CN113344064A - 事件处理方法和装置 - Google Patents
事件处理方法和装置 Download PDFInfo
- Publication number
- CN113344064A CN113344064A CN202110602700.8A CN202110602700A CN113344064A CN 113344064 A CN113344064 A CN 113344064A CN 202110602700 A CN202110602700 A CN 202110602700A CN 113344064 A CN113344064 A CN 113344064A
- Authority
- CN
- China
- Prior art keywords
- image
- event
- processed
- acquisition
- region feature
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 11
- 230000004044 response Effects 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 239000003550 marker Substances 0.000 description 9
- 230000006399 behavior Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本公开公开了事件处理方法和装置,涉及人工智能技术领域,进一步涉及图像处理技术领域。具体实现方案为:首先获取待处理事件对应的第一图像和第二图像,然后响应于确定第一图像和第二图像对应的采集区域相同,将第二图像输入至预先训练好的事件识别模型中,输出第二图像对应的识别结果,最后响应于确定识别结果为已处理类型,对待处理事件执行销案处理,能够自动化判断待处理事件是否得到处理,尤其是对待处理事件的销案处理过程进行优化,可以保证已处理事件的归档案件质量,提高了待处理事件销案处理的效率,使得待处理事件归档更自动化,更高效。
Description
技术领域
本公开涉及人工智能技术领域,进一步涉及图像处理技术领域,尤其涉及事件处理方法和装置。
背景技术
随着人工智能、大数据等技术的发展,智慧城市已经逐渐成为现实。智慧城市管理,是智慧城市非常重要的一部分。城市管理是非常精细的工作,渗透到方方面面,每年都要投入大量的人力物力。如何能够更好的做好城市管理同时提高效率一直是一个难题。
现有的城市管理业务流程,经过数字化改造已经发展成为如下的工作流,城市被划分为一块一块的网格,每个网格员在自己负责的网格内巡视,发现案件即上报,然后经过逐级处理,最终结案。
发明内容
本公开提供了一种事件处理方法、装置、电子设备以及存储介质。
根据本公开的一方面,提供了一种事件处理方法,该方法包括:获取待处理事件对应的第一图像和第二图像,其中,第一图像和第二图像为针对待处理事件间隔预设时间采集的图像,第二图像的采集时刻晚于第一图像的采集时刻;响应于确定第一图像和第二图像对应的采集区域相同,将第二图像输入至预先训练好的事件识别模型中,输出第二图像对应的识别结果;响应于确定识别结果为已处理类型,对待处理事件执行销案处理。
根据本公开的另一方面,提供了一种事件处理装置,该装置包括:获取模块,被配置成获取待处理事件对应的第一图像和第二图像,其中,第一图像和第二图像为针对待处理事件间隔预设时间采集的图像;输出模块,被配置成响应于确定第一图像和第二图像对应的采集区域相同,将第二图像输入至预先训练好的事件识别模型中,输出第二图像对应的识别结果;销案模块,被配置成响应于确定识别结果为已处理类型,对待处理事件执行销案处理。
根据本公开的另一方面,提供了一种电子设备,该电子设备包括至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述事件处理方法。
根据本公开的另一方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机指令,该计算机指令用于使计算机能够执行上述事件处理方法。
根据本公开的另一方面,本申请实施例提供了一种计算机程序产品,其包括计算机程序,计算机程序在被处理器执行时实现上述事件处理方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开可以应用于其中的示例性***架构图;
图2是根据本公开的事件处理方法的一个实施例的流程图;
图3是根据本公开的事件处理方法的一个应用场景的示意图;
图4是根据本公开的确定第一图像和第二图像对应的采集区域相同的一个实施例的流程图;
