CN112073480A - 神经网络算法自组织映射监控渣土车消纳的方法和装置 - Google Patents

神经网络算法自组织映射监控渣土车消纳的方法和装置 Download PDF

Info

Publication number
CN112073480A
CN112073480A CN202010873307.8A CN202010873307A CN112073480A CN 112073480 A CN112073480 A CN 112073480A CN 202010873307 A CN202010873307 A CN 202010873307A CN 112073480 A CN112073480 A CN 112073480A
Authority
CN
China
Prior art keywords
data
monitoring
muck
neural network
vector
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.)
Granted
Application number
CN202010873307.8A
Other languages
English (en)
Other versions
CN112073480B (zh
Inventor
王胜斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Jinrui Technology Co ltd
Original Assignee
Hunan Jinrui Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Jinrui Technology Co ltd filed Critical Hunan Jinrui Technology Co ltd
Priority to CN202010873307.8A priority Critical patent/CN112073480B/zh
Publication of CN112073480A publication Critical patent/CN112073480A/zh
Application granted granted Critical
Publication of CN112073480B publication Critical patent/CN112073480B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • G01N33/0037—NOx
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • G01N33/0039—O3
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • G01N33/004—CO or CO2
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
    • G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • G07C5/085—Registering performance data using electronic data carriers
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • G07C5/085—Registering performance data using electronic data carriers
    • G07C5/0866—Registering performance data using electronic data carriers the electronic data carrier being a digital video recorder in combination with video camera
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/76—Television signal recording
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Immunology (AREA)
  • Multimedia (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Remote Sensing (AREA)
  • Combustion & Propulsion (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Electromagnetism (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Dispersion Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种神经网络算法自组织映射监控渣土车消纳的方法和装置，所述方法包括：通过预设置于渣土车内的监控神经网络模型获取渣土车的停滞时间数据与当前位置数据；将所述停滞时间数据与当前位置数据作为输入，对应转换为向量数据，输入至神经网络算法的隐藏层，以进行依向量的权重处理，将形成的监控规则数据输出至监控神经网络模型；按照所述监控规则数据，若所述渣土车出现消纳违规情况，则进行数据突触调节，形成违规数据包；将所述违规数据包采用5G网络上传至云监控平台，并获取所述云监控平台的回锁指令；通过所述回锁指令将渣土车的货箱举升进行回锁，阻止货箱内渣土倒出；实现从事后处理与预防转换为即时的应急处理的效果。

