CN111259969A - 一种报障识别方法、装置、服务器及介质 - Google Patents
一种报障识别方法、装置、服务器及介质 Download PDFInfo
- Publication number
- CN111259969A CN111259969A CN202010057729.8A CN202010057729A CN111259969A CN 111259969 A CN111259969 A CN 111259969A CN 202010057729 A CN202010057729 A CN 202010057729A CN 111259969 A CN111259969 A CN 111259969A
- Authority
- CN
- China
- Prior art keywords
- fault
- picture
- vehicle
- maintenance
- type
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012423 maintenance Methods 0.000 claims abstract description 161
- 238000013136 deep learning model Methods 0.000 claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 230000008439 repair process Effects 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种报障识别方法、装置、服务器及介质,应用于服务器中,报障识别方法包括:获取用户端设备上传的报障信息;其中,报障信息包括关于故障车辆的故障车辆信息、包括故障区域的故障图片以及用户选择的指定故障部位;对故障图片进行图片特征分析以获取与故障图片对应的图片故障部位;当图片故障部位与指定故障部位匹配时,根据预设的图片划分规则,将故障图片划分为多个候选图像区域;将多个候选图像区域输入与图片故障部位对应的深度学习模型中,以获取与故障图片对应的故障类型。本发明可以自动的对用户上传的报障图片进行分析识别,提高用户报障的审核效率及准确度,提高车辆运维的效率,提高用户用车体验。
Description
技术领域
本发明涉及车辆智能管理领域,尤其涉及一种报障识别方法、装置、服务器及介质。
背景技术
共享单车是指企业在校园、地铁站点、公交站点、居民区、商业区、公共服务区等提供自行车单车共享服务,是一种分时租赁模式。在当前社会,随着互联网的飞速发展,共享单车在城市迅速普及,给人们的短距离出行带来了极大的便利。共享单车作为一种城市居民的共享产品,不可避免的在使用过程中存在着使用损耗和一些别有用心的人为损坏,这对下一次使用该单车的用户造成了非常差的体验,因此及时对损坏的共享单车的故障类型进行准确的判断,并进行及时的维修是一件非常必要的事情。
当前对于需要维修的共享单车的定位主要依靠对用户上传的故障车辆信进行人工审核和运维人员的日常巡逻和维护,这两种方式的效率都过于低下,没有办法及时审核及处理每日产生的用户上报的共享单车故障信息,因此也就没有办法及时对损坏的共享单车进行定位维修,这也就对共享单车企业提出了新的挑战。
因此,本领域的技术人员致力于开发一种能够对车辆故障进行自动审核的技术。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是提高对用户报障信息审核的效率和准确率。
为实现上述目的,本发明提供了一种报障识别方法,应用于服务器中,所述报障识别方法包括:获取用户端设备上传的报障信息;其中,所述报障信息包括关于故障车辆的故障车辆信息、包括故障区域的故障图片以及用户选择的指定故障部位;对所述故障图片进行图片特征分析以获取与所述故障图片对应的图片故障部位;当所述图片故障部位与所述指定故障部位匹配时,根据预设的图片划分规则,将所述故障图片划分为多个候选图像区域;将所述多个候选图像区域输入与所述图片故障部位对应的深度学习模型中,以获取与所述故障图片对应的故障类型。
在一些实施例中,所述对所述故障图片进行图片特征分析以获取与所述故障图片对应的图片故障部位的步骤还包括:预先存储关于车辆的各部位的多个图片;根据所述关于车辆的各部位的多个图片对所述故障图片进行图片比对操作,以获取与所述故障图片匹配的图片故障部位。
在一些实施例中,所述将所述多个候选图像区域输入与所述图片故障部位对应的深度学习模型中,以获取与所述图片故障部位对应的具体故障类型的步骤还包括:将所述多个候选图像区域输入与所述图片故障部位对应的深度学习模型中,对所述多个候选图像区域进行分类和回归,以获取与所述图片故障部位对应的故障类型。
在一些实施例中,所述服务器中还预先存储与各所述故障类型对应的维修建议,其中,在获取所述故障类型后,将所述故障类型、与所述故障类型对应的所述维修建议以及所述故障车辆信息发送至指定的运维端设备。
在一些实施例中,根据各运维人员的维修任务和/或各运维人员的运维端设备与所述故障车辆的距离,获取最优运维人员;且将与所述故障类型对应的维修建议以及所述故障车辆信息发送至所述最优运维人员的运维端设备。
