一种校园后勤任务管理方法及装置与流程

本发明涉及人工智能与计算机科学，具体而言，涉及一种校园后勤任务管理方法和装置。

背景技术：

1、后勤管理是各级院校行政生活工作的重要组成部分，做好后勤管理与服务工作，提升后勤管理的效率与质量，不仅能创造育人环境，而且能提高教师教书育人的积极性，提高教学质量。近年来，随着5g高速通信网络、物联网、人工智能技术的快速发展，新技术的应用为校园后勤管理带来了诸多有利条件。基于新技术的校园后勤管理方法通过建立“人”与“物”的连接，提供智能化、精细化的后勤管理，有助于提升服务效率，改善服务质量，降低运营成本。

2、校园后勤智能管理的一个重要应用是对校园内部各个场所、活动进行监控，由于校园中学生人数较多，在开学或举行活动等典型场景下很容易造成现场拥挤，极有可能发生风险。目前，校园后勤管理的主要方式是通过学生志愿者或者老师来进行现场后勤管理或者通过查看监控人工判断校园各场所和活动现场是否存在拥挤隐患，需要大量人力，效率较低。

技术实现思路

1、本发明提供一种交通拥堵状况检测方法和装置，用以自动检测校园后勤任务现场拥挤状况以及对任务现场进行拥挤状态预测，对校园后勤任务进行智能管理。

2、根据本发明实施例的第一方面，提供一种校园后勤任务管理方法，该方法包括：

3、在任一任务现场，按照预设采集周期采集包含所述任务现场的图像；

4、根据任务确认信号确定任一采集周期内所述任务现场对应的任务完成量；其中，所述任务确认信号为用户在完成任务处理后发出的；所述任务确认信号包含任务处理完成时间；

5、通过三个预设模板窗口对所述采集周期采集到的包含所述任务现场的图像进行卷积预处理，确定所述图像对应的三张响应图；

6、将所述图像对应的三张响应图，以及所述采集周期内所述任务现场对应的任务完成量输入至预先训练得到的任务预测模型，得到所述任务现场对应的拥挤参数以及拥挤预测参数；

7、根据所述拥挤参数判断所述任务现场是否拥挤；以及根据所述拥挤预测参数，判断所述任务现场在所述采集周期的下一个采集周期内是否拥挤。

8、可选的，所述任务现场对应的拥挤参数包括：表示所述任务现场对应“拥挤”状态的第一拥挤参数，表示所述任务现场对应“正常”状态的第二拥挤参数，表示所述任务现场对应“空闲”状态的第三拥挤参数；

9、所述根据所述拥挤参数判断所述任务现场是否拥挤，包括：

10、将所述第一拥挤参数、第二拥挤参数与第三拥挤参数中最大的拥挤参数对应的状态作为所述任务现场的拥挤状态。

11、可选的，采用以下方式训练所述任务预测模型：

12、获取多张包含任务现场的样本图像、每个样本图像对应的三张响应图、以及每个样本图像对应的任务完成量；其中，所述每个样本图像对应的任务完成量为采集所述样本图像的采集周期内所述任务现场对应的任务完成量；所述每个样本图像对应的三张响应图是通过三个预设模板窗口对所述样本图像进行卷积预处理得到的；

13、将所述每个样本图像对应的三张响应图，以及所述每个样本对应的任务完成量输入至所述任务预测模型，得到每个样本图像对应的第一拥挤训练参数、第二拥挤训练参数、第三拥挤样本参数以及拥挤预测训练参数；

14、根据每个图像对应的第一拥挤训练参数、第二拥挤训练参数、第三拥挤训练参数以及拥挤预测样本参数与每个图像对应的第一拥挤标签参数、第二拥挤标签参数、第三拥挤标签参数以及拥挤预测标签参数之间的差值，和预设控制系数确定代价函数值，并根据所述代价函数值对所述任务预测模型的参数进行调整，当所述代价函数值小于预设阈值时，确定所述任务预测模型训练完成；

15、其中，所述第一拥挤训练参数为任务预测模型输出的所述样本图像对应的任务现场为“拥挤”状态的概率值；所述第二拥挤训练参数为任务预测模型输出的所述样本图像对应的任务现场为“正常”状态的概率值；所述第三拥挤训练参数为任务预测模型输出的所述样本图像对应的任务现场为“空闲”状态的概率值。

16、可选的，所述根据所述拥挤预测参数，判断所述任务现场在所述采集周期的下一个采集周期内是否拥挤，包括：

17、若所述拥挤预测参数大于预设阈值，则确定所述任务现场在所述采集周期的下一个采集周期内拥挤。

18、可选的，所述任务确认信号还包含任务标识；所述根据任务确认信号确定任一采集周期内所述任务现场对应的任务完成量，包括：

19、若接收到在多个任务现场采集的包含所述多个任务现场的多张图像，根据所述任务确认信号包含的任务标识确定所述任务现场对应的任务完成量。

20、根据本发明实施例的第二方面，提供一种校园后勤任务管理装置，该装置包括：

21、采集模块，被配置为在任一任务现场，按照预设采集周期采集包含所述任务现场的图像；

22、确定模块，被配置为根据任务确认信号确定任一采集周期内所述任务现场对应的任务完成量；其中，所述任务确认信号为用户在完成任务处理后发出的；所述任务确认信号包含任务处理完成时间；