Description

神经网络算法自组织映射监控渣土车消纳的方法和装置
技术领域
本发明涉及大型运输车监控平台技术领域，特别涉及为一种神经网络算法自组织映射监控渣土车消纳的方法和装置。
背景技术
因施工场地占地面积有限，一般的建材都采用大型运输汽车进行运输，而对于渣土的运输，由渣土车进行运输，而对于渣土车运输渣土至指定的消纳场地过程中，存在如下技术问题：
(1)司机不在指定的消纳场地下料，导致渣土运输乱序，影响施工进程。
(2)渣土车的车辆密封不严，进而沿途产生抛洒遗漏物，导致车辆抛洒物影响市容，恶化环境，同时容易被环卫及城管等部门查扣及罚款，而减少渣土公司及司机的收益。
对于上述提出的问题，现有技术中提出一种智能监控***，基于计算机设备进行工地和消纳场地的动态监管、运输过程的实时动态监管、以及黑工地、黑消纳场地的智能识别，实现各种问题的监管过程；
但该监管无论是人为监管或者机器监管，均是对渣土车发生违规事项的处理，或者规束司机以预防违规的发生，无法在违规过程时进行相关的控制反应，其主要的原因是现有云平台监管的数据获取与输出依赖的无线4G或是基站PLC通讯，反应时间较长，故而无法实现即时反应。
发明内容
本发明提供一种神经网络算法自组织映射监控渣土车消纳的方法和装置，以对传输数据进行规束，并采用5G技术，达到提升机器监管的反应速度，使云平台基于计算机设备进行工地和消纳场地的动态监管、运输过程的实时动态监管、以及黑工地、黑消纳场地的智能识别，实现从事后处理与预防转换为即时的应急处理的效果。
本发明为解决技术问题采用如下技术手段：
本申请提供一种神经网络算法自组织映射监控渣土车消纳的方法，所述方法包括：
通过预设置于渣土车内的监控神经网络模型获取渣土车的停滞时间数据与当前位置数据；
将所述停滞时间数据与当前位置数据作为输入，对应转换为向量数据，输入至神经网络算法的隐藏层，以进行依向量的权重处理，将形成的监控规则数据输出至监控神经网络模型；
按照所述监控规则数据，若所述渣土车出现消纳违规情况，则进行数据突触调节，形成违规数据包；
将所述违规数据包采用5G网络上传至云监控平台，并获取所述云监控平台的回锁指令；
通过所述回锁指令将渣土车的货箱举升进行回锁，阻止货箱内渣土倒出。
进一步地，所述通过预设置于渣土车内的监控神经网络模型获取渣土车的停滞时间数据与当前位置数据的步骤，包括：
所述监控神经网络模型通过设置于渣土车上的监测设备判断渣土车是否停滞；
若是，则所述监控神经网络模型获取停滞时间数据和当前位置数据。
进一步地，所述将停滞时间数据与当前位置数据作为输入，对应转换为向量数据的步骤，包括：
将所述停滞时间数据中的时间长度进行实时的量化，得到逐渐递增的第一向量；
确定运输路线，将所述当前位置数据中的位置信息标注与所述运输路线上并进行量化，得到第二向量。
进一步地，输入向量数据至神经网络算法的隐藏层，以进行依向量的权重处理，将形成的监控规则数据输出至监控神经网络模型的步骤，包括：
所述隐藏层采用源节点层接入第一向量和第二向量；
若干个第一神经元接于所述隐藏层，根据所述第一向量的实时递增以逐步激活第一神经元，而逐步提升所述第一向量的权重，当所述第一向量的递增停止时，所述第一向量的权重值固定，其中，所述第一神经元的激活数量具有上限值。
若干个第二神经元接于所述隐藏层，将所述第二向量分配固定权重。
当所述第一向量与第二向量的权重数值被定义后，形成监控规则数据，由Microsoft神经网络的隐藏层输出至监控神经网络模型。
进一步地，所述按照所述监控规则数据，若所述渣土车出现消纳违规情况，则进行数据突触调节，形成违规数据包的步骤包括：
所述消纳违规情况为渣土车在非指定的消纳场地进行停滞，故而获取停滞时间和当前位置；
将所述停滞时间和当前位置输出至监控神经网络模型；
根据所述停滞时间与当前位置确定的权重数据，采用Kohoncn模型的后突触神经元二位阵列对形成所述权重数据的神经元进行确定；
确定突触神经元二位阵列中的神经元后，进行神经元突触规束，以自组织映射压缩成违规数据包。
本申请还提供一种神经网络算法自组织映射监控渣土车消纳的装置，包括：
模型获取单元，用于通过预设置于渣土车内的监控神经网络模型获取渣土车的停滞时间数据与当前位置数据；
模型处理单元，用于将所述停滞时间数据与当前位置数据作为输入，对应转换为向量数据，输入至神经网络算法的隐藏层，以进行依向量的权重处理，将形成的监控规则数据输出至监控神经网络模型；
压缩单元，用于按照所述监控规则数据，若所述渣土车出现消纳违规情况，则进行数据突触调节，形成违规数据包；
数据传输单元，用于将所述违规数据包采用5G网络上传至云监控平台，并获取所述云监控平台的回锁指令；
执行单元，用于通过所述回锁指令将渣土车的货箱举升进行回锁，阻止货箱内渣土倒出。
本申请还提供一种渣土车智能监控***，由各个硬件设备布局设置在车辆上的渣土车、和用于监控渣土车的云监控平台构成，所述监控***运行上述述的神经网络算法自组织映射监控渣土车消纳的方法，监控***包括：
渣土车上的硬件设备布局包括左右盲区摄像头、货箱状态分析仪、司机状态摄像头、司机互动对讲屏、尾部摄像头、主动安全视频记录仪和主控设备；
左右盲区摄像头为两个盲区摄像头分别设置于渣土车的左右两侧视觉盲区的车侧位置上，货箱状态分析仪设置于渣土车的货箱位置上，司机状态摄像头设于驾驶室内其视角朝向驾驶者位置，司机互动对讲屏设置于驾驶室内，尾部摄像头设置于渣土车尾部其视角朝向尾部挡板和/或尾部轮胎，主动安全视频记录仪设置于渣土车内；
