CN112364716A - 核电设备异常信息检测方法、装置和计算机设备 - Google Patents
核电设备异常信息检测方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN112364716A CN112364716A CN202011146002.3A CN202011146002A CN112364716A CN 112364716 A CN112364716 A CN 112364716A CN 202011146002 A CN202011146002 A CN 202011146002A CN 112364716 A CN112364716 A CN 112364716A
- Authority
- CN
- China
- Prior art keywords
- equipment
- image
- network
- abnormal
- frame
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 144
- 238000001514 detection method Methods 0.000 title claims abstract description 113
- 230000011218 segmentation Effects 0.000 claims abstract description 123
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000012544 monitoring process Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012806 monitoring device Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 description 22
- 230000008569 process Effects 0.000 description 18
- 238000005192 partition Methods 0.000 description 9
- 244000141353 Prunus domestica Species 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 238000013138 pruning Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003758 nuclear fuel Substances 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
本申请涉及一种核电信息技术领域的核电设备异常信息检测方法、装置和计算机设备。所述方法包括:获取监控设备采集的视频数据,所述视频数据中包括多帧设备图像;调用预先建立的设备部位分割模型,将多帧设备图像输入至所述设备部位分割模型中,通过所述设备部位分割模型对各帧设备图像进行分割,输出各帧设备图像对应的多个设备部位图像;将各设备部位图像输入至部位异常检测模型中,通过所述部位异常检测模型对各设备部位图像进行检测,输出检测结果;当所述检测结果中存在异常设备部位信息时,根据所述异常设备部位信息生成告警信息。采用本方法能够提高核电设备异常信息监测效率。
Description
技术领域
本申请涉及核电信息技术领域,特别是涉及一种核电设备异常信息检测方法、装置、计算机设备和存储介质。
背景技术
核电作业是指核电厂中的员工所从事的工作、业务或者生产任务等。核电厂是通过核燃料在核反应堆中产生的热能来进行发电。由于核电厂的特殊性,在核电作业过程中需要保证核电厂最基本的安全,因此,核电厂需要在核电作业的实施过程中对核电设备进行实时监测,判断核电设备是否存在异常。传统方式是通过监控设备采集核电作业过程中核电设备的视频数据,并通过人工查看视频数据,来判断核电设备是否存在异常,由于人工监测需要花费大量的时间和精力,导致核电设备异常信息的监测效率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高核电设备异常信息监测效率的核电设备异常信息检测方法、装置、计算机设备和存储介质。