在一些实施例中,所述故障车辆信息包括:故障单车编号以及所述故障车辆的车辆位置信息;其中,所述运维端设备根据所述运维端设备的位置信息以及接收到的所述故障车辆的车辆位置信息生成维修路线。
在一些实施例中,所述维修建议至少包括以下中的一种:与所述故障类型对应的维修说明、与所述故障类型对应的维修工具、以及与所述故障类型对应的替换备件的种类和数量。
在一些实施例中,当所述故障车辆与各所述运维人员对应的运维端设备的距离均大于预设距离阈值或所述故障类型对应的故障难度系数大于预设难度系数阈值时,所述维修建议为放弃现场维修或延期维修。
在一些实施例中,所述服务器接收到所述运维端设备发送的包括所述故障区域的维修结束图片时,将所述维修结束图片进行图片区域划分后发送至指定的深度学习模型中,以判断所述故障区域的故障是否被排除。
在一些实施例中,当所述图片故障部位与所述指定故障部位不匹配时,判断所述用户端设备上传的所述报障信息为无效信息,且结束所述报障识别方法。
为实现上述目的,本发明还提供了一种报障识别装置,应用于服务器中,所述报障识别装置包括:信息获取模块,获取用户端设备上传的报障信息;其中,所述报障信息包括关于故障车辆的故障车辆信息、包括故障区域的故障图片以及用户选择的指定故障部位;图片分析模块,用以对所述故障图片进行图片特征分析以获取与所述故障图片对应的图片故障部位;图片划分模块,用以当所述图片故障部位与所述指定故障部位匹配时,根据预设的图片划分规则,将所述故障图片划分为多个候选图像区域;故障类型判断模块,用以将所述多个候选图像区域输入与所述图片故障部位对应的深度学习模型中,以获取与所述故障图片对应的故障类型。
为实现上述目的,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上中任一项所述的报障识别方法。
为实现上述目的,本发明还提供了一种服务器,包括:处理器及存储器;所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述服务器执行如上中任一项所述的报障识别方法。
本发明提供一种报障识别方法、装置、服务器及介质,应用于服务器中,所述报障识别方法包括:获取用户端设备上传的报障信息;其中,所述报障信息包括关于故障车辆的故障车辆信息、包括故障区域的故障图片以及用户选择的指定故障部位;对所述故障图片进行图片特征分析以获取与所述故障图片对应的图片故障部位;当所述图片故障部位与所述指定故障部位匹配时,根据预设的图片划分规则,将所述故障图片划分为多个候选图像区域;将所述多个候选图像区域输入与所述图片故障部位对应的深度学习模型中,以获取与所述故障图片对应的故障类型。本发明可以自动的对用户上传的报障图片进行分析识别,提高用户报障的审核效率及准确度,提高车辆运维的效率,提高用户用车体验。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1显示为本发明的报障识别方法在一具体实施例中的流程示意图。
图2显示为本发明的用户端设备在一具体实施例中的界面显示示意图。
图3显示为本发明的报障识别装置在一具体实施例中的组成示意图。
图4显示为本发明的服务器在一具体实施例中的组成示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
为了阐释的目的而描述了本发明的一些示例性实施例,需要理解的是,本发明可通过附图中没有具体示出的其他方式来实现。
当前对于需要维修的共享单车的定位主要依靠对用户上传的故障车辆信息进行人工审核和运维人员的日常巡逻和维护,无法对用户上传的无效的故障上报信息进行准确的审核,运维人员有可能会被用户上报的无效的故障信息所干扰,造成人力和财力的浪费,且当前亦无法对上报的故障的具体故障类型进行有效的获取,无法预先给运维人员提供维修建议,同样会降低车辆运维的效率。
请参阅图1,显示为本发明的报障识别方法在一具体实施例中的流程示意图。所述报障识别方法应用于服务器中,所述报障识别方法包括:
S11:获取用户端设备上传的报障信息;其中,所述报障信息包括关于故障车辆的故障车辆信息、包括故障区域的故障图片以及用户选择的指定故障部位;所述故障车辆可为共享单车或共享电动车等。所述用户端设备例如为智能手机、平板电脑或智能手表等便携式的智能数据处理设备。所述用户端设备运行指定的APP,所述用户端设备还包括触摸屏,所述触摸屏基于触觉和/或触知接触来接受用户的输入。所述触摸屏形成一个接受用户输入的触摸敏感表面。所述触摸屏和触摸屏控制器(连同存储器中任何相关联的模块和/或指令集一起)检测触摸屏上的接触(以及所述触摸的任何移动或中断),并且将检测到的接触变换成与显示在触摸屏上的多媒体样本文件(比如图片文件或视频文件)对象的交互。
在一个示例性实施例中,触摸屏与用户之间的接触点对应于用户的一个或多个手指。该触摸屏可以使用LCD(液晶显示器)技术或LPD(发光聚合物显示器)技术,但在其他实施例中可使用其他显示技术。
触摸屏和触摸屏控制器可以使用多种触敏技术中的任何一种来检测接触及其移动或中断,这些触敏技术包括但不限于电容、电阻、红外和声表面波技术,以及其他接近传感器阵列,或用于确定与触摸屏相接触的一个或多个点的其他技术。
触摸屏显示来自便携式设备的可视输出,而触敏板不提供可视输出。触摸屏可以具有高于100dpi的分辨率。在一个示例性实施例中,触摸屏可以具有大约168dpi的分辨率。用户可以使用任何适当物体或配件,例如指示笔、手指等等,来接触触摸屏。