主控设备设置于渣土车内且分别与左右盲区摄像头、货箱状态分析仪、司机状态摄像头、司机互动对讲屏、尾部摄像头以及主动安全视频记录仪连接；
云监控平台载于计算机设备中，其包括数据处理模块、显示模块、对讲模块和数据存储模块，各模块相互连接；
数据处理模块包括行车违规处理单元、渣土倾倒处理单元、尾气排放监控单元和货箱渣土处理单元，各单元相互连接。
进一步地，渣土车上还设有与主控设备连接的偏转角计算组件，且主控设备与驾驶室的方向盘连接；
偏转角计算组件通过渣土车车长、货箱承重数据和当前车辆的重量数据计算渣土车的最大偏转角，并通过转换算法，使主控设备锁定方向盘的最大扭矩。
本发明提供了神经网络算法自组织映射监控渣土车消纳的方法和装置，具有以下有益效果：
改变了传统渣土车上传数据至云监控平台的方式，采用Microsoft神经网络与自组织映射的方式，对数据流进行最精准的压缩，提升云监控平台的反应速度，实现从事后处理与预防转换为即时的应急处理的效果。
附图说明
图1为本发明神经网络算法自组织映射监控渣土车消纳的方法一个实施例中的流程示意图；
图2为本发明神经网络算法自组织映射监控渣土车消纳的方法一个实施例中Microsoft神经网络的隐藏层权重神经元的示意图；
图3为本发明神经网络算法自组织映射监控渣土车消纳的方法一个实施例中Microsoft神经网络的自组织映射示意图；
图4为本发明渣土车智能监控***一个实施例的结构框图；
图5为本发明提出的渣土车智能监控***执行监控方法的流程示意图。
本发明为目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面将结合本发明的实施例中的附图，对本发明的实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，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。
参考附图1，为本申请提出的神经网络算法自组织映射监控渣土车消纳的方法的流程示意图；
本申请提出的神经网络算法自组织映射监控渣土车消纳的方法，其方法包括：
S100，通过预设置于渣土车内的监控神经网络模型获取渣土车的停滞时间数据与当前位置数据；
S200，将停滞时间数据与当前位置数据作为输入，对应转换为向量数据，输入至神经网络算法的隐藏层，以进行依向量的权重处理，将形成的监控规则数据输出至监控神经网络模型；
S300，按照监控规则数据，若渣土车出现消纳违规情况，则进行数据突触调节，形成违规数据包；
S400，将违规数据包采用5G网络上传至云监控平台，并获取云监控平台的回锁指令；
S500，通过回锁指令将渣土车的货箱举升进行回锁，阻止货箱内渣土倒出。
具体的，
上述神经网络算法采用Microsoft神经网络算法。
在一个实施例中，通过预设置于渣土车内的监控神经网络模型获取渣土车的停滞时间数据与当前位置数据的步骤，包括：
监控神经网络模型通过设置于渣土车上的监测设备判断渣土车是否停滞；
若是，则监控神经网络模型获取停滞时间数据和当前位置数据。
在一个实施例中，将停滞时间数据与当前位置数据作为输入，对应转换为向量数据的步骤，包括：
将停滞时间数据中的时间长度进行实时的量化，得到逐渐递增的第一向量；
确定运输路线，将当前位置数据中的位置信息标注与运输路线上并进行量化，得到第二向量。
参考附图2，为神经网络算法的隐藏层的原理示意图；
输入向量数据至神经网络算法的隐藏层，以进行依向量的权重处理，将形成的监控规则数据输出至监控神经网络模型的步骤，包括：
隐藏层采用源节点层接入第一向量和第二向量；
若干个第一神经元接于隐藏层，根据第一向量的实时递增以逐步激活第一神经元，而逐步提升第一向量的权重，当第一向量的递增停止时，第一向量的权重值固定，其中，第一神经元的激活数量具有上限值。
若干个第二神经元接于隐藏层，将第二向量分配固定权重。
当第一向量与第二向量的权重数值被定义后，形成监控规则数据，由Microsoft神经网络的隐藏层输出至监控神经网络模型。
由上述可知，第一向量为逐步随时间递增的向量，根据时间的递增所激活的第一神经元则越多。第二向量是由当前位置确定而来，其只存在“位于消纳场地”或“不在消纳场地”的两种情况，当情况为“不在消纳场地”时，固定激活对应的第二神经元，即为固定权重。
参考附图3，为Kohoncn模型的后突触神经元二位阵列确定神经元的原理示意图。
按照监控规则数据，若渣土车出现消纳违规情况，则进行数据突触调节，形成违规数据包的步骤包括：
消纳违规情况为渣土车在非指定的消纳场地进行停滞，故而获取停滞时间和当前位置；
将停滞时间和当前位置输出至监控神经网络模型；
根据停滞时间与当前位置确定的权重数据，采用Kohoncn模型的后突触神经元二位阵列对形成权重数据的神经元进行确定；
确定突触神经元二位阵列中的神经元后，进行神经元突触规束，以自组织映射压缩成违规数据包。
具体的，
神经元突出规束随第一向量的递增规束的范围越大，而上传至元监控平台的数据流始终为规束后特定大小的数据。通过该自组织映射，改变了传统渣土车上传数据至云监控平台的方式，采用Microsoft神经网络算法与自组织映射的方式，对数据流进行最精准的压缩，提升云监控平台的反应速度，实现从事后处理与预防转换为即时的应急处理的效果。
