CN111970489B - 一种基于人机双向的智能监盘管理方法及系统 - Google Patents
一种基于人机双向的智能监盘管理方法及系统 Download PDFInfo
- Publication number
- CN111970489B CN111970489B CN202010775885.8A CN202010775885A CN111970489B CN 111970489 B CN111970489 B CN 111970489B CN 202010775885 A CN202010775885 A CN 202010775885A CN 111970489 B CN111970489 B CN 111970489B
- Authority
- CN
- China
- Prior art keywords
- display screen
- personnel
- neural network
- training
- current
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 59
- 238000007726 management method Methods 0.000 title claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 135
- 230000002159 abnormal effect Effects 0.000 claims abstract description 56
- 238000001514 detection method Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims description 140
- 210000002569 neuron Anatomy 0.000 claims description 30
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000002372 labelling Methods 0.000 claims description 17
- 230000002457 bidirectional effect Effects 0.000 claims description 5
- 210000004027 cell Anatomy 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 210000000225 synapse Anatomy 0.000 description 2
- 241001282135 Poromitra oscitans Species 0.000 description 1
- 206010048232 Yawning Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Emergency Management (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及一种基于人机双向的智能监盘管理方法及系统,该方法包括:获取当前时刻监盘人员的当前人员状态图像以及当前时刻监盘显示屏的当前显示屏图像;将当前人员状态图像输入到训练好的第一神经网络中,输出当前人员状态检测结果;当前人员状态检测结果包括人员正常状态和人员异常状态;当当前人员状态检测结果为人员异常状态,发出第一告警信号;将当前显示屏图像输入到训练好的第二神经网络中,输出当前显示屏状态检测结果;当前显示屏状态检测结果包括显示屏正常状态和显示屏异常状态;当当前显示屏状态检测结果为显示屏异常状态,发出第二告警信号。通过本发明的上述方法以解决现有技术中不能及时提醒监盘人员进行监盘工作的问题。
Description
技术领域
本发明涉及异常状态监测技术领域,特别是涉及一种基于人机双向的智能监盘管理方法及系统。
背景技术
工业企业中,对于机组运行、维护和故障处理的技术要求越来越高,难度和风险较大,运行、维护和监盘人员需要监测的设备参数非常多。在集控室中,监盘人员在工作过程中难免会出现分神的状态,主要包括打手机、低头、打哈欠、闭眼、东张西望等现象,这些分神状态的出现很大程度上影响了监盘人员对监盘工作的严谨性,很可能在参数发生变化时不能及时发现而造成事故的发生。而对于工业企业的管理中,虽然有摄像头监控,但是不能及时提醒监盘人员。因此,本领域亟需一种能够监控监盘人员状态的方法,以及时提醒监盘人员。