所述触摸显示屏上所显示的应用程序图标例如为对应以下应用程序的图标:绘图应用程序、呈现应用程序、文字处理应用程序、网站创建应用程序、盘编辑应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息应用程序、健身支持应用程序、照片管理应用程序、数字相机应用程序、数字视频摄像机应用程序、网页浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。
所述用户可通过对所述APP的显示界面(如图2所示)中的故障上报接口进行触控后,根据界面提示,通过所述用户端设备自带的摄像装置扫描故障车辆的车身二维码,获取故障车辆的故障车辆信息。所述故障车辆信息例如包括故障单车编号以及所述故障车辆的车辆位置信息。且所述用户可通过界面提示打开所述用户端设备自带的摄像装置拍摄包括所述故障区域的图片,并将所述故障车辆信息以及包括故障区域的故障图片上传至所述服务器。且在所述用户端设备运行的所述APP界面中还可提供多种故障部位以供用户选择,且用户通过在触控选择其中一种故障部位后,将该指定故障部位发送至所述服务器。所述可供选择的故障部位例如包括坐垫、车头、脚踏、车把、刹车、挡泥板、链条、二维码以及车锁九个部位。
S12:对所述故障图片进行图片特征分析以获取与所述故障图片对应的图片故障部位;
在具体应用中,所述服务器可预先存储关于车辆的各部位的多个图片;且根据所述关于车辆的各部位的多个图片对所述故障图片进行图片比对操作,以获取与所述故障图片匹配的图片故障部位。例如,所述服务器预先存储多种类型以及各个角度的车辆的车头的图片,当所述故障图片为包括车头的图片时,所述故障图片与所述服务器中预存的车头的特征可以匹配,则可以判断所述故障图片所包含的为图片图章部位为车头。
S13:当所述图片故障部位与所述指定故障部位匹配时,根据预设的图片划分规则,将所述故障图片划分为多个候选图像区域;该候选图像区域可能包括损坏区域,也可能不包括。
而在一些具体实施例中,当所述图片故障部位与所述指定故障部位不匹配时,判断所述用户端设备上传的所述报障信息为无效信息,且结束所述报障识别方法。
S14:将所述多个候选图像区域输入与所述图片故障部位对应的深度学习模型中,以获取与所述故障图片对应的故障类型。
其中,在一些实施例中,所述服务器中预先训练且存储了关于各车辆部位的深度学习模型。所述深度学习模型可选用深度卷积神经网络。
所述将所述多个候选图像区域输入与所述图片故障部位对应的深度学习模型中,以获取与所述图片故障部位对应的具体故障类型的步骤还包括:将所述多个候选图像区域输入与所述图片故障部位对应的深度学习模型中,对所述多个候选图像区域进行分类和回归,以获取与所述图片故障部位对应的故障类型。在具体应用中,对所述多个候选图像区域进行回归,可对故障区域进一步定位。例如,将图像上的每个矩形区域的位置使用[x,y,w,h]表示,其中x为区域的左上角横坐标点,y为区域的左上角纵坐标,w为区域的宽,h为区域的高,将每个区域的四个值通过定义的深度学习模型进行调整,以对故障区域进一步定位。以左上角横坐标x为例,深度学习模型中对该指标调整函数为f(x),则调整后的左上角横坐标为f(x)。
对所述多个候选图像区域进行分类,可获得关于所述故障部位的具体的故障类型。例如,通过深度学习的特征处理,将w*h的候选区域提取为一个N维特征向量feature,在深度学习模型定义一个分类函数,其中输入为区域的特征向量,输出为该区域是各个故障类型的概率,假设输出有3类,且当输出结果为[0.9,0.6,0.2]时,则该区域被分类为第一类故障。
例如故障部位是车锁,通过对所述多个候选图像区域进行分类和回归,可以进一步判断所述车锁是无法打开还是被上了私锁。例如故障部位是车辆链条,通过对所述多个候选图像区域进行分类和回归,可以进一步判断所述链条是断开还是松了。
在具体应用中,所述服务器中还预先存储与各所述故障类型对应的维修建议,其中,在获取所述故障类型后,将所述故障类型、与所述故障类型对应的所述维修建议以及所述故障车辆信息发送至指定的运维端设备。所述运维端设备为运维人为所持的电子设备,在具体实施例中,所述运维端设备可以为台式电脑、平板电脑、智能手机或智能手表等电子设备。所述服务器可通过其自带的无线模块将所述故障类型、与所述故障类型对应的所述维修建议以及所述故障车辆信息发送所述运维端设备。所述无线模块例如为2G模块、3G模块、4G模块或5G模块。其中,所述故障车辆信息例如包括故障单车编号以及所述故障车辆的车辆位置信息。所述运维端设备还可根据所述运维端设备的位置信息以及接收到的所述故障车辆的车辆位置信息生成维修路线,并将该维修路线在所述运维端设备上显示的地图中进行标识,以为运维人员寻找该故障车辆提供路线指引。
在具体应用中,可根据各运维人员的维修任务和/或各运维人员的运维端设备与所述故障车辆的距离,获取最优运维人员;且将与所述故障类型对应的维修建议以及所述故障车辆信息发送至所述最优运维人员的运维端设备。例如,维修任务最少的运维人员为所述最优运维人员。或距离所述故障车辆最近的运维人员为所述最优运维人员。又或者,预设关于所述维修任务和各运维人员的运维端设备与所述故障车辆的距离这两个最优运维人员的计算的比重,且根据两者的联合计算获取所述最优运维人员。
