI的机场登机服务处理方法的限定，在此不再赘述。上述基于AI的机场登机服务处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于用于存储执行基于AI的机场登机服务处理方法过程中生成或获取的数据，如登机属性信息。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于AI的机场登机服务处理方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中的基于AI的机场登机服务处理方法的步骤，例如图2所示的步骤S10-S50，或者图3至图7中所示的步骤。或者，处理器执行计算机程序时实现基于AI的机场登机服务处理装置这一实施例中的各模块/单元的功能，例如图8所示的各模块/单元的功能，为避免重复，这里不再赘述。

在一实施例中，提供一计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中基于AI的机场登机服务处理方法的步骤，例如图2所示的步骤S10-S50，或者图3至图7中所示的步骤，为避免重复，这里不再赘述。或者，该计算机程序被处理器执行时实现上述基于AI的机场登机服务处理装置这一实施例中的各模块/单元的功能，例如图8所示的各模块/单元的功能，为避免重复，这里不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

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。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于AI的机场登机服务处理方法，其特征在于，包括：

获取登机服务请求，所述登机服务请求包括原始登机牌图像；

对所述原始登机牌图像进行锐化处理和灰度化处理，获取待识别登机牌图像；

采用文本检测网络对所述待识别登机牌图像进行定位，获取N个文本区域；

基于每一所述文本区域在所述待识别登机牌图像中的位置，按照预先标注好的场景模板将每一所述文本区域输入到对应的专用识别模型中进行识别，获取登机属性信息，所述登机属性信息包括识别登机口位置；

基于所述识别登机口位置及用户当前位置，调用预先创建好的室内导航接口，获取用户到登机口位置的目标最优路线。

2.如权利要求1所述的基于AI的机场登机服务处理方法，其特征在于，所述采用文本检测网络对所述待识别登机牌图像进行定位，获取N个文本区域，包括：

采用文本检测网络对所述待识别登机牌图像进行定位，获取定位坐标；

基于所述定位坐标对所述待识别登机牌图像进行裁剪，获取N个文本区域。

3.如权利要求2所述的基于AI的机场登机服务处理方法，其特征在于，所述登机服务请求还包括用户信息；

在所述文本区域在所述待识别登机牌中的位置，按照预先标注好的场景模板将每一所述文本区域输入到对应的专用识别模型中进行识别，获取登机属性信息的步骤之后，所述基于AI的机场登机服务处理方法还包括：

基于所述用户信息查找第三方机场平台，获取与所述用户信息相对应的当前登机口位置和当前值机状态；

在所述当前值机状态处于未登机状态时，将所述当前登机口位置与所述识别登机口位置进行匹配，若匹配失败，则生成提醒信息。

4.如权利要求1所述的基于AI的机场登机服务处理方法，其特征在于，所述基于AI的机场登机服务处理方法还包括：

获取语音协助请求，所述语音协助请求包括原始语音信息；

对所述原始语音信息进行降噪处理，获取目标语音信息；

将所述目标语音信息输入到预先训练好的语音识别模型中进行识别，获取识别文本；

将所述识别文本按照预先构建好的语义分析规则进行语音分析，获取关键词；

将所述关键词输入到预先训练好的智能应答模型中进行识别，获取语音协助信息。

5.如权利要求4所述的基于AI的机场登机服务处理方法，其特征在于，所述将所述目标语音信息输入到预先训练好的语音识别模型中进行识别，获取识别文本，包括：

对所述目标语音信息进行预处理，获取待识别语音信息；

对所述待识别语音信息进行语音特征提取，获取目标语音特征；

将所述目标语音特征输入到预先训练好的语音识别模型中进行识别，获取识别文本。

6.如权利要求1所述的基于AI的机场登机服务处理方法，其特征在于，所述基于所述识别登机口位置，调用预先创建好的室内导航接口，获取目标最优路线，包括：

获取室内导航指令，基于所述室内导航指令获取信号接收设备采集到的当前信号距离；

采用毕达哥拉斯定理对所述当前信号距离进行处理，获取用户当前位置；

基于所述用户当前位置和所述识别登机口位置，调用最优路径获取算法提供的所述室内导航接口对所述用户当前位置和所述识别登机口位置进行处理，获取目标最优路线。

7.一种基于AI的机场登机服务处理装置，其特征在于，包括：

登机服务请求获取模块，用于获取登机服务请求，所述登机服务请求包括原始登机牌图像；

待识别登机牌图像获取模块，用于对所述原始登机牌图像进行锐化处理和灰度化处理，获取待识别登机牌图像；

文本区域获取模块，用于采用文本检测网络对所述待识别登机牌图像进行定位，获取N个文本区域；

识别登机口位置获取模块，用于基于每一所述文本区域在所述待识别登机牌图像中的位置，按照预先标注好的场景模板将每一所述文本区域输入到对应的专用识别模型中进行识别，获取登机属性信息，所述登机属性信息包括识别登机口位置；

目标最优路线获取模块，用于基于所述识别登机口位置及用户当前位置，调用预先创建好的室内导航接口，获取用户到登机口位置的目标最优路线。

8.如权利要求7所述的基于AI的机场登机服务处理装置，其特征在于，所述目标最优路线获取模块包括：

室内导航指令获取单元，用于获取室内导航指令，基于所述室内导航指令获取信号接收设备采集到的当前信号距离；

用户当前位置获取单元，用于采用毕达哥拉斯定理对所述当前信号距离进行处理，获取用户当前位置；

目标最优路线获取单元，用于基于所述用户当前位置和所述识别登机口位置，调用最优路径获取算法提供的所述室内导航接口对所述用户当前位置和所述识别登机口位置进行处理，获取目标最优路线。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述基于AI的机场登机服务处理方法的步骤。

10.一种非易失性存储介质，所述非易失性存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于AI的机场登机服务处理方法的步骤。