掌桥专利:专业的专利平台
掌桥专利
首页

城市运行案件智能一键上报的方法、系统、介质及终端

文献发布时间:2023-06-19 16:11:11



技术领域

本发明属于计算机技术领域,具体涉及一种城市运行案件智能一键上报的方法、系统、介质及终端。

背景技术

城市运行管理领域的应用背景下,作业人员通过APP等终端上报案件时,需要确定案件所属的类别,这个类别会影响后续的处置部门、处置方式、处置紧急程度等,然而确定案件类别的难点在于:案件类别种类非常多,用户进行人工类型选择时比较耗时,影响其上报效率。

另外,虽然在用户进行人工选择时,提供了根据历史记录推荐的案件类别,但是由于该推荐算法并没有结合当前案件的上下文信息,而是简单粗暴的根据历史发生案件类别的发生频率进行推荐,因此,效果也不好。

发明内容

本发明是为了解决上述问题而进行的,目的在于提供一种能够自动识别案件的案件类别,能够提高上报案件效率,并且准确率较高的城市运行案件智能一键上报的方法、系统、介质及终端。

本发明提供了一种城市运行案件智能一键上报的方法,其特征在于,包括以下步骤:

设定案件类别;

模型训练:获取样本,获取样本时对每个案件类别均获取多个已确定为该案件类别的图片,构建案件类别识别模型,用所述案件类别识别模型对样本的图片进行特征提取,并训练模型;

案件类别识别:将未知案件类别的图片输入训练好的模型,用softmax函数获取该图片属于各案件类别的概率,将概率最大的案件类别作为该图片的案件类别,当softmax函数获取该图片属于各案件类别的概率均小于设定阈值时则该图片不属于设定的案件类别。

进一步,在本发明提供的城市运行案件智能一键上报的方法中,还可以具有这样的特征:所述案件类别识别模型选用Resnet50模型。

进一步,在本发明提供的城市运行案件智能一键上报的方法中,还可以具有这样的特征:所述案件类别识别模型在Resnet50模型的基础上进行优化,将Resnet50模型结合warmup learning rate模型、cosine learning rate decay模型和label smoothing模型中的任意一种或多种模型进行优化。

进一步,在本发明提供的城市运行案件智能一键上报的方法中,还可以具有这样的特征:用案件类别识别模型对图片进行提取得到图片的1024维的向量特征。

进一步,在本发明提供的城市运行案件智能一键上报的方法中,还可以具有这样的特征:模型训练时设定了提前终止策略,当损失函数连续5代不再减少时,则终止迭代。

进一步,在本发明提供的城市运行案件智能一键上报的方法中,还可以具有这样的特征:获取样本时,需要对样本进行如下处理步骤:

步骤1,数据探索性分析,对样本中的图片进行分析,统计样本数量,对数量较少的案件类别进行增加,保证各案件类别的样本数量大体平衡;

步骤2,数据预处理,将样本中损坏的图片、无法读取的图片删除。

进一步,在本发明提供的城市运行案件智能一键上报的方法中,还可以具有这样的特征:模型训练后,还需要对训练好的模型进行模型验证和测试,

对样本进行处理时,在数据预处理后还需要将数据集划分,将样本中每个案件类别的图片均分为训练集、验证集和测试集,训练集中的样本用于训练模型,验证集中的样本用于对模型进行验证,获取模型准确率,测试集中的数据用于对模型进行测试。

进一步,在本发明提供的城市运行案件智能一键上报的方法中,还可以具有这样的特征:所述案件类别包括:公共设施-信息交接箱;公共设施-市政立杆;公共设施-消火栓;公共设施-雨水篦子;市容环卫-乱涂写、乱张贴、乱刻画;市容环卫-乱设或损坏户外设施;市容环卫-暴露垃圾;环卫环保-废物箱/桶;街面秩序-机动车乱放、非机动车乱停放;设施管理-道路破损。

本发明还提供了一种城市运行案件智能一键上报的系统,其特征在于,包括:

图片输入模块,用于输入待检测和各种案件类别的待训练的图片;

模型训练模块,用于构建案件类别识别模型,用所述案件类别识别模型对输入的待训练的图片进行特征提取并用提取的特征进行训练得到训练模型;

存储模块,用于存储模型训练模块训练好的模型;以及

识别和结果输出模块,用于将待检测的图片输入训练好的模型中进行检测,用softmax函数获取该图片属于各案件类别的概率,将概率最大的案件类别作为该图片的案件类别并输出分类结果,当softmax函数获取该图片属于各案件类别的概率均小于设定阈值时则该图片不属于设定的案件类别。

