[发明专利]基于机器学习的油罐车防盗方法

说明书

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。

【发明内容】

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；