CN117932274B - 一种基于大数据的现场勘查信息智能分析***及方法 - Google Patents
一种基于大数据的现场勘查信息智能分析***及方法 Download PDFInfo
- Publication number
- CN117932274B CN117932274B CN202410315757.3A CN202410315757A CN117932274B CN 117932274 B CN117932274 B CN 117932274B CN 202410315757 A CN202410315757 A CN 202410315757A CN 117932274 B CN117932274 B CN 117932274B
- Authority
- CN
- China
- Prior art keywords
- fragments
- scattering
- center
- extracted
- coordinates
- 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.)
- Active
Links
- 238000011835 investigation Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 239000012634 fragment Substances 0.000 claims abstract description 337
- 238000012360 testing method Methods 0.000 claims abstract description 33
- 238000012952 Resampling Methods 0.000 claims abstract description 8
- 238000005259 measurement Methods 0.000 claims description 19
- 230000007480 spreading Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 6
- 239000012530 fluid Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000007493 shaping process Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明涉及现场勘察技术领域,具体为一种基于大数据的现场勘查信息智能分析***及方法,包括:碎片标识模块、阻力测试模块、散布拟合模块、重复抽样模块和中心调整模块,碎片标识模块用于获取碎片的特征信息和散布情况,阻力测试模块用于计算碎片受到的空气阻力,散布拟合模块用于推测散布中心的坐标,重复抽样模块用于再次抽取测试,计算测量误差,中心调整模块用于对推定出的散布中心坐标进行调整,本发明能够更灵活、更精确地确定勘查现场的***点和冲击点,有助于调查人员更快还原案件经过,从而更好地展开后续的调查和分析。
Description
技术领域
本发明涉及现场勘察技术领域,具体为一种基于大数据的现场勘查信息智能分析***及方法。
背景技术
现场勘查是侦查中的一项重要工作,目的是为了还原现场的情况,以获取有关信息和证据,便于调查人员了解事件发生的过程。在现场勘查中,调查人员会仔细观察现场周边的环境、布局和物品的位置,并通过测量、拍照、录像等手段记录下来,是侦查过程中不可或缺的重要环节。
在勘察过程中,在现场周围往往会散布有大量碎片,勘查人员需要通过碎片的分布情况来推测散布中心,从而还原出撞击点的位置。由于推测碎片散布中心的工作具有专业、细致和复杂性,需要调查人员具备一定的专业知识和技能,推测精度也依赖于调查人员的调查经验。
现有的数字化碎片分析技术虽然推测精度较高,但需要对大量碎片进行精确的测定与建模,而勘查现场的碎片数量众多,现有技术需要花费大量时间才能得到结果,对信息的处理和分析效率较低,不利于现场侦查的迅速解决。
发明内容
本发明的目的在于提供一种基于大数据的现场勘查信息智能分析***及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于大数据的现场勘查信息智能分析***,包括:碎片标识模块、阻力测试模块、散布拟合模块、重复抽样模块和中心调整模块;
所述碎片标识模块用于获取案发现场各碎片的特征信息和散布情况,根据勘查现场建立三维坐标系,并在所述坐标系中标出碎片位置与碎片的特征信息;
