CN109859428B - 一种基于人工智能的综合防盗管理方法和系统 - Google Patents
一种基于人工智能的综合防盗管理方法和系统 Download PDFInfo
- Publication number
- CN109859428B CN109859428B CN201910185547.6A CN201910185547A CN109859428B CN 109859428 B CN109859428 B CN 109859428B CN 201910185547 A CN201910185547 A CN 201910185547A CN 109859428 B CN109859428 B CN 109859428B
- Authority
- CN
- China
- Prior art keywords
- cable
- neural network
- convolutional neural
- network model
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Abstract
本发明公开了一种基于人工智能的综合防盗管理方法和系统，方法包括：控制中心形成电缆特征数据；将电缆特征数据分为训练样本和测试样本；将所述训练样本输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；测试完成后将所述训练后的卷积神经网络模型发送至所述接收机；接收机将数据输入至所述训练后的卷积神经网络模型，通过所述训练后的卷积神经网络模型得到预测的电缆长度结果数据。本发明通过检测上电后形成天线的电缆发出的信号大小并根据直径数据得到长度数据，从而实现电缆防盗，解决现有技术防盗效果不好的问题；同时本发明还通过卷积神经网络模型，实现对不同情况的数据检测，从而实现人工智能的功能。
Description
技术领域
本发明涉及一种基于人工智能的综合防盗管理方法和系统。
背景技术
由于铜价可观，电缆盗割事件也与日俱增。窃贼盗割隧道电缆、路灯电缆、主控箱接口装置、道闸等铜制设施，其目标便是电缆里的金属铜。最近几年，电力电缆被盗现象非常严重。电缆被盗割后，一方面造成重大的直接经济损失，另一方面也影响到了各项设备的正常运行，给电网运营安全构成严重威胁。在依法加大打击力度、加大人防力度的同时，设置专业化、针对性的安防方法和系统，实现电力电缆的智能防盗，应是本领域解决问题的重要技术手段。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于人工智能的综合防盗管理方法和系统。
本发明的目的是通过以下技术方案来实现的：一种基于人工智能的综合防盗管理方法，用于对电缆实现防盗管理，所述电缆为上电后形成天线的电缆；方法包括以下步骤：
S1：控制中心获取接收机接收到的、所述电缆上电后产生的生成信号数据，并与发射机发送的上电信号数据、电缆直径和电缆长度打包，形成电缆特征数据；
S2：将所述电缆特征数据分为训练样本和测试样本；
S3：将所述训练样本输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；并利用所述测试样本对训练后的卷积神经网络模型进行测试，测试完成后将所述训练后的卷积神经网络模型发送至所述接收机；
S4：与待防盗电缆连接的发射机对待防盗电缆进行上电，并将上电信号数据、电缆直径和完整电缆长度发送至所述接收机；
S5：接收机将实时接收到的所述待防盗电缆上电后产生的生成信号数据、发射机发送的上电信号数据和电缆直径，打包一并输入至所述训练后的卷积神经网络模型，通过所述训练后的卷积神经网络模型得到预测的电缆长度结果数据；
S6：根据所述预测的电缆长度结果数据和所述完整电缆长度，判断电缆是否被盗。
进一步地，所述的卷积神经网络包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层和输出层。
进一步地，所述的发射机通过输入面板获取所述电缆直径、电缆长度和完整电缆长度数据。
进一步地，所述的方法还包括：
S7：将步骤S6的判断结果上传至控制中心和/或管理人员。
进一步地，步骤S3中的训练，迭代次数为500，训练精度为85％。
本发明还提供一种基于人工智能的综合防盗管理系统，用于对电缆实现防盗管理，所述电缆为上电后形成天线的电缆；所述系统包括：
控制中心，用于获取接收机接收到的所述电缆上电后产生的生成信号数据，并与发射机发送的的上电信号数据、电缆直径和电缆长度打包，形成电缆特征数据；还用于将所述电缆特征数据分为训练样本和测试样本；还用于将所述训练样本输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型，并利用所述测试样本对训练后的卷积神经网络模型进行测试，测试完成后将所述训练后的卷积神经网络模型发送至所述接收机；
发射机，用于将上电信号数据、电缆直径和电缆长度发送至控制中心；还用于对待防盗电缆进行上电，并将上电信号数据、电缆直径和完整电缆长度发送至所述接收机；