在一些实施例中,所述服务器中可预先建立故障类型与所述维修建议的一对一的映射表,在获取到所述故障类型后,将所述故障类型与所述映射表进行比对,以获取与所述故障类型相对应的维修建议。其中,所述维修建议可通过文字或图片的方式显示于所述运维端设备的显示屏上。在一些实施例中,所述维修建议至少包括以下中的一种:与所述故障类型对应的维修说明、与所述故障类型对应的维修工具、以及与所述故障类型对应的替换备件的种类和数量。在具体应用中,所述服务器还可提前遍历预先存储的关于仓管的库存信息,判断可为所述故障车辆提供的替换备件的种类和数量。例如,当前的故障部位为链条,故障类型为链条断裂,且所述服务器通过提前遍历预先存储的关于仓管的库存信息,判断库存中存在可替换的链条,则与所述故障类型对应的维修工具可以包括扳手,与所述故障类型对应的替换备件的种类为链条,替换备件的数量为一条。
在一些实施例中,当所述故障车辆与各所述运维人员对应的运维端设备的距离均大于预设距离阈值时,所述维修建议为放弃现场维修或延期维修。所述服务器可根据所述故障车辆的车辆位置信息和各所述运维端设备的位置信息,计算所述故障车辆与各所述运维端设备的距离。当所述故障车辆与各所述运维人员对应的运维端设备的距离均大于预设距离阈值时,维修的时间成本较高,则可实行例如延期维系的策略。
又例如,所述故障类型对应的故障难度系数大于预设难度系数阈值时,所述维修建议为放弃现场维修或延期维修。其中,所述服务器中可预先存储对应各所述故障类型的难度系数,且接收到当前故障车辆的故障类型时,获取与所述故障类型对应的难度系数,并将该难度系数与预设的难度系数阈值进行比较。例如,所述故障类型为车头断裂,该故障类型对应的难度系数大于所述难度系数阈值,所述维修建议可为放弃现场维修,且可向距离所述故障车辆最近的运维端设备发送将所述故障车辆拉回仓库的指令。
在一些实施例中,所述服务器接收到所述运维端设备发送的包括所述故障区域的维修结束图片时,将所述维修结束图片进行图片区域划分后发送至指定的深度学习模型中,以判断所述故障区域的故障是否被排除。例如,所述服务器接收到所述维修结束图片,根据图片特征分析,判断所述维修结束图片对应的故障部位为链条,且将所述维修结束图片进行图片区域划分后发送至与所述链条对应的深度学习模型中,且经过所述深度学习模型后,判断所述链条为完好时,判断所述故障区域的故障已被排除,并做相应的故障排除记录。
参阅图3,显示为本发明的报障识别装置在一具体实施例中的组成示意图。所述报障识别装置1应用于服务器中,所述报障识别装置1包括:信息获取模块11、图片分析模块12、图片划分模块13以及故障类型判断模块14。
所述信息获取模块11获取用户端设备上传的报障信息;其中,所述报障信息包括关于故障车辆的故障车辆信息、包括故障区域的故障图片以及用户选择的指定故障部位;所述故障车辆可为共享单车或共享电动车等。所述用户端设备例如为智能手机、平板电脑或智能手表等便携式的智能数据处理设备。所述用户端设备运行指定的APP,所述用户端设备还包括触摸屏,所述用户可通过对所述APP的显示界面(如图2所示)中的故障上报接口进行触控后,根据界面提示,通过所述用户端设备自带的摄像装置扫描故障车辆的车身二维码,获取故障车辆的故障车辆信息。所述故障车辆信息例如包括故障单车编号以及所述故障车辆的车辆位置信息。且所述用户可通过界面提示打开所述用户端设备自带的摄像装置拍摄包括所述故障区域的图片,并将所述故障车辆信息以及包括故障区域的故障图片上传至所述服务器。且在所述用户端设备运行的所述APP界面中还可提供多种故障部位以供用户选择,且用户通过在触控选择其中一种故障部位后,将该指定故障部位发送至所述服务器。所述可供选择的故障部位例如包括坐垫、车头、脚踏、车把、刹车、挡泥板、链条、二维码以及车锁九个部位。
所述图片分析模块12以对所述故障图片进行图片特征分析以获取与所述故障图片对应的图片故障部位;在具体应用中,所述服务器可预先存储关于车辆的各部位的多个图片;且根据所述关于车辆的各部位的多个图片对所述故障图片进行图片比对操作,以获取与所述故障图片匹配的图片故障部位。例如,所述服务器预先存储多种类型以及各个角度的车辆的车头的图片,当所述故障图片为包括车头的图片时,所述故障图片与所述服务器中预存的车头的特征可以匹配,则可以判断所述故障图片所包含的为图片图章部位为车头。
所述图片划分模块13用以当所述图片故障部位与所述指定故障部位匹配时,根据预设的图片划分规则,将所述故障图片划分为多个候选图像区域;候选图像区域可能包括损坏区域,也可能不包括。而在一些具体实施例中,当所述图片故障部位与所述指定故障部位不匹配时,判断所述用户端设备上传的所述报障信息为无效信息,且结束该报障识别装置的运行。
所述故障类型判断模块14用以将所述多个候选图像区域输入与所述图片故障部位对应的深度学习模型中,以获取与所述故障图片对应的故障类型。
其中,在一些实施例中,所述服务器中预先训练且存储了关于各车辆部位的深度学习模型。所述深度学习模型可选用深度卷积神经网络。
所述故障类型判断模块14还用以将所述多个候选图像区域输入与所述图片故障部位对应的深度学习模型中,对所述多个候选图像区域进行分类和回归,以获取与所述图片故障部位对应的故障类型。在具体应用中,对所述多个候选图像区域进行回归,可对故障区域进一步定位。对所述多个候选图像区域进行分类,可获得关于所述故障部位的具体的故障类型。