发明内容
本发明的目的是提供一种基于人机双向的智能监盘管理方法及系统,以解决现有技术中不能及时提醒监盘人员进行监盘工作的问题。
为实现上述目的,本发明提供了如下方案:
一种基于人机双向的智能监盘管理方法,包括:
获取当前时刻监盘人员的当前人员状态图像以及当前时刻监盘显示屏的当前显示屏图像;
将所述当前人员状态图像输入到训练好的第一神经网络中,输出当前人员状态检测结果;所述当前人员状态检测结果包括人员正常状态和人员异常状态;
当所述当前人员状态检测结果为人员异常状态,发出第一告警信号;
将所述当前显示屏图像输入到训练好的第二神经网络中,输出当前显示屏状态检测结果;所述当前显示屏状态检测结果包括显示屏正常状态和显示屏异常状态;
当所述当前显示屏状态检测结果为显示屏异常状态,发出第二告警信号。
可选的,所述训练好的第一神经网络训练过程具体包括:
获取训练人员状态图像集合;所述训练人员状态图像集合包括监盘人员在正常工作状态下的图像以及监盘人员在异常工作状态下的图像;
根据所述训练人员状态图像集合对第一神经网络进行训练,得到预训练第一神经网络;所述第一神经网络包括两个神经元层和一个分类器;
判断第一当前迭代次数是否小于第一预设迭代次数,得到第一判断结果;
若所述第一判断结果表示第一当前迭代次数小于第一预设迭代次数,使用反向传播算法对所述第一神经网络中的权值进行调节,并返回“根据所述训练人员状态图像集合对第一神经网络进行训练,得到预训练第一神经网络”步骤;
若所述第一判断结果表示第一当前迭代次数大于或等于第一预设迭代次数,所述预训练第一神经网络为训练好的第一神经网络。
可选的,所述训练好的第二神经网络训练过程具体包括:
获取训练显示屏状态图像集合;所述训练显示屏状态图像集合包括显示屏上的参数在正常状态下的图像以及显示屏上的参数在异常状态下的图像;
根据所述训练显示屏状态图像集合对第二神经网络进行训练,得到预训练第二神经网络;所述第二神经网络包括两个神经元层和一个分类器;
判断第二当前迭代次数是否小于第二预设迭代次数,得到第二判断结果;
若所述第二判断结果表示第二当前迭代次数小于第二预设迭代次数,使用反向传播算法对所述第二神经网络中的权值进行调节,并返回“根据所述训练显示屏状态图像集合对第二神经网络进行训练,得到预训练第二神经网络”步骤;
若所述第二判断结果表示第二当前迭代次数大于或等于第二预设迭代次数,所述预训练第二神经网络为训练好的第二神经网络。
可选的,所述获取训练人员状态图像集合之后还包括:
对所述训练人员状态图像集合中的图像进行预处理,得到预处理后人员状态图像集合;
将所述预处理后人员状态图像集合中的图像进行人工标注,得到标注后训练人员状态图像集合。
可选的,所述获取训练显示屏状态图像集合之后还包括:
对所述训练显示屏状态图像集合中的图像进行预处理,得到预处理后训练显示屏状态图像集合;
将所述预处理后训练显示屏状态图像集合中的图像进行人工标注,得到标注后训练显示屏状态图像集合。
一种基于人机双向的智能监盘管理系统,包括:
当前图像获取模块,用于获取当前时刻监盘人员的当前人员状态图像以及当前时刻监盘显示屏的当前显示屏图像;
当前人员状态检测模块,用于将所述当前人员状态图像输入到训练好的第一神经网络中,输出当前人员状态检测结果;所述当前人员状态检测结果包括人员正常状态和人员异常状态;
第一告警信号模块,用于当所述当前人员状态检测结果为人员异常状态,发出第一告警信号;
当前显示屏状态检测模块,用于将所述当前显示屏图像输入到训练好的第二神经网络中,输出当前显示屏状态检测结果;所述当前显示屏状态检测结果包括显示屏正常状态和显示屏异常状态;
第二告警信号模块,用于当所述当前显示屏状态检测结果为显示屏异常状态,发出第二告警信号。
可选的,所述训练好的第一神经网络训练过程具体包括:
训练人员状态图像集合获取单元,用于获取训练人员状态图像集合;所述训练人员状态图像集合包括监盘人员在正常工作状态下的图像以及监盘人员在异常工作状态下的图像;
第一神经网络训练单元,用于根据所述训练人员状态图像集合对第一神经网络进行训练,得到预训练第一神经网络;所述第一神经网络包括两个神经元层和一个分类器;
第一判断结果单元,用于判断第一当前迭代次数是否小于第一预设迭代次数,得到第一判断结果;