接收机，用于获取所述训练后的卷积神经网络模型；还用于将实时接收到的所述待防盗电缆上电后产生的生成信号数据、发射机发送的上电信号数据和电缆直径，打包一并输入至所述训练后的卷积神经网络模型，通过所述训练后的卷积神经网络模型得到预测的电缆长度结果数据；还用于根据所述预测的电缆长度结果数据和所述完整电缆长度，判断电缆是否被盗。
进一步地，所述的卷积神经网络包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层和输出层。
进一步地，所述的发射机通过输入面板获取所述电缆直径、电缆长度和完整电缆长度数据。
进一步地，所述的接收机还用于将判断结果上传至控制中心和/或管理人员。
进一步地，所述进行训练的迭代次数为500，训练精度为85％。
本发明的有益效果是：
本发明的方法通过检测上电后形成天线的电缆发出的信号大小并根据直径数据得到长度数据，从而实现电缆防盗，解决现有技术防盗效果不好的问题；同时本发明还通过卷积神经网络模型，实现对不同情况的数据检测，从而实现人工智能的功能。本发明的系统具有相同的有益效果，在此不进行赘述。
附图说明
图1为本发明方法流程图。
具体实施方式
下面结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
在本发明的描述中，需要说明的是，属于“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方向或位置关系为基于附图所述的方向或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，属于“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，属于“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例提供一种基于人工智能的综合防盗管理方法，该方法应用于为上电后形成天线的电缆的情况，由于不同长度、不同直径的电缆所形成的天线产生的信号大小不同，因此可以通过检测信号大小并根据直径数据得到长度数据，从而实现电缆防盗，解决现有技术防盗效果不好的问题。
具体地，如图1所示，一种基于人工智能的综合防盗管理方法，用于对电缆实现防盗管理，所述电缆为上电后形成天线的电缆；方法包括以下步骤：
S1：控制中心获取接收机接收到的、所述电缆上电后产生的生成信号数据，并与发射机发送的上电信号数据、电缆直径和电缆长度打包，形成电缆特征数据。
其中，步骤S1～步骤S3为数据采集与模型训练步骤。
具体地，在步骤S1中，控制中心接收到的所有数据均优选电缆模拟待铺设形状铺设后得到的数据，包括接收机采集的生成信号数据，以及发射机发送的上电信号数据、电缆直径和电缆长度。另外，发射机优选为固定位置。同时，优选地，在本实施例中，所述的发射机通过输入面板获取所述电缆直径、电缆长度和完整电缆长度数据。可以将同款电缆进行不同长度数据获取，或者不同上电信号数据的控制。
而在该步骤中，打包的特征数据的形式为：(生成信号数据，上电信号数据，电缆直径，电缆长度)。其中，生成信号数据主要指的是电缆上电后形成的天线发送的信号强度和/或信号波形，上电信号数据主要指的是电缆上电的电流/压大小等。
除此之外，在本实施例中，电缆上电指的是通弱电。
S2：将所述电缆特征数据分为训练样本和测试样本。
对于训练样本和测试样本，本质上没有区别，只是将其进行分类。
S3：将所述训练样本输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；并利用所述测试样本对训练后的卷积神经网络模型进行测试，测试完成后将所述训练后的卷积神经网络模型发送至所述接收机。
其中，优选地，在本实施例中，所述的卷积神经网络包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层和输出层。而对于卷积神经网络模型的训练方式和测试方式属于现有技术，在此不进行赘述。
另外，优选地，步骤S3中的训练，迭代次数为500，训练精度为85％。
到此，得到了对应接收机需要的训练后的卷积神经网络模型，之后的步骤S4～步骤S6(以及优选步骤S7)为数据处理判断步骤。
S4：与待防盗电缆连接的发射机对待防盗电缆进行上电，并将上电信号数据、电缆直径和完整电缆长度发送至所述接收机。
其中，与之前类似的，优选地，在本实施例中，所述的发射机通过输入面板获取所述电缆直径、电缆长度和完整电缆长度数据；之后将该部分数据和上电信号数据发送至接收机。
S5：接收机将实时接收到的所述待防盗电缆上电后产生的生成信号数据、发射机发送的上电信号数据和电缆直径，打包一并输入至所述训练后的卷积神经网络模型，通过所述训练后的卷积神经网络模型得到预测的电缆长度结果数据。
由于训练后的卷积神经网络模型只需输入生成信号数据、发射机发送的上电信号数据和电缆直径，即可预测出实时的电缆长度结果数据。
S6：根据所述预测的电缆长度结果数据和所述完整电缆长度，判断电缆是否被盗。
