CN112199977A - 通信机房异常检测方法、装置及计算设备 - Google Patents
通信机房异常检测方法、装置及计算设备 Download PDFInfo
- Publication number
- CN112199977A CN112199977A CN201910611898.9A CN201910611898A CN112199977A CN 112199977 A CN112199977 A CN 112199977A CN 201910611898 A CN201910611898 A CN 201910611898A CN 112199977 A CN112199977 A CN 112199977A
- Authority
- CN
- China
- Prior art keywords
- video frames
- machine room
- video frame
- training data
- video
- 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.)
- Pending
Links
- 238000004891 communication Methods 0.000 title claims abstract description 130
- 238000001514 detection method Methods 0.000 title claims abstract description 100
- 238000012549 training Methods 0.000 claims abstract description 128
- 230000002159 abnormal effect Effects 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000005856 abnormality Effects 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims description 45
- 230000015654 memory Effects 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 12
- 230000002123 temporal effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000006403 short-term memory Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
Abstract
本发明实施例涉及通信技术领域，公开了一种通信机房异常检测方法，该方法包括：获取所述通信机房中连续的N个视频帧，N为大于0的自然数；将所述N个视频帧输入至检测模型中，得到所述N个视频帧对应的N个重建视频帧，所述检测模型是根据多组训练数据训练得到的，所述多组训练数据中的每一组均包括所述通信机房正常状态下连续的N个视频帧；计算所述N个视频帧与所述N个重建视频帧的重建误差；当所述重建误差大于预设阈值时，确定所述通信机房异常。通过上述方式，本发明实施例实现了通信机房的异常检测。
Description
技术领域
本发明实施例涉及通信技术领域，具体涉及一种通信机房异常检测方法、装置及计算设备。
背景技术
通信机房是通信网络设备运行的重要场所，承载了核心网、承载网等重要设备，通信机房的安全直接关系到通信业务的正常运行。目前对于通信机房的异常检测主要是通过人工对机房视频进行监控以及人工机房巡检的方式来实现。
由于通信机房的视频监控画面众多，人工监控的方式无法毫无遗漏的发现所有监控摄像头的异常情况。
发明内容
鉴于上述问题，本发明实施例提供了一种通信机房异常检测方法、装置及计算设备，克服了上述问题或者至少部分地解决了上述问题。
根据本发明实施例的一个方面，提供了一种通信机房异常检测方法，所述方法包括：获取所述通信机房中连续的N个视频帧，N为大于0的自然数；将所述N个视频帧输入至检测模型中，得到所述N个视频帧对应的N个重建视频帧，所述检测模型是根据多组训练数据训练得到的，所述多组训练数据中的每一组均包括所述通信机房正常状态下连续的N个视频帧；计算所述N个视频帧与所述N个重建视频帧的重建误差；当所述重建误差大于预设阈值时，确定所述通信机房异常。
在一种可选的方式中，计算所述N个视频帧与所述N个重建视频帧的重建误差，包括：根据公式L(t)＝‖x(t)-fw(x(t))‖2计算所述N个视频帧中每一个视频帧与相应的重建视频帧之间所有像素的误差；其中，x(t)表示N个视频帧中t时刻的视频帧，fW(x(t))表示t时刻的视频帧对应的重建视频帧，L(t)表示t时刻的视频帧对应的重建误差；当所述重建误差大于预设阈值时，确定所述通信机房异常，包括：当所述N个视频帧中存在至少一个视频帧的重建误差大于预设阈值时，确定所述通信机房异常。
在一种可选的方式中，在获取所述通信机房中连续的N个视频帧之后，所述方法还包括：对所述N个视频帧中每一个视频帧进行预处理操作，得到预处理后的所述每一个视频帧的标准视频帧，所述预处理操作包括灰度化处理、像素值转换和归一化；其中，将所述N个视频帧输入至检测模型中，得到所述N个视频帧对应的N个重建视频帧，包括：将N个标准视频帧输入至检测模型中，得到所述N个视频帧对应的N个重建视频帧。
