基于机器学习的油罐车防盗方法与流程

【技术领域】

本发明涉及车辆管理技术，特别涉及一种基于机器学习的油罐车防盗方法。

背景技术：

陆上石油运输，通常都是通过专用油罐车运输完成。在实际运输过程中，时有盗油现象发生。盗油行为本身非常危险，此外，油罐车油品频繁被盗，也会产生巨大的经济损失。因此，需要对油罐车的盗油行为进行管控。

现有技术中，有通过油箱重量进行检测的，其设有压力传感器和警报器，当油品被盗时，油箱内油的重量变少而可触发警报。而现实中，盗油者盗油时或盗油后向油箱内注水，便可保持盗油前后油箱重量一致，从而躲避监控而不被发现。

此外，也有在油箱口设置传感器，检测油箱口有没有被打开。这种方式，实际运用时，效果较差，经常无法及时报警，或误报警。

随着视频技术的发展，市面上一部分油罐车采用摄像头进行监控，现有的这种视频管控方法，在一定程度上能起到震慑作用，但是，其录制的视频在本地，其方便事后调查，但并不适合运输过程中及时发现盗油事件，其无法及时进行提醒。而且，这种管控方法，只能依赖于司机的判断，而对于司机的行为却无法管控，因此，其并不方便管理人员对油品输运的盗油现象进行全面监管。

技术实现要素：

本发明旨在解决上述问题，而提供一种可全面管控油罐车盗油，并进行自动提醒的基于机器学习的油罐车防盗方法。

为解决上述问题，本发明提供了一种基于机器学习的油罐车防盗方法，其特征在于，其包括以下步骤：

s1、通过摄像头实时获取油罐车注油口和/或出油口处的场景画面；

s2、将所述场景画面输入至机器学习模型，利用机器学习模型预测所述场景画面中是否发生盗油事件；

s3、若预测发生盗油事件，则发出报警信号。

进一步地，其还包括：

s4、将所述报警信号输出至本地报警装置，所述本地报警装置设于当前油罐车的驾驶室中；

s5、向油罐车驾驶室中的司机提供一报警确认装置以供司机确认当前报警信号是否准确；

s6、基于所述报警确认装置的确认结果，将经过报警确认的场景画面及确认结果作为训练数据训练所述机器学习模型。

进一步地，还包括：

s7、将所述报警信号输出至云端报警装置，所述云端报警装置设于云服务器中；

s8、向远程管理员提供一核实途径以供所述远程管理员将所述报警信号发送至所属油罐车的本地报警装置。

进一步地，步骤s2中，所述机器学习模型是设于油罐车本地的本地机器学习模型，其初始模型是通过对油罐车注油口和/或出油口处的通用场景画面进行机器学习训练得出。

进一步地，步骤s6，所述机器学习模型是设于油罐车本地的本地机器学习模型。

进一步地，步骤s6之后还包括：

s9、上传所述本地机器学习模型的模型更新信息至云服务器；

s10、基于所述本地机器学习模型的模型更新信息更新设于云服务器的云端机器学习模型。

进一步地，s11、基于更新后的云端机器学习模型更新设于油罐车本地的本地机器学习模型。

进一步地，步骤s8中，向远程管理员提供一核实途径以供所述远程管理员将由所述云端报警装置接收的且未经所述报警确认装置进行确认的报警信号发送至所属油罐车的本地报警装置。

本发明的有益贡献在于，其有效解决了上述问题。本发明的基于机器学习的油罐车防盗方法，通过摄像头实时录制油罐车注油口和/或出油口处的场景画面，然后通过机器学习模型进行预测，其可在盗油事件发生时便进行提醒，方便司机及远程管理人员及时知晓盗油事件的发生，避免油品被盗。此外，本发明的方法还需要司机对预测为盗油事件的报警信号进行确认，该步骤不仅可以通过司机的人工确认为机器学习模型提供反馈，将经过确认的场景画面和确认结果作为训练数据去训练更新机器学习模型，使机器学习模型的预测结果越来越准确，而且其还可以对司机的行为进行约束，报警信号和司机的确认行为都可以通过云服务器进行监控，这样便可避免司机监守自盗。本发明的基于机器学习的油罐车防盗方法，不仅可以及时预测盗油事件，及时发出提醒，避免油品被盗，而且可以对油罐车司机的行为进行约束，其可对油罐车防盗进行全面管控，其具有很强的实用性，宜大力推广。