一种核电设备异常信息检测方法,所述方法包括:
获取监控设备采集的视频数据,所述视频数据中包括多帧设备图像;
调用预先建立的设备部位分割模型,将多帧设备图像输入至所述设备部位分割模型中,通过所述设备部位分割模型对各帧设备图像进行分割,输出各帧设备图像对应的多个设备部位图像;
将各设备部位图像输入至部位异常检测模型中,通过所述部位异常检测模型对各设备部位图像进行检测,输出检测结果;
当所述检测结果中存在异常设备部位信息时,根据所述异常设备部位信息生成告警信息。
在其中一个实施例中,所述设备部位分割模型包括预设子网络、第一分支子网络以及第二分支子网络,所述通过所述设备部位分割模型对各帧设备图像进行分割,输出各帧设备图像对应的多个设备部位图像包括:
通过所述设备部位分割模型中的预设子网络对各帧设备图像进行特征提取,输出各帧图像对应的特征图;
将所述特征图输入至第一分支子网络以及第二分支子网络中,得到所述第一分支子网络输出的第一运算结果,以及所述第二分支子网络输出的第二运算结果;
通过所述设备部位分割模型对所述第一运算结果以及所述第二运算结果进行线性处理,根据线性处理后的运算结果对各帧设备图像进行分割,得到各帧设备图像对应的多个设备部位图像。
在其中一个实施例中,所述当所述检测结果中存在异常设备部位信息时,根据所述异常设备部位信息生成告警信息包括:
当所述检测结果中存在异常设备部位信息时,确定所述异常设备部位信息对应的异常级别;
根据所述异常级别确定相应的告警策略;
通过所述告警策略生成所述异常设备部位信息对应的告警信息。
在其中一个实施例中,所述方法还包括:
对历史异常设备信息进行筛选,确定异常概率满足预设条件的设备部位信息,将确定的设备部位信息作为目标设备部位信息;
在所述设备部位图像中识别所述目标设备部位信息对应的目标部位图像;
将所述目标部位图像输入至部位异常检测模型中,通过所述部位异常检测模型对所述目标部位图像进行检测,输出检测结果。
在其中一个实施例中,在所述将多帧设备图像输入至所述设备部位分割模型中之前,所述方法还包括:
对多帧设备图像进行几何校正,得到校正后的多帧设备图像;
对所述校正后的多帧设备图像进行归一化处理,得到归一化后的多帧设备图像;
对所述归一化后的多帧设备图像进行滤波处理,得到预处理后的多帧设备图像。
在其中一个实施例中,在所述获取监控设备上传的视频数据之前,所述方法还包括:
获取样本设备图像;
调用原始设备部位分割模型,对所述原始设备部位分割模型进行解析,得到所述原始设备部位分割模型对应的原模型网络;
调用预设子网络,根据所述预设子网络对所述原模型网络的相应网络部分进行更换,得到目标模型网络,将所述目标模型网络对应的设备部位分割模型作为预先建立的设备部位分割模型。
一种核电设备异常信息检测装置,所述装置包括:
通信模块,用于获取监控设备采集的视频数据,所述视频数据中包括多帧设备图像;
分割模块,用于调用预先建立的设备部位分割模型,将多帧设备图像输入至所述设备部位分割模型中,通过所述设备部位分割模型对各帧设备图像进行分割,输出各帧设备图像对应的多个设备部位图像;
检测模块,用于将各设备部位图像输入至部位异常检测模型中,通过所述部位异常检测模型对各设备部位图像进行检测,输出检测结果;
生成模块,用于当所述检测结果中存在异常设备部位信息时,根据所述异常设备部位信息生成告警信息。
一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述各个方法实施例中的步骤。
上述核电设备异常信息检测方法、装置、计算机设备和存储介质,获取监控设备采集的视频数据,视频数据中包括多帧设备图像。调用预先建立的设备部位分割模型,将多帧设备图像输入至设备部位分割模型中,通过设备部位分割模型对各帧设备图像进行分割,输出各帧设备图像对应的多个设备部位图像。从而将各设备部位图像输入至部位异常检测模型中,通过部位异常检测模型对各设备部位图像进行检测,输出检测结果,当检测结果中存在异常设备部位信息时,根据异常设备部位信息生成告警信息。能够自动对获取到的视频数据进行异常检测,在发现异常时,可生成告警信息,提示相关人员对异常核电设备进行异常处理,减小了核电作业过程中的安全隐患。异常检测过程无需人工处理,有效提高了核电设备异常信息的监测效率。另外,通过将设备图像进行分割,能够对各设备部位进行针对性的识别,能够更加准确地对核电设备的异常信息进行识别,避免了传统人工监测容易出现失误的问题,有效提高了对核电设备进行异常信息检测的准确性。
