CN108810526A - 摄像头故障智能预测方法、装置和摄像头管理服务器 - Google Patents

Abstract

本发明提供一种摄像头故障智能预测方法、装置、摄像头管理服务器和计算机存储介质，该摄像头故障智能预测方法包括：根据确定的多个故障的故障前摄像头状态序列信息以及相应故障前的历史故障信息建立故障预测模型；在预测故障时，利用预测之前的摄像头状态序列信息、所述预测之前的历史故障信息以及所述故障预测模型，预测是否会发生故障。本发明的摄像头故障智能预测方法，根据历史信息自主预测摄像头的故障，从而使摄像头维护人员可以提前准备好维护工作，及时维护故障摄像头，减少故障带来的安全隐患。

Description

摄像头故障智能预测方法、装置和摄像头管理服务器

技术领域

本发明涉及安防技术领域，具体而言，涉及一种摄像头故障智能预测方法、装置、摄像头管理服务器和计算机存储介质。

背景技术

随着安防技术的不断发展以及普及，监控摄像头已经遍布了城市的每一个角落。但是位于安防前端的监控摄像头往往是整个视频监控系统中最为薄弱的环节，摄像头容易受天气、环境的影响，一旦出现异常或故障，相关区域的安防监控就如虚设。

但是，目前并没有任何对于摄像头的故障进行预测的手段，只有当摄像头发生故障后，维护人员才可知道故障的发生，从而进行摄像头的维护。由于没有故障预测的手段，维护人员只能在故障发生后才进行摄像头维修准备以及维修，不能及时排除故障，致使摄像头监控区域的安防存在隐患。

发明内容

鉴于上述问题，本发明提供了一种摄像头故障智能预测方法、装置、摄像头管理服务器和计算机存储介质，以根据历史信息自主预测摄像头的故障。

为了实现上述目的，本发明采用如下的技术方案：

一种摄像头故障智能预测方法，包括：

根据确定的多个故障的故障前摄像头状态序列信息以及相应故障前的历史故障信息建立故障预测模型；

在预测故障时，利用预测之前的摄像头状态序列信息、所述预测之前的历史故障信息以及所述故障预测模型，预测是否会发生故障。

优选地，所述故障前摄像头状态序列信息为发生故障之前的第一预定时长的摄像头状态序列信息，所述故障前的历史故障信息为发生故障之前的第一预定天数内的历史故障信息。

优选地，所述预测之前的摄像头状态序列信息为进行预测之前的第二预定时长的摄像头状态序列信息，所述预测之前的历史故障信息为进行预测之前的第二预定天数内的历史故障信息。

优选地，所述第一预定时长等于所述第二预定时长，所述第一预定天数等于所述第二预定天数。

优选地，所述故障预测模型为LSTM模型。

优选地，所述的摄像头故障智能预测方法，还包括：

在建立所述故障预测模型后，利用所述故障前摄像头状态序列信息和相应的所述故障前的历史故障信息作为输入，故障发生标志作为输出对所述故障预测模型进行训练，并且

利用未发生故障的随机时刻前的摄像头状态序列信息和相应的所述随机时刻前的历史故障信息作为输入，故障未发生标志作为输出对所述故障预测模型进行训练。

优选地，所述随机时刻前的摄像头状态序列信息为未发生故障之前的第一预定时长的摄像头状态序列信息，所述随机时刻前的历史故障信息为未发生故障之前的第一预定天数内的历史故障信息。

本发明还提供一种摄像头故障智能预测装置，包括：

模型建立模块，用于根据确定的多个故障的故障前摄像头状态序列信息以及相应故障前的历史故障信息建立故障预测模型；

故障预测模块，用于在预测故障时，利用预测之前的摄像头状态序列信息、所述预测之前的历史故障信息以及所述故障预测模型，预测是否会发生故障。

本发明还提供一种摄像头管理服务器，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述摄像头管理服务器执行所述的摄像头故障智能预测方法。