所述阻力测试模块用于从所有散布在现场的碎片中抽取预设数量的碎片,测量各碎片的质量后,并利用流体测定仪对抽取到的各碎片进行测试,得到碎片的截面积和阻力系数,根据碎片的质量、截面积和阻力系数,计算碎片受到的空气阻力;
所述散布拟合模块用于根据碎片的质量、空气阻力和分布位置,推测散布中心的水平坐标,根据所述散布中心的水平坐标,计算碎片飞行的时间,得到散布中心的高度,从而推测出散布中心的三维坐标;
所述重复抽样模块用于将抽取的碎片标记后放回,再次抽取相同数量碎片进行测试,得到二次测得散布中心的坐标,根据两次坐标间的差异以及当次抽取的碎片内被标记碎片的数量,计算坐标测量的误差概率;
所述中心调整模块用于根据两次抽样测得的坐标和所述误差概率,对推定出的散布中心坐标进行调整,得到更精确的散布中心点坐标。
进一步的,所述碎片标识模块包括:散布坐标单元和模型塑造单元;
所述散布坐标单元用于获取案发现场碎片的特征信息和散布情况,所述特征信息包括:碎片的表面积、质量和形状,散布情况包括:碎片散布位置和最大散布半径;
所述模型塑造单元用于根据碎片的散布位置和最大散布半径对勘查现场建立平面坐标系,并给出各碎片中心所在的坐标。
进一步的,所述阻力测试模块包括:碎片抽取单元、空阻测定单元和落点测速单元;
所述碎片抽取单元用于从所有的碎片中随机抽取预设数量个碎片,记录碎片的坐标;
所述空阻测定单元用于测量被抽取出碎片的空气学特征,所述空气学特征包括:碎片在垂直方向上的截面积和在空气中的阻力系数;
所述落点测速单元用于根据片的质量、截面积和阻力系数,计算碎片所受空气阻力,得到碎片落地时的速度。
进一步的,所述散布拟合模块包括:水平区域单元和垂直测定单元;
所述水平区域单元用于推测散布中心点所在的水平坐标;
所述垂直测定单元用于根据碎片落地时的速度和水平坐标,计算散布中心的垂直坐标。
进一步的,所述重复抽样模块包括:碎片标记单元、样品统计单元和二次测定单元;
所述碎片标记单元用于标记首次抽取到的碎片;
所述样品统计单元用于再次随机抽取相同数量的碎片,统计当次抽取中带有标记的碎片数量;
所述二次测定单元用于测量二次抽取到碎片的空气阻力,进一步得到散布中心坐标。
进一步的,所述中心调整模块包括:坐标对比单元和参数修正单元;
所述坐标对比单元用于根据两次测试中测得的散布中心点,以及带有标记碎片的比例,计算坐标测量的误差概率;
所述参数修正单元用于对推定出的散布中心坐标进行调整,使推测结果更加精确。
一种基于大数据的现场勘查信息智能分析方法,包括以下步骤:
步骤S1.获取案发现场所有碎片的特征信息和散布信息,针对勘查现场建立坐标系后,根据碎片的散布信息,在坐标系中标注出各碎片的特征信息;
步骤S2.从所有散布在现场的碎片中抽取预设数量的碎片,利用检测仪器对抽取到的碎片进行测试,得到碎片的空气学参数,根据碎片的空气学参数,结合碎片的质量计算碎片受到的空气阻力随速度的变化关系,并标记抽取到的碎片;
步骤S3.根据步骤S2得到空气阻力随速度的变化关系,计算各碎片到散布中心的距离,根据抽取到各碎片到散布中心的距离、空气学参数和位置坐标,计算散布中心的坐标,记作第一中心点;
步骤S4.将步骤S2中抽取到的碎片放回现场,再次从所有碎片中随机抽取预设数量的碎片,记录抽取的碎片内被标记碎片的数量,并按照步骤S2-步骤S3的方法测定散布中心点的坐标,记作第二中心点;
步骤S5.根据步骤S4中抽取的碎片内被标记碎片的数量,计算抽取的显著性系数,利用抽取的显著性系数和所述第二中心点的坐标,对步骤S3得到的第一中心点坐标进行调整,将调整后的第一中心点确定为碎片的散布中心。
进一步的,步骤S1包括:
步骤S11.获取案发现场所有碎片的特征信息和散布情况,所述特征信息包括:碎片的密度和材质,散布情况包括:散布位置和最大散布半径;
步骤S12.以地面为水平面,在勘查现场建立空间直角坐标系,根据碎片的所述散布情况,获取各碎片在所述空间直角坐标系内的坐标;
步骤S13.在所述空间直角坐标系内标识出碎片的数量和各碎片的特征信息。
进一步的,步骤S2包括:
步骤S21.从所有碎片中抽取出n个碎片进行测试,所述n为预设值,n为整数,且n≥3,利用流体检测仪,检测出碎片的空气学参数,所述空气学参数包括:碎片在垂直方向上的截面积、在空气中的阻力系数以及平均密度;
步骤S22.根据碎片的空气学参数,计算碎片所受空气阻力随速度的变化关系:
;
其中,Fd(v)代表碎片所受的空气阻力随速度的变化关系函数,p代表空气的密度,cd代表碎片在空气中的阻力系数,s代表碎片在垂直方向上的截面积,v代表碎片的速度;
步骤S23.测试完毕后,标记当前抽取到的碎片,并将碎片放回勘查现场。