第一调节单元,用于若所述第一判断结果表示第一当前迭代次数小于第一预设迭代次数,使用反向传播算法对所述第一神经网络中的权值进行调节,并返回所述第一神经网络训练单元;
训练好的第一神经网络确定单元,用于若所述第一判断结果表示第一当前迭代次数大于或等于第一预设迭代次数,所述预训练第一神经网络为训练好的第一神经网络。
可选的,所述训练好的第二神经网络训练过程具体包括:
训练显示屏状态图像集合获取单元,用于获取训练显示屏状态图像集合;所述训练显示屏状态图像集合包括显示屏上的参数在正常状态下的图像以及显示屏上的参数在异常状态下的图像;
第二神经网络训练单元,用于根据所述训练显示屏状态图像集合对第二神经网络进行训练,得到预训练第二神经网络;所述第二神经网络包括两个神经元层和一个分类器;
第二判断结果单元,用于判断第二当前迭代次数是否小于第二预设迭代次数,得到第二判断结果;
第二调节单元,用于若所述第二判断结果表示第二当前迭代次数小于第二预设迭代次数,使用反向传播算法对所述第二神经网络中的权值进行调节,并返回所述第二神经网络训练单元;
训练好的第二神经网络确定单元,用于若所述第二判断结果表示第二当前迭代次数大于或等于第二预设迭代次数,所述预训练第二神经网络为训练好的第二神经网络。
可选的,所述训练好的第一神经网络训练过程还包括:
人员状态图像预处理单元,用于对所述训练人员状态图像集合中的图像进行预处理,得到预处理后人员状态图像集合;
人员状态图像标注单元,用于将所述预处理后人员状态图像集合中的图像进行人工标注,得到标注后训练人员状态图像集合。
可选的,所述训练好的第二神经网络训练过程还包括:
显示屏状态图像预处理单元,用于对所述训练显示屏状态图像集合中的图像进行预处理,得到预处理后训练显示屏状态图像集合;
显示屏状态图像标注单元,用于将所述预处理后训练显示屏状态图像集合中的图像进行人工标注,得到标注后训练显示屏状态图像集合。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种基于人机双向的智能监盘管理方法及系统,采用训练好的第一神经网络对当前人员状态图像进行检测,当当前人员状态检测结果为人员异常状态,发出第一告警信号;采用训练好的第二神经网络对当前显示屏图像进行检测,当前显示屏状态检测结果为显示屏异常状态,发出第二告警信号。通过本发明的上述方法以解决现有技术中不能及时提醒监盘人员进行监盘工作的问题,能及时提醒监盘人员进行监盘工作。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的一种基于人机双向的智能监盘管理方法的流程图;
图2为本发明实施例所提供的神经网络结构示意图;
图3为本发明实施例所提供的一种基于人机双向的智能监盘管理系统的结构示意图。
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。
本发明的目的是提供一种基于人机双向的智能监盘管理方法及系统,以解决现有技术中不能及时提醒监盘人员进行监盘工作的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例所提供的一种基于人机双向的智能监盘管理方法的流程图,如图1所示,本发明的一种基于人机双向的智能监盘管理方法包括:
S101,获取当前时刻监盘人员的当前人员状态图像以及当前时刻监盘显示屏的当前显示屏图像。具体的,采用摄像头对集控室中监盘人员的动态以及大屏显示屏中的参数进行图像采集。
S102,将所述当前人员状态图像输入到训练好的第一神经网络中,输出当前人员状态检测结果;所述当前人员状态检测结果包括人员正常状态和人员异常状态。
S103,当所述当前人员状态检测结果为人员异常状态,发出第一告警信号。
S104,将所述当前显示屏图像输入到训练好的第二神经网络中,输出当前显示屏状态检测结果;所述当前显示屏状态检测结果包括显示屏正常状态和显示屏异常状态。
S105,当所述当前显示屏状态检测结果为显示屏异常状态,发出第二告警信号。
S102中训练好的第一神经网络训练过程具体包括:
步骤201,获取训练人员状态图像集合;所述训练人员状态图像集合包括监盘人员在正常工作状态下的图像以及监盘人员在异常工作状态下的图像。
步骤201之后还包括:对所述训练人员状态图像集合中的图像进行预处理,得到预处理后人员状态图像集合;将所述预处理后人员状态图像集合中的图像进行人工标注,得到标注后训练人员状态图像集合。