在一种可选的方式中，将所述N个视频帧中每一个视频帧进行归一化，包括：将N个视频帧中每一个视频帧按照公式
进行归一化；其中，imagest表示归一化后的视频帧，X表示一个视频帧，μ表示该视频帧X的均值，σ表示该视频帧X的标准差。
在一种可选的方式中，所述方法还包括：获取所述通信机房中的历史视频数据；将所述历史视频数据按照时间顺序划分为多组连续的N个视频帧；将所述多组连续的N个视频帧按照通信机房的状态划分为正常样本和异常样本；将所述正常样本中的至少部分正常样本作为所述多组训练数据；将所述正常样本中的至少部分正常样本和所述异常样本中的至少部分异常样本作为多组测试数据；根据所述多组训练数据训练所述检测模型；根据所述多组测试数据对所述检测模型进行验证。
在一种可选的方式中，根据所述多组训练数据训练所述检测模型，包括：
根据所述多组训练数据训练时空自编码神经网络，得到检测模型，所述时空自编码神经网络包括空间自编码器和时间自编码器，所述空间自编码器包括空间编码器和空间解码器，所述时间自编码器包括时间编码器和时间解码器；所述空间编码器将输入的一组训练数据编码后，按照时间顺序合并，输入至时间自编码器；所述时间自编码器在学习到所述输入的一组训练数据的时间特征后，将该组训练数据输入至空间解码器；所述空间解码器将该组训练数据解码后，输出该组训练数据对应的重建训练数据；根据所述重建训练数据与所述训练数据的误差调整所述时空自编码神经网络的权值，直至所述误差最小；将所述误差最小的所述时空自编码神经网络作为所述检测模型。
在一种可选的方式中，所述时间自编码器由卷积长短期记忆神经网络构成，空间自编码器由卷积自编码神经网络构成。
根据本发明实施例的另一方面，提供了一种通信机房异常检测装置，包括：视频帧采集模块，用于获取所述通信机房中连续的N个视频帧。输入模块，用于将所述N个视频帧输入至检测模型中，得到所述N各视频帧对应的N个重建视频帧。计算模块，用于计算所述N个视频帧与所述N个重建视频帧的重建误差。确定模块，用于当所述重建误差大于预设阈值时，确定所述通信机房异常。
在一种可选的方式中，计算模块进一步用于：根据公式L(t)＝‖x(t)-fW(x(t))‖2计算所述N个视频帧中每一个视频帧与相应的重建视频帧之间所有像素的误差；其中，x(t)表示N个视频帧中t时刻的视频帧，fW(x(t))表示t时刻的视频帧对应的重建视频帧，L(t)表示t时刻的视频帧对应的重建误差。确定模块进一步用于：当所述N个视频帧中存在至少一个视频帧的重建误差大于预设阈值时，确定所述通信机房异常。
在一种可选的方式中，所述装置还包括：视频帧处理模块，用于对所述N个视频帧中每一个视频帧进行预处理操作，得到预处理后的所述每一个视频帧的标准视频帧，所述预处理操作包括灰度化处理、像素值转换和归一化。输入模块进一步用于，将N个标准视频帧输入至检测模型中，得到所述N个视频帧对应的N个重建视频帧。
在一种可选的方式中，将所述N个视频帧中每一个视频帧进行归一化，包括：将N个视频帧中每一个视频帧按照公式
进行归一化；其中，imagest表示归一化后的视频帧，X表示一个视频帧，μ表示该视频帧X的均值，σ表示该视频帧X的标准差。
在一种可选的方式中，所述装置还包括：获取模块，用于获取所述通信机房中的历史视频数据。第一划分模块，用于将所述历史视频数据按照历史时间顺序划分为多组连续的N个视频帧。第二划分模块，用于将所述多组连续的N个视频帧按照通信机房的状态划分为正常样本和异常样本。第一确定模块，用于将所述正常样本中的至少部分样本作为所述多组训练数据。第二确定模块，用于将所述正常样本中的至少部分正常样本和所述异常样本中的至少部分异常样本作为多组测试数据。训练模块，用于根据所述多组训练数据训练所述检测模型。验证模块，用于根据所述多组测试数据对所述检测模型进行验证。
在一种可选的方式中，训练模块进一步用于，根据所述多组训练数据训练时空自编码神经网络，得到检测模型，所述时空自编码神经网络包括空间自编码器和时间自编码器，所述空间自编码器包括空间编码器和空间解码器，所述时间自编码器包括时间编码器和时间解码器；所述空间编码器将输入的一组训练数据编码后，按照时间顺序合并，输入至时间自编码器；所述时间自编码器在学习到所述输入的一组训练数据的时间特征后，将该组训练数据输入至空间解码器；所述空间解码器将该组训练数据解码后，输出该组训练数据对应的重建训练数据；根据所述重建训练数据与所述训练数据的误差调整所述时空自编码神经网络的权值，直至所述误差最小；将所述误差最小的所述时空自编码神经网络作为所述检测模型。
在一种可选的方式中，所述时间自编码器由卷积长短期记忆神经网络构成，空间自编码器由卷积自编码神经网络构成。
根据本发明实施例的另一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述的一种通信机房异常检测方法对应的操作。
根据本发明实施例的又一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使所述处理器执行上述的一种通信机房异常检测方法对应的操作。