本发明还提供一种计算机存储介质，其存储有所述的摄像头管理服务器中所使用的计算机程序。

本发明提供了一种摄像头故障智能预测方法，该方法包括：根据确定的多个故障的故障前摄像头状态序列信息以及相应故障前的历史故障信息建立故障预测模型；在预测故障时，利用预测之前的摄像头状态序列信息、所述预测之前的历史故障信息以及所述故障预测模型，预测是否会发生故障。本发明的摄像头故障智能预测方法，根据历史信息自主预测摄像头的故障，从而使摄像头维护人员可以提前准备好维护工作，及时维护故障摄像头，减少故障带来的安全隐患。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明范围的限定。

图1是本发明实施例提供的一种摄像头的结构框图；

图2是本发明实施例1提供的一种摄像头故障智能预测方法的流程图；

图3是本发明实施例2提供的一种摄像头故障智能预测方法的流程图；

图4是本发明实施例3提供的一种摄像头故障智能预测装置的结构图。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

下述各实施例均可应用于如图1所示的摄像头中，图1示出了该摄像头的结构框图，该摄像头100包括：以太网接口110、存储器120、传感器130、音频电路140、无线保真(wireless fidelity，WiFi)模块150、处理器160、以及电源170等部件。本领域技术人员可以理解，图1中示出的摄像头100结构并不构成对摄像头的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

实施例1

图2是本发明实施例1提供的一种摄像头故障智能预测方法的流程图，该方法包括如下步骤：

步骤S21：根据确定的多个故障的故障前摄像头状态序列信息以及相应故障前的历史故障信息建立故障预测模型。

本发明实施例中，摄像头的状态信息可以包括电压、温度、湿度、气压、风扇工作状态、加热器工作状态和图像效果中的至少一种信息。该电压的监测包括摄像头的输入电压以及各种关键电路的电压，该温度的监测包括摄像头的核心温度以及各种关键组件的温度，该湿度的监测包括摄像头的核心湿度以及各种关键组件的湿度，该气压的监测包括摄像头的核心气压以及各种关键组件的气压。

其中，摄像头的状态序列信息可以使用传感器来采集，例如，可以使用温度传感器采集摄像头的核心温度以及组件温度，并且可以设定一个温度阈值，当温度超过该阈值时可以产生故障提示，以提示维护人员进行维修。其中，上述摄像头中可以使用算法或软件实时监测各种状态信息，例如利用算法按照预先规定的时间间隔采集各传感器的状态信息，生成状态序列信息进行存储，以便维护人员进行分析预测，以及作为建立故障预测模型所需的样本。

本发明实施例中，历史故障信息指的是摄像头的故障记录，摄像头可以在每次发生故障时记录故障发生的时间日期，生成该历史故障信息。其中，记录故障信息的过程可以使用算法或应用程序来实现，例如可以使用日志程序，当摄像头发生故障时，则生成一条故障日志并存储起来，还可以生成故障日志表，以便维护人员了解摄像头的故障历史。上述每条故障日志中可以记录有当天的故障次数以及故障时间，如果当天该摄像头没有发生故障也可以生成故障日志，以便作为该故障日志也可以作为建立故障预测模型所需的样本。

本发明实施例中，该故障预测模型可以为深度学习模型，也即，该故障预测模型可以具有两个深度学习单元以及一个输出端，例如，该故障预测模型设置有第一深度学习单元及第二深度学习单元，其中第一深度学习单元用于接收状态序列信息，第二深度学习单元用于接收历史故障信息。其中，上述故障预测模型可以使用算法以及软件来进行建立，例如，可以使用算法构建两个LSTM(Long Short-Term Memory，长短期记忆网络)学习单元，并连接到一个输出端中，进而构成一个故障预测模型。其中，上述第一深度学习单元及第二深度学习单元可以为LSTM单元，该故障预测模型为LSTM模型。