进一步,在本发明提供的城市运行案件智能一键上报的系统中,还可以具有这样的特征:所述图片输入模块还用于将训练的图片进行如下步骤的处理:

步骤1,数据探索性分析,对样本中的图片进行分析,统计样本数量,对数量较少的案件类别进行增加,保证各案件类别的样本数量大体平衡,

步骤2,数据预处理,将样本中损坏的图片、无法读取的图片删除,

步骤3,数据集划分,将样本中每个案件类别的图片均分为训练集、验证集和测试集,训练集中的样本用于训练模型,验证集中的样本用于对模型进行验证,获取模型准确率,测试集中的数据用于对模型进行测试;

所述模型训练模块构建案件类别识别模型选用Resnet50模型或将Resnet50模型结合warmup learning rate模型、cosine learning rate decay模型和label smoothing模型中的任意一种或多种模型进行优化后的模型,所述案件类别识别模型对图片进行提取得到1024维的向量特征;

所述模型训练模块设定了提前终止策略,在模型训练时,当损失函数连续5代不再减少时,则终止迭代;

所述模型训练模块在训练好模型后还需要对训练好的模型进行验证和测试。

进一步,在本发明提供的城市运行案件智能一键上报的系统中,还可以具有这样的特征:待训练的图片中包含的案件类别包括:公共设施-信息交接箱;公共设施-市政立杆;公共设施-消火栓;公共设施-雨水篦子;市容环卫-乱涂写、乱张贴、乱刻画;市容环卫-乱设或损坏户外设施;市容环卫-暴露垃圾;环卫环保-废物箱/桶;街面秩序-机动车乱放、非机动车乱停放;设施管理-道路破损。

本发明还提供了一种存储介质,其上存储有计算机指令,其特征在于:所述计算机指令运行时执行权利要求上述的城市运行案件智能一键上报的方法的步骤。

本发明还提供了一种终端,包括存储器和处理器,所述存储器上存储有能够在所述处理器上运行的计算机指令,其特征在于:所述处理器运行所述计算机指令时执行上述的城市运行案件智能一键上报的方法的步骤。

本发明的优点如下:

本发明所涉及的城市运行案件智能一键上报的方法,通过构建案件类别识别模型,用案件类别识别模型对样本的图片进行特征提取,并训练模型,待检测图片输入模型后,采用用softmax函数获取该图片属于各案件类别的概率,将概率最大的案件类别作为该图片的案件类别,因此能够自动识别案件的案件类别,提高上报案件效率,并且准确率较高。

附图说明

图1是本发明中几种Resnet模型的网格结构图。

图2是本发明中确城市运行案件智能一键上报系统的结构图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,以下实施例结合附图对本发明的城市运行案件智能一键上报的方法、系统、介质及终端作具体阐述。

城市运行案件智能一键上报的方法包括以下步骤:

设定案件类别。在本实施例中,设定的案件类别为:公共设施-信息交接箱;公共设施-市政立杆;公共设施-消火栓;公共设施-雨水篦子;市容环卫-乱涂写、乱张贴、乱刻画;市容环卫-乱设或损坏户外设施;市容环卫-暴露垃圾;环卫环保-废物箱/桶;街面秩序-机动车乱放、非机动车乱停放;设施管理-道路破损。设定的案件类别为要进行训练使其成为可识别的案件类别,这些可识别的案件类别占到所有案件数量的60%以上。当然,案件类别不仅仅包括这十种可识别的案件类别,还包含有没有被训练过的不可识别的案件类别。可识别的案件类别也不仅仅只包括所列出的十种,对于其它数量较少没有被训练的案件类别随着样本数量的增多,也可以进行模型训练,使得该种类的案件类别也能够被自动识别。

模型训练:获取样本,获取样本时对每个案件类别均获取多个已确定为该案件类别的图片,构建案件类别识别模型,用案件类别识别模型对样本的图片进行特征提取,并训练模型。

在本实施例中,在获取样本时,需要对样本进行如下处理步骤:

步骤1,数据探索性分析。对样本中的图片进行分析,统计样本数量,对数量较少的案件类别进行增加,保证各案件类别的样本数量大体平衡。

步骤2,数据预处理。将样本中损坏的图片、无法读取的图片删除。

在本实施例中,模型训练后,还需要对训练好的模型进行模型验证和测试。对样本进行处理时,在步骤2数据预处理后还需要将数据集划分,将样本中每个案件类别的图片均分为训练集、验证集和测试集,训练集中的样本用于训练模型,验证集中的样本用于对模型进行验证,获取模型准确率,测试集中的数据用于对模型进行测试。具体地,训练集、验证集、测试集中样本数量的比例为8:1:1。