本步骤能够通过碎片的质量、截面积和阻力系数,计算碎片受到的空气阻力,相比于传统只通过质量进行碎片检测的方法,检测结果更加精确。
进一步的,步骤S3包括:
步骤S31.根据步骤S2得到的空气阻力随速度的变化关系函数,计算碎片到散布中心的距离,列出散布方程:
;
其中,S代表碎片到散布中心的距离,v0代表碎片的初速度,g代表重力加速度,m代表碎片的质量,D代表步骤S1中测得的最大散布半径,H代表散布中心的高度,所述H为未知数;
步骤S32.解所述散布方程,得到碎片到散布中心的距离与S之间的函数关系S=F(H),其中F(H)代表因变量S相对于自变量H的函数;
计算所述F(H)的反函数,得到H相对于S的函数关系H=G(S),其中G(S)代表因变量H相对于自变量S的函数;
步骤S33.将抽取到的所有碎片按步骤S22-步骤S32的方法,计算散布中心的高度H相对于散布距离S间的关系函数,计算结果记作集合{G1(S),G2(S),…,Gn(S)},其中,Gn(S)代表抽取到的第n个碎片散布中心的高度相对于散布距离间的关系函数;
由于各碎片来自相同的散布中心,散布中心的高度H相同,则利用计算机从水平面中找到一个点(x,y),使点(x,y)到各碎片的水平距离S1、S2、…、Sn满足G1(S1)=G2(S2)=……=Gn(Sn),其中Sn代表点(x,y)到第n个碎片的水平距离;
步骤S34.确定点(x,y)后,将空间点(x,y,z)记作散布中心的第一中心点,其中,z=Gn(Sn)。
本步骤能够根据碎片的质量、空气阻力和分布位置,推测散布中心的水平坐标,根据散布中心坐标,得到散布中心的高度,从而推测出散布中心的三维坐标,可以得出物体起始位置的推测。
进一步的,步骤S4包括:
步骤S41.将步骤S2中抽取到的碎片放回现场,再次随机抽取n个碎片,若抽取到的碎片中没有被标记过的碎片,则将碎片放回现场后再次进行抽取,直到存在标记过的碎片为止,若抽取到的碎片中存在被标记过的碎片,则统计当次抽取中带有标记的碎片数量,将带有标记的碎片数量记作r,所述r<n;
步骤S42.按照步骤S2-步骤S3中记载的方法再次对碎片进行测试,计算出散布中心的中心点坐标(x0,y0,z0),记作散布中心的第二中心点。
本步骤能够通过碎片的标记计算碎片出现的概率,通过多次抽取的方式减少碎片散布中心推测过程中的计算量,并根据抽取碎片的计算结果对散布中心的坐标进行修正。
进一步的,步骤S5包括:
步骤S51.根据步骤S4中抽取的碎片内被标记碎片的数量,计算抽取的显著性系数L:
;
其中,n代表抽取的碎片数量,r代表抽取的碎片中带有标记的碎片数量,π为圆周率,D为步骤S1中测得的最大散布半径,L代表显著性系数,且L>0;
步骤S52.利用抽取的显著性系数和第二中心点的坐标,对步骤S3得到的第一中心点坐标进行调整:
;
其中,XT、YT和ZT分别为调整后的横坐标、纵坐标和垂直坐标,x、y和z代表第一中心点的横坐标、纵坐标和垂直坐标,x0、y0和z0代表第二中心点的横坐标、纵坐标和垂直坐标;
步骤S53.将点(XT,YT,ZT)作为散布中心点的坐标,发送给勘察人员参考。
与现有技术相比,本发明所达到的有益效果是:
1.本发明能够通过碎片的质量、截面积和阻力系数,计算碎片受到的空气阻力,相比于传统只通过质量进行碎片检测的方法,检测结果更加精确,对于一些轻质碎片较多的勘查现场,可以更精确地确定***点或冲击点,有助于对事故的重建和后期调查。
2. 本发明能够根据碎片的质量、空气阻力和分布位置,推测散布中心的水平坐标,根据散布中心坐标,计算碎片飞行的时间,得到散布中心的高度,从而推测出散布中心的三维坐标,可以得出物体起始位置的推测,指导调查人员更有针对性地收集相关证据。·
3.本发明能够通过碎片的标记计算碎片出现的概率,通过多次抽取的方式减少碎片散布中心推测过程中的计算量,并根据抽取碎片的计算结果对散布中心的坐标进行修正,抽取次数越多,中心推测结果越精确,相比于传统技术更加灵活,有助于调查人员更快还原案件经过,从而更好地展开后续的调查和分析。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于大数据的现场勘查信息智能分析***的结构示意图;
图2是本发明一种基于大数据的现场勘查信息智能分析方法的步骤示意图。
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,所描述的实施例仅仅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做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。