本申请还提出一种神经网络算法自组织映射监控渣土车消纳的装置，包括：
模型获取单元，用于通过预设置于渣土车内的监控神经网络模型获取渣土车的停滞时间数据与当前位置数据；
模型处理单元，用于将停滞时间数据与当前位置数据作为输入，对应转换为向量数据，输入至神经网络算法的隐藏层，以进行依向量的权重处理，将形成的监控规则数据输出至监控神经网络模型；
压缩单元，用于按照监控规则数据，若渣土车出现消纳违规情况，则进行数据突触调节，形成违规数据包；
数据传输单元，用于将违规数据包采用5G网络上传至云监控平台，并获取云监控平台的回锁指令；
执行单元，用于通过回锁指令将渣土车的货箱举升进行回锁，阻止货箱内渣土倒出。
参考附图4，为本发明一实施例中的渣土车智能监控***的结构框图；
本发明提出的渣土车智能监控***，由各个硬件设备布局设置在车辆上的渣土车、和用于监控渣土车的云监控平台构成，其中：
渣土车上的硬件设备布局包括左右盲区摄像头、货箱状态分析仪、司机状态摄像头、司机互动对讲屏、尾部摄像头、主动安全视频记录仪和主控设备；
左右盲区摄像头为两个盲区摄像头分别设置于渣土车的左右两侧视觉盲区的车侧位置上，货箱状态分析仪设置于渣土车的货箱位置上，司机状态摄像头设于驾驶室内其视角朝向驾驶者位置，司机互动对讲屏设置于驾驶室内，尾部摄像头设置于渣土车尾部其视角朝向尾部挡板和/或尾部轮胎，主动安全视频记录仪设置于渣土车内；
主控设备设置于渣土车内且分别与左右盲区摄像头、货箱状态分析仪、司机状态摄像头、司机互动对讲屏、尾部摄像头以及主动安全视频记录仪连接；
云监控平台载于计算机设备中，其包括数据处理模块、显示模块、对讲模块和数据存储模块，各模块相互连接；
数据处理模块包括行车违规处理单元、渣土倾倒处理单元、尾气排放监控单元和货箱渣土处理单元，各单元相互连接。
具体的，
左右盲区摄像头采集渣土车两侧的视野盲区，并通过安装在驾驶室内的车载显示器进行视野盲区图像的显示，因为此技术较为常见，本发明不详细阐明，而本发明主要是利用左右盲区摄像头进行测速，通过左右盲区摄像头获取移动模糊图像，进而进行处理，确定当前车辆的行驶速度，从而实现补盲和测速同时进行的效果。
货箱状态分析仪用于确定渣土车货箱上的渣土重量、高度等数据，防止渣土车超载、沿途易抛洒遗漏物等弊端，并且能将渣土重量、高度等渣土数据上传至主控设备或者云监控平台的数据处理模块上，其中，主控设备能够通过上述渣土数据进行最大方向盘扭矩的限定，防止渣土车倾斜侧翻；数据处理模块能够通过渣土数据进行超载阈值、超速阈值的自主设定，预防超载、超速等违规情况发生。
司机状态摄像头用于采集司机的面部图像，能够确定司机的身份，从数据存储模块上根据面部图像确定司机的运输任务等，并且，司机状态摄像头采集司机面部图像再上传至云监控平台的数据处理模块上，以通过图像、视屏监控司机是否疲劳驾驶。
载于计算机设备的云监控平台通过对讲模块与司机互动对讲屏进行数据传输，监管人员可以通过司机互动对讲屏与司机进行沟通，或者云监控平台输出指定的语句由司机互动对讲屏输出，实现提示司机的过程，具体的，当监管人员通过显示模块所显示的数据看到司机的违规操作时，能够通过司机互动对讲屏与司机进行沟通，或者，云监控平台的数据处理模块判断司机出现违规操作时，从语音库中搜索预设的语音信息，并通过司机互动对讲屏输出该语音信息，以提示司机。
上述尾部摄像头设置于渣土车的车尾，用于采集拍摄车尾图像，通过其与云监控平台的数据处理模块的结合工作，预防渣土车的车厢边板残留物抛洒，通过轮胎卷起路面尘土，产生扬尘污染，扬尘增加空气固体颗粒浓度，导致形成雾霾，造成车辆限制运营，降低出勤率，减少收益的问题，以及预防现有渣土车的车辆尾气排放量监控不足，普遍排放标准低，燃料燃烧不充分，尾气中颗粒物较多的问题。
主动安全视频记录仪用于记录渣土车行驶过程中的所有过程。
主控设备为收集上述左右盲区摄像头、货箱状态分析仪、司机状态摄像头、司机互动对讲屏、尾部摄像头、主动安全视频记录仪对应的数据，并将数据上传至云监控平台的数据处理模块。
需要说明的是，云监控平台按地区区域、区域公司、以对各个公司的司机行驶渣土车进行监控。
参考附图5，为本发明提出的渣土车智能监控***执行监控方法的流程示意图，监控方法包括：
S1，司机状态摄像头采集司机面部信息，将面部信息上传至数据处理模块，经过图像处理，从数据存储模块中调取与面部信息相对应的司机数据，司机数据包括名称、工号、工作车辆编号、工作车辆行驶路线；
具体的，当司机乘坐驾驶位置时，激活司机状态摄像头以拍摄司机，进而获取司机数据，由云监控平台判断对应的司机驾驶对应的渣土车，若从数据存储模块中确定司机工号与工作车辆编号不关联时，云监控平台通过数据处理模块指令主控设备锁死方向盘，以预防渣土车运输出错。
在另一个实施例中，通过司机状态摄像头采集司机图像及视频，监听视频上传累计时长，若达到阈值则提示司机，预防疲劳驾驶；或者采用图像识别处理，将采集到的司机图像与预存的图像进行比对，判断司机是否疲劳驾驶，比对值包括，司机面部是否朝向行驶前方，司机眼睛是否保持闭合(采集多次图片测定)。
S2，数据处理模块通过工号和工作车辆编号判定司机是否行驶对应的渣土车；
S3，若是，则通过左右盲区摄像头、货箱状态分析仪、司机状态摄像头和尾部摄像头获取渣土车的行车安全数据，行车安全数据包括超载信息、超速信息、闯灯信息、疲劳驾驶信息、货箱渣土状态信息、以及车尾挡板/轮胎扬尘信息；