在本实施例中,案件类别识别模型选用Resnet50(Deep residual,ResNet)模型。如图1为ResNet模型的多种网格结构,其中,50-layer为本实施例中Resnet50模型的网格结构。

具体地,案件类别识别模型在Resnet50模型的基础上进行优化,以其达到更高的准确率。以Resnet50模型为基准结合多种模型优化组合构建案件类别识别模型。更具体地,将Resnet50模型结合warmup learning rate(WU)模型、cosine learning rate decay(CD)模型和label smoothing(LM)模型中的任意一种或多种模型构建案件类别识别模型。表1中列出了Resnet50模型结合多种模型优化组合构建的案件类别识别模型检测案件类别的准确率。

表1

从表中可以看出Resnet50模型结合WU模型和CD模型所构建的案件类别识别模型检测案件的准确率最高。

在本实施例中,用案件类别识别模型对图片进行特征提取时是提取得到图片的1024维的向量特征。

在本实施例中,模型训练时设定了提前终止策略,当损失函数连续5代不再减少时,则终止迭代,结束模型训练,防止过拟合。在保证精度的情况下,减少模型规模和计算量。

案件类别识别:将未知案件类别的图片输入训练好的模型,用softmax函数获取该图片属于各案件类别的概率,将概率最大的案件类别作为该图片的案件类别,当softmax函数获取该图片属于各案件类别的概率均小于设定阈值时则该图片不属于设定的案件类别,则需要人工判断其案件类别。

如图2所示,城市运行案件智能一键上报系统100包括:图片输入模块10、模型训练模块20、存储模块30和识别和结果输出模块40。

图片输入模块10用于输入训练和待检测的图片。

模型训练模块20用于构建案件类别识别模型,用案件类别识别模型对输入的训练的图片进行特征提取并用提取的特征进行训练得到训练模型。

存储模块30用于存储模型训练模块20训练好的模型。

识别和结果输出模块40用于将待检测的图片输入训练好的模型中进行检测,用softmax函数获取该图片属于各案件类别的概率,将概率最大的案件类别作为该图片的案件类别并输出分类结果,当softmax函数获取该图片属于各案件类别的概率均小于设定阈值时则该图片不属于设定的案件类别。对于识别和结果输出模块40不能确定案件类别需要人工判断案件类别。

在本实施例中,图片输入模块10还用于将训练的图片进行如下步骤的处理:

步骤1,数据探索性分析,对样本中的图片进行分析,统计样本数量,对数量较少的案件类别进行增加,保证各案件类别的样本数量大体平衡。

步骤2,数据预处理,将样本中损坏的图片、无法读取的图片删除。

步骤3,数据集划分,将样本中每个案件类别的图片均分为训练集、验证集和测试集,训练集中的样本用于训练模型,验证集中的样本用于对模型进行验证,获取模型准确率,测试集中的数据用于对模型进行测试。

模型训练模块20构建案件类别识别模型选用Resnet50模型,或者案件类别识别模型为在Resnet50模型的基础上进行进一步的优化的模型,具体为将Resnet50模型结合warmup learning rate(WU)模型、cosine learning rate decay(CD)模型和labelsmoothing(LM)模型中的任意一种或多种模型构建的案件类别识别模型。案件类别识别模型对图片进行提取得到1024维的向量特征。模型训练模块20设定了提前终止策略,在模型训练时,当损失函数连续5代不再减少时,则终止迭代。模型训练模块20在训练好模型后还需要对训练好的模型进行验证和测试。用验证集的数据进行模型验证,用测试集的数据进行模型测试。

在本实施例中,案件类别包括:公共设施-信息交接箱;公共设施-市政立杆;公共设施-消火栓;公共设施-雨水篦子;市容环卫-乱涂写、乱张贴、乱刻画;市容环卫-乱设或损坏户外设施;市容环卫-暴露垃圾;环卫环保-废物箱/桶;街面秩序-机动车乱放、非机动车乱停放;设施管理-道路破损这十种类别,这十种案件类别为模型训练模块20训练的可识别的案件类别,此处列出的十种案件类别占所有案件数量的60%以上。当然模型训练模块20训练的可识别的案件类别也可以包括其他案件类别,对于其它数量较少的案件类别随着样本数量的增多,也可以在模型训练模块20中训练,使得该种类的案件类别也能够被自动识别。

本发明还提供了一种存储介质,其上存储有计算机指令,计算机指令运行时执行上述的城市运行案件智能一键上报的方法的步骤。

本发明还提供了一种终端,包括存储器和处理器,存储器上存储有能够在处理器上运行的计算机指令,处理器运行计算机指令时执行上述的城市运行案件智能一键上报的方法的步骤。

上述实施方式为本发明的优选案例,并不用来限制本发明的保护范围。

技术分类

06120114737206