具体的,在集控室中进行高清摄像头的布置,布置数量、位置和角度均满足能够覆盖集控室中相关的监盘人员和大屏显示屏。对大屏显示屏和监盘人员进行拍摄,同时对大屏上的异常状况和人员分神动作进行模拟,通过摄像头将这些状态数据进行收集。数据按照不同的标签,存储在对应服务器的具体位置中。在服务器中,采集到的数据包括有用数据和无用数据,将有用数据进行标注和存储,无用数据剔除。比如大屏显示屏上出现某个温度参数的变化,对这个变化标注为某某温度参数变化。又比如该数据认定为打手机,对这个数据标注为打手机动作,依次类推。
步骤202,根据所述训练人员状态图像集合对第一神经网络进行训练,得到预训练第一神经网络;所述第一神经网络包括两个神经元层和一个分类器。
具体的,神经网络的基本组成单元是神经元,如图2所示。将Layer L1作为第一层神经元,标注后的数据输入到Layer L2;LayerL2作为第二层神经元,输入到LayerL3;LayerL3作为神经元的阈值即分类器,对标记后的信息进行输入比对评判,最终输出结果h(X)。a1、a2、a3等分别是神经元的权值系数,即突触的传递效率。例如,在对人员状态监控中,第一层神经元X1、X2、X3等等数据若为人员不同的状态,这些数据输入到第二层神经元。第二层神经元对这些人员不同的状态数据进行提取特征。第二层神经元将提取的特征输入到分类器,采用分类器对其进行分类。本发明实施例中分类器为线性分类器、支持向量机、朴素贝叶斯或决策树等方法。
步骤203,判断第一当前迭代次数是否小于第一预设迭代次数,得到第一判断结果。
步骤204,若所述第一判断结果表示第一当前迭代次数小于第一预设迭代次数,使用反向传播算法对所述第一神经网络中的权值进行调节,并返回步骤202;
步骤205,若所述第一判断结果表示第一当前迭代次数大于或等于第一预设迭代次数,所述预训练第一神经网络为训练好的第一神经网络。
S103中训练好的第二神经网络训练过程具体包括:
步骤301,获取训练显示屏状态图像集合;所述训练显示屏状态图像集合包括显示屏上的参数在正常状态下的图像以及显示屏上的参数在异常状态下的图像。
步骤301之后还包括:对所述训练显示屏状态图像集合中的图像进行预处理,得到预处理后训练显示屏状态图像集合;将所述预处理后训练显示屏状态图像集合中的图像进行人工标注,得到标注后训练显示屏状态图像集合。
具体的,在集控室中进行高清摄像头的布置,布置数量、位置和角度均满足能够覆盖集控室中相关的监盘人员和大屏显示屏。对大屏显示屏和监盘人员进行拍摄,同时对大屏上的异常状况和人员分神动作进行模拟,通过摄像头将这些状态数据进行收集。数据按照不同的标签,存储在对应服务器的具体位置中。在服务器中,采集到的数据包括有用数据和无用数据,将有用数据进行标注和存储,无用数据剔除。比如大屏显示屏上出现某个温度参数的变化,对这个变化标注为某某温度参数变化。又比如该数据认定为打手机,对这个数据标注为打手机动作,依次类推。
步骤302,根据所述训练显示屏状态图像集合对第二神经网络进行训练,得到预训练第二神经网络;所述第二神经网络包括两个神经元层和一个分类器。
具体的,神经网络的基本组成单元是神经元,如图2所示。将Layer L1作为第一层神经元,标注后的数据输入到Layer L2;LayerL2作为第二层神经元,输入到LayerL3;LayerL3作为神经元的阈值即分类器,对标记后的信息进行输入比对评判,最终输出结果h(X)。a1、a2、a3等分别是神经元的权值系数,也即突触的传递效率。例如,在大屏显示屏监控中,第一层神经元X1、X2、X3等等数据若为温度数据的异常变化,这些数据输入到第二层神经元。第二层神经元对这些温度异常变化的数据进行提取特征。第二层神经元将提取的特征输入到分类器,采用分类器对其进行分类。本发明实施例中分类器为线性分类器、支持向量机、朴素贝叶斯或决策树等方法。
步骤303,判断第二当前迭代次数是否小于第二预设迭代次数,得到第二判断结果。
步骤304,若所述第二判断结果表示第二当前迭代次数小于第二预设迭代次数,使用反向传播算法对所述第二神经网络中的权值进行调节,并返回步骤302。
步骤305,若所述第二判断结果表示第二当前迭代次数大于或等于第二预设迭代次数,所述预训练第二神经网络为训练好的第二神经网络。
本发明还提供了一种基于人机双向的智能监盘管理系统,如图3所示,异常状态监测系统包括:当前图像获取模块1、当前人员状态检测模块2、第一告警信号模块3、当前显示屏状态检测模块4和第二告警信号模块5。下面对每个模块进行详细介绍。