需要说明，超载信息、超速信息、闯灯信息以及疲劳驾驶信息属于司机行驶违规操作，而货箱渣土状态信息和车尾挡板/轮胎扬尘信息属于实时监控信息。
S4，数据处理模块按照预设的UI框架对行车安全数据进行显示处理，并通过显示模块对行车安全数据进行显示，同时，对行车安全数据中的各个信息进行判断；
通过显示模块显示上述的各种信息，以便于监管人员监控，若监管人员发现异常可通过对讲模块输出语音信息，进而由渣土车的司机互动对讲屏输出语音信息。
S5，若判定行车安全数据中一项或多项信息不符合预设条件，则对讲模块通过司机互动对讲屏与司机进行语音沟通，提示违规，并进行录音报备；
而但监管人员不在岗位时，云监控平台可自主提示司机，即数据处理模块根据行车安全数据判断司机是否出现司机行驶违规操作，和数据处理模块根据行车安全数据判断渣土车的渣土状态信息是否出现异常。
若存在任一项或多项的问题，则从数据存储模块的语音库中调取语音信息，并自主上传而通过司机互动对讲屏进行输出提示。
S6，行车完毕后，主动安全视频记录仪上传行驶过程数据至数据存储单元。
以保障司机准确的将渣土倒出在准确的消纳场地，并记录。
在一个实施例中，渣土车智能监控***执行监控方法的步骤中，在司机启动渣土车进行行驶之前，包括：
数据处理模块从数据存储模块中调取待启动的渣土车的备案信息，备案信息包括工地申请件、路线申请件、清运证申请件和审批结果；
判断备案信息是否符合预设条件；
若是，则允许司机进入渣土车，以供司机状态摄像头采集司机面部信息。
具体的，
当渣土车授权进行工作后，才能被司机所启动。
在一个实施例中，监控***进行备案过程，并将备案信息存储与数据存储模块，监控***通过云监控平台进行备案过程的步骤为：
数据处理模块将工地申请件、路线申请件、清运证申请件的电子件发送至第三方监管平台；
获取第三方监管平台的审批结果后，构成备案信息存储于数据存储模块。
目的是通过云监控平台帮助运输公司进行国家部门的运输申请备案，实现民众少跑多，数据多传输的效果。
在一个实施例中，渣土车智能监控***执行监控方法的步骤S5之前，包括：
数据处理模块通过货箱状态分析仪获取当前渣土车的货箱承重数据，数据处理模块从数据存储模块中获取当前车辆的重量数据；
通过货箱承重数据和重量数据，自主设定预设条件，以形成超载阈值、超速阈值和货箱承重阈值。
因为设置在渣土车上的各个硬件会采集行车安全数据，并上传至云监控平台，此时需要监控人员对行车的安全数据进行查看，监管人员难以照顾所有的渣土车，并且监管不精准；此时的技术是由监管部门对云监控平台进行阈值的输入，使得云监控平台能够实时的确定渣土车的违规操作；但是，监管部门依照的是道路规则进行的阈值输入，例如高速上限速是80km/h，而忽略了实际情况下渣土车的承重等，进而阈值设定不准确。
因此本发明提出由布局在渣土车车体上的各个硬件设备采集货箱数据，进而自主设定各个预设条件，实现精准且保障道路安全的确定渣土车违规数值。
在一个实施例中，渣土车智能监控***执行监控方法的步骤S3中，通过尾部摄像头获取渣土车的车尾挡板/轮胎扬尘信息的步骤包括：
车尾挡板/轮胎扬尘信息为尘雾图片，由数据处理单元实时获取尘雾图片，以监控渣土车行驶时是否扬尘。
以预防渣土车的车厢边板残留物抛洒，通过轮胎卷起路面尘土，产生扬尘污染，扬尘增加空气固体颗粒浓度，导致形成雾霾，造成车辆限制运营，降低出勤率，减少收益的问题，以及预防现有渣土车的车辆尾气排放量监控不足，普遍排放标准低，燃料燃烧不充分，尾气中颗粒物较多的问题。
在一个实施例中，在渣土车尾部设置有尾气摇杆监测组件，可实时监测路边环境空气质量，将CO、O3、SO2、NO2、PM2.5、PM10环境空气质量监测参数与尾部摄像头拍摄的图像相结合，形成尾气数据并上传至数据处理模块。
预防现有渣土车的车辆尾气排放量监控不足，普遍排放标准低，燃料燃烧不充分，尾气中颗粒物较多的问题。
在一个实施例中，在渣土车的侧部位置上设置行人声光提示器，在渣土车的驾驶室内设置车载显示器，行人声光提示器包括声光报警器和防碰撞雷达，声光报警器和防碰撞雷达均与主控设备连接。
以预防行车碰撞渣土车，造成盲区群众伤害。
在一个实施例中，渣土车上还设有与主控设备连接的偏转角计算组件，且主控设备与驾驶室的方向盘连接；
偏转角计算组件通过渣土车车长、货箱承重数据和当前车辆的重量数据计算渣土车的最大偏转角，并通过转换算法，使主控设备锁定方向盘的最大扭矩。
具体的，
上述最大扭矩计算算法为：
β＝α+arcsin{*sin[α+arctan(a/b)]/c}
其中，α与b的取值分别为从驾驶位置看出的左右后视镜的车尾平行线数值，需要说明，以左右后视镜的宽度为X轴，获取a与b在对应后视镜上落入X轴的位置，以确定车尾平行线数值a与b；
C为客观因素常数，由渣土车车长、当前车辆的重量数据(原车重量+货车承重数据)构成。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种神经网络算法自组织映射监控渣土车消纳的方法，其特征在于，所述方法包括：
通过预设置于渣土车内的监控神经网络模型获取渣土车的停滞时间数据与当前位置数据；
将所述停滞时间数据与当前位置数据作为输入，对应转换为向量数据，输入至神经网络算法的隐藏层，以进行依向量的权重处理，将形成的监控规则数据输出至监控神经网络模型；