本发明实施例通过将获取的通信机房中连续的N个视频帧输入至检测模型，得到N个视频帧对应的N个重建视频帧，通过N个视频帧与N个重建视频帧的重建误差确定通信机房是否异常。通信机房中的视频帧可以连续获取，因此，通过本发明实施例，可以实现对通信机房的连续性检测，避免了传统人工视频监控中发生遗漏的问题。此外，检测模型是根据大量的通信机房正常状态下的历史视频帧训练得到的，因此，对于通信机房正常状态下的视频帧，通过检测模型得到的重建视频帧与获取的视频帧之间的重建误差较小，对于通信机房异常状态下的视频帧，通过检测模型得到的重建视频帧与获取的视频帧之间的重建误差较大，因此，通过本发明实施例可以对通信机房的异常状态进行可靠检测。
上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种通信机房异常检测方法的流程图；
图2示出了本发明另一实施例提供的一种通信机房异常检测方法的流程图；
图3示出了本发明实施例提供的时空自编码神经网络的结构示意图；
图4示出了本发明实施例提供的一种通信机房异常检测装置的功能框图；
图5示出了本发明实施例提供的一种计算设备的功能框图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
本发明实施例的应用场景是通信机房的异常检测，通信机房的异常包括漏水、火情、设备冒烟、人为破坏等。当通信机房发生异常时，获取到的通信机房的视频帧与通信机房在正常状态下获取到的视频帧具有很大不同。本发明实施例通过将采集到的视频帧输入检测模型，得到重建视频帧，并根据重建视频帧与输入的视频帧的重建误差确定通信机房是否发生异常。其中，检测模型是根据正常状态下通信机房的视频帧训练得到的，因此，当正常状态下的视频帧输入检测模型时，重建视频帧与输入的视频帧之间的重建误差小，当异常状态下的视频帧输入检测模型时，重建视频帧与输入的视频帧之间的重建误差大，根据重建误差的大小即可确定通信机房是否发生异常。下面通过各具体实施例对本发明实施例做具体说明。
图1示出了本发明一种通信机房异常检测方法实施例的流程图，如图1所示，该方法包括以下步骤：
步骤110：获取通信机房中连续的N个视频帧，N为大于0的自然数。
通信机房设置有高清摄像头，可以实时采集通信机房的高清视频数据，并通过通信网络将采集到的视频数据传输至检测系统中。检测系统可以设置在云端，也可以设置在靠近用户侧的多接入边缘计算平台MEC(Multi-access Edge Computing)上，考虑到高清视频数据量大，如果将高清视频数据上传至云端，会造成大量的延时，因此，本发明实施例的优选方案是将检测系统部署在MEC平台上，从而节省数据传输时间。MEC平台接收到来自通信机房的视频数据后，按照视频数据中每一个视频帧的出现时间，获取连续的N个视频帧进行检测。N代表的具体数值由本领域的技术人员在实施本发明实施例时人为设置。
步骤120：将N个视频帧输入至检测模型中，得到N个视频帧对应的N个重建视频帧。
在本步骤中，检测模型是预先训练好，存储在检测系统中的一个模型，检测模型是根据多组训练数据训练得到的，多组训练数据中的每一组均包括通信机房正常状态下连续的N个视频帧。应理解，多组训练数据是根据通信机房中获取的历史视频得到的。
在一些实施例中，在将N个视频帧输入至检测模型钱，对N个视频帧中每一个视频帧进行预处理操作，得到预处理后的每一个视频帧的标准视频帧，预处理操作包括灰度化处理、像素值转换和归一化。像素值转换时的具体转换至是根据检测模型的输入进行转换的。例如，检测模型可以接受的输入数据大小为227*227像素，则将N个视频帧中每一个视频帧的大小均转换为227*227像素。为了确保每一个视频帧的每一个像素都在同一范围，对每一个视频帧进行归一化，将每一个视频帧的每一个像素值按照比例压缩至0到1的范围，在对N个视频帧进行归一化时，按照公式
进行归一化，其中，imagest表示归一化后的视频帧，X表示一个视频帧，μ表示该视频帧X的均值，σ表示该视频帧X的标准差。
将预处理后得到的N个标准视频帧输入至检测模型中，得到N个视频帧对应的N个重建视频帧。
步骤130：计算N个视频帧与N个重建视频帧的重建误差。
在本步骤中，N个视频帧中的每一个视频帧均对应于一个重建视频帧，每一个视频帧和其对应的重建视频帧会产生一个重建误差，在一些实施例中，
根据公式L(t)＝‖x(t)-fW(x(t))‖2计算N个视频帧中每一个视频帧与相应的重建视频帧之间所有像素的误差，作为该视频帧与其对应的重建视频帧之间的重建误差，其中，x(t)表示N个视频帧中t时刻的视频帧，fW(x(t))表示t时刻的视频帧对应的重建视频帧，L(t)表示t时刻的视频帧对应的重建误差。
步骤140：当重建误差大于预设阈值时，确定通信机房异常。
在本步骤中，对于输入的N个视频帧，得到N个重建视频帧，N个视频帧和N个重建视频帧产生N个重建误差。在一些实施例中，当N个视频帧对应的N个重建误差中，存在至少一个视频帧的重建误差大于预设阈值时，确定所述通信机房异常。
值得说明的是，预设阈值是根据正常状态下重建误差的最大值确定的。在一些具体的实施方式中，预设阈值是通过训练检测模型时绘制PRC曲线确定的，该曲线以精准率和召回率为轴，按照不同的阈值进行绘制。曲线下的面积越大，或曲线更接近右上角，表示训练的检测模型越理想。在合理的准确率下，将召回率最高的阈值作为预设阈值。
