城市管理重点问题智能发现和处置系统方案.docx
《城市管理重点问题智能发现和处置系统方案.docx》由会员分享,可在线阅读,更多相关《城市管理重点问题智能发现和处置系统方案.docx(34页珍藏版)》请在悟道方案网上搜索。
1、三 、 城市管理重点问题智能发现和处置 系统 3.1 项目背景 今年,翁书记对新区城运绩效工作提出了“两个 90%”的工作目 标,即:智能化发现率和市民满意率分别达到 90%。 根据 金桥镇政府提出 的 在城市管理 中 遇到的 乱摆卖 、 机动车乱停 放 、 非机动车 乱停放、 乱晾晒 、 乱 堆放、 乱占道 、超门店 经营等 问题 , 运用人工智能视频分析技术,对重点区域智能监控,实现全天 24 小 时对重点区域 违法违章 行为进行智能化发现、智能化 派单 、智能化 处 置和智能化研判 ,大大 提升城市管理效率。 同时 ,在试点基础上 总结 经验,形成 一
2、套 可复制 、 可推广的 技术规范 和运行模式, 为 提高区域 城市管理水平添砖加瓦。 3.2 需求 分析 3.2.1 业务 需求 针对 在城市管理 中经常 遇到各类的违法违章 现象 , 其 发现和处置 过程中 存在 诸多问题,如: 城管 执法取证难: 一些 违法违章分子,看到城管队员到场,立即 隐匿 ,造成执法取证难度大; 人手 不够: 目前 的 问题 发现主要依靠线下巡查人员人工巡查 为主 , 人力资源毕竟有限,难以 保证 区域内及时发现和及时处置; 夜间 执法难度大: 夜间大部分巡查 和执法人员下班以后, 难以及 时
3、发现、 处置和取证; 处置 效率不 高: 案件发现 -派单 -处置 -结果 上报 -人工现场复核等 流程 全部由 人工完成, 中间 环节较多,效率 有待 提高 。 因此 ,急需通过先进的 智能化 技术手段, 提供 全天 24 小时 的案 件 主动 发现能力, 降低 执法取证难度, 减少 中间 环节 ,大大提升 处置 效率。 3.2.2 业务 流程分析 图 :智能发现 派单 和处置流程 如 智能发现派单和处置流程 图 中所示, 整个主体 流程分两 类 角色 和 六 大流程 节点, 试运行 阶段增加两个人工 辅助 流程。 两
4、 类角色: 分别 是机器智能和 处置职能 部门 。 机器 智能 负责 智能 发现、智能 预判 、 智能 派单并上报城运平台 和 智能核查 四个 环节。 职能 部门 相关处置人员负责 移动 端接单并处置、 移动 端处置完成 并上报 两个 环节。 六 大流程节点: 1、 智能发现 : 通过 AI 视频 智能分析算法, 发现 各类违法违章 现 象 , 并开始 根据事件类型 进入 预判倒计时; 2、智能预 判 : 进行 事件类型 属性 和其对应的预判条件,进行事 件立案预判,比如 :发现在 目标区域内出现 乱 摆摊行为 , 持续 时间 超 过
5、 10 分钟 ,则判定为事件 成立 ,进行立案 ; 3、 智能派单并上报城运平台 : 完成 立案后, 系统根据后台区域 化划分,各事项的分管职责,按区域就近自动派单、处置,并在第一 时间报备城运中心,实现事项的全面监督 ; 4、移动 端接单并处置 : 就近 的 处置人员在智能终端上收到报警 信息后,根据现场视频截图和地理位置信息,一键判定现场情况,快 速 接单并 到达现场进行 处置 ; 5、移动 端处置完成并上报 : 处置完成后, 只需 通过移动终端 一 键上报 处置 完成信息 , 供 AI 系统 进行智能核查比对 ; 6、 智能核查 : 后台
6、AI 系统 在接到处置人员 一上 上报核查的信息 后, 根据 视频对象二次比对,判断案件是否处置完成,如果处置完成, 则 结案 并上报城运平台,如果 判断 为未处置完成,则进行二次 派单 , 让处置人员继续处置。 试运行 阶段 两 个人工辅助 流程 : 人工 智能技术和算法的完善需要 大量实际样本的 积累 训练和算法的不断调优 , 经过 持续性的 优化 ,可 达到稳定 的 高准确率和低误报漏报率 ; 同时, 结合 金桥镇城运管理体 系的 创新 ,设计 的 新 派单 和处置流程, 操作 和处置人员需要有一个适 应过渡期 。 因此 在 试运行阶段, 加 入了两个人工辅助复核流程,确保