按照所述监控规则数据，若所述渣土车出现消纳违规情况，则进行数据突触调节，形成违规数据包；
将所述违规数据包采用5G网络上传至云监控平台，并获取所述云监控平台的回锁指令；
通过所述回锁指令将渣土车的货箱举升进行回锁，阻止货箱内渣土倒出。
2.根据权利要求1所述的神经网络算法自组织映射监控渣土车消纳的方法，其特征在于，所述通过预设置于渣土车内的监控神经网络模型获取渣土车的停滞时间数据与当前位置数据的步骤，包括：
所述监控神经网络模型通过设置于渣土车上的监测设备判断渣土车是否停滞；
若是，则所述监控神经网络模型获取停滞时间数据和当前位置数据。
3.根据权利要求1所述的神经网络算法自组织映射监控渣土车消纳的方法，其特征在于，所述将停滞时间数据与当前位置数据作为输入，对应转换为向量数据的步骤，包括：
将所述停滞时间数据中的时间长度进行实时的量化，得到逐渐递增的第一向量；
确定运输路线，将所述当前位置数据中的位置信息标注与所述运输路线上并进行量化，得到第二向量。
4.根据权利要求3所述的神经网络算法自组织映射监控渣土车消纳的方法，其特征在于，输入向量数据至神经网络算法的隐藏层，以进行依向量的权重处理，将形成的监控规则数据输出至监控神经网络模型的步骤，包括：
所述隐藏层采用源节点层接入第一向量和第二向量；
若干个第一神经元接于所述隐藏层，根据所述第一向量的实时递增以逐步激活第一神经元，而逐步提升所述第一向量的权重，当所述第一向量的递增停止时，所述第一向量的权重值固定，其中，所述第一神经元的激活数量具有上限值。
若干个第二神经元接于所述隐藏层，将所述第二向量分配固定权重。
当所述第一向量与第二向量的权重数值被定义后，形成监控规则数据，由Microsoft神经网络的隐藏层输出至监控神经网络模型。
5.根据权利要求1所述的神经网络算法自组织映射监控渣土车消纳的方法，其特征在于，所述按照所述监控规则数据，若所述渣土车出现消纳违规情况，则进行数据突触调节，形成违规数据包的步骤包括：
所述消纳违规情况为渣土车在非指定的消纳场地进行停滞，故而获取停滞时间和当前位置；
将所述停滞时间和当前位置输出至监控神经网络模型；
根据所述停滞时间与当前位置确定的权重数据，采用Kohoncn模型的后突触神经元二位阵列对形成所述权重数据的神经元进行确定；
确定突触神经元二位阵列中的神经元后，进行神经元突触规束，以自组织映射压缩成违规数据包。
6.一种神经网络算法自组织映射监控渣土车消纳的装置，其特征在于，包括：
模型获取单元，用于通过预设置于渣土车内的监控神经网络模型获取渣土车的停滞时间数据与当前位置数据；
模型处理单元，用于将所述停滞时间数据与当前位置数据作为输入，对应转换为向量数据，输入至神经网络算法的隐藏层，以进行依向量的权重处理，将形成的监控规则数据输出至监控神经网络模型；
压缩单元，用于按照所述监控规则数据，若所述渣土车出现消纳违规情况，则进行数据突触调节，形成违规数据包；
数据传输单元，用于将所述违规数据包采用5G网络上传至云监控平台，并获取所述云监控平台的回锁指令；
执行单元，用于通过所述回锁指令将渣土车的货箱举升进行回锁，阻止货箱内渣土倒出。
7.一种渣土车智能监控***，由各个硬件设备布局设置在车辆上的渣土车、和用于监控渣土车的云监控平台构成，其特征在于，所述监控***运行权利要求1至5任一项所述的神经网络算法自组织映射监控渣土车消纳的方法，监控***包括：
渣土车上的硬件设备布局包括左右盲区摄像头、货箱状态分析仪、司机状态摄像头、司机互动对讲屏、尾部摄像头、主动安全视频记录仪和主控设备；
左右盲区摄像头为两个盲区摄像头分别设置于渣土车的左右两侧视觉盲区的车侧位置上，货箱状态分析仪设置于渣土车的货箱位置上，司机状态摄像头设于驾驶室内其视角朝向驾驶者位置，司机互动对讲屏设置于驾驶室内，尾部摄像头设置于渣土车尾部其视角朝向尾部挡板和/或尾部轮胎，主动安全视频记录仪设置于渣土车内；
主控设备设置于渣土车内且分别与左右盲区摄像头、货箱状态分析仪、司机状态摄像头、司机互动对讲屏、尾部摄像头以及主动安全视频记录仪连接；
云监控平台载于计算机设备中，其包括数据处理模块、显示模块、对讲模块和数据存储模块，各模块相互连接；
数据处理模块包括行车违规处理单元、渣土倾倒处理单元、尾气排放监控单元和货箱渣土处理单元，各单元相互连接。
8.根据权利要求7所述的渣土车智能监控***，其特征在于，渣土车上还设有与主控设备连接的偏转角计算组件，且主控设备与驾驶室的方向盘连接；
偏转角计算组件通过渣土车车长、货箱承重数据和当前车辆的重量数据计算渣土车的最大偏转角，并通过转换算法，使主控设备锁定方向盘的最大扭矩。
CN202010873307.8A 2020-08-26 2020-08-26 神经网络算法自组织映射监控渣土车消纳的方法和装置 Active CN112073480B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010873307.8A CN112073480B (zh) 2020-08-26 2020-08-26 神经网络算法自组织映射监控渣土车消纳的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010873307.8A CN112073480B (zh) 2020-08-26 2020-08-26 神经网络算法自组织映射监控渣土车消纳的方法和装置