附图说明
图1为一个实施例中核电设备异常信息检测方法的应用环境图;
图2为一个实施例中核电设备异常信息检测方法的流程示意图;
图3为一个实施例中通过设备部位分割模型对各帧设备图像进行分割,输出各帧设备图像对应的多个设备部位图像方法步骤的流程示意图;
图4为一个实施例中核电设备异常信息检测装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的核电设备异常信息检测方法,可以应用于如图1所示的应用环境中。其中,监控设备102与服务器104通过网络进行通信。服务器104与告警设备106通过网络进行连接。在核电作业过程中,监控设备102采集多个作业区域中的视频数据,将采集到的视频数据发送至服务器104。服务器104对视频数据进行解码,得到多帧设备图像。服务器调用预先建立的设备部位分割模型,将多帧设备图像输入至设备部位分割模型中,通过识别部位分割模型对各帧设备图像进行分割,输出各帧设备图像对应的多个设备部位图像。服务器104件各设备部位图像输入至部位异常检测模型中,通过部位异常检测模型对各设备部位图像进行检测,输出检测结果。当检测结果中存在异常设备部位信息时,服务器104根据异常设备部位信息生成告警信息。服务器104将告警信息发送至告警设备106,通过告警设备106根据告警信息发出告警。其中,监控设备102可以但不限于是各种视频采集设备和图像采集设备。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。告警设备106可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
在一个实施例中,如图2所示,提供了一种核电设备异常信息检测方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,在核电作业过程中,获取监控设备采集的视频数据,视频数据中包括多帧设备图像。
核电作业是指核电厂中的员工所从事的工作、业务或者生产任务等。核电厂的多个作业区域中可以预先安装有多种类型的监控设备。例如,可以包括位置固定的监控设备以及可移动的监控设备。在核电作业实施之前,以及在核电作业过程中,可以通过预先安装的监控设备采集相应作业区域内的核电设备的视频数据。服务器获取监控设备采集到的视频数据。视频数据是指连续的图像序列,视频数据可以包括连续多帧在时间上存在先后顺序的图像。帧是视频数据中的最小视觉单元,视频数据中的每一帧可以对应一个图像。服务器对视频数据进行解码,得到视频数据中的多帧设备图像。在核电作业实施之前,通过监控设备采集核电设备的视频数据能够预先对核电设备进行检查,以对异常核电设备进行维修。在核电作业过程中,通过监控设备采集核电设备的视频数据能够实时监控核电设备的运行状态,及时发现异常核电设备,确保核电设备在安全状态下运行。
步骤204,调用预先建立的设备部位分割模型,将多帧设备图像输入至设备部位分割模型中,通过设备部位分割模型对各帧设备图像进行分割,输出各帧设备图像对应的多个设备部位图像。
服务器中预先配置有设备部位分割模型,设备部位分割模型是通过对传统的设备部位分割模型的网络结构进行简化,并通过大量的样本数据训练得到的,例如,传统的设备部位分割模型可以是YOLACT(You Only Look At CoefficienTs,只考虑系数)实例分割模型。样本数据包括核电设备的各个部位图像。服务器调用预先建立的设备部位分割模型,通过设备部位分割模型对各帧设备图像进行特征提取,得到各帧设备图像对应的特征图。特征图中可以包括各帧设备图像中设备目标对应的多个设备部位的特征信息。设备部位的特征信息可以包括各设备部位对应的部位区域以及各部位区域对应的部位类别。其中,设备部位对应的部位区域可以是矩形区域,也可以是其他形状的区域范围。当核电设备为齿轮箱时,对应的部位类别可以包括排油丝堵、管件头等。当核电设备为汽轮机时,对应的部位类别可以包括汽缸、轴承、叶轮、汽封、联轴器等。