请参阅图1,本发明提供技术方案:一种基于大数据的现场勘查信息智能分析***,包括:碎片标识模块、阻力测试模块、散布拟合模块、重复抽样模块和中心调整模块;
所述碎片标识模块用于获取案发现场各碎片的特征信息和散布情况,根据勘查现场建立三维坐标系,并在所述坐标系中标出碎片位置与碎片的特征信息;
所述碎片标识模块包括:散布坐标单元和模型塑造单元;
所述散布坐标单元用于获取案发现场碎片的特征信息和散布情况,所述特征信息包括:碎片的表面积、质量和形状,散布情况包括:碎片散布位置和最大散布半径;
所述模型塑造单元用于根据碎片的散布位置和最大散布半径对勘查现场建立平面坐标系,并给出各碎片中心所在的坐标。
所述阻力测试模块用于从所有散布在现场的碎片中抽取预设数量的碎片,测量各碎片的质量后,并利用流体测定仪对抽取到的各碎片进行测试,得到碎片的截面积和阻力系数,根据碎片的质量、截面积和阻力系数,计算碎片受到的空气阻力;
所述阻力测试模块包括:碎片抽取单元、空阻测定单元和落点测速单元;
所述碎片抽取单元用于从所有的碎片中随机抽取预设数量个碎片,记录碎片的坐标;
所述空阻测定单元用于测量被抽取出碎片的空气学特征,所述空气学特征包括:碎片在垂直方向上的截面积和在空气中的阻力系数;
所述落点测速单元用于根据片的质量、截面积和阻力系数,计算碎片所受空气阻力,得到碎片落地时的速度。
所述散布拟合模块用于根据碎片的质量、空气阻力和分布位置,推测散布中心的水平坐标,根据所述散布中心的水平坐标,计算碎片飞行的时间,得到散布中心的高度,从而推测出散布中心的三维坐标;
所述散布拟合模块包括:水平区域单元和垂直测定单元;
所述水平区域单元用于推测散布中心点所在的水平坐标;
所述垂直测定单元用于根据碎片落地时的速度和水平坐标,计算散布中心的垂直坐标。
所述重复抽样模块用于将抽取的碎片标记后放回,再次抽取相同数量碎片进行测试,得到二次测得散布中心的坐标,根据两次坐标间的差异以及当次抽取的碎片内被标记碎片的数量,计算坐标测量的误差概率;
所述重复抽样模块包括:碎片标记单元、样品统计单元和二次测定单元;
所述碎片标记单元用于标记首次抽取到的碎片;
所述样品统计单元用于再次随机抽取相同数量的碎片,统计当次抽取中带有标记的碎片数量;
所述二次测定单元用于测量二次抽取到碎片的空气阻力,进一步得到散布中心坐标。
所述中心调整模块用于根据两次抽样测得的坐标和所述误差概率,对推定出的散布中心坐标进行调整,得到更精确的散布中心点坐标。
所述中心调整模块包括:坐标对比单元和参数修正单元;
所述坐标对比单元用于根据两次测试中测得的散布中心点,以及带有标记碎片的比例,计算坐标测量的误差概率;
所述参数修正单元用于对推定出的散布中心坐标进行调整,使推测结果更加精确。
如图2所示,一种基于大数据的现场勘查信息智能分析方法,包括以下步骤:
步骤S1.获取案发现场所有碎片的特征信息和散布信息,针对勘查现场建立坐标系后,根据碎片的散布信息,在坐标系中标注出各碎片的特征信息;
步骤S1包括:
步骤S11.获取案发现场所有碎片的特征信息和散布情况,所述特征信息包括:碎片的密度和材质,散布情况包括:散布位置和最大散布半径;
步骤S12.以地面为水平面,在勘查现场建立空间直角坐标系,根据碎片的所述散布情况,获取各碎片在所述空间直角坐标系内的坐标;
步骤S13.在所述空间直角坐标系内标识出碎片的数量和各碎片的特征信息。
步骤S2.从所有散布在现场的碎片中抽取预设数量的碎片,利用检测仪器对抽取到的碎片进行测试,得到碎片的空气学参数,根据碎片的空气学参数,结合碎片的质量计算碎片受到的空气阻力随速度的变化关系,并标记抽取到的碎片;
步骤S2包括:
步骤S21.从所有碎片中抽取出n个碎片进行测试,所述n为预设值,n为整数,且n≥3,利用流体检测仪,检测出碎片的空气学参数,所述空气学参数包括:碎片在垂直方向上的截面积、在空气中的阻力系数以及平均密度;
步骤S22.根据碎片的空气学参数,计算碎片所受空气阻力随速度的变化关系:
;
其中,Fd(v)代表碎片所受的空气阻力随速度的变化关系函数,p代表空气的密度,cd代表碎片在空气中的阻力系数,s代表碎片在垂直方向上的截面积,v代表碎片的速度;
步骤S23.测试完毕后,标记当前抽取到的碎片,并将碎片放回勘查现场。
步骤S3.根据步骤S2得到空气阻力随速度的变化关系,计算各碎片到散布中心的距离,根据抽取到各碎片到散布中心的距离、空气学参数和位置坐标,计算散布中心的坐标,记作第一中心点;
步骤S3包括:
步骤S31.根据步骤S2得到的空气阻力随速度的变化关系函数,计算碎片到散布中心的距离,列出散布方程:
;
其中,S代表碎片到散布中心的距离,v0代表碎片的初速度,g代表重力加速度,m代表碎片的质量,D代表步骤S1中测得的最大散布半径,H代表散布中心的高度,所述H为未知数;
步骤S32.解所述散布方程,得到碎片到散布中心的距离与S之间的函数关系S=F(H),其中F(H)代表因变量S相对于自变量H的函数;
计算所述F(H)的反函数,得到H相对于S的函数关系H=G(S),其中G(S)代表因变量H相对于自变量S的函数;
步骤S33.将抽取到的所有碎片按步骤S22-步骤S32的方法,计算散布中心的高度H相对于散布距离S间的关系函数,计算结果记作集合{G1(S),G2(S),…,Gn(S)},其中,Gn(S)代表抽取到的第n个碎片散布中心的高度相对于散布距离间的关系函数;
由于各碎片来自相同的散布中心,散布中心的高度H相同,则利用计算机从水平面中找到一个点(x,y),使点(x,y)到各碎片的水平距离S1、S2、…、Sn满足G1(S1)=G2(S2)=……=Gn(Sn),其中Sn代表点(x,y)到第n个碎片的水平距离;
步骤S34.确定点(x,y)后,将空间点(x,y,z)记作散布中心的第一中心点,其中,z=Gn(Sn)。
步骤S4.将步骤S2中抽取到的碎片放回现场,再次从所有碎片中随机抽取预设数量的碎片,记录抽取的碎片内被标记碎片的数量,并按照步骤S2-步骤S3的方法测定散布中心点的坐标,记作第二中心点;
步骤S4包括:
步骤S41.将步骤S2中抽取到的碎片放回现场,再次随机抽取n个碎片,若抽取到的碎片中没有被标记过的碎片,则将碎片放回现场后再次进行抽取,直到存在标记过的碎片为止,若抽取到的碎片中存在被标记过的碎片,则统计当次抽取中带有标记的碎片数量,将带有标记的碎片数量记作r,所述r<n;
步骤S42.按照步骤S2-步骤S3中记载的方法再次对碎片进行测试,计算出散布中心的中心点坐标(x0,y0,z0),记作散布中心的第二中心点。
步骤S5.根据步骤S4中抽取的碎片内被标记碎片的数量,计算抽取的显著性系数,利用抽取的显著性系数和所述第二中心点的坐标,对步骤S3得到的第一中心点坐标进行调整,将调整后的第一中心点确定为碎片的散布中心。
步骤S5包括:
步骤S51.根据步骤S4中抽取的碎片内被标记碎片的数量,计算抽取的显著性系数L:
;
其中,n代表抽取的碎片数量,r代表抽取的碎片中带有标记的碎片数量,π为圆周率,D为步骤S1中测得的最大散布半径,L代表显著性系数,且L>0;
步骤S52.利用抽取的显著性系数和第二中心点的坐标,对步骤S3得到的第一中心点坐标进行调整:
;
其中,XT、YT和ZT分别为调整后的横坐标、纵坐标和垂直坐标,x、y和z代表第一中心点的横坐标、纵坐标和垂直坐标,x0、y0和z0代表第二中心点的横坐标、纵坐标和垂直坐标;
步骤S53.将点(XT,YT,ZT)作为散布中心点的坐标,发送给勘察人员参考。
实施例:对勘察现场建立坐标系后,从现场中抽取5个碎片并进行标记,测得5个碎片的质量分别为10g、5g、20g、15g和50g,空气学参数相同,现场最大散布半径为2m,则第一个碎片的散布方程分别为S=(10/H-25)·√(5H),取反函数后,得到H=G1(S),同理,得到所有碎片的散布方程,从坐标系中找到一个点,使所有函数的值相等,则将找到的点(7.7,1.5)作为散布中心的平面坐标,(7.7,1.5,10)为散布中心的第一坐标;
再次抽取5个碎片,其中有2个是存在标记的碎片,则显著性系数L=1.99,第二次得到的散布中心为(8,1.6,12),则修正后的散布中心(7.85,1.55,11)即为散布中心点的坐标。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于大数据的现场勘查信息智能分析方法,其特征在于,所述方法包括以下步骤:
步骤S1.获取案发现场所有碎片的特征信息和散布信息,针对勘查现场建立坐标系后,根据碎片的散布信息,在坐标系中标注出各碎片的特征信息;
步骤S2.从所有散布在现场的碎片中抽取预设数量的碎片,利用检测仪器对抽取到的碎片进行测试,得到碎片的空气学参数,根据碎片的空气学参数,结合碎片的质量计算碎片受到的空气阻力随速度的变化关系,并标记抽取到的碎片;
步骤S3.根据步骤S2得到空气阻力随速度的变化关系,计算各碎片到散布中心的距离,根据抽取到各碎片到散布中心的距离、空气学参数和位置坐标,计算散布中心的坐标,记作第一中心点;
步骤S4.将步骤S2中抽取到的碎片放回现场,再次从所有碎片中随机抽取预设数量的碎片,记录抽取的碎片内被标记碎片的数量,并按照步骤S2-步骤S3的方法测定散布中心点的坐标,记作第二中心点;