例如故障部位是车锁,通过对所述多个候选图像区域进行分类和回归,可以进一步判断所述车锁是无法打开还是被上了私锁。例如故障部位是车辆链条,通过对所述多个候选图像区域进行分类和回归,可以进一步判断所述链条是断开还是松了。
在具体应用中,所述服务器中还预先存储与各所述故障类型对应的维修建议,其中,在获取所述故障类型后,将所述故障类型、与所述故障类型对应的所述维修建议以及所述故障车辆信息发送至指定的运维端设备。所述运维端设备为运维人为所持的电子设备,在具体实施例中,所述运维端设备可以为台式电脑、平板电脑、智能手机或智能手表等电子设备。所述服务器可通过其自带的无线模块将所述故障类型、与所述故障类型对应的所述维修建议以及所述故障车辆信息发送所述运维端设备。所述无线模块例如为2G模块、3G模块、4G模块或5G模块。其中,所述故障车辆信息例如包括故障单车编号以及所述故障车辆的车辆位置信息。所述运维端设备还可根据所述运维端设备的位置信息以及接收到的所述故障车辆的车辆位置信息生成维修路线,并将该维修路线在所述运维端设备上显示的地图中进行标识,以为运维人员寻找该故障车辆提供路线指引。
在具体应用中,可根据各运维人员的维修任务和/或各运维人员的运维端设备与所述故障车辆的距离,获取最优运维人员;且将与所述故障类型对应的维修建议以及所述故障车辆信息发送至所述最优运维人员的运维端设备。例如,维修任务最少的运维人员为所述最优运维人员。或距离所述故障车辆最近的运维人员为所述最优运维人员。又或者,预设关于所述维修任务和各运维人员的运维端设备与所述故障车辆的距离这两个最优运维人员的计算的比重,且根据两者的联合计算获取所述最优运维人员。
在一些实施例中,所述服务器中可预先建立故障类型与所述维修建议的一对一的映射表,在获取到所述故障类型后,将所述故障类型与所述映射表进行比对,以获取与所述故障类型相对应的维修建议。其中,所述维修建议可通过文字或图片的方式显示于所述运维端设备的显示屏上。在一些实施例中,所述维修建议至少包括以下中的一种:与所述故障类型对应的维修说明、与所述故障类型对应的维修工具、以及与所述故障类型对应的替换备件的种类和数量。在具体应用中,所述服务器还可提前遍历预先存储的关于仓管的库存信息,判断可为所述故障车辆提供的替换备件的种类和数量。例如,当前的故障部位为链条,故障类型为链条断裂,且所述服务器通过提前遍历预先存储的关于仓管的库存信息,判断库存中存在可替换的链条,则与所述故障类型对应的维修工具可以包括扳手,与所述故障类型对应的替换备件的种类为链条,替换备件的数量为一条。
在一些实施例中,当所述故障车辆与各所述运维人员对应的运维端设备的距离均大于预设距离阈值时,所述维修建议为放弃现场维修或延期维修。所述服务器可根据所述故障车辆的车辆位置信息和各所述运维端设备的位置信息,计算所述故障车辆与各所述运维端设备的距离。当所述故障车辆与各所述运维人员对应的运维端设备的距离均大于预设距离阈值时,维修的时间成本较高,则可实行例如延期维系的策略。
又例如,所述故障类型对应的故障难度系数大于预设难度系数阈值时,所述维修建议为放弃现场维修或延期维修。其中,所述服务器中可预先存储对应各所述故障类型的难度系数,且接收到当前故障车辆的故障类型时,获取与所述故障类型对应的难度系数,并将该难度系数与预设的难度系数阈值进行比较。例如,所述故障类型为车头断裂,该故障类型对应的难度系数大于所述难度系数阈值,所述维修建议可为放弃现场维修,且可向距离所述故障车辆最近的运维端设备发送将所述故障车辆拉回仓库的指令。
在一些实施例中,所述服务器接收到所述运维端设备发送的包括所述故障区域的维修结束图片时,将所述维修结束图片进行图片区域划分后发送至指定的深度学习模型中,以判断所述故障区域的故障是否被排除。例如,所述服务器接收到所述维修结束图片,根据图片特征分析,判断所述维修结束图片对应的故障部位为链条,且将所述维修结束图片进行图片区域划分后发送至与所述链条对应的深度学习模型中,且经过所述深度学习模型后,判断所述链条为完好时,判断所述故障区域的故障已被排除,并做相应的故障排除记录。
在本发明一具体实施例中,还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述报障识别方法,所述报障识别方法参阅图1及关于图1的相关描述。
参阅图4,显示为本发明的服务器在一具体实施例中的组成示意图。所述服务器2包括:处理器21及存储器22;
所述存储器22用于存储计算机程序,所述处理器21用于执行所述存储器22存储的计算机程序,以使所述服务器2执行如图1所示的报障识别方法。
其中,所述存储器22至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器22可以是所述服务器2的内部存储单元,例如该服务器2的硬盘或内存。在另一些实施例中,所述存储器22也可以是所述服务器2的外部存储设备,例如该应用服务器2上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,所述存储器22还可以既包括所述服务器2的内部存储单元也包括其外部存储设备。本实施例中,所述存储器22通常用于存储安装于所述服务器2的操作***和各类应用软件,例如所述报障识别方法的程序代码等。此外,所述存储器22还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器21在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器21通常用于控制所述服务器2的总体操作。本实施例中,所述处理器21用于运行所述存储器22中存储的程序代码或者处理数据,例如运行所述的报障识别方法。