本发明实施例通过将获取的通信机房中连续的N个视频帧输入至检测模型，得到N个视频帧对应的N个重建视频帧，通过N个视频帧与N个重建视频帧的重建误差确定通信机房是否异常。通信机房中的视频帧可以连续获取，因此，通过本发明实施例，可以实现对通信机房的连续性检测，避免了传统人工视频监控中发生遗漏的问题。此外，检测模型是根据大量的通信机房正常状态下的历史视频帧训练得到的，因此，对于通信机房正常状态下的视频帧，通过检测模型得到的重建视频帧与获取的视频帧之间的重建误差较小，对于通信机房异常状态下的视频帧，通过检测模型得到的重建视频帧与获取的视频帧之间的重建误差较大，因此，通过本发明实施例可以对通信机房的异常状态进行可靠检测。
图2示出了本发明一种通信机房异常检测方法另一个实施例的流程图，如图2所示，本发明实施例与上一实施例的不同之处在于，本发明实施例在执行上一方法实施例中的步骤110至步骤140之前，还包括以下步骤：
步骤210：获取通信机房中的历史视频数据。
步骤220：将历史视频数据按照时间顺序划分为多组连续的N个视频帧。
历史视频数据由大量的视频帧组成，按照视频帧的采集时间，每N个视频帧作为一组，对历史视频包含的视频帧进行划分，得到多组连续的N个视频帧。
步骤230：将所述多组连续的N个视频帧按照通信机房的状态划分为正常样本和异常样本。
每一组视频帧中包含的N个视频帧对应的通信机房的状态是已知的，当某一组视频帧中包含有至少一个通信机房异常状态下的视频帧时，则认为该组视频帧为异常样本，当某一组视频帧中包含的所有视频帧均为通信机房正常状态下的视频帧时，则认为该组视频帧为正常样本。本步骤中的N的具体数据与第一实施例中N的数据相同。
步骤240：将正常样本中的至少部分正常样本作为多组训练数据。
考虑到通信机房的异常场景下的视频帧很少，大部分视频帧为通信机房正常场景下的视频帧，且获取正常视频帧数据比较容易，因此将正常视频帧作为训练数据。
应理解，在正常样本中，可以将获取的全部正常样本作为多组训练数据，也可以将部分正常样本作为多组训练数据，选取的正常样本数量越多，训练得到的检测模型可靠性越高。
步骤250：将正常样本中至少部分正常样本和异常样本中至少部分异常样本作为多组测试数据。
在本步骤中，多组测试数据中的正常样本与训练样本可以一致，也可以不一致，优选的，为了更加准确的测试检测模型的可靠性，多组测试数据中的正常样本与训练样本不一致。
步骤260：根据多组训练数据训练检测模型。
在本步骤中，根据多组训练数据训练时空自编码神经网络，得到检测模型，时空自编码神经网络包括空间自编码器和时间自编码器，空间自编码器用于学习通信机房视频帧的空间特征，包括空间编码器和空间解码器，时间自编码器用于学习通信机房视频帧的时间特征，包括时间编码器和时间解码器。编码器用于对输入的数据进行压缩，提取输入的数据的特征，解码器用于将压缩后的数据进行解压重建。
在一些实施例中，时间自编码器由卷积长短期记忆神经网络构成，空间自编码器由卷积自编码神经网络构成。卷积长短期记忆神经网络相比于传统的全连接LSTM，使用卷积操作代替了LSTM中的向量乘法，LSTM单元内每条连接线上的权重均被滤波器所代替。卷积长短期记忆神经网络的计算公式为：ft＝σ(Wf·[ht-1,xt]+bf)，其中，xt表示输入信息，bf为输入层偏置向量，σ表示sigmoid函数，Wf表示遗忘门的权重，遗忘门的输出结果是一个介于0至1之间的数，1表示“完全保留该信息”，0表示“完全丢弃该信息”。输入门决定上一时刻神经元状态Ct-1中需要更新的信息，其计算公式为：it＝σ(Wi·[ht-1,xt]+bi)，
其中，Ct表示当前时刻神经元的状态，Wi、Wc分别表示输入门的权重，bi和bc分别为输入层偏置向量。输出包含两个部分，一部分是全部输出，一部分是用于输入下一LSTM神经元的输出，全部输出的计算公式为：ot＝σ(Wo[ht-1,xt]+bo)，用于输入下一LSTM神经元的输出的计算公式为：ht＝ot*tanh(Ct)，其中，Wo为输出层权重，bo为输出层偏置向量。在得到全部输出ot后，对ot去归一化即可得到输出结果。
检测模型的具体训练过程如下：空间编码器将输入的一组训练数据编码后，按照时间顺序合并，输入至时间自编码器；时间自编码器在学习到输入的一组训练数据的时间特征后，将该组训练数据输入至空间解码器；空间解码器将该组训练数据解码后，输出该组训练数据对应的重建训练数据；根据重建训练数据与训练数据的误差调整时空自编码神经网络的权值，直至误差最小；将误差最小的时空自编码神经网络作为检测模型。
在一种具体的实施方式中，使用时空自编码神经网络的结构如图3所示，空间编码器包含两层卷积层，第一层卷积层中滤波器，即卷积核的个数设置为128个，滤波器的形状设置为9*9，滑动步长设置为4，用于表示滤波器每次滑过的像素数为4，激活函数设置为“relu”，填充(padding)设置为“same”，即当输入数据不够卷积核扫描时会对输入数据补零。第二层卷积层中，滤波器的个数设置为64，滤波器的形状设置为5*5，滑动步长设置为2，激活函数设置为“relu”，填充(padding)设置为“same”。时间自编码器包含三层卷积长短期记忆神经网络层，滤波器的形状均设置为3*3，滤波器的个数依次为64、32、64，填充(padding)均设置为“same”。空间解码器与空间编码器对称设置，包含两个反卷积层，第一层反卷积层的卷积核设置为64个，滤波器形状设置为5*5，第二层反卷积层的卷积核设置为128个，滤波器形状设置为9*9。