步骤S5.根据步骤S4中抽取的碎片内被标记碎片的数量,计算抽取的显著性系数,利用抽取的显著性系数和所述第二中心点的坐标,对步骤S3得到的第一中心点坐标进行调整,将调整后的第一中心点确定为碎片的散布中心;
步骤S3包括:
步骤S31.根据步骤S2得到的空气阻力随速度的变化关系函数,计算碎片到散布中心的距离,列出散布方程:
其中,S代表碎片到散布中心的距离,v0代表碎片的初速度,g代表重力加速度,m代表碎片的质量,D代表步骤S1中测得的最大散布半径,H代表散布中心的高度,所述H为未知数;
步骤S32.解所述散布方程,得到碎片到散布中心的距离与S之间的函数关系S=F(H),其中F(H)代表因变量S相对于自变量H的函数;
计算所述F(H)的反函数,得到H相对于S的函数关系H=G(S),其中G(S)代表因变量H相对于自变量S的函数;
步骤S33.将抽取到的所有碎片按步骤S22-步骤S32的方法,计算散布中心的高度H相对于散布距离S间的关系函数,计算结果记作集合{G1(S),G2(S),…,Gn(S)},其中,Gn(S)代表抽取到的第n个碎片散布中心的高度相对于散布距离间的关系函数;
由于各碎片来自相同的散布中心,散布中心的高度H相同,则利用计算机从水平面中找到一个点(x,y),使点(x,y)到各碎片的水平距离S1、S2、…、Sn满足G1(S1)=G2(S2)=……=Gn(Sn),其中Sn代表点(x,y)到第n个碎片的水平距离;
步骤S34.确定点(x,y)后,将空间点(x,y,z)记作散布中心的第一中心点,其中,z=Gn(Sn);
步骤S5包括:
步骤S51.根据步骤S4中抽取的碎片内被标记碎片的数量,计算抽取的显著性系数L:
其中,n代表抽取的碎片数量,r代表抽取的碎片中带有标记的碎片数量,π为圆周率,D为步骤S1中测得的最大散布半径,L代表显著性系数,且L>0;
步骤S52.利用抽取的显著性系数和第二中心点的坐标,对步骤S3得到的第一中心点坐标进行调整:
其中,XT、YT和ZT分别为调整后的横坐标、纵坐标和垂直坐标,x、y和z代表第一中心点的横坐标、纵坐标和垂直坐标,x0、y0和z0代表第二中心点的横坐标、纵坐标和垂直坐标;
步骤S53.将点(XT,YT,ZT)作为散布中心点的坐标,发送给现场勘察人员。
2.根据权利要求1所述的一种基于大数据的现场勘查信息智能分析方法,其特征在于:步骤S1包括:
步骤S11.获取案发现场所有碎片的特征信息和散布情况,所述特征信息包括:碎片的密度和材质,散布情况包括:散布位置和最大散布半径;
步骤S12.以地面为水平面,在勘查现场建立空间直角坐标系,根据碎片的所述散布情况,获取各碎片在所述空间直角坐标系内的坐标;
步骤S13.在所述空间直角坐标系内标识出碎片的数量和各碎片的特征信息;
步骤S2包括:
步骤S21.从所有碎片中抽取出n个碎片进行测试,所述n为预设值,n为整数,且n≥3,利用流体检测仪,检测出碎片的空气学参数,所述空气学参数包括:碎片在垂直方向上的截面积、在空气中的阻力系数以及平均密度;
步骤S22.根据碎片的空气学参数,计算碎片所受空气阻力随速度的变化关系:
其中,Fd(v)代表碎片所受的空气阻力随速度的变化关系函数,p代表空气的密度,cd代表碎片在空气中的阻力系数,s代表碎片在垂直方向上的截面积,v代表碎片的速度;
步骤S23.测试完毕后,标记当前抽取到的碎片,并将碎片放回勘查现场。
3.根据权利要求2所述的一种基于大数据的现场勘查信息智能分析方法,其特征在于:步骤S4包括:
步骤S41.将步骤S2中抽取到的碎片放回现场,再次随机抽取n个碎片,若抽取到的碎片中没有被标记过的碎片,则将碎片放回现场后再次进行抽取,直到存在标记过的碎片为止,若抽取到的碎片中存在被标记过的碎片,则统计当次抽取中带有标记的碎片数量,将带有标记的碎片数量记作r,所述r<n;
步骤S42.按照步骤S2-步骤S3中记载的方法再次对碎片进行测试,计算出散布中心的中心点坐标(x0,y0,z0),记作散布中心的第二中心点。
4.一种基于大数据的现场勘查信息智能分析***,其特征在于,所述***包括以下模块:碎片标识模块、阻力测试模块、散布拟合模块、重复抽样模块和中心调整模块;
所述碎片标识模块用于获取案发现场各碎片的特征信息和散布情况,根据勘查现场建立三维坐标系,并在所述坐标系中标出碎片位置与碎片的特征信息;
所述阻力测试模块用于从所有散布在现场的碎片中抽取预设数量的碎片,测量各碎片的质量后,并利用流体测定仪对抽取到的各碎片进行测试,得到碎片的截面积和阻力系数,根据碎片的质量、截面积和阻力系数,计算碎片受到的空气阻力;