综上所述,本发明提供一种报障识别方法、装置、介质及服务器,所述报障识别方法应用于服务器中,所述报障识别方法包括:获取用户端设备上传的报障信息;其中,所述报障信息包括关于故障车辆的故障车辆信息、包括故障区域的故障图片以及用户选择的指定故障部位;对所述故障图片进行图片特征分析以获取与所述故障图片对应的图片故障部位;当所述图片故障部位与所述指定故障部位匹配时,根据预设的图片划分规则,将所述故障图片划分为多个候选图像区域;将所述多个候选图像区域输入与所述图片故障部位对应的深度学习模型中,以获取与所述故障图片对应的故障类型。本发明可以对用户的报障进行及时准确的审核,以为提高故障车辆的维修效率。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (13)
1.一种报障识别方法,其特征在于,应用于服务器中,所述报障识别方法包括:
获取用户端设备上传的报障信息;其中,所述报障信息包括关于故障车辆的故障车辆信息、包括故障区域的故障图片以及用户选择的指定故障部位;
对所述故障图片进行图片特征分析以获取与所述故障图片对应的图片故障部位;
当所述图片故障部位与所述指定故障部位匹配时,根据预设的图片划分规则,将所述故障图片划分为多个候选图像区域;
将所述多个候选图像区域输入与所述图片故障部位对应的深度学习模型中,以获取与所述故障图片对应的故障类型。
2.如权利要求1所述的报障识别方法,其特征在于,所述对所述故障图片进行图片特征分析以获取与所述故障图片对应的图片故障部位的步骤还包括:
预先存储关于车辆的各部位的多个图片;
根据所述关于车辆的各部位的多个图片对所述故障图片进行图片比对操作,以获取与所述故障图片匹配的图片故障部位。
3.如权利要求1所述的报障识别方法,其特征在于,所述将所述多个候选图像区域输入与所述图片故障部位对应的深度学习模型中,以获取与所述图片故障部位对应的具体故障类型的步骤还包括:将所述多个候选图像区域输入与所述图片故障部位对应的深度学习模型中,对所述多个候选图像区域进行分类和回归,以获取与所述图片故障部位对应的故障类型。
4.如权利要求1所述的报障识别方法,其特征在于,所述服务器中还预先存储与各所述故障类型对应的维修建议,其中,在获取所述故障类型后,将所述故障类型、与所述故障类型对应的所述维修建议以及所述故障车辆信息发送至指定的运维端设备。
5.如权利要求4所述的报障识别方法,其特征在于,根据各运维人员的维修任务和/或各运维人员的运维端设备与所述故障车辆的距离,获取最优运维人员;且将与所述故障类型对应的维修建议以及所述故障车辆信息发送至所述最优运维人员的运维端设备。
6.如权利要求4所述的报障识别方法,其特征在于,所述故障车辆信息包括:故障单车编号以及所述故障车辆的车辆位置信息;其中,所述运维端设备根据所述运维端设备的位置信息以及接收到的所述故障车辆的车辆位置信息生成维修路线。
7.如权利要求4所述的报障识别方法,其特征在于,所述维修建议至少包括以下中的一种:与所述故障类型对应的维修说明、与所述故障类型对应的维修工具、以及与所述故障类型对应的替换备件的种类和数量。
8.如权利要求4所述的报障识别方法,其特征在于,当所述故障车辆与各所述运维人员对应的运维端设备的距离均大于预设距离阈值或所述故障类型对应的故障难度系数大于预设难度系数阈值时,所述维修建议为放弃现场维修或延期维修。
9.如权利要求4所述的报障识别方法,其特征在于,所述服务器接收到所述运维端设备发送的包括所述故障区域的维修结束图片时,将所述维修结束图片进行图片区域划分后发送至指定的深度学习模型中,以判断所述故障区域的故障是否被排除。
10.如权利要求1所述的报障识别方法,其特征在于,当所述图片故障部位与所述指定故障部位不匹配时,判断所述用户端设备上传的所述报障信息为无效信息,且结束所述报障识别方法。
11.一种报障识别装置,其特征在于,应用于服务器中,所述报障识别装置包括:
信息获取模块,获取用户端设备上传的报障信息;其中,所述报障信息包括关于故障车辆的故障车辆信息、包括故障区域的故障图片以及用户选择的指定故障部位;
图片分析模块,用以对所述故障图片进行图片特征分析以获取与所述故障图片对应的图片故障部位;
图片划分模块,用以当所述图片故障部位与所述指定故障部位匹配时,根据预设的图片划分规则,将所述故障图片划分为多个候选图像区域;
故障类型判断模块,用以将所述多个候选图像区域输入与所述图片故障部位对应的深度学习模型中,以获取与所述故障图片对应的故障类型。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至10中任一项所述的报障识别方法。