具体地，在本实施例中，数据长度的差值在正负2％范围内，属于正常误差范围，否则认为被盗。
优选地，在本实施例中，所述的方法还包括：
S7：将步骤S6的判断结果上传至控制中心和/或管理人员。
实施例2
基于与实施例1相同的发明构思，本实施例提供一种基于人工智能的综合防盗管理系统，用于对电缆实现防盗管理，所述电缆为上电后形成天线的电缆；所述系统包括：
控制中心，用于获取接收机接收到的所述电缆上电后产生的生成信号数据，并与发射机发送的的上电信号数据、电缆直径和电缆长度打包，形成电缆特征数据；还用于将所述电缆特征数据分为训练样本和测试样本；还用于将所述训练样本输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型，并利用所述测试样本对训练后的卷积神经网络模型进行测试，测试完成后将所述训练后的卷积神经网络模型发送至所述接收机；
发射机，用于将上电信号数据、电缆直径和电缆长度发送至控制中心；还用于对待防盗电缆进行上电，并将上电信号数据、电缆直径和完整电缆长度发送至所述接收机；
接收机，用于获取所述训练后的卷积神经网络模型；还用于将实时接收到的所述待防盗电缆上电后产生的生成信号数据、发射机发送的上电信号数据和电缆直径，打包一并输入至所述训练后的卷积神经网络模型，通过所述训练后的卷积神经网络模型得到预测的电缆长度结果数据；还用于根据所述预测的电缆长度结果数据和所述完整电缆长度，判断电缆是否被盗。
对应地，在本实施例中，所述的卷积神经网络包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层和输出层。
对应地，在本实施例中，所述的发射机通过输入面板获取所述电缆直径、电缆长度和完整电缆长度数据。
对应地，在本实施例中，所述的接收机还用于将判断结果上传至控制中心和/或管理人员。
对应地，在本实施例中，所述进行训练的迭代次数为500，训练精度为85％。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种基于人工智能的综合防盗管理方法，用于对电缆实现防盗管理，其特征在于：所述电缆为上电后形成天线的电缆；方法包括以下步骤：
S1：控制中心获取接收机接收到的、所述电缆上电后产生的生成信号数据，并与发射机发送的上电信号数据、电缆直径和电缆长度打包，形成电缆特征数据；
S2：将所述电缆特征数据分为训练样本和测试样本；
S3：将所述训练样本输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；并利用所述测试样本对训练后的卷积神经网络模型进行测试，测试完成后将所述训练后的卷积神经网络模型发送至所述接收机；
S4：与待防盗电缆连接的发射机对待防盗电缆进行上电，并将上电信号数据、电缆直径和完整电缆长度发送至所述接收机；
S5：接收机将实时接收到的所述待防盗电缆上电后产生的生成信号数据、发射机发送的上电信号数据和电缆直径，打包一并输入至所述训练后的卷积神经网络模型，通过所述训练后的卷积神经网络模型得到预测的电缆长度结果数据；
S6：根据所述预测的电缆长度结果数据和所述完整电缆长度，判断电缆是否被盗。
2.根据权利要求1所述的一种基于人工智能的综合防盗管理方法，其特征在于：所述的卷积神经网络包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层和输出层。
3.根据权利要求1所述的一种基于人工智能的综合防盗管理方法，其特征在于：所述的发射机通过输入面板获取所述电缆直径、电缆长度和完整电缆长度数据。
4.根据权利要求1所述的一种基于人工智能的综合防盗管理方法，其特征在于：所述的方法还包括：
S7：将步骤S6的判断结果上传至控制中心和/或管理人员。
5.根据权利要求1所述的一种基于人工智能的综合防盗管理方法，其特征在于：步骤S3中的训练，迭代次数为500，训练精度为85％。
6.一种基于人工智能的综合防盗管理系统，用于对电缆实现防盗管理，其特征在于：所述电缆为上电后形成天线的电缆；所述系统包括：
控制中心，用于获取接收机接收到的所述电缆上电后产生的生成信号数据，并与发射机发送的的上电信号数据、电缆直径和电缆长度打包，形成电缆特征数据；还用于将所述电缆特征数据分为训练样本和测试样本；还用于将所述训练样本输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型，并利用所述测试样本对训练后的卷积神经网络模型进行测试，测试完成后将所述训练后的卷积神经网络模型发送至所述接收机；
发射机，用于将上电信号数据、电缆直径和电缆长度发送至控制中心；还用于对待防盗电缆进行上电，并将上电信号数据、电缆直径和完整电缆长度发送至所述接收机；
接收机，用于获取所述训练后的卷积神经网络模型；还用于将实时接收到的所述待防盗电缆上电后产生的生成信号数据、发射机发送的上电信号数据和电缆直径，打包一并输入至所述训练后的卷积神经网络模型，通过所述训练后的卷积神经网络模型得到预测的电缆长度结果数据；还用于根据所述预测的电缆长度结果数据和所述完整电缆长度，判断电缆是否被盗。