23、响应模块，被配置为通过三个预设模板窗口对所述采集周期采集到的包含所述任务现场的图像进行卷积预处理，确定所述图像对应的三张响应图；

24、处理模块，被配置为将所述图像对应的三张响应图，以及所述采集周期内所述任务现场对应的任务完成量输入至预先训练得到的任务预测模型，得到所述任务现场对应的拥挤参数以及拥挤预测参数；

25、判别模块，被配置为根据所述拥挤参数判断所述任务现场是否拥挤；以及根据所述拥挤预测参数，判断所述任务现场在所述采集周期的下一个采集周期内是否拥挤。

26、可选的，所述任务现场对应的拥挤参数包括：表示所述任务现场对应“拥挤”状态的第一拥挤参数，表示所述任务现场对应“正常”状态的第二拥挤参数，表示所述任务现场对应“空闲”状态的第三拥挤参数；

27、所述判别模块被配置为将所述第一拥挤参数、第二拥挤参数与第三拥挤参数中最大的拥挤参数对应的状态作为所述任务现场的拥挤状态。

28、可选的，还包括模型训练模块，被配置为采用以下方式训练所述任务预测模型：

29、获取多张包含任务现场的样本图像、每个样本图像对应的三张响应图、以及每个样本图像对应的任务完成量；其中，所述每个样本图像对应的任务完成量为采集所述样本图像的采集周期内所述任务现场对应的任务完成量；所述每个样本图像对应的三张响应图是通过三个预设模板窗口对所述样本图像进行卷积预处理得到的；

30、将所述每个样本图像对应的三张响应图，以及所述每个样本对应的任务完成量输入至所述任务预测模型，得到每个样本图像对应的第一拥挤训练参数、第二拥挤训练参数、第三拥挤样本参数以及拥挤预测训练参数；

31、根据每个图像对应的第一拥挤训练参数、第二拥挤训练参数、第三拥挤训练参数以及拥挤预测样本参数与每个图像对应的第一拥挤标签参数、第二拥挤标签参数、第三拥挤标签参数以及拥挤预测标签参数之间的差值，和预设控制系数确定代价函数值，并根据所述代价函数值对所述任务预测模型的参数进行调整，当所述代价函数值小于预设阈值时，确定所述任务预测模型训练完成；

32、其中，所述第一拥挤训练参数为任务预测模型输出的所述样本图像对应的任务现场为“拥挤”状态的概率值；所述第二拥挤训练参数为任务预测模型输出的所述样本图像对应的任务现场为“正常”状态的概率值；所述第三拥挤训练参数为任务预测模型输出的所述样本图像对应的任务现场为“空闲”状态的概率值。

33、可选的，所述判别模块被配置为若所述拥挤预测参数大于预设阈值，则确定所述任务现场在所述采集周期的下一个采集周期内拥挤。

34、可选的，所述任务确认信号还包含任务标识；所述确定模块被配置为：

35、若接收到在多个任务现场采集的包含所述多个任务现场的多张图像，根据所述任务确认信号包含的任务标识确定所述任务现场对应的任务完成量。

36、本发明实施例提供的技术方案，通过设置在校园后勤任务现场的图像采集设备采集任务现场的图像，并对采集到的图像进行预处理，通过任务预测模型对图像数据和每个任务现场预设周期内的任务完成量，自动对任务现场当前的拥挤状况进行判断，并对未来周期的拥挤状况进行预测，对校园后勤任务进行智能管理，大量减少人力，任务现场的拥挤判断准确性较高并且能够对未来任务现场进行拥挤预测。

37、本发明实施例的创新点包括：

38、1、本发明实施例中，将校园后勤任务场景进行划分为多个任务，并按照任务在现场进行图像采集以及任务确认信号的上传，基于机器学习算法通过后端服务器对数据进行智能管理，并独创性的提出了一种任务预测模型，综合图像数据与任务完成量，实现对当前任务现场拥挤程度的识别以及未来周期任务现场拥挤程度的预测，是本发明实施例的创新点之一。

39、2、本发明实施例中，对校园后勤任务管理数据的采集方法是本发明实施例的创新点之一，通过任务确认信号把握每个任务现场的任务完成状况，继而确定任务现场的拥挤状况，通过各个任务标识区分数据所属的任务现场，通过任务完成时间对数据进行索引，确定每个周期的任务完成量。

40、3、本发明实施例中，通过预设模板窗口对图像进行预处理，独创性的提出了一种图像数据响应图的计算方法，可用于后续进行数据处理，是本发明实施例的创新点之一。