7、派单和 审核 的准确率 ;同时 ,在 此 过程中记录和累计下 图像 数据, 也 为进一步优化算法模型提供更多的样本素材。 1、派单 前复核: 在 试运行阶段, AI 预判定 立案后, 先由 人工对 案件情况进行复核, 如果 案件确实存在,则由人工确认立案,系统自 动派单 ; 如果 案件 为误报,则 由 人工判定为误报,取消立案,流程终 止。 2、智能 核 查 后 二次 派单前复核: 在 试运行阶段, AI 核查 完 判定 为 未结案,需二次派单, 则 由人工进行复核, 如果人工 复核判定为案 件已完结,则 确认 为结案并上报城运平台;如果人工复核为案件仍然 存在,需继续
8、处理,则下发给处置 人员 继续 处置 。 3.3 建设 目标 3.3.1 总体 目标 针对城市管理中遇到的 各类 违法违章现象,通过建立 AI 视 频智能分析平台,将现有监控资源全面盘活,使其真正成为城市 精细化管理的重要助手。平台利用视频图像智能分析技术,对重 点区域内各类违法违章行为进行动态识别、智能预警,运用基于 神经网络的深度学习算法不断优化预警模型,形成可复用、可配 置、可自我升级的智慧化视频智能分析能力。职能部门可第一时 间在指挥中心掌握全面情况,根据各事项的分管职责,实现自动 派单,现场处置人员在智能终端上收到报警信息后,根据现场视 频截图和地
9、理位置信息,查看现场情况,快速到场处置,真正做 到主动发现、快速处置、结果及时上报, 减少中间环节,大大提 升效率。同时,对全过程进行大数据可视化分析,进一步发挥指 挥中心“城市大脑”的作用。 3.3.2 一期 重点区域 根据 城管 巡查 和执法过程中积累的经验,结合 镇 城运中心已建视 频资源,选择 11 路摄像机 进行视频分析试点,具体信息如下 表 : 序号 摄像机 位置 分析 监测行为 备注 1 南张家浜路中间 乱晾晒、违章搭建、超门店经营 2 永业路佳林路 机动车乱占道 3 永宁路佳林路 乱晾晒、 乱 摆摊 &nb
10、sp;4 苔圣园酒店向东 垃圾乱堆放 +乱设摊 5 三桥路 路口 跨门店经营、 机动车乱占道 6 唐陆路 乱设摊 7 金藏路浙桥路口 2 向东 乱占道、超门店经营 8 红枫路金桥 妇幼保健院 非机动车乱停放 9 东陆茶城 2 乱堆放 10 金桥路 2690 弄世纪联华门口 东 乱摆摊、乱晾晒、 乱设广告牌 11 三桥村龚家门 10 号 乱堆放、 乱晾晒 以下 为城运中心摄像机 图像 截取 : 3.3.2.1 南张家浜路中间,乱晾晒 +违章搭建 +超门店经营 3.3.2.2
11、永业路佳林路,机动车乱占道 (没 划线的位置 ) 3.3.2.3 永宁路佳林路,乱晾晒 +乱 摆 摊 3.3.2.4 苔圣园酒店向东,建筑 垃圾 乱 堆放 +乱设摊 3.3.2.5 三桥 路 路口 ,跨门店经营 +非机动车占道 3.3.2.6 唐陆路,乱设摊 3.3.2.7 金藏路浙桥路口 2 向东,乱占道 +超门店经营 3.3.2.8 红枫路金桥 妇幼保健院,非机动车乱停放 3.3.2.9 东陆茶城 2, 乱堆放 3.3.2.10 金桥路 2690 弄世
12、纪联华门口东 , 乱摆摊 +乱晾晒 +乱设 广告牌 3.3.2.11 三桥村龚家门 10 号, 乱晾晒 +乱倒堆放 3.4 技术 框架 3.4.1 系统拓扑图 图:系统拓扑图 根据系统拓扑图,我们看到金桥镇智能化平台项目是由城运中心 开始,利用分布在金桥镇各地的高清摄像机和高空鹰眼设备捕捉和采 集到各类图像信息,通过网络传输至数据存储服务器,将筛选和判定 的数据信息呈现到城运中心大屏,又经过应用系统的深度学习,将判 定的案件,诸如非法营运,人群密集,倾倒垃圾等事件自动派单推送 给相关职能部门执法人员的移动 APP 上,执法人员根