所述散布拟合模块用于根据碎片的质量、空气阻力和分布位置,推测散布中心的水平坐标,根据所述散布中心的水平坐标,计算碎片飞行的时间,得到散布中心的高度,从而推测出散布中心的三维坐标;
所述重复抽样模块用于将抽取的碎片标记后放回,再次抽取相同数量碎片进行测试,得到二次测得散布中心的坐标,根据两次坐标间的差异以及当次抽取的碎片内被标记碎片的数量,计算坐标测量的误差概率;
所述中心调整模块用于根据两次抽样测得的坐标和所述误差概率,对推定出的散布中心坐标进行调整,得到更精确的散布中心点坐标。
5.根据权利要求4所述的一种基于大数据的现场勘查信息智能分析***,其特征在于:所述碎片标识模块包括:散布坐标单元和模型塑造单元;
所述散布坐标单元用于获取案发现场碎片的特征信息和散布情况,所述特征信息包括:碎片的表面积、质量和形状,散布情况包括:碎片散布位置和最大散布半径;
所述模型塑造单元用于根据碎片的散布位置和最大散布半径对勘查现场建立平面坐标系,并给出各碎片中心所在的坐标。
6.根据权利要求5所述的一种基于大数据的现场勘查信息智能分析***,其特征在于:所述阻力测试模块包括:碎片抽取单元、空阻测定单元和落点测速单元;
所述碎片抽取单元用于从所有的碎片中随机抽取预设数量个碎片,记录碎片的坐标;
所述空阻测定单元用于测量被抽取出碎片的空气学特征,所述空气学特征包括:碎片在垂直方向上的截面积和在空气中的阻力系数;
所述落点测速单元用于根据片的质量、截面积和阻力系数,计算碎片所受空气阻力,得到碎片落地时的速度。
7.根据权利要求6所述的一种基于大数据的现场勘查信息智能分析***,其特征在于:所述散布拟合模块包括:水平区域单元和垂直测定单元;
所述水平区域单元用于推测散布中心点所在的水平坐标;
所述垂直测定单元用于根据碎片落地时的速度和水平坐标,计算散布中心的垂直坐标;
所述重复抽样模块包括:碎片标记单元、样品统计单元和二次测定单元;
所述碎片标记单元用于标记首次抽取到的碎片;
所述样品统计单元用于再次随机抽取相同数量的碎片,统计当次抽取中带有标记的碎片数量;
所述二次测定单元用于测量二次抽取到碎片的空气阻力,进一步得到散布中心坐标。
8.根据权利要求7所述的一种基于大数据的现场勘查信息智能分析***,其特征在于:所述中心调整模块包括:坐标对比单元和参数修正单元;
所述坐标对比单元用于根据两次测试中测得的散布中心点,以及带有标记碎片的比例,计算坐标测量的误差概率;
所述参数修正单元用于对推定出的散布中心坐标进行调整,使推测结果更加精确。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410315757.3A CN117932274B (zh) | 2024-03-20 | 2024-03-20 | 一种基于大数据的现场勘查信息智能分析***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410315757.3A CN117932274B (zh) | 2024-03-20 | 2024-03-20 | 一种基于大数据的现场勘查信息智能分析***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117932274A CN117932274A (zh) | 2024-04-26 |
CN117932274B true CN117932274B (zh) | 2024-06-14 |
Family
ID=90752319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410315757.3A Active CN117932274B (zh) | 2024-03-20 | 2024-03-20 | 一种基于大数据的现场勘查信息智能分析***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117932274B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11639845B2 (en) * | 2017-08-24 | 2023-05-02 | Nostromo, Llc | Mid-body marking projectile |
CN111912295A (zh) * | 2020-06-22 | 2020-11-10 | 中国人民解放军63850部队 | 一种弹道落点预测*** |
