[發(fā)明專利]一種基于深度學習神經(jīng)網(wǎng)絡模型的封樣監(jiān)控系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110191966.8
• 申請日: 2020-05-22
• 公開（公告）號: CN113079193B
• 公開（公告）日: 2022-08-05
• 發(fā)明（設計）人: 李學鈞;戴相龍;蔣勇;王曉鵬;何成虎;楊政
• 申請（專利權）人: 江蘇濠漢信息技術有限公司
• 主分類號: H04L67/12
• 分類號: H04L67/12;H04N7/18;G06K17/00;G06V20/59
• 代理公司: 北京冠和權律師事務所 11399
• 代理人: 田春龍

1.一種基于深度學習神經(jīng)網(wǎng)絡模型的封樣監(jiān)控系統(tǒng)，其特征在于：

所述基于深度學習神經(jīng)網(wǎng)絡模型的封樣監(jiān)控系統(tǒng)包括圖像采集模塊、RFID射頻模塊、車輛狀態(tài)采集模塊、車載服務端模塊和云端控制模塊；其中，

所述圖像采集模塊用于獲取樣品當前所處車輛內(nèi)部環(huán)境的相關圖像信息；

所述RFID射頻模塊用于獲取所述樣品的實時封裝狀態(tài)信息；

所述車輛狀態(tài)采集模塊用于獲取所述車輛的實時運行狀態(tài)信息；

所述車載服務端模塊用于根據(jù)所述相關圖像信息、所述實時封裝狀態(tài)信息和所述實時運行狀態(tài)信息中的至少一者，生成關于所述樣品在車載運輸過程中對應的封樣狀態(tài)變化信息；

所述云端控制模塊用于根據(jù)所述封樣狀態(tài)變化信息，對所述樣品和/或所述車輛進行適應的監(jiān)控操作；

所述RFID射頻模塊包括射頻標簽物理狀態(tài)檢測子模塊和射頻標簽信號狀態(tài)檢測子模塊；其中，

所述射頻標簽物理狀態(tài)檢測子模塊用于檢測關于RFID射頻標簽的粘附狀態(tài)和/或位移狀態(tài)信息；

所述射頻標簽信號狀態(tài)檢測子模塊用于檢測關于RFID射頻標簽的射頻信號傳輸狀態(tài)信息；

所述車載服務端模塊包括射頻標簽狀態(tài)可信度計算子模塊、待處理射頻標簽狀態(tài)信息確定子模塊和視頻標簽狀態(tài)信息處理子模塊；其中，

所述射頻標簽狀態(tài)可信度計算子模塊用于根據(jù)預設射頻標簽工作評價模型，分別計算得到關于所述粘附狀態(tài)和/或位移狀態(tài)信息和所述射頻信號傳輸狀態(tài)信息的射頻標簽狀態(tài)可信度值；

所述待處理射頻標簽狀態(tài)信息確定子模塊用于根據(jù)所述射頻標簽狀態(tài)可信度值，從所述粘附狀態(tài)和/或位移狀態(tài)信息和所述射頻信號傳輸狀態(tài)信息中分別摘選確定滿足預設可信度條件的射頻標簽相關狀態(tài)信息；所述視頻標簽狀態(tài)信息處理子模塊用于根據(jù)預設射頻標簽深度學習神經(jīng)網(wǎng)絡模型，對所述射頻標簽相關狀態(tài)信息進行分析處理，以此獲得關于射頻標簽是否脫落和/或是否存在射頻信號異常的封裝狀態(tài)變化信息。

2.如權利要求1所述的基于深度學習神經(jīng)網(wǎng)絡模型的封樣監(jiān)控系統(tǒng)，其特征在于：

所述圖像采集模塊還包括拍攝調(diào)整子模塊、視頻流存儲/傳送子模塊和拍攝安全監(jiān)控子模塊；其中，

所述拍攝調(diào)整子模塊用于對所述第一圖像拍攝子模塊、所述第二圖像拍攝子模塊和所述第三圖像拍攝子模塊中的至少一者，進行關于拍攝動作參數(shù)和/或拍攝時間參數(shù)的調(diào)整；

所述視頻流存儲/傳送子模塊用于將所述第一視頻、所述第二視頻和所述第三視頻中的至少一者對應的視頻流進行定點更新云存儲和/或定點上傳至所述車載服務端模塊；

所述拍攝安全監(jiān)控子模塊用于對所述第一圖像拍攝子模塊、所述第二圖像拍攝子模塊和所述第三圖像拍攝子模塊中的至少一者，進行拍攝過程安全性監(jiān)控，以此獲得相應的拍攝過程安全性信息；

或者，

所述圖像采集模塊包括人臉特征提取子模塊，所述人臉特征提取子模塊用于根據(jù)所述車內(nèi)人員實時狀態(tài)信息提取其對應的人臉特征和/或肢體特征，其過程具體包括，

步驟S1，構建訓練樣本集，將所述第二圖像拍攝子模塊拍攝的所述第二視頻進行噪聲消除和失真校正后，獲取每一幀視頻圖像對應的人臉和/或肢體圖像信息矩陣X，即

X＝[x₁,x₂,…,x_n]

在上述公式中，X為m×n階人臉和/或肢體圖像信息矩陣，x_i為第i幀視頻圖像對應的人臉和/或肢體圖像信息，i＝1、2…n，所述人臉和/或肢體圖像信息至少包括五官位置、五官大小、肢體大小、肢體動作和圖像亮度；

步驟S2，根據(jù)下面公式確定總體散布矩陣G

在上述公式中，G為總體散布矩陣，x_i為第i幀視頻圖像對應的人臉和/或肢體圖像信息，m為每幀視頻圖像中包含的人臉和/或肢體信息數(shù)目；

步驟S3，根據(jù)下面公式計算所述總體散布矩陣G的特征向量

在上述公式中，ε_i為第i個特征向量，δ_i為構造矩陣U的特征值a_i對應的特征向量，其中，所述構造矩陣U如下公式表示

對上述公式進行矩陣變換處理后得到

∧＝diag[a₁,a₂,…,a_n]

在上述公式中，∧為構造矩陣U的對角型矩陣，為構造矩陣U的第i個特征值，并且a₁a₂…a_n；

步驟S4，根據(jù)下面公式確定主要特征向量集w，以作為所述人臉特征和/或肢體特征

在上述公式中，W為主要特征向量集，R為總體散布矩陣的特征向量矩陣，并且R＝[ε₁,ε₂,…,ε_n]。