在根据重建训练数据与训练数据的误差调整空间自编码神经网络的权值时，根据当前输入的一组训练数据与训练数据的误差，通过“adadelta”算法来改善传统梯度下降的学习速度，对学习率进行自适应约束。重建训练数据与训练数据的误差根据目标函数进行计算，在一种具体的实施方式中，目标函数选择为对数损失函数，根据目标函数调整时空自编码神经网络的权值，并将调整后的权值作为下一组训练数据的权值。将训练回合数设置为1000(epoch＝1000)，批处理大小设置为64(batch_size＝64)。时空自编码神经网络通过梯度下降找到使目标函数最小的权值，该权值能够最大程度重建输入数据，并且包含最丰富的信息。随着训练回合数的增加，训练误差逐渐下降，模型逐渐收敛，收敛后的模型即为检测模型。
步骤270：根据多组测试数据对检测模型进行验证。
根据多组测试数据对检测模型进行验证，当多组测试数据的准确率小于预设值时，则调整时空自编码神经网络的架构，对检测模型重新训练，若不小于预设值，则说明检测模型符合要求。
本发明实施例通过训练时空自编码神经网络作为检测模型，从而为检测未知的视频帧提供了检测模型。
图4示出了本发明一种通信机房异常检测装置实施例的功能框图。如图4所示，该装置包括：视频帧采集模块310，用于获取所述通信机房中连续的N个视频帧。输入模块320，用于将所述N个视频帧输入至检测模型中，得到所述N各视频帧对应的N个重建视频帧。计算模块330，用于计算所述N个视频帧与所述N个重建视频帧的重建误差。确定模块340，用于当所述重建误差大于预设阈值时，确定所述通信机房异常。
在一种可选的方式中，计算模块330进一步用于：根据公式L(t)＝‖x(t)-fW(x(t))‖2计算所述N个视频帧中每一个视频帧与相应的重建视频帧之间所有像素的误差；其中，x(t)表示N个视频帧中t时刻的视频帧，fW(x(t))表示t时刻的视频帧对应的重建视频帧，L(t)表示t时刻的视频帧对应的重建误差。确定模块340进一步用于：当所述N个视频帧中存在至少一个视频帧的重建误差大于预设阈值时，确定所述通信机房异常。
在一种可选的方式中，所述装置还包括：视频帧处理模块350，用于对所述N个视频帧中每一个视频帧进行预处理操作，得到预处理后的所述每一个视频帧的标准视频帧，所述预处理操作包括灰度化处理、像素值转换和归一化。输入模块进一步用于，将N个标准视频帧输入至检测模型中，得到所述N个视频帧对应的N个重建视频帧。
在一种可选的方式中，将所述N个视频帧中每一个视频帧进行归一化，包括：将N个视频帧中每一个视频帧按照公式
进行归一化；其中，imagest表示归一化后的视频帧，X表示一个视频帧，μ表示该视频帧X的均值，σ表示该视频帧X的标准差。
在一种可选的方式中，所述装置还包括：获取模块360，用于获取所述通信机房中的历史视频数据。第一划分模块370，用于将所述历史视频数据按照历史时间顺序划分为多组连续的N个视频帧。第二划分模块380，用于将所述多组连续的N个视频帧按照通信机房的状态划分为正常样本和异常样本。第一确定模块390，用于将所述正常样本中的至少部分样本作为所述多组训练数据。第二确定模块300，用于将所述正常样本中的至少部分正常样本和所述异常样本中的至少部分异常样本作为多组测试数据。训练模块301，用于根据所述多组训练数据训练所述检测模型。验证模块302，用于根据所述多组测试数据对所述检测模型进行验证。
在一种可选的方式中，训练模块301进一步用于，根据所述多组训练数据训练时空自编码神经网络，得到检测模型，所述时空自编码神经网络包括空间自编码器和时间自编码器，所述空间自编码器包括空间编码器和空间解码器，所述时间自编码器包括时间编码器和时间解码器；所述空间编码器将输入的一组训练数据编码后，按照时间顺序合并，输入至时间自编码器；所述时间自编码器在学习到所述输入的一组训练数据的时间特征后，将该组训练数据输入至空间解码器；所述空间解码器将该组训练数据解码后，输出该组训练数据对应的重建训练数据；根据所述重建训练数据与所述训练数据的误差调整所述时空自编码神经网络的权值，直至所述误差最小；将所述误差最小的所述时空自编码神经网络作为所述检测模型。
在一种可选的方式中，所述时间自编码器由卷积长短期记忆神经网络构成，空间自编码器由卷积自编码神经网络构成。
本发明实施例通过输入模块320将获取的通信机房中连续的N个视频帧输入至检测模型，得到N个视频帧对应的N个重建视频帧，通过计算模块330计算N个视频帧与N个重建视频帧的重建误差，并通过确定模块340根据该重建误差确定通信机房是否异常。通信机房中的视频帧可以连续获取，因此，通过本发明实施例，可以实现对通信机房的连续性检测，避免了传统人工视频监控中发生遗漏的问题。此外，检测模型是根据大量的通信机房正常状态下的历史视频帧训练得到的，因此，对于通信机房正常状态下的视频帧，通过检测模型得到的重建视频帧与获取的视频帧之间的重建误差较小，对于通信机房异常状态下的视频帧，通过检测模型得到的重建视频帧与获取的视频帧之间的重建误差较大，因此，通过本发明实施例可以对通信机房的异常状态进行可靠检测。
本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的一种通信机房异常检测方法对应的操作。
本发明实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任意方法实施例中的一种通信机房异常检测方法对应的操作。
图5示出了本发明一种计算设备实施例的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
