基于云计算的运输状态监测方法技术

本申请公开了一种基于云计算的运输状态监测方法。其针对云计算的存储空间大、计算速度快的特点，采用基于深度学习的计算机视觉的方式来对运输中的设备图像进行特征提取和分类，以获得设备是否有可能发生磕碰的监测结果。这样，能够在运输车辆发生剧烈晃动的情况下检测正在运输中的设备的状态，以便于在可能发生设备的磕碰的情况下发出预警。

【技术实现步骤摘要】
基于云计算的运输状态监测方法
本专利技术涉及云计算领域，且更为具体地，涉及一种基于云计算的运输状态监测方法、基于云计算的运输状态监测系统和电子设备。
技术介绍
随着计算机技术的发展，数据量日益增长，现有技术也很难满足业务的发展需求，在代码的层层迭代和优化之后，还是很难满足数据的增长需求，迫切需要一项新的技术来从事数据计算，这就产生了云计算技术。云计算(cloudcomputing)是分布式计算的一种，指的是通过网络“云”将巨大的数据计算处理程序分解成无数个小程序，然后，通过多部服务器组成的系统进行处理和分析这些小程序得到结果并返回给用户。通过这项技术，可以在很短的时间内(几秒钟)完成对数以万计的数据的处理，从而达到强大的网络服务。目前，固态硬盘因为其读写速度快的优势，得到了越来越多的应用，但是，固态硬盘的内部结构较为精密，在运输过程中的磕碰会对固态硬盘造成损害。虽然目前在固态硬盘的运输过程当中，已经通过在包装箱或包装盒的外面会填充海绵、泡沫和充气垫等物体来进行缓冲保护，但是这些缓冲物的缓冲效果有限，在运输车辆发生剧烈晃动时，仍然可能导致固态硬盘的磕碰。因此，期待一种优化的用于固态硬盘运输状态的监测方法来监控运输过程中的固态硬盘是否有可能发生碰撞造成不必要的经济损失。
技术实现思路
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于云计算的运输状态监测方法、基于云计算的运输状态监测系统和电子设备，针对云计算的存储空间大、计算速度快的特点，采用基于深度学习的计算机视觉的方式来对运输中的设备图像进行特征提取和分类，以获得设备是否有可能发生磕碰的监测结果。这样，能够在运输车辆发生剧烈晃动的情况下检测正在运输中的设备的状态，以便于在可能发生设备的磕碰的情况下发出预警。根据本申请的一个方面，提供了一种基于云计算的运输状态监测方法，其包括：在用于云计算的云端获取由安装在运输车辆上的摄像头在连续时间段内的多个时间点采集的多个硬盘图像；分别对所述多个硬盘图像进行边缘提取，以获得多个硬盘边缘图像；将所述多个硬盘边缘图像分别通过卷积神经网络以获得多个初始特征图，所述多个初始特征图与所述多个时间点分别对应；计算所述多个初始特征图中每两个相邻时间点的初始特征图之间的差分，以获得多个差分特征图；计算所述多个差分特征图中每个差分特征图的类Softmax函数值，以获得多个归一化差分特征图，其中，所述类Softmax函数值为以所述差分特征图中各个位置的特征值的负数为幂的自然常数指数函数值除以以所述差分特征图中各个位置的特征值的负数为幂的自然常数指数函数值的加权和的商；对所述多个归一化差分特征图中每个归一化差分特征图进行全局平均值池化，以获得多个变化值；计算所述多个变化值中每个变化值的类Softmax函数值以获得多个单个时刻-时间段的变化概率值，其中，所述类Softmax函数值为以各个变化值的负数为幂的自然常数指数函数值除以以所述多个变化值中各个位置的变化值的负数为幂的自然常数指数函数值的加权和的商；计算所述多个单个时刻-时间段的变化概率值中每个单个时刻-时间段的变化概率值的类高斯函数表示的概率密度积分函数值，以获得多个预测概率值，其中，所述类高斯函数表示的概率密度积分函数值为自然常数的指数函数在0到所述单个时刻-时间段的变化概率值上的积分数值；以及将所述多个预测概率值排列成特征向量后通过分类器以获得分类结果，所述分类结果用于表示运输过程中的固态硬盘是否有可能发生磕碰。在上述基于云计算的运输状态监测方法中，分别对所述多个硬盘图像进行边缘提取，以获得多个硬盘边缘图像，包括：分别对所述多个硬盘图像中各个像素点进行二值化处理以获得多个二值化硬盘图像；以及，确定所述二值化硬盘图像中硬盘边缘的位置，以获得所述多个硬盘边缘图像。在上述基于云计算的运输状态监测方法中，计算所述多个差分特征图中每个差分特征图的类Softmax函数值，以获得多个归一化差分特征图，包括：以第一公式计算所述多个差分特征图中每个差分特征图的类Softmax函数值，以获得多个归一化差分特征图，其中，所述第一公式为：zi＝exp(-xi)/∑iexp(-xi)，zi表示类Softmax函数值，xi表示所述差分特征图中各个位置的特征值。在上述基于云计算的运输状态监测方法中，计算所述多个变化值中每个变化值的类Softmax函数值以获得多个单个时刻-时间段的变化概率值，包括：以第二公式计算所述多个变化值中每个变化值的类Softmax函数值以获得多个单个时刻-时间段的变化概率值，其中，所述第二公式为：mi＝exp(-yi)/∑iexp(-yi)，mi表示所述类Softmax函数值，yi表示所述变化值。在上述基于云计算的运输状态监测方法中，计算所述多个单个时刻-时间段的变化概率值中每个单个时刻-时间段的变化概率值的类高斯函数表示的概率密度积分函数值，以获得多个预测概率值，包括：以第三公式计算所述多个单个时刻-时间段的变化概率值中每个单个时刻-时间段的变化概率值的类高斯函数表示的概率密度积分函数值，以获得多个预测概率值，其中，所述第三公式为Ni＝exp(-ti)-1，Ni表示类高斯函数表示的概率密度积分函数值，ti表示所述单个时刻-时间段的变化概率值。在上述基于云计算的运输状态监测方法中，所述卷积神经网络为深度残差网络。在上述基于云计算的运输状态监测方法中，所述方法，进一步包括：响应于所述分类结果为运输过程中的固态硬盘有可能发生磕碰，从所述云端发送预警信号给部署于所述运输车辆的终端设备。在上述基于云计算的运输状态监测方法中，所述方法，进一步包括：基于所述分类结果，对所述多个硬盘图像进行标注；以及，将标注后的所述多个硬盘图像存储于所述云端。根据本申请的另一方面，提供了一种基于云计算的运输状态监测系统，其包括：硬盘图像获取单元，用于在用于云计算的云端获取由安装在运输车辆上的摄像头在连续时间段内的多个时间点采集的多个硬盘图像；边缘图像生成单元，用于分别对所述硬盘图像获取单元获得的所述多个硬盘图像进行边缘提取，以获得多个硬盘边缘图像；初始特征图生成单元，用于将所述边缘图像生成单元获得的所述多个硬盘边缘图像分别通过卷积神经网络以获得多个初始特征图，所述多个初始特征图与所述多个时间点分别对应；差分特征图生成单元，用于计算所述初始特征图生成单元获得的所述多个初始特征图中每两个相邻时间点的初始特征图之间的差分，以获得多个差分特征图；归一化单元，用于计算所述差分特征图生成单元获得的所述多个差分特征图中每个差分特征图的类Softmax函数值，以获得多个归一化差分特征图，其中，所述类Softmax函数值为以所述差分特征图中各个位置的特征值的负数为幂的自然常数指数函数值除以以所述差分特征图中各个位置的特征值的负数为幂的自然常数指数函数值的加权和的商；平均值池化单元，用于对所述归一化单元获得的所述多个归一化差分特征图中每个归一化差分本文档来自技高网...