13.一种服务器,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述服务器执行如权利要求1至10中任一项所述的报障识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010057729.8A CN111259969A (zh) | 2020-01-19 | 2020-01-19 | 一种报障识别方法、装置、服务器及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010057729.8A CN111259969A (zh) | 2020-01-19 | 2020-01-19 | 一种报障识别方法、装置、服务器及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111259969A true CN111259969A (zh) | 2020-06-09 |
Family
ID=70944129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010057729.8A Pending CN111259969A (zh) | 2020-01-19 | 2020-01-19 | 一种报障识别方法、装置、服务器及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111259969A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111830937A (zh) * | 2020-07-23 | 2020-10-27 | 上海钧正网络科技有限公司 | 车辆故障识别模型的构建、识别方法及装置、管理*** |
CN112130180A (zh) * | 2020-09-18 | 2020-12-25 | 上海钧正网络科技有限公司 | 检测共享设备卫星定位设备故障的方法、装置及服务器 |
CN113128357A (zh) * | 2021-03-29 | 2021-07-16 | 东风柳州汽车有限公司 | 车辆故障处理方法及*** |
CN113689014A (zh) * | 2021-09-01 | 2021-11-23 | 宁波喵走科技有限公司 | 共享电动车维护管理方法、设备、存储介质及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106226050A (zh) * | 2016-07-15 | 2016-12-14 | 北京航空航天大学 | 一种tfds故障自动识别方法 |
CN107392218A (zh) * | 2017-04-11 | 2017-11-24 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置及电子设备 |
CN108256654A (zh) * | 2018-01-02 | 2018-07-06 | 中电长城(长沙)信息技术有限公司 | 一种设备报障和故障诊断方法及*** |
CN108734702A (zh) * | 2018-04-26 | 2018-11-02 | 平安科技(深圳)有限公司 | 车损判定方法、服务器及存储介质 |
CN108985343A (zh) * | 2018-06-22 | 2018-12-11 | 深源恒际科技有限公司 | 基于深度神经网络的汽车损伤检测方法和*** |
CN110276458A (zh) * | 2019-06-25 | 2019-09-24 | 秒针信息技术有限公司 | 车辆故障的处理方法、装置、存储介质及电子装置 |
CN110569696A (zh) * | 2018-08-31 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 用于车辆部件识别的神经网络***、方法和装置 |
-
2020
- 2020-01-19 CN CN202010057729.8A patent/CN111259969A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106226050A (zh) * | 2016-07-15 | 2016-12-14 | 北京航空航天大学 | 一种tfds故障自动识别方法 |
CN107392218A (zh) * | 2017-04-11 | 2017-11-24 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置及电子设备 |
CN108256654A (zh) * | 2018-01-02 | 2018-07-06 | 中电长城(长沙)信息技术有限公司 | 一种设备报障和故障诊断方法及*** |
CN108734702A (zh) * | 2018-04-26 | 2018-11-02 | 平安科技(深圳)有限公司 | 车损判定方法、服务器及存储介质 |
CN108985343A (zh) * | 2018-06-22 | 2018-12-11 | 深源恒际科技有限公司 | 基于深度神经网络的汽车损伤检测方法和*** |
CN110569696A (zh) * | 2018-08-31 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 用于车辆部件识别的神经网络***、方法和装置 |