【附图说明】

图1是本发明的流程示意图。

【具体实施方式】

下列实施例是对本发明的进一步解释和补充，对本发明不构成任何限制。

如图1所示，本发明的基于机器学习的油罐车防盗方法，包括以下步骤：

s1、通过摄像头实时获取油罐车注油口和/或出油口处的场景画面；

s2、将所述场景画面输入至机器学习模型，利用机器学习模型预测所述场景画面中是否发生盗油事件；

s3、若预测发生盗油事件，则发出报警信号。

步骤s1中，摄像头的位置，可根据油罐车的实际情况设置，其可获取到油罐车注油口、出油口处的场景画面即可。通常情况下，摄像头可设置在油罐车注油口、出油口附近一定距离的位置处，其方便摄录一定范围内的场景画面。所述摄像头录制的场景画面，应至少能显示出注油口、出油口有无被打开，注油口、出油口处有无其他人或物出现。

对于本实施例，步骤s2中，所述机器学习模型为本地机器学习模型，其设置于油罐车本地。所述机器学习模型的初始模型，是通过对油罐车注油口和/或出油口处的通用场景画面进行机器学习训练得到的。训练时，提前录制一定数量的油罐车场景画面作为训练样本。作为训练样本的场景画面，可以是图片数据，也可以是视频数据，其具体可根据需要而定。所述训练样本的数据，包括但不限于：

油罐车正常停放、正常行驶时的注油口和/或出油口处的场景画面；

油罐车正常加油、正常卸油时的注油口和/或出油口处的场景画面；

模拟各种常见盗油场景的注油口和/或出油口处的场景画面。

获得训练样本后，按照公知的模型训练方法进行训练，便可得到可对盗油事件进行预测的初始机器学习模型。该初始机器学习模型，对盗油事件具有一定的预测能力，但是，其预测准确性有待提高。实际运输过程中，油罐车所处场景会存在较大的不确定性，例如有无落叶，落叶有无遮挡注油口等；运输过程中的不确定性因素较多，而这些不确定性因素无法在初始训练时一一进行训练而得到十分完善的机器学习模型，因此，初始机器学习模型，其初始预测能力一般，需要后续过程中的正向反馈进行更新学习，不断完善机器学习模型，从而逐渐提高预测准确性，以获得满意的效果。

步骤s2中，当第一次将步骤s1获取的场景画面输入至机器学习模型时，所述机器学习模型是设置于本地的初始机器学习模型。当非第一次将步骤s1获取的场景画面输入至机器学习模型时，所述机器学习模型则是设置于本地的经过学习更新后的机器学习模型。

当步骤s1获取的场景画面输入至本地机器学习模型中后，本地机器学习模型便可预测结果，判断当前的场景画面是否发生盗油事件。

本地机器学习模型对场景画面的预测，应至少存在两种结果：预测发生盗油事件、预测未发生盗油事件。

当步骤s2预测未发生盗油事件时，则不进行任何提醒，继续执行步骤s2，继续将下一时间的场景画面输入至所述本地机器学习模型，利用本地机器学习模型识别当前场景画面是否发生盗油事件。

当步骤s2预测发生盗油事件时，则发出报警信号，即上述步骤s3。

本发明的基于机器学习的油罐车防盗方法，其可通过摄像头实时监控，并可通过机器学习模型实时对摄像头获取的场景画面进行预测，预测是否发生盗油事件，因此，其可方便的对盗油现象进行监控，及时发现盗油现象，避免经济损失。