图5是根据本公开的事件处理装置的一个实施例的流程图;
图6是用来实现本公开实施例的事件处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的事件处理方法的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备104、105,网络106,服务器101、102、103。网络106用以在终端设备104、105与服务器101、102、103之间提供通信链路的介质。网络106可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备104、105可以通过网络106与服务器101、102、103交互,以接收或发送信息等。终端设备104、105上可以安装有各种应用,例如数据采集应用、数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。
终端设备104、105可以是硬件,也可以是软件。当终端设备为硬件时,可以是具有图像采集设备、显示屏并且支持与服务器通信的各种电子设备,包括但不限于智能手机、平板电脑等等。当终端设备为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
终端设备104、105可以获取待处理事件对应的第一图像和第二图像,并根据该待处理事件对应的第一图像和第二图像进行分析比较,判断第一图像和第二图像对应的采集区域是否相同。终端设备104、105经过判断确定第一图像和第二图像对应的采集区域相同,则确定第一图像和第二图像属于同一待处理事件,并将第二图像输入至预先训练好的事件识别模型中,事件识别模型可以输出第二图像对应的识别结果,该识别结果可以表征该待处理事件是否得到处理。终端设备104、105可以确定得到的识别结果为已处理类型,则确定待处理事件已经得到相应的处理,对待处理事件执行销案处理。
服务器101、102、103可以是提供各种服务的服务器,例如对与其建立通信连接的终端设备发送的请求进行接收的后台服务器。后台服务器可以对终端设备发送的请求进行接收和分析等处理,并生成处理结果。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以是为终端设备提供各种服务的各种电子设备。当服务器为软件时,可以实现成为为终端设备提供各种服务的多个软件或软件模块,也可以实现成为为终端设备提供各种服务的单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开的实施例所提供的事件处理方法可以由终端设备104、105执行。相应地,事件处理装置可以设置于终端设备104、105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
参考图2,图2示出了可以应用于本公开的事件处理方法的实施例的流程示意图200。该事件处理方法包括以下步骤:
步骤210,获取待处理事件对应的第一图像和第二图像。
在本实施例中,事件处理方法的执行主体(例如图1中的终端设备104、105)可以通过本地读取或者从服务器中获取待处理事件和待处理事件关联的图像,该待处理事件可以是城市管理场景下的城市管理案件,待处理事件关联的图像可以是城市管理案件关联的图像,城市管理案件关联的图像可以是在道路、社区、公共场馆等室外场所用手机拍摄或者摄像头采集所得。其中,待处理事件关联的图像可以包括待处理事件对应的第一图像和第二图像,第一图像和第二图像均为针对该待处理事件间隔预设时间采集的图像,第二图像的采集时刻晚于第一图像的采集时刻。第一图像可以是表征待处理事件未得到处理前采集的图像,例如,可以是用于表征城市管理案件发生违章行为时拍摄的图像,是城市管理案件未得到处理前的图像,其违章行为可以包括各类违章停车、乱放垃圾、出店经营等但不仅限于此,例如,第一图像可以是发生垃圾乱放行为时对应的图像;第二图像可以是表征待处理事件得到处理后采集的图像,例如,可以是用于表征城市管理案件中违章行为得到处理后拍摄的图像,是城市管理案件得到处理后的图像,例如,垃圾乱放的违章行为得到处理、无垃圾乱放现象后对应的图像。
上述执行主体获取到待处理事件对应的第一图像和第二图像后,对获取到的第一图像进行图像处理,得到第一图像中发生待处理事件的采集区域,再对获取到的第二图像进行图像处理,得到第二图像中表征待处理事件得到处理的采集区域,该图像处理可以是现有技术中提取位置信息的各种处理手段,例如标志物提取等处理,本申请对此不做具体限定。上述执行主体将第一图像中发生待处理事件的采集区域和第二图像中表征待处理事件得到处理的采集区域进行比较,判断第一图像中发生待处理事件的采集区域和第二图像中表征待处理事件得到处理的采集区域是否相同。
作为示例,上述执行主体可以对第一图像进行标志物提取,得到第一图像中的第一标志物,并对第二图像进行标志物提取,得到第二图像中的第二标志物。上述执行主体将第一标志物和第二标志物进行比较,判断第一标志物和第二标志物是否一致,若一致,则表征第一图像和第二图像对应的采集区域相同;若不一致,则表征第一图像和第二图像对应的采集区域不相同。
或者,上述执行主体还可以获取第一图像上传时的第一位置信息和第二图像上传时的第二位置信息,如GPS信息等,上述执行主体将第一位置信息和第二位置信息进行比较,确定第一位置信息和第二位置信息是否相同,从而判断第一图像中发生待处理事件的采集区域和第二图像中表征待处理事件得到处理的采集区域是否相同。
步骤220,响应于确定第一图像和第二图像对应的采集区域相同,将第二图像输入至预先训练好的事件识别模型中,输出第二图像对应的识别结果。
在本实施例中,上述执行主体经过对第一图像和第二图像进行分析判断,确定第一图像和第二图像对应的采集区域相同后,获取预先训练好的事件识别模型,并将第二图像输入事件识别模型中,事件识别模型对第二图像进行处理,分析第二图像中的图像特征,判断第二图像中是否还包括事件未得到处理的信息,如城市管理案件的第二图像中是否还包括违章行为,输出第二图像对应的识别结果,该识别结果可以表征待处理事件是否得到处理,例如,该识别结果可以包括已处理类型和未处理类型。
其中,上述事件识别模型可以基于以下步骤获取:
第一步,获取训练样本集,其中,训练样本集中的训练样本包括样本第二图像和样本第二图像对应的样本识别结果。实践中,可以人工对样本第二图像进行标注,得到样本第二图像对应的样本识别结果。
第二步,利用机器学习算法,将样本第二图像作为输入数据,将与输入的样本第二图像对应的样本识别结果作为期望输出数据,训练得到事件识别模型。
步骤230,响应于确定识别结果为已处理类型,对待处理事件执行销案处理。
在本实施例中,上述执行主体得到第二图像对应的识别结果后,可以进一步确定该识别结果是已处理类型,从而可以确定第二图像对应的待处理事件已经得到处理,则对待处理事件执行销案处理,对该待处理事件进行结案归档。若待处理事件对应城市管理案件,上述执行主体确定识别结果为已处理类型,则确定城市管理案件的已处理类型可以为无违章类型,可以确定该城市管理案件已经得到处理,则对城市管理案件执行销案处理,对该城市管理案件进行结案归档。
继续参考图3,图3是根据本实施例的事件处理方法的一个应用场景的示意图。在图3的应用场景中,待处理事件对应城市管理场景下的城市管理案件,终端获取到城市管理案件的第一图像301和第二图像302,并对第一图像301和第二图像302的采集区域进行判断,判断第一图像301和第二图像302的采集区域是否相同。终端若确定第一图像301和第二图像302的采集区域相同,则将第二图像302输入至事件识别模型中,获取第二图像302对应的识别结果,该识别结果可以用于表征城市管理案件是否得到处理。终端根据识别结果确定该识别结果为已处理类型,表征城市管理案件已经得到处理,即无违章类型,则对该城市管理案件进行销案处理,进行结案。
本公开的实施例提供的事件处理方法,通过获取待处理事件对应的第一图像和第二图像,然后响应于确定第一图像和第二图像对应的采集区域相同,将第二图像输入至预先训练好的事件识别模型中,输出第二图像对应的识别结果,最后响应于确定识别结果为已处理类型,对待处理事件执行销案处理,能够自动化判断待处理事件是否得到处理,尤其是对待处理事件的销案处理过程进行优化,可以保证已处理事件的归档案件质量,提高了待处理事件销案处理的效率,使得待处理事件归档更自动化,更高效。
作为一个可选实现方式,进一步参考图4,上述步骤220,确定第一图像和第二图像对应的采集区域相同,可以包括以下步骤:
步骤410,响应于获取到待处理事件对应的第一图像和第二图像,基于预先训练好的特征提取模型,分别提取第一图像对应的第一区域特征和第二图像对应的第二区域特征。
在本步骤中,上述执行主体获取到待处理事件对应的第一图像和第二图像后,获取预先训练好的特征提取模型,该特征提取模型用于对输入图像进行特征提取,提取输入图像中的区域特征,其中,区域特征可以是用于表征采集区域等位置信息的图像特征,例如表征位置的标志物等。上述执行主体可以将获取到的第一图像输入特征提取模型中,特征提取模型对输入的第一图像进行分析处理和特征提取,输出能够表征采集区域的第一区域特征;再将获取到的第二图像输入特征提取模型中,特征提取模型对输入的第二图像进行分析处理和特征提取,输出能够表征采集区域的第二区域特征。
步骤420,基于第一区域特征和第二区域特征,确定第一图像和第二图像对应的采集区域相同。
在本步骤中,上述执行主体通过特征提取模型获取到第一区域特征和第二区域特征后,将第一区域特征和第二区域特征进行比较,判断第一区域特征和第二区域特征是否一致,从而判断第一图像和第二图像对应的采集区域是否相同。若上述执行主体经判断确定第一区域特征和第二区域特征一致,则确定第一图像和第二图像对应的采集区域相同;若上述执行主体经判断确定第一区域特征和第二区域特征不一致,则确定第一图像和第二图像对应的采集区域不相同。
作为一个可选实现方式,上述步骤420,基于第一区域特征和第二区域特征,确定第一图像和第二图像对应的采集区域相同,可以包括以下步骤:
第一步,基于第一区域特征和第二区域特征,计算第一区域特征和第二区域特征之间的相似度。
具体地,上述执行主体通过特征提取模型获取到第一区域特征和第二区域特征后,将第一区域特征和第二区域特征进行比较,计算第一区域特征和第二区域特征的相似度。作为示例,上述执行主体获取到第一区域特征的第一特征向量和第二区域特征的第二特征向量,可以利用余弦相似度的计算公式计算第一特征向量和第二特征向量之间的相似度,该余弦相似度计算公式可以是:
其中,A和B可以分别表示第一区域特征的第一特征向量和第二区域特征的第二特征向量。
第二步,响应于确定相似度大于等于预设阈值,确定第一图像和第二图像对应的采集区域相同。
具体地,上述执行主体通过计算第一区域特征和第二区域特征之间的相似度后,将得到的相似度和预设阈值进行比较,判断相似度是否大于等于预设阈值,该预设阈值可以是预先设置的数值,可以是根据经验设置的数值,本申请对此不做具体限定。上述执行主体得到比较结果,根据比较结果判断第一图像和第二图像对应的采集区域是否相同。
上述执行主体判断相似度是否大于等于预设阈值,若得到的比较结果是相似度大于等于预设阈值,则确定第一图像和第二图像对应的采集区域相同;若得到的比较结果是相似度小于预设阈值,则确定第一图像和第二图像对应的采集区域不相同。
在本实现方式中,通过获取第一图像对应的第一区域特征和第二图像对应的第二区域特征,以区域特征判断第一图像和第二图像对应的采集区域相同,提高了判断效率和准确性。以及,进一步通过计算第一区域特征和第二区域特征的相似度,从而实现第一图像和第二图像对应的采集区域是否相同的判断,提高了判断效率和准确性。
作为一个可选实现方式,上述识别结果还可以包括未处理类型,即表征待处理事件未得到处理。若待处理事件为城市管理案件,则未处理类型可以为多个违章类型,其中,上述事件识别模型可以基于多输出神经网络进行训练,可以输出N+1类,N类可以表征多个违章类型,1可以表征无违章类型。上述事件处理方法还可以包括:响应于确定识别结果为未处理类型,继续对待处理事件执行事件处理。
具体地,上述执行主体将第二图像输入事件识别模型中,事件识别模型对第二图像进行处理,分析第二图像中的图像特征,输出第二图像对应的识别结果,若确定识别结果为未处理类型,表征待处理事件还未得到处理,需要继续对待处理事件执行事件处理,以使得待处理事件得到相应的处理。若待处理事件为城市管理案件,得到的识别结果为未处理类型,则得到识别结果为违章类型,该违章类型可以是多种违章类型中的任意一项或多项,可以确定第二图像对应的城市管理案件未得到处理,仍存在违章行为,则将该城市管理案件进行案件分配,派遣负责人继续对城市管理案件执行案件处理,以使得该城市管理案件得到相应的处理。
在本实现方式中,通过将未处理类型对应的待处理事件继续进行事件处理,不需要人工进行案件核查,提高了事件处理效率。
作为一个可选实现方式,上述事件处理方法还可以包括:响应于确定第一图像和第二图像对应的采集区域不相同,继续对待处理事件执行事件处理。
具体地,上述执行主体经过对第一图像和第二图像进行分析判断,确定第一图像和第二图像对应的采集区域不相同,则确定第一图像和第二图像不属于同一待处理事件,其第一图像和第二图像不对应,不能确定该待处理事件是否已经得到处理,则继续对待处理事件执行事件处理。若待处理事件为城市管理案件,将城市管理案件进行案件分配,派遣负责人继续对城市管理案件执行案件处理,以使得该城市管理案件得到相应的处理。
在本实现方式中,通过确定第一图像和第二图像对应的采集区域不相同,自动对待处理事件进行事件处理,提高了事件处理效率。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种事件处理装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的事件处理装置500包括:获取模块510、输出模块520和销案模块530。
其中,获取模块510,被配置成获取待处理事件对应的第一图像和第二图像,其中,第一图像和第二图像为针对待处理事件间隔预设时间采集的图像;
输出模块520,被配置成响应于确定第一图像和第二图像对应的采集区域相同,将第二图像输入至预先训练好的事件识别模型中,输出第二图像对应的识别结果;
销案模块530,被配置成响应于确定识别结果为已处理类型,对待处理事件执行销案处理。
在本实施例的一些可选的方式中,该装置还包括:提取模块,被配置成响应于获取到待处理事件对应的第一图像和第二图像,基于预先训练好的特征提取模型,分别提取第一图像对应的第一区域特征和第二图像对应的第二区域特征;确定模块,被配置成基于第一区域特征和第二区域特征,确定第一图像和第二图像对应的采集区域相同。
在本实施例的一些可选的方式中,确定模块,进一步被配置成:基于第一区域特征和第二区域特征,计算第一区域特征和第二区域特征之间的相似度;响应于确定相似度大于等于预设阈值,确定第一图像和第二图像对应的采集区域相同。
在本实施例的一些可选的方式中,该装置还包括:处理模块,被配置成响应于识别结果为未处理类型,继续对待处理事件执行事件处理。
在本实施例的一些可选的方式中,该装置还包括:处理模块,被配置成响应于确定第一图像和第二图像对应的采集区域不相同,继续对待处理事件执行事件处理。
本公开的实施例提供的事件处理装置,通过获取待处理事件对应的第一图像和第二图像,然后响应于确定第一图像和第二图像对应的采集区域相同,将第二图像输入至预先训练好的事件识别模型中,输出第二图像对应的识别结果,最后响应于确定识别结果为已处理类型,对待处理事件执行销案处理,能够自动化判断待处理事件是否得到处理,尤其是对待处理事件的销案处理过程进行优化,可以保证已处理事件的归档案件质量,提高了待处理事件销案处理的效率,使得待处理事件归档更自动化,更高效。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,电子设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
电子设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如事件处理方法。例如,在一些实施例中,事件处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的事件处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行事件处理方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (13)
1.一种事件处理方法,包括:
获取待处理事件对应的第一图像和第二图像,其中,所述第一图像和所述第二图像为针对所述待处理事件间隔预设时间采集的图像,所述第二图像的采集时刻晚于所述第一图像的采集时刻;
响应于确定所述第一图像和所述第二图像对应的采集区域相同,将所述第二图像输入至预先训练好的事件识别模型中,输出所述第二图像对应的识别结果;
响应于确定所述识别结果为已处理类型,对所述待处理事件执行销案处理。
2.根据权利要求1所述的方法,其中,所述确定所述第一图像和所述第二图像对应的采集区域相同,包括:
响应于获取到所述待处理事件对应的第一图像和第二图像,基于预先训练好的特征提取模型,分别提取所述第一图像对应的第一区域特征和所述第二图像对应的第二区域特征;
基于所述第一区域特征和所述第二区域特征,确定所述第一图像和所述第二图像对应的采集区域相同。
3.根据权利要求2所述的方法,其中,所述基于所述第一区域特征和所述第二区域特征,确定所述第一图像和所述第二图像对应的采集区域相同,包括:
基于所述第一区域特征和所述第二区域特征,计算所述第一区域特征和所述第二区域特征之间的相似度;
响应于确定所述相似度大于等于预设阈值,确定所述第一图像和所述第二图像对应的采集区域相同。
4.根据权利要求1所述的方法,其中,所述方法还包括:
响应于确定所述识别结果为未处理类型,继续对所述待处理事件执行事件处理。
5.根据权利要求1所述的方法,其中,所述方法还包括:
响应于确定所述第一图像和所述第二图像对应的采集区域不相同,继续对所述待处理事件执行事件处理。
6.一种事件处理装置,包括:
获取模块,被配置成获取待处理事件对应的第一图像和第二图像,其中,所述第一图像和所述第二图像为针对所述待处理事件间隔预设时间采集的图像;
输出模块,被配置成响应于确定所述第一图像和所述第二图像对应的采集区域相同,将所述第二图像输入至预先训练好的事件识别模型中,输出所述第二图像对应的识别结果;
销案模块,被配置成响应于确定所述识别结果为已处理类型,对所述待处理事件执行销案处理。
7.根据权利要求6所述的装置,其中,所述装置还包括:
提取模块,被配置成响应于获取到所述待处理事件对应的第一图像和第二图像,基于预先训练好的特征提取模型,分别提取所述第一图像对应的第一区域特征和所述第二图像对应的第二区域特征;
确定模块,被配置成基于所述第一区域特征和所述第二区域特征,确定所述第一图像和所述第二图像对应的采集区域相同。
8.根据权利要求7所述的装置,其中,所述确定模块,进一步被配置成:
基于所述第一区域特征和所述第二区域特征,计算所述第一区域特征和所述第二区域特征之间的相似度;
响应于确定所述相似度大于等于预设阈值,确定所述第一图像和所述第二图像对应的采集区域相同。
9.根据权利要求6所述的装置,其中,所述装置还包括:
处理模块,被配置成响应于确定所述识别结果为未处理类型,继续对所述待处理事件执行事件处理。
10.根据权利要求6所述的装置,其中,所述装置还包括:
处理模块,被配置成响应于确定所述第一图像和所述第二图像对应的采集区域不相同,继续对所述待处理事件执行事件处理。
11.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。
13.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110602700.8A CN113344064A (zh) | 2021-05-31 | 2021-05-31 | 事件处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110602700.8A CN113344064A (zh) | 2021-05-31 | 2021-05-31 | 事件处理方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113344064A true CN113344064A (zh) | 2021-09-03 |
Family
ID=77473264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110602700.8A Pending CN113344064A (zh) | 2021-05-31 | 2021-05-31 | 事件处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344064A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114241399A (zh) * | 2022-02-25 | 2022-03-25 | 中电科新型智慧城市研究院有限公司 | 事件处置方法、***、设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040222904A1 (en) * | 2003-05-05 | 2004-11-11 | Transol Pty Ltd | Traffic violation detection, recording and evidence processing system |
US10424048B1 (en) * | 2019-02-15 | 2019-09-24 | Shotspotter, Inc. | Systems and methods involving creation and/or utilization of image mosaic in classification of acoustic events |
CN111553355A (zh) * | 2020-05-18 | 2020-08-18 | 城云科技(中国)有限公司 | 基于监控视频的出店经营检测及通知管理店主的方法 |
CN112507813A (zh) * | 2020-11-23 | 2021-03-16 | 北京旷视科技有限公司 | 事件检测方法、装置、电子设备及存储介质 |
CN112613569A (zh) * | 2020-12-29 | 2021-04-06 | 北京百度网讯科技有限公司 | 图像识别方法、图像分类模型的训练方法及装置 |
-
2021
- 2021-05-31 CN CN202110602700.8A patent/CN113344064A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040222904A1 (en) * | 2003-05-05 | 2004-11-11 | Transol Pty Ltd | Traffic violation detection, recording and evidence processing system |
US10424048B1 (en) * | 2019-02-15 | 2019-09-24 | Shotspotter, Inc. | Systems and methods involving creation and/or utilization of image mosaic in classification of acoustic events |
CN111553355A (zh) * | 2020-05-18 | 2020-08-18 | 城云科技(中国)有限公司 | 基于监控视频的出店经营检测及通知管理店主的方法 |
CN112507813A (zh) * | 2020-11-23 | 2021-03-16 | 北京旷视科技有限公司 | 事件检测方法、装置、电子设备及存储介质 |
CN112613569A (zh) * | 2020-12-29 | 2021-04-06 | 北京百度网讯科技有限公司 | 图像识别方法、图像分类模型的训练方法及装置 |
Non-Patent Citations (1)
Title |
---|
徐向波;: "基于智慧化的城市管理发现问题模式", 宁波工程学院学报, no. 03 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114241399A (zh) * | 2022-02-25 | 2022-03-25 | 中电科新型智慧城市研究院有限公司 | 事件处置方法、***、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107809331B (zh) | 识别异常流量的方法和装置 | |
US20210035126A1 (en) | Data processing method, system and computer device based on electronic payment behaviors | |
CN110941978B (zh) | 一种未识别身份人员的人脸聚类方法、装置及存储介质 | |
CN110633594A (zh) | 一种目标检测方法和装置 | |
CN112949767A (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
CN113378855A (zh) | 用于处理多任务的方法、相关装置及计算机程序产品 | |
CN112861885A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN110895811B (zh) | 一种图像篡改检测方法和装置 | |
CN115861400A (zh) | 目标对象检测方法、训练方法、装置以及电子设备 | |
CN113627361B (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN113204695B (zh) | 网站识别方法和装置 | |
CN109064464B (zh) | 用于检测电池极片毛刺的方法和装置 | |
CN114596188A (zh) | 水印检测方法、模型训练方法、装置及电子设备 | |
CN113344064A (zh) | 事件处理方法和装置 | |
CN114724144B (zh) | 文本识别方法、模型的训练方法、装置、设备及介质 | |
CN113360672B (zh) | 用于生成知识图谱的方法、装置、设备、介质和产品 | |
CN115761698A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
CN114461657A (zh) | 兴趣点信息的更新方法、装置、电子设备及存储介质 | |
CN112818972B (zh) | 兴趣点图像的检测方法、装置、电子设备及存储介质 | |
CN110634155A (zh) | 一种基于深度学习的目标检测方法和装置 | |
CN115019057A (zh) | 图像特征提取模型确定方法及装置、图像识别方法及装置 | |
CN114093006A (zh) | 活体人脸检测模型的训练方法、装置、设备以及存储介质 | |
CN114581711A (zh) | 目标对象检测方法、装置、设备、存储介质以及程序产品 | |
CN110532304B (zh) | 数据处理方法及装置、计算机可读存储介质以及电子设备 | |
CN113591752A (zh) | 基于卷积神经网络的设备漏油监控方法及相关设备 |
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 |