如图5所示，该计算设备可以包括：处理器(processor)402、通信接口(Communications Interface)404、存储器(memory)406、以及通信总线408。
其中：处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。处理器402，用于执行程序410，具体可以执行上述用于通信机房异常检测方法实施例中的相关步骤。
具体地，程序410可以包括程序代码，该程序代码包括计算机操作指令。
处理器402可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器406，用于存放程序410。存储器406可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序410具体可以用于使得处理器402执行以下操作：获取所述通信机房中连续的N个视频帧，N为大于0的自然数；将所述N个视频帧输入至检测模型中，得到所述N个视频帧对应的N个重建视频帧，所述检测模型是根据多组训练数据训练得到的，所述多组训练数据中的每一组均包括所述通信机房正常状态下连续的N个视频帧；计算所述N个视频帧与所述N个重建视频帧的重建误差；当所述重建误差大于预设阈值时，确定所述通信机房异常。
在一种可选的方式中，程序410具体可以用于使得处理器402执行以下操作：根据公式L(t)＝‖x(t)-fW(x(t))‖2计算所述N个视频帧中每一个视频帧与相应的重建视频帧之间所有像素的误差；其中，x(t)表示N个视频帧中t时刻的视频帧，fW(x(t))表示t时刻的视频帧对应的重建视频帧，L(t)表示t时刻的视频帧对应的重建误差；当所述重建误差大于预设阈值时，确定所述通信机房异常，包括：当所述N个视频帧中存在至少一个视频帧的重建误差大于预设阈值时，确定所述通信机房异常。
在一种可选的方式中，程序410具体可以用于使得处理器402执行以下操作：对所述N个视频帧中每一个视频帧进行预处理操作，得到预处理后的所述每一个视频帧的标准视频帧，所述预处理操作包括灰度化处理、像素值转换和归一化；其中，将所述N个视频帧输入至检测模型中，得到所述N个视频帧对应的N个重建视频帧，包括：将N个标准视频帧输入至检测模型中，得到所述N个视频帧对应的N个重建视频帧。
在一种可选的方式中，程序410具体可以用于使得处理器402执行以下操作：将N个视频帧中每一个视频帧按照公式
进行归一化；其中，imagest表示归一化后的视频帧，X表示一个视频帧，μ表示该视频帧X的均值，σ表示该视频帧X的标准差。
在一种可选的方式中，程序410具体可以用于使得处理器402执行以下操作：获取所述通信机房中的历史视频数据；将所述历史视频数据按照时间顺序划分为多组连续的N个视频帧；将所述多组连续的N个视频帧按照通信机房的状态划分为正常样本和异常样本；将所述正常样本中的至少部分正常样本作为所述多组训练数据；将所述正常样本中的至少部分正常样本和所述异常样本中的至少部分异常样本作为多组测试数据；根据所述多组训练数据训练所述检测模型；根据所述多组测试数据对所述检测模型进行验证。
在一种可选的方式中，程序410具体可以用于使得处理器402执行以下操作：根据所述多组训练数据训练时空自编码神经网络，得到检测模型，所述时空自编码神经网络包括空间自编码器和时间自编码器，所述空间自编码器包括空间编码器和空间解码器，所述时间自编码器包括时间编码器和时间解码器；所述空间编码器将输入的一组训练数据编码后，按照时间顺序合并，输入至时间自编码器；所述时间自编码器在学习到所述输入的一组训练数据的时间特征后，将该组训练数据输入至空间解码器；所述空间解码器将该组训练数据解码后，输出该组训练数据对应的重建训练数据；根据所述重建训练数据与所述训练数据的误差调整所述时空自编码神经网络的权值，直至所述误差最小；将所述误差最小的所述时空自编码神经网络作为所述检测模型。
在一种可选的方式中，所述时间自编码器由卷积长短期记忆神经网络构成，空间自编码器由卷积自编码神经网络构成。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。
Claims (10)
1.一种通信机房异常检测方法，其特征在于，所述方法包括：
获取所述通信机房中连续的N个视频帧，N为大于0的自然数；
将所述N个视频帧输入至检测模型中，得到所述N个视频帧对应的N个重建视频帧，所述检测模型是根据多组训练数据训练得到的，所述多组训练数据中的每一组均包括所述通信机房正常状态下连续的N个视频帧；
计算所述N个视频帧与所述N个重建视频帧的重建误差；
当所述重建误差大于预设阈值时，确定所述通信机房异常。
2.根据权利要求1所述的方法，其特征在于，计算所述N个视频帧与所述N个重建视频帧的重建误差，包括：
根据公式L(t)＝‖x(t)-fw(x(t))‖2计算所述N个视频帧中每一个视频帧与相应的重建视频帧之间所有像素的误差；
其中，x(t)表示N个视频帧中t时刻的视频帧，fw(x(t))表示t时刻的视频帧对应的重建视频帧，L(t)表示t时刻的视频帧对应的重建误差；
当所述重建误差大于预设阈值时，确定所述通信机房异常，包括：当所述N个视频帧中存在至少一个视频帧的重建误差大于预设阈值时，确定所述通信机房异常。
3.根据权利要求1所述的方法，其特征在于，在获取所述通信机房中连续的N个视频帧之后，所述方法还包括：
对所述N个视频帧中每一个视频帧进行预处理操作，得到预处理后的所述每一个视频帧的标准视频帧，所述预处理操作包括灰度化处理、像素值转换和归一化；