其中，在建立故障预测模型过程中，可以将状态序列信息输入第一深度学习单元及历史故障信息输入第二深度学习单元产生的数据信息与相应的故障发生标签进行联系，产生回归函数，进行故障预测拟合，以便摄像头可以提前预测故障是否发生，例如上述产生的数据信息可以与故障标签可以进行Sigmoid回归算法处理，以使建立后的故障预测模型利用Sigmoid回归算法进一步准确预测故障的发生。其中，上述故障预测模型的建立过程中可以使用大量不同时间发生的故障样本，使生成的故障预测模型对故障原因的判断更加精确。

本发明实施例中，上述故障前摄像头状态序列信息为发生故障之前的第一预定时长的摄像头状态序列信息，该故障前的历史故障信息为发生故障之前的第一预定天数内的历史故障信息。例如，该状态序列信息为摄像头发生故障前一天时长的摄像头状态序列信息，其中，可以在一天的时间内每隔五分钟采集一次该状态信息，生成一天的状态序列信息。同样地，该历史故障信息，例如可以为故障前一百天的历史故障信息，其中，也可以在一百天的时间内每隔一天或两天采集一次历史故障信息，生成历史故障序列信息。

步骤S22：在预测故障时，利用预测之前的摄像头状态序列信息、预测之前的历史故障信息以及故障预测模型，预测是否会发生故障。

本发明实施例中，该预测之前的摄像头状态序列信息为进行预测之前的第二预定时长的摄像头状态序列信息，该预测之前的历史故障信息为进行预测之前的第二预定天数内的历史故障信息。并且，上述第一预定时长等于该第二预定时长，上述第一预定天数等于该第二预定天数，也即，建立模型使用的状态序列信息与预测使用的状态序列信息时间长度一致，以使预测故障时输入状态序列信息后，该故障预测模型可以精确预测故障。

其中，上述发生故障之前的第一预定时长与故障发生时刻可以具有固定时长的间隔，以及预测之前的第二预定时长与预测时刻也具有固定时长的间隔。也即，该故障预测模型建立时可以设定一个固定的预测时间范围，例如该固定的时长间隔为十分钟，则该故障预测模型输入当前时刻前的状态序列信息以及历史故障信息则可预测十分钟后摄像头是否会发生故障。该固定的时长的时间长度越长，该故障预测模型可预测的时间范围则越广，相应地其预测的准确度则越低，因此可以通过试验获得最佳的该固定时长的长度，不做限定。

实施例2

图3是本发明实施例2提供的一种摄像头故障智能预测方法的流程图，该方法包括如下步骤：

步骤S31：根据确定的多个故障的故障前摄像头状态序列信息以及相应故障前的历史故障信息建立故障预测模型。

此步骤与上述步骤S21一致，在此不再赘述。

步骤S32：利用故障前摄像头状态序列信息和相应的故障前的历史故障信息作为输入，故障发生标志作为输出对该故障预测模型进行训练。

本发明实施例中，当建立故障预测模型后，还可以使用多个故障的故障前状态序列信息、历史故障信息以及故障发生标志对该故障预测模型进行训练。其中，该故障前状态序列信息、历史故障信息以及故障发生标志作为训练正样本，可以由工作人员提供，也可以是摄像头长期运行的自主记录，以快速加强摄像头故障预测模型的故障预测能力，该故障寻因模型使用越多不同的正样本进行训练，其预测故障的精确度越高。

步骤S33：利用未发生故障的随机时刻前的摄像头状态序列信息和相应的随机时刻前的历史故障信息作为输入，故障未发生标志作为输出对该故障预测模型进行训练。

本发明实施例中，当建立故障预测模型后，摄像头还可以获取未发生故障的随机时刻的摄像头状态序列信息和相应的随机时刻前的历史故障信息。并且，摄像头可以使用未发生故障的随机时刻的多个状态序列信息、历史故障信息以及生成故障未发生标志对该故障预测模型进行训练。其中，该未发生故障的随机时刻的状态序列信息、历史故障信息以及故障未发生标志作为训练负样本，以加强摄像头故障预测模型的故障预测能力。因此，该故障寻因模型在未发生故障时，也可以使用许多不同的负样本进行训练，增加其预测故障的精确度。