7.根据权利要求6所述的一种基于人工智能的综合防盗管理系统，其特征在于：所述的卷积神经网络包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层和输出层。
8.根据权利要求6所述的一种基于人工智能的综合防盗管理系统，其特征在于：所述的发射机通过输入面板获取所述电缆直径、电缆长度和完整电缆长度数据。
9.根据权利要求6所述的一种基于人工智能的综合防盗管理系统，其特征在于：所述的接收机还用于将判断结果上传至控制中心和/或管理人员。
10.根据权利要求6所述的一种基于人工智能的综合防盗管理系统，其特征在于：所述进行训练的迭代次数为500，训练精度为85％。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910185547.6A CN109859428B (zh) | 2019-03-12 | 2019-03-12 | 一种基于人工智能的综合防盗管理方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910185547.6A CN109859428B (zh) | 2019-03-12 | 2019-03-12 | 一种基于人工智能的综合防盗管理方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109859428A CN109859428A (zh) | 2019-06-07 |
| CN109859428B true CN109859428B (zh) | 2020-07-28 |
Family
ID=66900410
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910185547.6A Active CN109859428B (zh) | 2019-03-12 | 2019-03-12 | 一种基于人工智能的综合防盗管理方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109859428B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110245446A (zh) * | 2019-06-21 | 2019-09-17 | 华中科技大学 | 一种配电电缆剩余寿命预测方法 |
| CN111461923A (zh) * | 2020-04-03 | 2020-07-28 | 国网山东省电力公司聊城供电公司 | 一种基于深度卷积神经网络的窃电监测系统和方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4339733A (en) * | 1980-09-05 | 1982-07-13 | Times Fiber Communications, Inc. | Radiating cable |
| CN1211832A (zh) * | 1997-06-26 | 1999-03-24 | 安德鲁公司 | 辐射电缆对车载通信系统的天线 |
| CN1540683A (zh) * | 2003-04-25 | 2004-10-27 | 株式会社润工社 | 同轴电缆 |
| CN2876921Y (zh) * | 2006-01-23 | 2007-03-07 | 中国电子科技集团公司第五十四研究所 | 泄漏电缆入侵探测器 |
| CN202634078U (zh) * | 2012-06-18 | 2012-12-26 | 浙江方大智控科技有限公司 | 一种基于无源载波通讯的电缆防盗监控系统 |
| CN203422434U (zh) * | 2013-09-05 | 2014-02-05 | 国家电网公司 | 一种辐射发射测试系统 |
| CN108320419A (zh) * | 2018-01-26 | 2018-07-24 | 珠海市斯诺瓦科技有限公司 | 一种户外电力电缆设备防盗报警装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3846790A (en) * | 1973-06-08 | 1974-11-05 | Honeywell Inc | Intrusion detection systems |
| US6480163B1 (en) * | 1999-12-16 | 2002-11-12 | Andrew Corporation | Radiating coaxial cable having helically diposed slots and radio communication system using same |
| SE523089C2 (sv) * | 2001-03-26 | 2004-03-23 | Volvo Lastvagnar Ab | Anordning vid fordon |