当前图像获取模块1,用于获取当前时刻监盘人员的当前人员状态图像以及当前时刻监盘显示屏的当前显示屏图像。
当前人员状态检测模块2,用于将所述当前人员状态图像输入到训练好的第一神经网络中,输出当前人员状态检测结果;所述当前人员状态检测结果包括人员正常状态和人员异常状态。
第一告警信号模块3,用于当所述当前人员状态检测结果为人员异常状态,发出第一告警信号。
当前显示屏状态检测模块4,用于将所述当前显示屏图像输入到训练好的第二神经网络中,输出当前显示屏状态检测结果;所述当前显示屏状态检测结果包括显示屏正常状态和显示屏异常状态。
第二告警信号模块5,用于当所述当前显示屏状态检测结果为显示屏异常状态,发出第二告警信号。
优选的,所述训练好的第一神经网络训练过程具体包括:
训练人员状态图像集合获取单元,用于获取训练人员状态图像集合;所述训练人员状态图像集合包括监盘人员在正常工作状态下的图像以及监盘人员在异常工作状态下的图像。
第一神经网络训练单元,用于根据所述训练人员状态图像集合对第一神经网络进行训练,得到预训练第一神经网络;所述第一神经网络包括两个神经元层和一个分类器。
第一判断结果单元,用于判断第一当前迭代次数是否小于第一预设迭代次数,得到第一判断结果。
第一调节单元,用于若所述第一判断结果表示第一当前迭代次数小于第一预设迭代次数,使用反向传播算法对所述第一神经网络中的权值进行调节,并返回所述第一神经网络训练单元。
训练好的第一神经网络确定单元,用于若所述第一判断结果表示第一当前迭代次数大于或等于第一预设迭代次数,所述预训练第一神经网络为训练好的第一神经网络。
优选的,所述训练好的第二神经网络训练过程具体包括:
训练显示屏状态图像集合获取单元,用于获取训练显示屏状态图像集合;所述训练显示屏状态图像集合包括显示屏上的参数在正常状态下的图像以及显示屏上的参数在异常状态下的图像。
第二神经网络训练单元,用于根据所述训练显示屏状态图像集合对第二神经网络进行训练,得到预训练第二神经网络;所述第二神经网络包括两个神经元层和一个分类器。
第二判断结果单元,用于判断第二当前迭代次数是否小于第二预设迭代次数,得到第二判断结果。
第二调节单元,用于若所述第二判断结果表示第二当前迭代次数小于第二预设迭代次数,使用反向传播算法对所述第二神经网络中的权值进行调节,并返回所述第二神经网络训练单元。
训练好的第二神经网络确定单元,用于若所述第二判断结果表示第二当前迭代次数大于或等于第二预设迭代次数,所述预训练第二神经网络为训练好的第二神经网络。
优选的,所述训练好的第一神经网络训练过程还包括:
人员状态图像预处理单元,用于对所述训练人员状态图像集合中的图像进行预处理,得到预处理后人员状态图像集合。
人员状态图像标注单元,用于将所述预处理后人员状态图像集合中的图像进行人工标注,得到标注后训练人员状态图像集合。
优选的,所述训练好的第二神经网络训练过程还包括:
显示屏状态图像预处理单元,用于对所述训练显示屏状态图像集合中的图像进行预处理,得到预处理后训练显示屏状态图像集合。
显示屏状态图像标注单元,用于将所述预处理后训练显示屏状态图像集合中的图像进行人工标注,得到标注后训练显示屏状态图像集合。
本发明提供了一种基于人机双向的智能监盘管理方法及系统,该发明的目的是为了能够及时准确的监测到集控室中大屏显示屏和人员分神的异常变化,将相关的异常信息进行实时告警,使监盘人员能够及时发现问题并进行处理。这样能够很好的保证工业企业的正常、稳定的生产,避免事故的发生。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于人机双向的智能监盘管理方法,其特征在于,包括:
获取当前时刻监盘人员的当前人员状态图像以及当前时刻监盘显示屏的当前显示屏图像;
将所述当前人员状态图像输入到训练好的第一神经网络中,对有用数据进行人工标注并剔除无用数据后,输出当前人员状态检测结果;所述当前人员状态检测结果包括人员正常状态和人员异常状态;
当所述当前人员状态检测结果为人员异常状态,发出第一告警信号;
将所述当前显示屏图像输入到训练好的第二神经网络中,对有用数据进行人工标注并剔除无用数据后,输出当前显示屏状态检测结果;所述当前显示屏状态检测结果包括显示屏正常状态和显示屏异常状态;
当所述当前显示屏状态检测结果为显示屏异常状态,发出第二告警信号;
所述训练好的第一神经网络训练过程具体包括:
获取训练人员状态图像集合;所述训练人员状态图像集合包括监盘人员在正常工作状态下的图像以及监盘人员在异常工作状态下的图像;
