[发明专利]一种航班保障节点智能识别系统

权利要求书

1.一种航班保障节点智能识别系统，其特征在于，该系统由流媒体处理平台、YOLOv3+AddNN算法平台、消息队列、节点智能识别系统、数据库、WEB系统展示平台组成；

流媒体平台对来自视频存储服务器的视频流进行实时转码，完成视频播放、实时切片和切图，将视频流发送给YOLOv3+AddNN算法平台；

YOLOv3+AddNN算法平台对视频流进行解析，利用基于AddNN改进的YOLOv3深度神经网络识别框架对标注数据集进行智能识别，得到物体类别识别结果；

消息队列存放来自YOLOv3+AddNN算法平台的物体类别识别结果；

节点智能识别系统订阅消息队列消息，进行数据识别和分析处理进而完成节点推送；

数据库保存来自节点智能系统的节点识别结果数据；

WEB系统展示平台通过后端API接口访问数据库中的节点数据展示到前端用户界面。

2.根据权利要求1所述的一种航班保障节点智能识别系统，其特征在于，所述的流媒体平台可依据不同的视频流协议进一步选配，以便完成视频的拉流、推流、转码、分发等任务。

3.根据权利要求1所述的一种航班保障节点智能识别系统，其特征在于，所述的YOLOv3+AddNN算法平台，具体作用为：构建数据集、构建基于AddNN改进的YOLOv3算法、网络训练、识别结果入队；

首先对视频流实时解析，对待识别物体进行矩形框的标注并打上类别标签，类别标签由航空器、连接杆、廊桥、上轮档、撤轮档、引导车、燃油车、配餐车、客梯车、清水车、污水车、除冰车、行李车、油泵车、客舱门、货舱门、保洁人员、机组人员、保障人员、廊桥监护人员、行李传送带等组成，构建数据集并将其分为训练集、验证集和测试集；

然后利用AddNN的加法特征提取代替YOLOv3检测算法中的DarkNet53网络的卷积特征提取操作，构建构建基于AddNN改进的YOLOv3算法，其核心在于：用L1距离加法运算代替卷积运算；对于CNN中的卷积运算，设是一个卷积核，输入特征图是则卷积计算如下：

把卷积核拉平成一个向量，对应的特征图区域也拉平成一个向量，单层特征图卷积可写成如下形式：

卷积描述的是两个向量的相似程度，而L₁距离也可以描述向量之间的相似程度，用L₁距离替换卷积计算，卷积公式就编程成如下加法公式：

因此全程不涉及乘法，相比于乘法操作，加法的复杂度低得多，因而更加高效；

之后对训练集进行旋转、放缩、平移、多尺度的放射变换和平滑处理等预处理操作，将训练集输入到改进后的YOLOv3深度学习网络进行训练，得到最终的识别模型；

最后将所要识别的图像数据输入到训练好的模型中得到识别结果并将其放入消息队列。

4.根据权利要求1所述的一种航班保障节点智能识别系统，其特征在于，所述的消息队列可根据不同队列的特点进一步选配，以便完成高吞吐量、高时效性、强可用性的识别结果数据的入队和出队。

5.根据权利要求1所述的一种航班保障节点智能识别系统，其特征在于，所述的节点智能识别系统，具体作用为：订阅消息队列，实时分析消息队列算法数据，判断节点状态并存储节点识别结果到数据库；节点状态由标注数据集中各类别的出现与离开、人员的穿戴服装检测、飞机舱门的开关等状态组成。

6.根据权利要求1所述的一种航班保障节点智能识别系统，其特征在于，所述的数据库可进一步配置，具体作用为：提供关系型数据以持久化存储识别结果节点数据、利用缓存技术加快读取速度。

7.根据权利要求1所述的一种航班保障节点智能识别系统，其特征在于，所述的WEB系统展示平台，具体作用为：利用后端接口访问数据库中的节点进行视频播放，并在用户界面展示；用户界面包括但不限于添加设备、配置任务、实时保障、进程/超时查询等。