【技术实现步骤摘要】
实时数据处理方法
本专利技术涉及智慧加工领域下的智能控制决策,且更为具体地,涉及一种实时数据处理方法、实时数据处理与存储系统和电子设备。
技术介绍
大数据是一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合,具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低等四大特征。实时计算或者说实时数据处理是大数据应用的一个基础环节和关键技术,是实现基于数据的快速响应、快速决策的关键。随着大数据和物联网的发展,传统的农业产业在发生技术迭代与革命:基于自动驾驶技术的智慧农机逐渐进入人们的视野。自动驾驶农机主要利用角度传感器获取农机偏移数据、摄像头获取周围作物生长数据以及导航卫星实时定位跟踪车辆信息数据,将获取的数据经过无线网络传输到控制端,对数据进行分析后,利用车载计算机显示器实时显示作业情况以及作业进度等。目前,由于自动驾驶农机状态信息中的数据实时性较高,工作过程中需要不断检测当前车身偏角及位置偏移量,造成了巨大的运算量。车载终端当农机处于移动状态时,由于农机在农田的工作环境比较复杂,土壤疏松,坎坷不平,导致驾驶过程中振动大,容易出现打滑等现象,导致摄像头采集到的视频数据画面质量相对较低。且所获得的视频画面中的信息,并不都是有用的,有很多信息对于自动驾驶农机进行判断决策没有帮助。因此,期望提供一种能够适用于提高农机自动驾驶过程当中的实时数据处理能力的技术方案。目前,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外, ...
【技术保护点】
1.一种实时数据处理方法,其特征在于,包括:/n获取农机在当前时刻的当前状态信息;/n将所述当前状态信息构造为输入向量并将所述输入向量输入基于第一深度神经网络的编码器,以获得编码特征向量;/n通过所述农机的摄像头,获取当前时刻的场景图像;/n提取出所述场景图像中的保留部分和非保留部分,其中,所述保留部分对应于所述场景图像中的农作物对象,所述非保留部分对应于所述场景中的路况对象;/n将所述非保留部分通过深度卷积神经网络,以获得路况特征图;/n将所述编码特征向量与所述路况特征图进行矩阵相乘,以将所述路况特征图中的特征映射到所述编码特征向量所在的特征空间中,以获得更新的编码特征向量;/n将所述更新的编码特征向量输入基于第二深度神经网络的解码器,以获得解码向量,其中,所述解码向量的各个位置的特征值对应于所述农机在下一时刻的状态信息;以及删除所述场景图像中的非保留部分,并实时存储被删除非保留部分的所述场景图像。/n
【技术特征摘要】
1.一种实时数据处理方法,其特征在于,包括:
获取农机在当前时刻的当前状态信息;
将所述当前状态信息构造为输入向量并将所述输入向量输入基于第一深度神经网络的编码器,以获得编码特征向量;
通过所述农机的摄像头,获取当前时刻的场景图像;
提取出所述场景图像中的保留部分和非保留部分,其中,所述保留部分对应于所述场景图像中的农作物对象,所述非保留部分对应于所述场景中的路况对象;
将所述非保留部分通过深度卷积神经网络,以获得路况特征图;
将所述编码特征向量与所述路况特征图进行矩阵相乘,以将所述路况特征图中的特征映射到所述编码特征向量所在的特征空间中,以获得更新的编码特征向量;
将所述更新的编码特征向量输入基于第二深度神经网络的解码器,以获得解码向量,其中,所述解码向量的各个位置的特征值对应于所述农机在下一时刻的状态信息;以及删除所述场景图像中的非保留部分,并实时存储被删除非保留部分的所述场景图像。
2.根据权利要求1所述的实时数据处理方法,其中,提取出所述场景图像中的保留部分和非保留部分,包括:
对所述场景图像进行图像语义分割处理,以提取出所述场景图像中的保留部分和非保留部分。
3.根据权利要求1所述的实时数据处理方法,其中,提取出所述场景图像中的保留部分和非保留部分,包括:
通过第一候选框框选出所述场景图像中的保留部分;以及
通过第二候选框框选出所述场景图像中的非保留部分。
4.根据权利要求1所述的实时数据处理方法,其中,所述路况特征图与所述编码特征向量具有相同的概率分布。
5.根据权利要求4所述的实时数据处理方法,其中,在训练过程中,计算所述路况特征图和所述编码特征向量之间的交叉熵损失函数值,并以所述交叉熵损失函数值来训练所述深度卷积神经网络。
6.根据权利要求1所述的实时数据处理方法,其中,所述深度神经网络为深度残差网络。
7.根据权利要求1所述的实时数据处理方法,其中,所述状态信息包括...
【专利技术属性】
技术研发人员:吴宝昕,
申请(专利权)人:杭州追猎科技有限公司,
类型:发明
国别省市:浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。