进一步的，本发明的基于机器学习的油罐车防盗方法还可包括以下步骤：

s4、将所述报警信号输出至本地报警装置，所述本地报警装置设于当前油罐车的驾驶室中；

s5、向油罐车驾驶室中的司机提供一报警确认装置以供司机确认当前报警信号是否准确；

s6、基于所述报警确认装置的确认结果，将经过报警确认的场景画面及确认结果作为训练数据训练所述机器学习模型。

步骤s4中，将报警信号输出至本地报警装置，是用于向司机发出报警提醒，以利于司机及时知晓当前报警信号，并对当前报警信号做出响应。所述本地报警装置的形式不限，其具体可根据需要而设置。一些实施例中，所述本地报警装置可以是声光报警灯，其通过声光结合的方式进行提醒。一些实施例中，所述本地报警装置也可以是显示器，其可实时显示步骤s1中摄像头摄录的场景画面，并可在收到报警信号时进行提醒，例如进行弹窗提醒、语音提醒等。

因为机器学习模型的预测结果，一开始时未必十分准确，其可能存在误报，因此，本实施例中，对于机器学习模型的预测结果，还需进一步经过司机的确认后，再反馈给机器学习模型，便可不断的进行完善，使得本地机器学习模型的预测结果越来越准确。

步骤s5中，所述报警确认装置是为了方便司机确认当前报警信号是否准确。所述报警确认装置的具体形式不限。在一些实施例中，为方便驾驶途中操作，所述报警确认装置可设置为操作按键的形式，例如，其可提供两个颜色不同的按键，当按键1被按压时，确认当前报警信号准确，即确认此时确实发生了盗油事件；当按键2被按压时，确认当前报警信号不准确，此报警信号属于误报，实际并未发生盗油事件。

当司机通过报警确认装置对当前报警信号进行确认后，则下一步执行步骤s6:基于所述报警确认装置的确认结果，将经过报警确认的场景画面及确认结果作为训练数据训练所述机器学习模型。

步骤s6中，所述确认结果包括确认报警信号准确的确认结果，和确认报警信号不准确的确认结果，其可以不同的数据标识来标识不同的确认结果。

通过司机对报警信号进行确认，并将确认结果反馈给本地机器学习模型，从而可让所述本地机器学习模型不断的进行学习更新，使之能够更加准确的预测各种场景画面。

步骤s2、s6中的机器学习模型，均为本地机器学习模型，其训练方法不限，例如，其可以是深度学习的机器学习模型。

在实际运输过程中，由于各种原因，对于本地报警装置接收到的报警信号，司机可能无法及时对其进行确认，例如，正在操作方向盘，或者未反应过来需要通过报警确认装置进行确认。为避免遗漏，并为了给所述机器学习模型提供更多的反馈以完善所述机器学习模型，若步骤s5中，司机未通过所述报警确认装置对当前的报警信号进行确认时，则执行以下步骤:

s7、将所述报警信号输出至云端报警装置，所述云端报警装置设于云服务器中；

s8、向远程管理员提供一核实途径以供所述远程管理员将所述报警信号发送至所属油罐车的本地报警装置。

步骤s7中，所述报警信号不局限于未经报警确认装置进行确认的报警信号。为方便对盗油事件进行全局管控，步骤s7中的报警信号，优选为步骤s3发出的报警信号，其包括步骤s3之后被司机确认的报警信号和未被司机确认的报警信号。换言之，步骤s3发出的报警信号，一方面会输出至本地报警装置以提醒司机对其进行确认，另一方面也会传输至云服务器，方便远程管理人员对所有油罐车的防盗情况进行全局管控。