CN110276458A (zh) * | 2019-06-25 | 2019-09-24 | 秒针信息技术有限公司 | 车辆故障的处理方法、装置、存储介质及电子装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111830937A (zh) * | 2020-07-23 | 2020-10-27 | 上海钧正网络科技有限公司 | 车辆故障识别模型的构建、识别方法及装置、管理*** |
CN111830937B (zh) * | 2020-07-23 | 2021-07-02 | 上海钧正网络科技有限公司 | 车辆故障识别模型的构建、识别方法及装置、管理*** |
CN112130180A (zh) * | 2020-09-18 | 2020-12-25 | 上海钧正网络科技有限公司 | 检测共享设备卫星定位设备故障的方法、装置及服务器 |
CN112130180B (zh) * | 2020-09-18 | 2023-10-27 | 上海钧正网络科技有限公司 | 检测共享设备卫星定位设备故障的方法、装置及服务器 |
CN113128357A (zh) * | 2021-03-29 | 2021-07-16 | 东风柳州汽车有限公司 | 车辆故障处理方法及*** |
CN113689014A (zh) * | 2021-09-01 | 2021-11-23 | 宁波喵走科技有限公司 | 共享电动车维护管理方法、设备、存储介质及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2018250370B2 (en) | Weakly supervised model for object detection | |
CN111259969A (zh) | 一种报障识别方法、装置、服务器及介质 | |
US10223345B2 (en) | Interactively predicting fields in a form | |
EP2662831B1 (en) | Comparing virtual and real images of a shopping planogram | |
US8196066B1 (en) | Collaborative gesture-based input language | |
CN108983748B (zh) | 一种车辆故障检测方法及终端设备 | |
EP2572295A1 (en) | System and method for web page segmentation using adaptive threshold computation | |
CN116168038B (zh) | 一种图像翻拍检测的方法、装置、电子设备及存储介质 | |
CN114550051A (zh) | 一种车损检测方法、装置、计算机设备及存储介质 | |
CN114639087A (zh) | 一种交通标志检测方法及装置 | |
US20240095782A1 (en) | Artificial intelligence machine learning system for classifying images and producing a predetermined visual output | |
CN108369647B (zh) | 基于图像的质量控制 | |
KR20140137254A (ko) | 문자 인식을 이용한 위치 정보 제공 단말, 서버, 시스템 및 방법 | |
CN115186240A (zh) | 基于关联性信息的社交网络用户对齐方法、装置、介质 | |
CN111062388A (zh) | 基于深度学习的广告文字的识别方法、***、介质及设备 | |
KR102555733B1 (ko) | 머신러닝 성능 향상을 위한 객체 관리 서버 및 그 제어방법 | |
Sabek | A Performance Study of Different Deep Learning Architectures For Detecting Construction Equipment in Sites | |
CN118397346A (zh) | 基于图像级监督的目标检测方法、装置、设备及介质 | |
GB2624627A (en) | A system and method of detecting curved mirrors within an image | |
CN117409430A (zh) | 一种医疗票据信息提取方法、装置、设备及其存储介质 | |
CN118115230A (zh) | 展示商品信息、图像识别方法及电子设备 | |
CN113970992A (zh) | 图像的标注方法、装置、***、存储介质及电子装置 | |
CN114549817A (zh) | 一种***检测方法、装置、计算机设备及存储介质 | |
CN117953380A (zh) | 一种建筑物的自动匹配方法、装置、设备及存储介质 | |
CN114973264A (zh) | 基于增强图像处理算法的数据处理及卷烟激光码扫码*** |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200609 |