步骤S34：在预测故障时，利用预测之前的摄像头状态序列信息、预测之前的历史故障信息以及故障预测模型，预测是否会发生故障。

此步骤与上述步骤S22一致，在此不再赘述。

其中，获得的故障预测还可以发送至管理平台，例如发送至管理服务器中，从而使摄像头维护人员可以提前准备好维护工作，及时维护故障摄像头，减少故障带来的安全隐患。

实施例3

图4是本发明实施例3提供的一种摄像头故障智能预测装置的结构图。

该摄像头故障智能预测装置400，包括：

模型建立模块410，用于根据确定的多个故障的故障前摄像头状态序列信息以及相应故障前的历史故障信息建立故障预测模型。

故障预测模块420，用于在预测故障时，利用预测之前的摄像头状态序列信息、预测之前的历史故障信息以及故障预测模型，预测是否会发生故障。

本发明实施例中各模块更加详细的功能描述可以参考前述实施例中相应的部分，这里不再赘述。

此外，本发明还提供了一种摄像头管理服务器，该摄像头管理服务器包括存储器和处理器，存储器可用于存储计算机程序，处理器通过运行所述计算机程序，从而使摄像头管理服务器执行上述方法或者上述摄像头故障智能预测装置中的各个模块的功能。

存储器可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据摄像头的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

本实施例还提供了一种计算机存储介质，用于储存上述摄像头管理服务器中使用的计算机程序。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种摄像头故障智能预测方法，其特征在于，包括：

根据确定的多个故障的故障前摄像头状态序列信息以及相应故障前的历史故障信息建立故障预测模型；

在预测故障时，利用预测之前的摄像头状态序列信息、所述预测之前的历史故障信息以及所述故障预测模型，预测是否会发生故障。

2.根据权利要求1所述的摄像头故障智能预测方法，其特征在于，所述故障前摄像头状态序列信息为发生故障之前的第一预定时长的摄像头状态序列信息，所述故障前的历史故障信息为发生故障之前的第一预定天数内的历史故障信息。

3.根据权利要求2所述的摄像头故障智能预测方法，其特征在于，所述预测之前的摄像头状态序列信息为进行预测之前的第二预定时长的摄像头状态序列信息，所述预测之前的历史故障信息为进行预测之前的第二预定天数内的历史故障信息。

4.根据权利要求3所述的摄像头故障智能预测方法，其特征在于，所述第一预定时长等于所述第二预定时长，所述第一预定天数等于所述第二预定天数。

5.根据权利要求1所述的摄像头故障智能预测方法，其特征在于，所述故障预测模型为LSTM模型。

6.根据权利要求1所述的摄像头故障智能预测方法，其特征在于，还包括：

在建立所述故障预测模型后，利用所述故障前摄像头状态序列信息和相应的所述故障前的历史故障信息作为输入，故障发生标志作为输出对所述故障预测模型进行训练，并且

利用未发生故障的随机时刻前的摄像头状态序列信息和相应的所述随机时刻前的历史故障信息作为输入，故障未发生标志作为输出对所述故障预测模型进行训练。

7.根据权利要求6所述的摄像头故障智能预测方法，其特征在于，所述随机时刻前的摄像头状态序列信息为未发生故障之前的第一预定时长的摄像头状态序列信息，所述随机时刻前的历史故障信息为未发生故障之前的第一预定天数内的历史故障信息。

8.一种摄像头故障智能预测装置，其特征在于，包括：

模型建立模块，用于根据确定的多个故障的故障前摄像头状态序列信息以及相应故障前的历史故障信息建立故障预测模型；

故障预测模块，用于在预测故障时，利用预测之前的摄像头状态序列信息、所述预测之前的历史故障信息以及所述故障预测模型，预测是否会发生故障。

9.一种摄像头管理服务器，其特征在于，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述摄像头管理服务器执行根据权利要求1至7中任一项所述的摄像头故障智能预测方法。

10.一种计算机存储介质，其特征在于，其存储有权利要求9所述的摄像头管理服务器中所使用的计算机程序。