根据所述训练人员状态图像集合对第一神经网络进行训练,得到预训练第一神经网络;所述第一神经网络包括两个神经元层和一个分类器;
判断第一当前迭代次数是否小于第一预设迭代次数,得到第一判断结果;
若所述第一判断结果表示第一当前迭代次数小于第一预设迭代次数,使用反向传播算法对所述第一神经网络中的权值进行调节,并返回“根据所述训练人员状态图像集合对第一神经网络进行训练,得到预训练第一神经网络”步骤;
若所述第一判断结果表示第一当前迭代次数大于或等于第一预设迭代次数,所述预训练第一神经网络为训练好的第一神经网络;
所述训练好的第二神经网络训练过程具体包括:
获取训练显示屏状态图像集合;所述训练显示屏状态图像集合包括显示屏上的参数在正常状态下的图像以及显示屏上的参数在异常状态下的图像;
根据所述训练显示屏状态图像集合对第二神经网络进行训练,得到预训练第二神经网络;所述第二神经网络包括两个神经元层和一个分类器;
判断第二当前迭代次数是否小于第二预设迭代次数,得到第二判断结果;
若所述第二判断结果表示第二当前迭代次数小于第二预设迭代次数,使用反向传播算法对所述第二神经网络中的权值进行调节,并返回“根据所述训练显示屏状态图像集合对第二神经网络进行训练,得到预训练第二神经网络”步骤;
若所述第二判断结果表示第二当前迭代次数大于或等于第二预设迭代次数,所述预训练第二神经网络为训练好的第二神经网络;
在集控室中进行高清摄像头的布置,布置数量、位置和角度均满足覆盖集控室中相关的监盘人员和大屏显示屏;对所述大屏显示屏和所述监盘人员进行拍摄,同时对大屏上的异常状况和人员分神动作进行模拟,通过摄像头将监盘人员在正常工作状态下的图像以及监盘人员在异常工作状态下的图像、显示屏上的参数在正常状态下的图像以及显示屏上的参数在异常状态下的图像进行收集。
2.根据权利要求1所述的基于人机双向的智能监盘管理方法,其特征在于,所述获取训练人员状态图像集合之后还包括:
对所述训练人员状态图像集合中的图像进行预处理,得到预处理后人员状态图像集合;
将所述预处理后人员状态图像集合中的图像进行人工标注,得到标注后训练人员状态图像集合。
3.根据权利要求1所述的基于人机双向的智能监盘管理方法,其特征在于,所述获取训练显示屏状态图像集合之后还包括:
对所述训练显示屏状态图像集合中的图像进行预处理,得到预处理后训练显示屏状态图像集合;
将所述预处理后训练显示屏状态图像集合中的图像进行人工标注,得到标注后训练显示屏状态图像集合。
4.一种基于人机双向的智能监盘管理系统,其特征在于,包括:
当前图像获取模块,用于获取当前时刻监盘人员的当前人员状态图像以及当前时刻监盘显示屏的当前显示屏图像;
当前人员状态检测模块,用于将所述当前人员状态图像输入到训练好的第一神经网络中,对有用数据进行人工标注并剔除无用数据后,输出当前人员状态检测结果;所述当前人员状态检测结果包括人员正常状态和人员异常状态;
第一告警信号模块,用于当所述当前人员状态检测结果为人员异常状态,发出第一告警信号;
当前显示屏状态检测模块,用于将所述当前显示屏图像输入到训练好的第二神经网络中,对有用数据进行人工标注并剔除无用数据后,输出当前显示屏状态检测结果;所述当前显示屏状态检测结果包括显示屏正常状态和显示屏异常状态;
第二告警信号模块,用于当所述当前显示屏状态检测结果为显示屏异常状态,发出第二告警信号;
所述训练好的第一神经网络训练过程具体包括:
训练人员状态图像集合获取单元,用于获取训练人员状态图像集合;所述训练人员状态图像集合包括监盘人员在正常工作状态下的图像以及监盘人员在异常工作状态下的图像;
第一神经网络训练单元,用于根据所述训练人员状态图像集合对第一神经网络进行训练,得到预训练第一神经网络;所述第一神经网络包括两个神经元层和一个分类器;
第一判断结果单元,用于判断第一当前迭代次数是否小于第一预设迭代次数,得到第一判断结果;
第一调节单元,用于若所述第一判断结果表示第一当前迭代次数小于第一预设迭代次数,使用反向传播算法对所述第一神经网络中的权值进行调节,并返回所述第一神经网络训练单元;
训练好的第一神经网络确定单元,用于若所述第一判断结果表示第一当前迭代次数大于或等于第一预设迭代次数,所述预训练第一神经网络为训练好的第一神经网络;
所述训练好的第二神经网络训练过程具体包括:
训练显示屏状态图像集合获取单元,用于获取训练显示屏状态图像集合;所述训练显示屏状态图像集合包括显示屏上的参数在正常状态下的图像以及显示屏上的参数在异常状态下的图像;