其中，将所述N个视频帧输入至检测模型中，得到所述N个视频帧对应的N个重建视频帧，包括：
将N个标准视频帧输入至检测模型中，得到所述N个视频帧对应的N个重建视频帧。
4.根据权利要求3所述的方法，其特征在于，将所述N个视频帧中每一个视频帧进行归一化，包括：
将N个视频帧中每一个视频帧按照公式
进行归一化；
其中，imagest表示归一化后的视频帧，X表示一个视频帧，μ表示该视频帧X的均值，σ表示该视频帧X的标准差。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述通信机房中的历史视频数据；
将所述历史视频数据按照时间顺序划分为多组连续的N个视频帧；
将所述多组连续的N个视频帧按照通信机房的状态划分为正常样本和异常样本；
将所述正常样本中的至少部分正常样本作为所述多组训练数据；
将所述正常样本中的至少部分正常样本和所述异常样本中的至少部分异常样本作为多组测试数据；
根据所述多组训练数据训练所述检测模型；
根据所述多组测试数据对所述检测模型进行验证。
6.根据权利要求5所述的方法，其特征在于，根据所述多组训练数据训练所述检测模型，包括：
根据所述多组训练数据训练时空自编码神经网络，得到检测模型，所述时空自编码神经网络包括空间自编码器和时间自编码器，所述空间自编码器包括空间编码器和空间解码器，所述时间自编码器包括时间编码器和时间解码器；
所述空间编码器将输入的一组训练数据编码后，按照时间顺序合并，输入至时间自编码器；
所述时间自编码器在学习到所述输入的一组训练数据的时间特征后，将该组训练数据输入至空间解码器；
所述空间解码器将该组训练数据解码后，输出该组训练数据对应的重建训练数据；
根据所述重建训练数据与所述训练数据的误差调整所述时空自编码神经网络的权值，直至所述误差最小；
将所述误差最小的所述时空自编码神经网络作为所述检测模型。
7.根据权利要求6所述的方法，其特征在于，所述时间自编码器由卷积长短期记忆神经网络构成，空间自编码器由卷积自编码神经网络构成。
8.一种通信机房异常检测装置，其特征在于，所述装置包括：
视频帧采集模块，用于获取所述通信机房中连续的N个视频帧；
输入模块，用于将所述N个视频帧输入至检测模型中，得到所述N各视频帧对应的N个重建视频帧；
计算模块，用于计算所述N个视频帧与所述N个重建视频帧的重建误差；
确定模块，用于当所述重建误差大于预设阈值时，确定所述通信机房异常。
9.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7任一项所述的一种通信机房异常检测方法对应的操作。
10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7任一项所述的一种通信机房异常检测方法对应的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910611898.9A CN112199977A (zh) | 2019-07-08 | 2019-07-08 | 通信机房异常检测方法、装置及计算设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910611898.9A CN112199977A (zh) | 2019-07-08 | 2019-07-08 | 通信机房异常检测方法、装置及计算设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112199977A true CN112199977A (zh) | 2021-01-08 |
Family
ID=74004484
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910611898.9A Pending CN112199977A (zh) | 2019-07-08 | 2019-07-08 | 通信机房异常检测方法、装置及计算设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112199977A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114199304A (zh) * | 2021-11-05 | 2022-03-18 | 华能金昌光伏发电有限公司 | 光伏电站通信机房的异常检测方法、装置及计算机设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN205844850U (zh) * | 2016-07-30 | 2016-12-28 | 陈先刚 | 一种电力信通运检用通信机房检测系统 |
| CN108593084A (zh) * | 2018-03-30 | 2018-09-28 | 刘文飞 | 一种通信机房设备健康状态的检测分析方法 |
| CN109214253A (zh) * | 2017-07-07 | 2019-01-15 | 阿里巴巴集团控股有限公司 | 一种视频帧检测方法及装置 |
-
2019
- 2019-07-08 CN CN201910611898.9A patent/CN112199977A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN205844850U (zh) * | 2016-07-30 | 2016-12-28 | 陈先刚 | 一种电力信通运检用通信机房检测系统 |