13、据 APP 事件导 航到事件位置,进行现场处置,处置完毕后,又运用高清摄像机或高 空鹰眼设备采集和拍摄,由机器进行研判处置结果,全部业务过程实 现智能化,便捷化,制度化,无需人力 过多干预。 3.4.2 智能 识别 使用深度学习对图像进行分析,识别图像中特定类别的物体 并通过行为分析算法检测出是否存在违规行为,根据逻辑触发条 件对这些行为进行预警触发。 通过目标检测、物体识别算法,分析图像中物体的类别, 如行人、车辆、摩托车、自行车等。 通过物体跟踪算法,确定物体是否始终在监控区域内,物 体是否有移动。 通过行为分析算法,检测识
14、别图像中的摆摊行为。 图: 车辆识别 3.4.3 技术 路线 视频智能 分析系统 强调了模型结构的深度,需要建立有 6 层以上 的隐含层节点; 通过逐层特征变换,将样本在原空间的特征表示变换到一个新特 征空间,从而使分类或预测更加容易。与人工规则构造特征的方法相 比,利用大数据来学习特征,更能够刻画数据的丰富内在信息。构建 深度学习网络需要设定的参数较多,相同的参数,对于不同的识别系 统,其识别效果会大相径庭,通过参数调优,可以进一步提高识别的 准确度。相关的参数包括初始学习率、训练动量、权重衰减因子、反 馈因子等。 通过深度学习
15、算法,不断对其改进,发展出更准确、更高效的学 习系统 。 本 方案 所使用的网络构建及调优选用了深信度网络及卷积神 经网络。 深度学习具体涉及以 下处理过程: ( a)准备数据集及预处理工作,如设定标签、均值处理等。 ( b)通过 GPU 对图像进行归一化并行处理。 ( c)设计网络结构,这也是最有挑战性的一步。 ( d)设定网络迭代次数、动量、权重衰减因子等。 ( e)设计及实现基于 GPU 的深度学习网络,能够进行训练及学 习。 基于 GPU 实现大规模并行计算 , 充分的利用 GPU 提供的并行计 算环境
16、,极大缩短了数据训练时间,并且,在实时检测过程,利用 GPU, 可以极大的提高在线实时处理能力。在设计 GPU 程序中,除了需要 充分考虑如何利用 GPU 资源外,需要充分考虑 GPU 与 CPU 之间、 GPU 与 GPU 之间数据存取与通信。 3.4.4 模型优化 模型性能优化主要从以下两个方面入手,相辅相成,互为犄角, 将最终结果朝理想方向最大化推进。 1) 算法本身 目前的算法有很大优化空间,未来我们将从以下角度入手在算法 层面对目前的产品体系进行优化。算法损失函数决定了模型训练过程 中对于数据的数学理解,我们将根据具体问题针对性调整的损
17、失函数, 以期更好的反应问题的本质特征,从而使算法对于问题本质的抽象更 近一步。训练过程中组合使用 tricks,从而保证模型对于数 据的拟合, 使得模型可以准确反应数据集对于问题的刻画。模型推理流程整合精 简,降低推理阶段时间复杂度,维持较高性能的同时提升推理速度, 在性能与速度之间求得更加的平衡点,使得模型的实际使用效能优化 提升。多模型融合方向探索尝试,我们试图通过模型蒸馏压缩技术减 少单模型的算力消耗,为多模型融合、推理结果互补、共同决策提供 可能性。多模型融合的目标是在可接受的算力代价增长下,集成多种 优秀的单独模型的优势提供可观的模型性能提升。 图 :线性尺度规则对比



- 温馨提示:
建议用WPS软件(.pptx、.docx)打开文档,少量文档使用Microsoft(.ppt、.doc)打开易出错。
- 配套讲稿:
如PPT文件的首页显示word图标打开文档,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 智慧城市 社会治理 人工智能 方案 数字乡村