第二神经网络训练单元,用于根据所述训练显示屏状态图像集合对第二神经网络进行训练,得到预训练第二神经网络;所述第二神经网络包括两个神经元层和一个分类器;
第二判断结果单元,用于判断第二当前迭代次数是否小于第二预设迭代次数,得到第二判断结果;
第二调节单元,用于若所述第二判断结果表示第二当前迭代次数小于第二预设迭代次数,使用反向传播算法对所述第二神经网络中的权值进行调节,并返回所述第二神经网络训练单元;
训练好的第二神经网络确定单元,用于若所述第二判断结果表示第二当前迭代次数大于或等于第二预设迭代次数,所述预训练第二神经网络为训练好的第二神经网络;
在集控室中进行高清摄像头的布置,布置数量、位置和角度均满足覆盖集控室中相关的监盘人员和大屏显示屏;对所述大屏显示屏和所述监盘人员进行拍摄,同时对大屏上的异常状况和人员分神动作进行模拟,通过摄像头将监盘人员在正常工作状态下的图像以及监盘人员在异常工作状态下的图像、显示屏上的参数在正常状态下的图像以及显示屏上的参数在异常状态下的图像进行收集。
5.根据权利要求4所述的基于人机双向的智能监盘管理系统,其特征在于,所述训练好的第一神经网络训练过程还包括:
人员状态图像预处理单元,用于对所述训练人员状态图像集合中的图像进行预处理,得到预处理后人员状态图像集合;
人员状态图像标注单元,用于将所述预处理后人员状态图像集合中的图像进行人工标注,得到标注后训练人员状态图像集合。
6.根据权利要求4所述的基于人机双向的智能监盘管理系统,其特征在于,所述训练好的第二神经网络训练过程还包括:
显示屏状态图像预处理单元,用于对所述训练显示屏状态图像集合中的图像进行预处理,得到预处理后训练显示屏状态图像集合;
显示屏状态图像标注单元,用于将所述预处理后训练显示屏状态图像集合中的图像进行人工标注,得到标注后训练显示屏状态图像集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010775885.8A CN111970489B (zh) | 2020-08-05 | 2020-08-05 | 一种基于人机双向的智能监盘管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010775885.8A CN111970489B (zh) | 2020-08-05 | 2020-08-05 | 一种基于人机双向的智能监盘管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111970489A CN111970489A (zh) | 2020-11-20 |
CN111970489B true CN111970489B (zh) | 2022-05-24 |
Family
ID=73363896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010775885.8A Active CN111970489B (zh) | 2020-08-05 | 2020-08-05 | 一种基于人机双向的智能监盘管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111970489B (zh) |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101470935B (zh) * | 2007-12-26 | 2010-11-03 | 南京理工大学 | 关键岗位职守人员状态监控与信息提示方法及其实现装置 |
CN102542727B (zh) * | 2011-12-08 | 2013-07-17 | 中国船舶重工集团公司第七一一研究所 | 船舶值班人员打盹监控系统及其监控方法 |
KR20160060743A (ko) * | 2013-10-25 | 2016-05-30 | 엠파이어 테크놀로지 디벨롭먼트 엘엘씨 | 오퍼레이터 경계 상태 모니터 |
CN206862938U (zh) * | 2017-06-27 | 2018-01-09 | 北京必可测科技股份有限公司 | 一种设备故障检测装置 |
CN108491858A (zh) * | 2018-02-11 | 2018-09-04 | 南京邮电大学 | 基于卷积神经网络的疲劳驾驶检测方法及系统 |