| CN109214253A (zh) * | 2017-07-07 | 2019-01-15 | 阿里巴巴集团控股有限公司 | 一种视频帧检测方法及装置 |
| CN108593084A (zh) * | 2018-03-30 | 2018-09-28 | 刘文飞 | 一种通信机房设备健康状态的检测分析方法 |
Non-Patent Citations (5)
| Title |
|---|
| YONG SHEAN CHONG ET AL: "Abnormal Event Detection in Videos using Spatiotemporal Autoencoder", 《HTTPS://ARXIV.ORG/PDF/1701.01546.PDF》, pages 3 * |
| YONG SHEAN CHONG等: "Abnormal Event Detection in Videos using Spatiotemporal Autoencoder", 《HRRPS://ARXOV.ORG/PDF/1701.01546.PDF》, vol. 1, 9 January 2017 (2017-01-09), pages 119 - 128 * |
| YONG SHEAN CHONG等: "Abnormal Event Detection in Videos using Spatiotemporal Autoencoder", 《HRRPS://ARXOV.ORG/PDF/1701.01546.PDF》, vol. 1, pages 119 - 128 * |
| 冯超: "《深度学习轻松学 核心算法与视觉实践》", 31 July 2017, 电子工业出版社, pages: 236 - 237 * |
| 康琦等: "《机器学习中的不平衡分类方法》", 31 October 2017, 同济大学出版社, pages: 8 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114199304A (zh) * | 2021-11-05 | 2022-03-18 | 华能金昌光伏发电有限公司 | 光伏电站通信机房的异常检测方法、装置及计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109241895B (zh) | 密集人群计数方法及装置 | |
| CN109166130B (zh) | 一种图像处理方法及图像处理装置 | |
| US11393090B2 (en) | Online adaptation of neural networks | |
| CN110163813B (zh) | 一种图像去雨方法、装置、可读存储介质及终端设备 | |
| CN109584209B (zh) | 血管壁斑块识别设备、系统、方法及存储介质 | |
| CN111402130B (zh) | 数据处理方法和数据处理装置 | |
| CN109934300B (zh) | 模型压缩方法、装置、计算机设备及存储介质 | |
| CN108230291B (zh) | 物体识别系统训练方法、物体识别方法、装置和电子设备 | |
| CN112541864A (zh) | 一种基于多尺度生成式对抗网络模型的图像修复方法 | |
| CN111881926A (zh) | 图像生成、图像生成模型的训练方法、装置、设备及介质 | |
| CN113065635A (zh) | 一种模型的训练方法、图像增强方法及设备 | |
| CN110858288A (zh) | 一种异常行为的识别方法及装置 | |
| CN113807361B (zh) | 神经网络、目标检测方法、神经网络训练方法及相关产品 | |
| CN113066065B (zh) | 无参考图像质量检测方法、系统、终端及介质 | |
| CN113658040A (zh) | 一种基于先验信息和注意力融合机制的人脸超分辨方法 | |
| CN109961397B (zh) | 图像重建方法及设备 | |
| CN112802076A (zh) | 反射图像生成模型及反射去除模型的训练方法 | |
| CN110503152B (zh) | 用于目标检测的双路神经网络训练方法及图像处理方法 | |
| CN115631107A (zh) | 边缘引导的单幅图像噪声去除 | |
| CN112199977A (zh) | 通信机房异常检测方法、装置及计算设备 | |
| CN114120454A (zh) | 活体检测模型的训练方法、装置、电子设备及存储介质 | |
| CN112818946A (zh) | 年龄识别模型的训练、年龄识别方法、装置及电子设备 | |
| CN110633630B (zh) | 一种行为识别方法、装置及终端设备 | |
| CN114820755B (zh) | 一种深度图估计方法及系统 | |
| CN112203311A (zh) | 网元异常诊断方法、装置、设备及计算机存储介质 |
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 |