基于机器学习的油罐车防盗方法技术

一种基于机器学习的油罐车防盗方法，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、利用机器学习模型预测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；S4、将报警信号输出至本地报警装置；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机器学习模型。本发明专利技术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。

【技术实现步骤摘要】
基于机器学习的油罐车防盗方法
本专利技术涉及车辆管理技术，特别涉及一种基于机器学习的油罐车防盗方法。
技术介绍
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。
技术实现思路
本专利技术旨在解决上述问题，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，本专利技术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。本专利技术的有益贡献在于，其有效解决了上述问题。本专利技术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，本专利技术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。本专利技术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是本专利技术的流程示意图。【具体实施方式】下列实施例是对本专利技术的进一步解释和补充，对本专利技术不构成任何限制。如图1所示，本专利技术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本文档来自技高网...

【技术保护点】
1.一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：/nS1、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；/nS2、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；/nS3、若预测发生盗油事件，则发出报警信号。/n

【技术特征摘要】
1.一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。


2.如权利要求1所述的基于机器学习的油罐车防盗方法，其特征在于，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。


3.如权利要求2所述的基于机器学习的油罐车防盗方法，其特征在于，其还包括：
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。


4.如权利要求1所述的基...

【专利技术属性】
技术研发人员：黄晨林，
申请(专利权)人：深圳市海吉星智慧城市科技有限公司，
类型：发明
国别省市：广东;44