CN109034102B (zh) * | 2018-08-14 | 2023-06-16 | 腾讯科技(深圳)有限公司 | 人脸活体检测方法、装置、设备及存储介质 |
EP3620983B1 (en) * | 2018-09-05 | 2023-10-25 | Sartorius Stedim Data Analytics AB | Computer-implemented method, computer program product and system for data analysis |
CN109685131A (zh) * | 2018-12-20 | 2019-04-26 | 斑马网络技术有限公司 | 汽车车机系统异常识别方法及装置 |
KR102060567B1 (ko) * | 2019-05-13 | 2019-12-30 | 호서대학교 산학협력단 | 심층신경망을 이용한 선박 주변 객체 인식 방법 및 시스템 |
CN110334627A (zh) * | 2019-06-26 | 2019-10-15 | 深圳市微纳集成电路与系统应用研究院 | 对人员的行为进行检测的装置和系统 |
CN111274395B (zh) * | 2020-01-19 | 2021-11-12 | 河海大学 | 基于卷积和长短期记忆网络的电网监控告警事件识别方法 |
-
2020
- 2020-08-05 CN CN202010775885.8A patent/CN111970489B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111970489A (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108833831A (zh) | 一种电力施工智能安全监督系统 | |
CN201689416U (zh) | 教学自动监控系统 | |
CN108418841A (zh) | 基于ai的下一代关键信息基础设施网络安全态势感知系统 | |
CN102348101A (zh) | 一种考场智能监控系统和方法 | |
CN111741133B (zh) | 一种云边端协同的气象智能预警系统 | |
CN101795395A (zh) | 一种人群态势监控系统及方法 | |
CN110349048B (zh) | 变电站多维数据运行交互控制平台及故障处置方法 | |
CN113642403B (zh) | 基于边缘计算的人群异动智能安全检测系统 | |
CN113556768B (zh) | 传感器数据异常检测方法和系统 | |
CN112541393A (zh) | 一种基于深度学习的变电站人员检测方法及装置 | |
CN112270429A (zh) | 基于云边协同的动力电池极片制造设备维护方法和系统 | |
CN111626636A (zh) | 一种基于大数据分析技术的工业安全应急管理平台 | |
CN113033772A (zh) | 一种基于联邦学习的多设备状态监测方法 | |
CN114498934A (zh) | 一种变电站监控系统 | |
CN111970489B (zh) | 一种基于人机双向的智能监盘管理方法及系统 | |
CN115035439A (zh) | 一种基于深度网络学习的校园异常事件监控系统 | |
CN113095160B (zh) | 基于人工智能和5g的电力系统人员安全行为识别方法及系统 | |
CN110148290A (zh) | 智能感知矿山安全生产预警与防控监管信息化大数据系统 | |
CN102196250A (zh) | 考试监控系统的图像处理方法和系统 | |
KR102648377B1 (ko) | 네트워크 케이블 품질 모니터링이 가능한 ai 통합배선반 및 이를 이용한 방법 | |
CN112907876A (zh) | 一种自识别和安全码的消防预警系统 | |
CN116385925A (zh) | 一种生产现场智慧安全管理方法及系统 | |
CN115833927A (zh) | 一种纤芯的切换方法、装置、电子设备和存储介质 | |
CN115909144A (zh) | 一种基于对抗学习的监控视频异常检测方法及系统 | |
CN113887861A (zh) | 一种输变电主设备准实时数据监测系统 |
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 |