Publications (2)

Publication Number Publication Date
CN112073480A true CN112073480A (zh) 2020-12-11
CN112073480B CN112073480B (zh) 2022-06-14

Family

ID=73658982

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010873307.8A Active CN112073480B (zh) 2020-08-26 2020-08-26 神经网络算法自组织映射监控渣土车消纳的方法和装置

Country Status (1)

Country Link
CN (1) CN112073480B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112905724A (zh) * 2021-01-22 2021-06-04 武汉依迅北斗时空技术股份有限公司 一种渣土车可疑消纳场寻找方法及***
CN113469154A (zh) * 2021-09-03 2021-10-01 海门市重型矿山机械厂 一种基于人工智能的渣土车卸货进度监控方法及***
CN113609915A (zh) * 2021-07-09 2021-11-05 南京泰晟科技实业有限公司 一种渣土车智能监测***及方法
CN113905215A (zh) * 2021-12-07 2022-01-07 江西佳铭特实业有限公司 一种公交安全驾驶监控***
CN114613141A (zh) * 2022-03-21 2022-06-10 美境数字科技(杭州)有限公司 渣土车扬尘监管***和方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0468500A (ja) * 1990-07-09 1992-03-04 Toyota Motor Corp 車両運転者監視装置
CN104463513A (zh) * 2015-01-19 2015-03-25 长沙致天信息科技有限责任公司 运输车辆管理***及其管理方法
CN105068473A (zh) * 2015-07-30 2015-11-18 苏州宏展信息科技有限公司 一种基于全封闭渣土车的射频匹配渣土倾倒***
CN105467918A (zh) * 2016-01-15 2016-04-06 贵港市嘉特电子科技有限公司 渣土车运输过程监控***及方法
CN106303960A (zh) * 2016-08-11 2017-01-04 北汽福田汽车股份有限公司 管控渣土车非法倾倒作业的方法、装置和***
CN106327859A (zh) * 2016-08-31 2017-01-11 河海大学 基于物联网的工程车辆智能控制***
CN109299890A (zh) * 2018-07-28 2019-02-01 鸿翔环境产业有限公司 一种建筑废弃物管理云平台***
US20190102668A1 (en) * 2017-10-04 2019-04-04 Hengshuai Yao Method of prediction of a state of an object in the environment using an action model of a neural network