【技术保护点】
1.一种基于云计算的运输状态监测方法，其特征在于，包括：/n在用于云计算的云端获取由安装在运输车辆上的摄像头在连续时间段内的多个时间点采集的多个硬盘图像；/n分别对所述多个硬盘图像进行边缘提取，以获得多个硬盘边缘图像；/n将所述多个硬盘边缘图像分别通过卷积神经网络以获得多个初始特征图，所述多个初始特征图与所述多个时间点分别对应；/n计算所述多个初始特征图中每两个相邻时间点的初始特征图之间的差分，以获得多个差分特征图；/n计算所述多个差分特征图中每个差分特征图的类Softmax函数值，以获得多个归一化差分特征图，其中，所述类Softmax函数值为以所述差分特征图中各个位置的特征值的负数为幂的自然常数指数函数值除以以所述差分特征图中各个位置的特征值的负数为幂的自然常数指数函数值的加权和的商；/n对所述多个归一化差分特征图中每个归一化差分特征图进行全局平均值池化，以获得多个变化值；/n计算所述多个变化值中每个变化值的类Softmax函数值以获得多个单个时刻-时间段的变化概率值，其中，所述类Softmax函数值为以各个变化值的负数为幂的自然常数指数函数值除以以所述多个变化值中各个位置的变化值的负数为幂的自然常数指数函数值的加权和的商；/n计算所述多个单个时刻-时间段的变化概率值中每个单个时刻-时间段的变化概率值的类高斯函数表示的概率密度积分函数值，以获得多个预测概率值，其中，所述类高斯函数表示的概率密度积分函数值为自然常数的指数函数在0到所述单个时刻-时间段的变化概率值上的积分数值；以及/n将所述多个预测概率值排列成特征向量后通过分类器以获得分类结果，所述分类结果用于表示运输过程中的固态硬盘是否有可能发生磕碰。/n...

【技术特征摘要】
1.一种基于云计算的运输状态监测方法，其特征在于，包括：
在用于云计算的云端获取由安装在运输车辆上的摄像头在连续时间段内的多个时间点采集的多个硬盘图像；
分别对所述多个硬盘图像进行边缘提取，以获得多个硬盘边缘图像；
将所述多个硬盘边缘图像分别通过卷积神经网络以获得多个初始特征图，所述多个初始特征图与所述多个时间点分别对应；
计算所述多个初始特征图中每两个相邻时间点的初始特征图之间的差分，以获得多个差分特征图；
计算所述多个差分特征图中每个差分特征图的类Softmax函数值，以获得多个归一化差分特征图，其中，所述类Softmax函数值为以所述差分特征图中各个位置的特征值的负数为幂的自然常数指数函数值除以以所述差分特征图中各个位置的特征值的负数为幂的自然常数指数函数值的加权和的商；
对所述多个归一化差分特征图中每个归一化差分特征图进行全局平均值池化，以获得多个变化值；
计算所述多个变化值中每个变化值的类Softmax函数值以获得多个单个时刻-时间段的变化概率值，其中，所述类Softmax函数值为以各个变化值的负数为幂的自然常数指数函数值除以以所述多个变化值中各个位置的变化值的负数为幂的自然常数指数函数值的加权和的商；
计算所述多个单个时刻-时间段的变化概率值中每个单个时刻-时间段的变化概率值的类高斯函数表示的概率密度积分函数值，以获得多个预测概率值，其中，所述类高斯函数表示的概率密度积分函数值为自然常数的指数函数在0到所述单个时刻-时间段的变化概率值上的积分数值；以及
将所述多个预测概率值排列成特征向量后通过分类器以获得分类结果，所述分类结果用于表示运输过程中的固态硬盘是否有可能发生磕碰。


2.根据权利要求1所述的基于云计算的运输状态监测方法，其中，分别对所述多个硬盘图像进行边缘提取，以获得多个硬盘边缘图像，包括：
分别对所述多个硬盘图像中各个像素点进行二值化处理以获得多个二值化硬盘图像；以及
确定所述二值化硬盘图像中硬盘边缘的位置，以获得所述多个硬盘边缘图像。


3.根据权利要求1所述的基于云计算的运输状态监测方法，其中，计算所述多个差分特征图中每个差分特征图的类Softmax函数值，以获得多个归一化差分特征图，包括：
以第一公式计算所述多个差分特征图中每个差分特征图的类Softmax函数值，以获得多个归一化差分特征图，其中，所述第一公式为：zi＝exp(-xi)/∑iexp(-xi)，zi表示类Softmax函数值，xi表示所述差分特征图中各个位置的特征值。


4.根据权利要求1所述的基于云计算的运输状态监测方法，其中，计算所述多个变化值中每个变化值的类Softmax函数值以获得多个单个时刻-时间段的变化概率值，包括：
以第二公式计算所述多个变化值中每个变化值的类Softmax函数值以获得多个单个时刻-时间段的变化概率值，其中，所述第二公式为：mi＝exp(-yi)/∑iexp(-yi)，mi表示所述类Softmax函数值，yi表示所述变化值。


5.根据权利要求1所述的基于云计算的运输状态监测方法，其中，计算所述多个单个时刻-时间段的变化概率值中每个单个时刻-时间段的变化概率值的类高斯函数表示的概率密度积分函数值，以获得多个预测概率值，包括：
以第三公式计算所述多个单个时刻-时...

【专利技术属性】
技术研发人员：时馨鑫，
申请(专利权)人：济南万桐达网络科技有限公司，
类型：发明
国别省市：山东;37