| CN106228725A (zh) * | 2016-07-08 | 2016-12-14 | 河南送变电工程公司 | 直流高压电力设备非接触智能预警系统 |
-
2019
- 2019-03-12 CN CN201910185547.6A patent/CN109859428B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4339733A (en) * | 1980-09-05 | 1982-07-13 | Times Fiber Communications, Inc. | Radiating cable |
| CN1211832A (zh) * | 1997-06-26 | 1999-03-24 | 安德鲁公司 | 辐射电缆对车载通信系统的天线 |
| CN1540683A (zh) * | 2003-04-25 | 2004-10-27 | 株式会社润工社 | 同轴电缆 |
| CN2876921Y (zh) * | 2006-01-23 | 2007-03-07 | 中国电子科技集团公司第五十四研究所 | 泄漏电缆入侵探测器 |
| CN202634078U (zh) * | 2012-06-18 | 2012-12-26 | 浙江方大智控科技有限公司 | 一种基于无源载波通讯的电缆防盗监控系统 |
| CN203422434U (zh) * | 2013-09-05 | 2014-02-05 | 国家电网公司 | 一种辐射发射测试系统 |
| CN108320419A (zh) * | 2018-01-26 | 2018-07-24 | 珠海市斯诺瓦科技有限公司 | 一种户外电力电缆设备防盗报警装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109859428A (zh) | 2019-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104977930B (zh) | 基于电场强度变化率的高压同塔双回输电线路无人机巡检避障方法 | |
| CN104408915B (zh) | 一种交通状态参数的估计方法和系统 | |
| CN107328465B (zh) | 海底电缆振动监测系统 | |
| CN109859428B (zh) | 一种基于人工智能的综合防盗管理方法和系统 | |
| CN106556518A (zh) | 自动驾驶车辆通过视觉干扰区的能力的测试方法及测试场 | |
| CN104180869A (zh) | 路面积水在线监测及预警方法与系统 | |
| CN108287282A (zh) | 便携式机车信号测试仪 | |
| CN103290767A (zh) | 基于探地雷达的公路施工质量检测系统 | |
| CN104898696A (zh) | 基于电场强度变化率的高压同塔单回输电线路无人机巡检避障方法 | |
| CN105204092A (zh) | 蜂窝状布局的雷电预警系统 | |
| CN205334687U (zh) | 一种泥石流监测预警系统 | |
| WO2013033576A1 (en) | Method and apparatus for real-time line rating of a transmission line | |
| CN112488477A (zh) | 高速公路应急管理系统及方法 | |
| CN104742939B (zh) | 高速铁路温度信息采集和预警方法与系统 | |
| CN201859545U (zh) | 射频识别和无线传输车位传感装置 | |
| CN102354434A (zh) | 基于声发射的边坡地质灾害无线智能监控预警方法及装置 | |
| CN105910840A (zh) | 基于太阳能供电和4g无线通信的桥梁结构安全监测系统 | |
| CN105764096A (zh) | 一种基于无线传感网的水环境监测系统及信息融合方法 | |
| CN108762305B (zh) | 一种无人机避撞架空交流电力线路的预警装置 | |
| CN205103980U (zh) | 一种输电线路杆塔倾斜分析报警装置 | |
| CN104266599A (zh) | 基于单片机控制的架空送电线路交叉跨越距离监测装置 | |
| CN204439130U (zh) | 一种输电线路状态在线监测系统 | |
| CN204199204U (zh) | 一种交通探测传感器 | |
| CN204101122U (zh) | 路面积水在线监测及预警系统 | |
| Zhang et al. | A framework of on-site construction safety management using computer vision and real-time location system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |