CN111950494A - 基于卷积神经网络的监控方法、装置及系统和可读存储介质 - Google Patents
基于卷积神经网络的监控方法、装置及系统和可读存储介质 Download PDFInfo
- Publication number
- CN111950494A CN111950494A CN202010841492.2A CN202010841492A CN111950494A CN 111950494 A CN111950494 A CN 111950494A CN 202010841492 A CN202010841492 A CN 202010841492A CN 111950494 A CN111950494 A CN 111950494A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- neural network
- convolutional neural
- analyzed
- alarm
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 226
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004458 analytical method Methods 0.000 claims abstract description 38
- 238000012806 monitoring device Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 10
- 230000001537 neural effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000219000 Populus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种基于卷积神经网络的监控方法、装置及系统、可读存储介质。所述基于卷积神经网络的监控方法包括：获取监控画面；分割所述监控画面得到至少一个待分析监控图像；使用卷积神经网络模型对所述至少一个待分析监控图像分别进行监控分析，得到每一个所述待分析监控图像的监控分析结果；在所述监控分析结果为报警结果信息时，控制显示所述报警结果信息及与其对应的所述待分析监控图像。本发明实施例通过人工智能对监控图像进行分析，减少了人工的工作量。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于卷积神经网络的监控方法、一种基于卷积神经网络的监控装置、一种基于卷积神经网络的监控系统和一种可读存储介质。
背景技术
监控系统目前应用在越来越多的行业，尤其是广电系统中的一个重要辅助工具，在广电系统的信源、发射机、电力、环境等领域使用越来越多。
目前，广电系统中使用的各类监控系统多为小规模应用，且一般为定制化设计的系统。因而监控系统的稳定性和可靠性或多或少的存在一些问题，误报警、未报警、死机等情况时有发生。因此，需要值班人员在日常工作中对监控系统关注较多，主要靠值班人员人工查看监控系统的监控画面以发现报警信息，因此，导致值班人员工作强度大，经常会因人为的疏忽导致未及时发现报警信息。
发明内容
因此，本发明实施例提供一种基于卷积神经网络的监控方法、一种基于卷积神经网络的监控装置、一种基于卷积神经网络的监控系统和一种可读存储介质；通过人工智能对监控图像进行分析，减少了人工的工作量。
一方面，本发明实施例提供的一种基于卷积神经网络的监控方法，包括：获取监控画面；分割所述监控画面得到至少一个待分析监控图像；使用卷积神经网络模型对所述至少一个待分析监控图像分别进行监控分析，得到每一个所述待分析监控图像的监控分析结果；在所述监控分析结果为报警结果信息时，控制显示所述报警结果信息及与其对应的所述待分析监控图像。
在本发明的一个实施例中，所述监控分析结果包括所述报警结果信息和正常结果信息；其中，所述报警结果信息包括：监控画面未丢失报警信息、监控画面丢失正常报警信息、监控画面丢失未报警信息以及监控画面静止报警信息。
在本发明的一个实施例中，所述获取监控画面包括：周期性获取显示所述监控画面的监控显示屏，得到所述监控画面；所述分割所述监控画面得到至少一个待分析监控图像，包括：根据所述监控画面中的光柱显示特征分割所述监控画面，得到的所述至少一个待分析监控图像分别包含单路光柱；对每一个所述待分析监控图像分别进行灰度处理。
在本发明的一个实施例中，所述基于卷积神经网络的监控方法，还包括：构建所述卷积网络神经模型；使用训练样本训练所述卷积网络神经模型。
在本发明的一个实施例中，所述基于卷积神经网络的监控方法，还包括：存储所述监控分析结果及与其对应的所述待分析监控图像至数据库；接收查询指令，并根据所述查询指令查询所述数据库以得到目标信息。
另一方面，本发明实施例提供的一种基于卷积神经网络的监控装置，包括：获取模块，用于获取监控画面；分割模块，用于分割所述监控画面得到至少一个待分析监控图像；分析模块，用于使用卷积神经网络模型对所述至少一个待分析监控图像分别进行监控分析，得到每一个所述待分析监控图像的监控分析结果；显示模块，用于在所述监控分析结果为报警结果信息时，控制显示所述报警结果信息及与其对应的所述待分析监控图像。
在本发明的一个实施例中，所述基于卷积神经网络的监控装置，还包括：构建模块，用于构建所述卷积网络神经模型；训练模块，用于使用训练样本训练所述卷积网络神经模型；存储模块，用于存储所述监控分析结果及与其对应的所述待分析监控图像至数据库；查询模块，用于接收查询指令，并根据所述查询指令查询所述数据库以得到目标信息。
在本发明的一个实施例中，所述卷积神经网络模型包括：卷积层、激活层、池化层、丢弃层、平面化层、全连接层以及输出层。
又一方面，本发明实施例提供的一种基于卷积神经网络的监控系统，包括：处理器和电连接所述处理器的存储器，所述存储器上存储有所述处理器执行的指令，且所述指令使得所述处理器执行操作以进行如上述任意一项实施例所述的基于卷积神经网络的监控方法。
再一方面，本发明实施例提供的一种可读存储介质，所述可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如上任意一项实施例所述的基于卷积神经网络的监控方法。
综上所述，本申请上述各个实施例可以具有如下优点或有益效果：使用卷积神经网络模型对监控画面进行监控分析，并且监控分析结果为报警结果信息进行显示，以提示值班人员重点关注，减少了值班人员对监控系统的关注程度，避免了值班人员因关注程度高而疏忽报警信息的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明第一实施例提供的一种基于卷积神经网络的监控方法的流程示意图。
图2为实施图1所述监控方法的系统模型图。
图3为正常的监控画面。
图4为未丢失报警的监控画面。
图5为丢失正常的监控画面。
图6为丢失未报警的监控画面。
图7为图1中步骤S20的实施过程示意图。
图8为图1中步骤S30中所述的卷积神经网络模型的模块结构图。
图9为图8所示卷积神经网络模型的训练过程示意图。
图10为图8所示卷积神经网络模型模型的Loss值和Accuracy值分别与Epoch训练值之间的关系示意图。
图11为本发明第二实施例提供的一种基于卷积神经网络的监控装置的模块示意图。
图12为本发明第三实施例提供的一种基于卷积神经网络的监控系统的结构示意图。
图13本发明第四实施例提供的一种可读存储介质的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域普通技术人员在没有作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。
【第一实施例】
参见图1，其为本发明第一实施例提供的一种基于卷积神经网络的监控方法的流程示意图，所述基于卷积神经网络的监控方法例如包括：
步骤S10，获取监控画面；
步骤S20，分割所述监控画面得到至少一个待分析监控图像；
步骤S30，使用卷积神经网络模型对所述至少一个待分析监控图像分别进行监控分析，得到每一个所述待分析监控图像的监控分析结果；
步骤S40，在所述监控分析结果为报警结果信息时，控制显示所述报警结果信息及与其对应的所述待分析监控图像。
其中，卷积神经网络(Convolutional Neural Networks，CNN)模型是人工智能领域深度学习方法中的一种流行方法，该方法具有较好的表征学习能力，能够从输入的图像信息中有效提取高阶特征。
为便于更清楚地理解本实施例，下面结合图2-图10，对本实施例的基于卷积神经网络的监控方法的具体实施过程进行详细描述。
参见图2，其为实施所述基于卷积神经网络的监控方法的系统模块图。其中，后台分析部分可以是服务器，而前台显示可以是带有显示屏的监控终端。
具体的，首先，可以以每秒1帧的频率，截取当前监控屏幕显示的画面以得到所述监控画面。然后，参见图7，对所述监控画面进行预处理，并根据所述监控画面中的光柱显示特征分割出每一个光柱图像以作为所述待分析监控图像；其中，所述待分析监控图像包含单路光柱的图像信息。举例来说，因为每个频率的光柱都是类似的，所以可以将所述监控画面分割为28个待分析监控图像，每一个所述待分析监控图像路分别包含单路的光柱。
对于所述监控画面而言，其色彩信息在对于所述CNN模型的监控分析没有特别大的帮助，因此，在对所述监控画面进行分割时，只保留所述待分析监控图像的灰度光柱图像，以进一步减少所述待分析监控图像的数据量，去除冗余信息。
进一步的，将处理好的所述待分析监控图像传入到CNN模型中进行监控分析，得到所述待分析监控图像对应的监控分析结果(或称所属的分类)。最后，可以通过TCP/IP协议传输给所述监控终端进行报警判别。
参见图3-图6，通过分析所述监控画面的特点，可以将所述监控画面分为五类情况：a.画面正常(参见图3)；b.未丢失告警(或称误告警，参见图4)；c.丢失正常告警(参见图5)；d.丢失未告警(参见图6)；e.监控画面长时间静止(可能处于死机状态，图中未示出)。其中，a类监控画面为正常状态下的情形，而b-e四类监控画面则需要发出报警以提醒值班人员关注以及处理；a-d四类监控画面可以通过CNN模型进行识别，而e类监控画面可以通过前后帧差值的大小来确定。
以上五类情况分别对应的监控分析结果依次为：正常结果信息、监控画面未丢失报警信息、监控画面丢失正常报警信息、监控画面丢失未报警信息以及监控画面静止报警信息。其中，正常结果信息和前三种报警信息可以通过CNN模型对所述待分析监控图像进行监控分析而得到；而最后一种报警信息则需要通过计算所述待分析监控图像对应的所述监控画面的前后帧差值的大小来确定，例如可设定一阈值，在所述帧差值大于该阈值时确定所述待分析监控图像的监控分析结果为所述监控画面静止报警信息。
对于广播空中信号监控系统而言，从值班人员对监控系统的巡查角度出发：对于正常结果信息即不需要值班人员关注；而对于其他报警信息，则需要值班人员查看监控画面并进行相应的处理。
所述监控终端在确定所述待分析监控图像以及其对应的监控分析结果时，还可以将上述数据存储在数据库中；并且，所述控制终端还可以下发查询指令至服务器，服务器接收所述查询指令，并根据查询指令查询所述数据库以得到目标信息，例如查询得到已经发生过的报警信息并反馈给监控终端。
对于所述CNN模型而言，其构建以及训练至关重要，而对所述CNN模型进行训练所采用的样本的选择也是十分重要的，尤其是样本的采集和标记，关系到所述CNN模型的使用效果，也即得到所述监控分析结果的准确率。
参见图8，所述CNN模型例如包括依次设置的：Conv卷积层、ReLU激活层、Pooling池化层、Conv卷积层、ReLU激活层、Pooling池化层、Dorp-out丢弃层、平面化(Flatten)层、Dense全连接层、ReLU激活层、Dense全连接层以及Softma-x输出层。其中第一个Conv卷积层的参数个数可以为760032，第二个Conv卷积层的参数个数可以为18496，第一个Dense全连接层的参数个数可以为1901568，第二个Dense全连接层的参数个数可以为3075，以上参数个数总计为2683171。
建立样本数据库，也即录制广播空中信号监控系统的监控画面得到测试集；具体的，建立分别包含a-d类四类样本数据的样本库，作为所述样本数据库，其中a类样本库包含a类样本62357个，b类样本库包含b类杨蓓58790个，c类样本库包含c类样本69002，d类样本库包含d类样本65403。可以随机从所述样本数据库中选取一定数量的样本作为训练所述CNN模型使用。
举例来说，从所述样本数据库中选取的用于训练所述CNN模型的样本数据包括：a类样本16789个、b类样本16200个、c类样本13594个以及d类样本10080个，共56663个样本。其中，在进行上述步骤S10-S40时，还可以将所述待分析监控图像作为样本，并增加至所述样本数据库中。
参见图9，使用上述样本数据对所述CNN模型进行样本训练的过程例如包括：将所述56663个样本随机排列，随机选取其中64个样本作为一组，记为一个batch_size，一共包含885个batch_size，将剩余样本舍弃。将一个batch_size的样本送入到所述CNN模型中，第一次的模型参数是随机生成的，按模型结果计算后，输出计算结果，记为样本的预测值，将该值与真正的样本输出值做比较，得到损失值Loss，并计算预测正确率Accuracy。根据得到的损失值Loss，通过误差反向传播函数调整所述CNN模型的各层的权重，使权重向误差减小的方向移动，多次迭代使所述CNN模型的权重得到优化，最终得到最优的CNN模型参数，并配置所述CNN模型。
将上述885个batch_size计算完成记为一个Epoch。将所述CNN模型共重复运行了5个Epoch。参见图10，其为每一个Epoch值与所述CNN模型的Loss值和Accuracy值的关系示意图。由于样本的数量非常充足，在运行1个Epoch后，模型的Loss已经很小，Accuracy值也几乎为1，因此，所述CNN模型的收敛效果很好。
测试所述CNN模型使用的样本数据为：a类、b类、c类、d类样本总计5000个。其中，在进行上述步骤S10-S40时，还可以将所述待分析监控图像作为样本。
在一个具体实施过程中，从所述样本数据库中每次随机选择其中5000张作为测试集样本并使用所述基于卷积神经网络的监控方法进行测试，共进行五次测试，得到的测试结果如下表所示：
| 测试次数 | 1 | 2 | 3 | 4 | 5 | 平价值 |
| 准确率 | 0.9998 | 1 | 1 | 0.9998 | 0.9998 | 0.99988 |
由此可见，使用该监控方法对监控画面监控的平均准确率可以达到0.9998以上，且未发生过拟合，检测效果好。
所述基于卷积神经网络的监控方法的应用场景可以是：基于卷积神经网络的“智慧眼”监控图像智能分析系统，分为后台和前端两部分。后台为运行所述监控方法的监控服务器(或者该服务器的远程桌面)，所述监控服务器读取录屏监控画面并基于所述CNN模型进行监控分析，并且将得到的监控分析结果通过TCP/IP协议传输给所述前端。
所述前端采用B/S架构，其接收的所述监控分析结果数据在前端经过播出时段及保护延时判断后，输出报警结果并将该条记录到所述后台的数据库中。同时还可以根据监控分析结果以弹窗形式输出报警信息(b-e等四类报警信息)，并进行声和/或光报警。此外，所述前端还可以系统还支持查询，也即查询所述数据库中存储的与监控分析结果相关的报警信息。
【第二实施例】
参见图11，其为本发明第二实施例提供的一种基于卷积神经网络的监控装置，所述基于卷积神经网络的监控装置100例如包括：获取模块10，用于获取监控画面；分割模块20，用于分割所述监控画面得到至少一个待分析监控图像；分析模块30，用于使用卷积神经网络模型对所述至少一个待分析监控图像分别进行监控分析，得到每一个所述待分析监控图像的监控分析结果；显示模块40，用于在所述监控分析结果为报警结果信息时，控制显示所述报警结果信息及与其对应的所述待分析监控图像。
优选的，基于卷积神经网络的监控装置100例如还包括：构建模块21，用于构建所述卷积网络神经模型；训练模块22，用于使用训练样本训练所述卷积网络神经模型；存储模块31，用于存储所述监控分析结果及与其对应的所述待分析监控图像至数据库；查询模块32，用于接收查询指令，并根据所述查询指令查询所述数据库以得到目标信息。
在一个实施方式中，基于卷积神经网络的监控装置100的获取模块10、分割模块20、分析模块30以及显示模块40配合实现上述第一实施例中所述的基于卷积神经网络的监控方法，此处不再赘述。
【第三实施例】
参见图12，其为本发明的第三实施例提供的一种基于卷积神经网络的监控系统的结构示意图，所述基于卷积神经网络的监控系统400例如包括处理器430以及电连接处理器430的存储器410，存储器410上存储有计算机程序411，处理器430加载计算机程序411以实现如第一实施例中所述的基于卷积神经网络的监控方法。
【第四实施例】
参见图13，其为本发明的第四实施例提供的一种可读存储介质的结构示意图，存储介质500例如为非易失性存储器，其例如为：磁介质(如硬盘、软盘和磁带)，光介质(如CDROM盘和DVD)，磁光介质(如光盘)以及专门构造为用于存储和执行计算机可执行指令的硬件装置(如只读存储器(ROM)、随机存取存储器(RAM)、闪存等)。存储介质500上存储有计算机可执行指令510。存储介质500可由一个或多个处理器或处理装置来执行计算机可执行指令510，以实施如第一实施例中所述的基于卷积神经网络的监控方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多路单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多路网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于卷积神经网络的监控方法，其特征在于，包括：
获取监控画面；
分割所述监控画面得到至少一个待分析监控图像；
使用卷积神经网络模型对所述至少一个待分析监控图像分别进行监控分析，得到每一个所述待分析监控图像的监控分析结果；
在所述监控分析结果为报警结果信息时，控制显示所述报警结果信息及与其对应的所述待分析监控图像。
2.根据权利要求1所述的基于卷积神经网络的监控方法，其特征在于，所述监控分析结果包括所述报警结果信息和正常结果信息；其中，所述报警结果信息包括：监控画面未丢失报警信息、监控画面丢失正常报警信息、监控画面丢失未报警信息以及监控画面静止报警信息。
3.根据权利要求1所述的基于卷积神经网络的监控方法，其特征在于，
所述获取监控画面包括：
周期性获取显示所述监控画面的监控显示屏，得到所述监控画面；
所述分割所述监控画面得到至少一个待分析监控图像，包括：
根据所述监控画面中的光柱显示特征分割所述监控画面，得到的所述至少一个待分析监控图像分别包含单路光柱；
对每一个所述待分析监控图像分别进行灰度处理。
4.根据权利要求1所述的基于卷积神经网络的监控方法，其特征在于，还包括：
构建所述卷积网络神经模型；
使用训练样本训练所述卷积网络神经模型。
5.根据权利要求1所述的基于卷积神经网络的监控方法，其特征在于，还包括：
存储所述监控分析结果及与其对应的所述待分析监控图像至数据库；
接收查询指令，并根据所述查询指令查询所述数据库以得到目标信息。
6.一种基于卷积神经网络的监控装置，其特征在于，包括：
获取模块，用于获取监控画面；
分割模块，用于分割所述监控画面得到至少一个待分析监控图像；
分析模块，用于使用卷积神经网络模型对所述至少一个待分析监控图像分别进行监控分析，得到每一个所述待分析监控图像的监控分析结果；
显示模块，用于在所述监控分析结果为报警结果信息时，控制显示所述报警结果信息及与其对应的所述待分析监控图像。
7.如权利要求6所述的基于卷积神经网络的监控装置，其特征在于，还包括
构建模块，用于构建所述卷积网络神经模型；
训练模块，用于使用训练样本训练所述卷积网络神经模型；
存储模块，用于存储所述监控分析结果及与其对应的所述待分析监控图像至数据库；
查询模块，用于接收查询指令，并根据所述查询指令查询所述数据库以得到目标信息。
8.根据权利要求7所述的基于卷积神经网络的监控方法，其特征在于，所述卷积神经网络模型包括：卷积层、激活层、池化层、丢弃层、平面化层、全连接层以及输出层。
9.一种基于卷积神经网络的监控系统，其特征在于，包括：处理器和电连接所述处理器的存储器，所述存储器上存储有所述处理器执行的指令，且所述指令使得所述处理器执行操作以进行如权利要求1-6任意一项所述的基于卷积神经网络的监控方法。
10.一种可读存储介质，其特征在于，所述可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行权利要求1至6中任意一项所述的基于卷积神经网络的监控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010841492.2A CN111950494B (zh) | 2020-08-20 | 2020-08-20 | 基于卷积神经网络的监控方法、装置及系统和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010841492.2A CN111950494B (zh) | 2020-08-20 | 2020-08-20 | 基于卷积神经网络的监控方法、装置及系统和可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111950494A true CN111950494A (zh) | 2020-11-17 |
| CN111950494B CN111950494B (zh) | 2024-01-16 |
Family
ID=73358745
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010841492.2A Active CN111950494B (zh) | 2020-08-20 | 2020-08-20 | 基于卷积神经网络的监控方法、装置及系统和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111950494B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114205667A (zh) * | 2021-12-03 | 2022-03-18 | 江苏省广播电视总台 | 一种广播电视播出异态画面识别和故障分析系统 |
| CN116206265A (zh) * | 2023-05-05 | 2023-06-02 | 昆明轨道交通四号线土建项目建设管理有限公司 | 用于轨道交通运营维护的防护报警装置及方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008098780A (ja) * | 2006-10-06 | 2008-04-24 | Chugoku Electric Power Co Inc:The | 監視促進システムおよび監視促進方法 |
| CN102184602A (zh) * | 2011-03-02 | 2011-09-14 | 北京博雅英杰科技股份有限公司 | 银行atm及野外设施窄带监控警告系统 |
| CN203616840U (zh) * | 2013-12-20 | 2014-05-28 | 宁波伊尔卡密封件有限公司 | 监控设备 |
| EP2897112A1 (de) * | 2014-01-17 | 2015-07-22 | Wincor Nixdorf International GmbH | Verfahren und Vorrichtung zur Vermeidung von Fehlalarmen bei Überwachungssystemen |
| CN106954040A (zh) * | 2017-02-28 | 2017-07-14 | 中国船舶重工集团公司第七研究所 | 船用柴油机的故障诊断的方法、装置及系统 |
| CN107808139A (zh) * | 2017-11-01 | 2018-03-16 | 电子科技大学 | 一种基于深度学习的实时监控威胁分析方法及系统 |
| CN108012121A (zh) * | 2017-12-14 | 2018-05-08 | 安徽大学 | 一种边缘计算和云计算融合的实时视频监控方法及系统 |
| CN108573283A (zh) * | 2018-04-12 | 2018-09-25 | 大连理工大学 | 一种转辙机缺口监控防漏报的设计方法 |
| CN109241946A (zh) * | 2018-10-11 | 2019-01-18 | 平安科技（深圳）有限公司 | 异常行为监控方法、装置、计算机设备及存储介质 |
| CN109697815A (zh) * | 2019-01-24 | 2019-04-30 | 广州市天河区保安服务公司 | 防盗通讯网络报警方法、装置设备及存储介质 |
| CN111049133A (zh) * | 2019-12-20 | 2020-04-21 | 国家电网有限公司 | 一种电网调控中心集中监控辅助巡视系统 |
-
2020
- 2020-08-20 CN CN202010841492.2A patent/CN111950494B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008098780A (ja) * | 2006-10-06 | 2008-04-24 | Chugoku Electric Power Co Inc:The | 監視促進システムおよび監視促進方法 |
| CN102184602A (zh) * | 2011-03-02 | 2011-09-14 | 北京博雅英杰科技股份有限公司 | 银行atm及野外设施窄带监控警告系统 |
| CN203616840U (zh) * | 2013-12-20 | 2014-05-28 | 宁波伊尔卡密封件有限公司 | 监控设备 |
| EP2897112A1 (de) * | 2014-01-17 | 2015-07-22 | Wincor Nixdorf International GmbH | Verfahren und Vorrichtung zur Vermeidung von Fehlalarmen bei Überwachungssystemen |
| CN106954040A (zh) * | 2017-02-28 | 2017-07-14 | 中国船舶重工集团公司第七研究所 | 船用柴油机的故障诊断的方法、装置及系统 |
| CN107808139A (zh) * | 2017-11-01 | 2018-03-16 | 电子科技大学 | 一种基于深度学习的实时监控威胁分析方法及系统 |
| CN108012121A (zh) * | 2017-12-14 | 2018-05-08 | 安徽大学 | 一种边缘计算和云计算融合的实时视频监控方法及系统 |
| CN108573283A (zh) * | 2018-04-12 | 2018-09-25 | 大连理工大学 | 一种转辙机缺口监控防漏报的设计方法 |
| CN109241946A (zh) * | 2018-10-11 | 2019-01-18 | 平安科技（深圳）有限公司 | 异常行为监控方法、装置、计算机设备及存储介质 |
| CN109697815A (zh) * | 2019-01-24 | 2019-04-30 | 广州市天河区保安服务公司 | 防盗通讯网络报警方法、装置设备及存储介质 |
| CN111049133A (zh) * | 2019-12-20 | 2020-04-21 | 国家电网有限公司 | 一种电网调控中心集中监控辅助巡视系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114205667A (zh) * | 2021-12-03 | 2022-03-18 | 江苏省广播电视总台 | 一种广播电视播出异态画面识别和故障分析系统 |
| CN114205667B (zh) * | 2021-12-03 | 2024-01-26 | 江苏省广播电视总台 | 一种广播电视播出异态画面识别和故障分析系统 |
| CN116206265A (zh) * | 2023-05-05 | 2023-06-02 | 昆明轨道交通四号线土建项目建设管理有限公司 | 用于轨道交通运营维护的防护报警装置及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111950494B (zh) | 2024-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107819641B (zh) | 一种保信系统的异常分析方法和装置 | |
| CN111950494A (zh) | 基于卷积神经网络的监控方法、装置及系统和可读存储介质 | |
| CN103746829A (zh) | 一种基于集群的故障感知系统及其方法 | |
| CN114254055A (zh) | 机房设备的故障分析方法、装置、计算机设备、存储介质 | |
| CN115116004A (zh) | 一种基于深度学习的办公区域异常行为检测系统及方法 | |
| US7937347B2 (en) | Method and apparatus for component association inference, failure diagnosis and misconfiguration detection based on historical failure data | |
| CN113949881A (zh) | 一种基于智慧城市数据的业务处理方法及系统 | |
| CN113868471A (zh) | 一种基于监控设备关系的数据匹配方法及系统 | |
| CN116109988B (zh) | 基于人工智能和无人机的异常监控方法及系统 | |
| CN115620243B (zh) | 基于人工智能的污染源监测方法、系统及云平台 | |
| CN116155581A (zh) | 一种基于图神经网络的网络入侵检测方法与装置 | |
| FI130045B (en) | Analyzing the measurement results of the communication network or other target system | |
| CN115375886A (zh) | 一种基于云计算服务的数据采集方法及系统 | |
| CN115457467A (zh) | 一种基于数据挖掘的建筑质量隐患定位方法及系统 | |
| CN111427878B (zh) | 数据监控告警方法、装置、服务器和存储介质 | |
| CN114706371A (zh) | 整车网络不休眠诊断方法、装置、电子设备及存储介质 | |
| CN114697247A (zh) | 流媒体系统的故障检测方法、装置、设备和存储介质 | |
| CN114095394A (zh) | 网络节点故障检测方法、装置、电子设备及存储介质 | |
| CN117079211B (zh) | 一种网络机房的安全监控系统及其方法 | |
| CN117041009A (zh) | 用于告警分析的规则数据库的生成方法及其装置 | |
| CN115296976B (zh) | 物联网设备故障检测方法、装置、设备及存储介质 | |
| CN117218594A (zh) | 一种安防监控数据的处理方法及系统 | |
| CN114140714A (zh) | 一种智慧城市的数据处理方法及系统 | |
| CN117079211A (zh) | 一种网络机房的安全监控系统及其方法 | |
| CN117315423A (zh) | 一种基于智慧楼宇的用户预警方法及系统 |
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 |