步骤s7中，所述云端报警装置的形式不限，其用于提醒远程管理人员何辆油罐车发生了报警信号。进一步的，其还可提醒远程管理人员油罐车于何处、何时发生了报警信号。

当云端报警装置收到报警信号后，则执行步骤s8。步骤s8中，所述核实途径主要是用于远程管理人员对未经司机确认的报警信号进行核实。

步骤s7中，云端报警装置收到的报警信号，司机有可能在油罐车上已对该同一报警信号进行了确认，也有可能未对该同一报警信号进行确认。对于通过报警确认装置确认过的报警信号，云服务器存档该报警信号主要用于日后调查，报警信号发生的当时，不必须通过核实途径进行进一步核实。而对于未通过报警确认装置确认的同一报警信号，则通过核实途径将该报警信号发送至油罐车的本地报警装置中，以供司机进一步核实。因此，所述核实途径主要用于所述远程管理员将由所述云端报警装置接收的且未经所述报警确认装置进行确认的报警信号发送至所属油罐车的本地报警装置，以供司机进一步确认。

所述核实途径，可根据需要而设置。在一些实施例中，可在云服务器上设置自动转发规则，当云端报警装置收到报警信号后，自动将未经报警确认装置确认的报警信号转发至油罐车的本地报警装置中。在一些实施例中，可提供人工转发途径，当云端报警装置收到报警信号后，由远程管理人员通过人工转发途径手动转发需要进一步核实的报警信号至油罐车的本地报警装置中。

当通过核实途径将报警信号反馈给油罐车的本地报警装置后，则再次顺序执行步骤s5、s6,由司机通过报警确认装置对该报警信号进行确认，并根据确认结果对所述机器学习模型进行训练更新，从而不断完善所述机器学习模型。

对于本地机器学习模型预测的结果，不断的执行步骤s5、s6、s7、s8,便可以不断的在实际运用时训练更新所述本地机器学习模型，使所述机器学习模型的预测结果越来越准确。

进一步的，当本地机器学习模型通过步骤s6进行模型更新后，还可执行以下步骤：

s9、上传所述本地机器学习模型的模型更新信息至云服务器；

s10、基于所述本地机器学习模型的模型更新信息更新设于云服务器的云端机器学习模型。

s11、基于更新后的云端机器学习模型更新设于油罐车本地的本地机器学习模型。

步骤s9、s10主要用于同步更新云端机器学习模型。步骤s11主要用于同步更新其他的未更新的本地机器学习模型。

油罐车车队中，通常有多辆油罐车。不同的油罐车在运输途中遇到的场景可能不同，因此，不同油罐车上的本地机器学习模型经过步骤s5训练后得到的本地机器学习模型可能有所不同。为使各油罐车都可直接使用更新后的机器学习模型，先根据本地机器学习模型的模型更新信息更新云服务器上的云端机器学习模型，随后再根据云端机器学习模型更新其他油罐车上的本地机器学习模型。机器学习模型在本地与云服务之间更新的具体规则，本实施例不对其进行限制。

例如，在一些实施例中，可约定步骤s9、s10、s11的执行时间，当本地机器学习模型训练更新后，在第一时间段内，执行步骤s9,各油罐车分别将各自的模型更新信息分别上传至云服务器；在第二时间段内，执行步骤s10，云端机器学习模型根据各本地机器学习模型的模型更新信息进行更新；在第三时间段内，执行步骤s11,云服务器将云端机器学习模型的模型更新信息分发至各油罐车本地，各油罐车上的本地机器学习模型分别根据所述云端机器学习模型的模型更新信息而各自进行更新，以使得油罐车本地的各本地机器学习模型与云端机器学习模型均保持一致。

在一些实施例中，可根据本地机器学习模型、云机器学习模型的更新时间的先后顺序进行更新，以使得最终各油罐车本地的各本地机器学习模型与云端机器学习模型一致。

尽管通过以上实施例对本发明进行了揭示，但是本发明的范围并不局限于此，在不偏离本发明构思的条件下，以上各构件可用所属技术领域人员了解的相似或等同元件来替换。