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0468500A (ja) * 1990-07-09 1992-03-04 Toyota Motor Corp 車両運転者監視装置
CN104463513A (zh) * 2015-01-19 2015-03-25 长沙致天信息科技有限责任公司 运输车辆管理***及其管理方法
CN105068473A (zh) * 2015-07-30 2015-11-18 苏州宏展信息科技有限公司 一种基于全封闭渣土车的射频匹配渣土倾倒***
CN105467918A (zh) * 2016-01-15 2016-04-06 贵港市嘉特电子科技有限公司 渣土车运输过程监控***及方法
CN106303960A (zh) * 2016-08-11 2017-01-04 北汽福田汽车股份有限公司 管控渣土车非法倾倒作业的方法、装置和***
CN106327859A (zh) * 2016-08-31 2017-01-11 河海大学 基于物联网的工程车辆智能控制***
US20190102668A1 (en) * 2017-10-04 2019-04-04 Hengshuai Yao Method of prediction of a state of an object in the environment using an action model of a neural network
CN109299890A (zh) * 2018-07-28 2019-02-01 鸿翔环境产业有限公司 一种建筑废弃物管理云平台***

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112905724A (zh) * 2021-01-22 2021-06-04 武汉依迅北斗时空技术股份有限公司 一种渣土车可疑消纳场寻找方法及***
CN112905724B (zh) * 2021-01-22 2022-06-24 武汉依迅北斗时空技术股份有限公司 一种渣土车可疑消纳场寻找方法及***
CN113609915A (zh) * 2021-07-09 2021-11-05 南京泰晟科技实业有限公司 一种渣土车智能监测***及方法
CN113469154A (zh) * 2021-09-03 2021-10-01 海门市重型矿山机械厂 一种基于人工智能的渣土车卸货进度监控方法及***
CN113905215A (zh) * 2021-12-07 2022-01-07 江西佳铭特实业有限公司 一种公交安全驾驶监控***
CN114613141A (zh) * 2022-03-21 2022-06-10 美境数字科技(杭州)有限公司 渣土车扬尘监管***和方法

Also Published As

Publication number Publication date
CN112073480B (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
CN112073480B (zh) 神经网络算法自组织映射监控渣土车消纳的方法和装置
CN111325872B (zh) 基于计算机视觉的司机驾驶异常检测方法
CN105675101B (zh) 基于obd的车辆质量动态测量装置及测量方法
DE102018129048A1 (de) Systeme und verfahren zum bestimmen von sicherheitsereignissen für ein autonomes fahrzeug
CN104754011A (zh) 一种车联网多方协同控制方法以及车联网协同平台
CN113515985B (zh) 自助过磅***、过磅检测方法、设备及存储介质
CN108423003A (zh) 一种驾驶安全监控方法及***
CN110470570B (zh) 用于鲜活农产品运输车辆装载合规性的查验方法及***
CN115311633B (zh) 车辆违法上下客的检测方法、装置、电子设备及存储介质
CN104794893A (zh) 一种重车过桥的监测装置
CN115802119A (zh) 一种基于区块链的安全监控***
CN107507420A (zh) 车辆超载监控方法、***及车辆
TWM626569U (zh) 車禍嚴重度預測裝置
US11263837B2 (en) Automatic real-time detection of vehicular incidents
CN109747535B (zh) 一种基于大数据的视联网信息管理***
CN116416796A (zh) 无人驾驶车辆交通事故责任认定方法、装置、介质及设备
CN116026441A (zh) 车辆载重量异常检测方法、装置、设备及存储介质
CN115511879A (zh) 一种基于计算机视觉的渣土车未苫盖检测***及检测方法
JP2019185410A (ja) 車両推定装置、学習装置、及び車両推定方法
CN115049992A (zh) 基于大数据的物流监控***及方法
CN115373305A (zh) 一种混凝土运输车状态监控的方法
CN106960407A (zh) 停车场远程监管方法及装置
CN114613141A (zh) 渣土车扬尘监管***和方法
CN113990077A (zh) 一种车辆载荷及特征监测***及方法
JP2021192181A (ja) 異常通知システム及び異常通知方法

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
GR01 Patent grant
GR01 Patent grant