CN115616031A (zh) * | 2022-10-14 | 2023-01-17 | 中国人民解放军92942部队 | 一种瞬态高过载***冲击测试方法 |
-
2024
- 2024-03-20 CN CN202410315757.3A patent/CN117932274B/zh active Active
Non-Patent Citations (2)
Title |
---|
Improving SCR of underground target signatures from air- launched GPR systems based on scattering center extraction;F.I. Rial;《IEEE》;20170730;1-10 * |
线阵扫描激光近炸引信炸点优化方法;蔡淑娴;《国外电子测量技术》;20200215;65-70 * |
Also Published As
Publication number | Publication date |
---|---|
CN117932274A (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108489403B (zh) | 基于三维激光扫描的露天矿山边坡岩体节理产状快速精细取值方法 | |
CN111191629B (zh) | 一种基于多目标的图像能见度检测方法 | |
CN108414238A (zh) | 自动泊车功能实车测试***及测试方法 | |
US11971961B2 (en) | Device and method for data fusion between heterogeneous sensors | |
CN109579774B (zh) | 一种基于深度实例分割网络的天线下倾角测量方法 | |
CN110133639B (zh) | 一种传力杆施工质量检测方法 | |
CN108830317B (zh) | 基于数字摄影测量的露天矿山边坡岩体节理产状快速精细取值方法 | |
Daraghmi et al. | Crowdsourcing-based road surface evaluation and indexing | |
CN104094390A (zh) | 半导体评价装置以及计算机程序 | |
CN106646407A (zh) | 雷达标定设备校验方法、装置和*** | |
CN108801221B (zh) | 基于数字摄影测量的露天矿山边坡岩体节理规模快速精细取值方法 | |
CN113884011A (zh) | 一种非接触式混凝土表观裂缝测量设备和方法 | |
CN112734858A (zh) | 一种双目标定精度在线检测方法及装置 | |
CN110135216A (zh) | 电子地图中车道数变化区域检测方法、装置及存储设备 | |
CN110516524A (zh) | 一种交通场景中基于Mask R-CNN的车辆轴数识别方法 | |
CN113446932A (zh) | 非接触式裂纹测量方法及其*** | |
CN117932274B (zh) | 一种基于大数据的现场勘查信息智能分析***及方法 | |
CN115144037B (zh) | 一种锂电池防爆性能安全监测方法及*** | |
CN109142141A (zh) | 一种三维激光实时探测固体材料密度***及方法 | |
CN115035340B (zh) | 遥感影像分类结果验证方法 | |
Azbukin et al. | Hardware-software complex for studying the structure of the fields of temperature and turbulent wind fluctuations | |
Frøseth et al. | Operational displacement estimations of railway catenary systems by photogrammetry and the integration of acceleration time series | |
CN103376465A (zh) | 建筑物楼层的地震即时分析***及其方法与储存媒体 | |
CN112945125B (zh) | 一种非接触式的轮胎滚动变形特性测试方法 | |
CN114529493A (zh) | 基于双目视觉的电缆外观缺陷检测与定位方法 |
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 |