当设备图像中存在多个相同类别的设备目标时,设备部位分割模型可以通过特征提取得到的特征图将将相同类别的多个设备目标切割出来,划分属于各设备目标的像素,能够对设备图像进行像素级别的划分。从而服务器通过设备部位分割模型根据设备部位的特征信息确定各部位类别在设备图像中对应的位置区域,根据该位置区域对各帧设备图像进行分割,进而得到各帧设备图像中设备目标对应的多个设备部位图像。当核电设备为齿轮箱时,对应的设备部位图像可以包括排油丝堵图像、管件头图像等。当核电设备为汽轮机时,对应的设备部位图像可以包括汽缸图像、轴承图像、叶轮图像等。
步骤206,将各设备部位图像输入至部位异常检测模型中,通过部位异常检测模型对各设备部位图像进行检测,输出检测结果。
服务器中预先配置有部位异常检测模型。部位异常检测模型可以是通过大量样本数据训练得到的。样本数据可以是标注有异常信息的设备部位图像。服务器在通过设备部位分割模型输出设备部位图像之后,调用部位异常检测模型,将设备部位图像输入至部位异常检测模型中,通过部位异常检测模型对设备对设备部位图像进行识别检测,从而输出检测结果。检测结果可以包括核电设备运行正常以及异常设备部位信息。例如,当核电设备为齿轮箱时,异常设备部位信息可以包括齿轮箱排油丝堵漏油、管件头漏油等。当核电设备为汽轮机时,异常设备信息可以包括汽缸变形、汽缸漏气等。
步骤208,当检测结果中存在异常设备部位信息时,根据异常设备部位信息生成告警信息。
当检测结果为核电设备运行正常时,服务器可以重复上述获取监控设备采集的视频数据,并通过视频数据对核电设备进行异常检测的步骤。当检测结果中存在异常设备部位信息时,异常设备部位信息是指核电设备的具体部位对应的异常信息。服务器可以根据异常设备信息生成告警信息。告警信息可以包括多种信息类型。例如,告警信息可以是文本信息、语音信息中的至少一种。服务器可以将告警信息发送至告警设备。通过告警设备展示或者播放告警信息,以提示相关人员对异常核电设备进行异常处理,如进一步对异常设备进行异常检查。告警设备可以包括核电作业过程中检修人员对应的告警设备、作业区域内预先安装的告警设备及核电作业人员对应的终端中的至少一种。
在其中一个实施例中,视频数据中还包括监控设备所在作业区域的区域标识。当服务器通过部位异常检测模型输出的检测结果中存在异常设备部位信息时,可以根据异常设备部位信息对应的核电设备标识确定相应的区域标识,从而服务器可以根据区域标识以及异常设备部位信息生成告警信息,将告警信息发送至核电作业过程中检修人员对应的告警设备,以使检修人员根据区域标识及时确定相应作业区域中的核电作业人员,并与核电作业人员进行通信,实现通过远程通信的方式对异常设备及时进行异常处理。
在其中一个实施例中,检测结果中还可以包括设备部位图像对应的异常设备部位信息的置信度。置信度可以是设备部位图像存在异常设备部位信息的准确率。服务器将置信度与阈值进行比较,选取置信度大于阈值的异常设备部位信息,根据选取的异常设备部位信息生成告警信息。将置信度小于或者等于阈值的异常设备部位信息以及相应的设备部位图像发送至相应的检测人员,以使检测人员对置信度小于或者等于阈值的异常设备部位信息以及相应的设备部位图像进行再次检测,确定目标异常设备信息。具体的,服务器根据置信度小于或者等于阈值的异常设备部位信息对应的设备部位图像获取相应的监控设备的设备标识,根据设备标识确定作业区域的区域标识,从而根据区域标识获取相应的检修人员的通信标识,进而将置信度小于或者等于阈值的异常设备部位信息以及相应的设备部位图像发送至通信标识对应的检修终端,以使检修人员对置信度小于或者等于阈值的异常设备部位信息对应的设备部位图像进行再次检测,能够进一步提高异常设备部位信息的检测准确性。检修人员在检测之后,能够及时确定相应作业区域中的核电作业人员,并与核电作业人员进行通信,实现通过远程通信的方式对异常设备及时进行异常处理。
在本实施例中,服务器获取监控设备采集的视频数据,视频数据中包括多帧设备图像。调用预先建立的设备部位分割模型,将多帧设备图像输入至设备部位分割模型中,通过设备部位分割模型对各帧设备图像进行分割,输出各帧设备图像对应的多个设备部位图像。从而将各设备部位图像输入至部位异常检测模型中,通过部位异常检测模型对各设备部位图像进行检测,输出检测结果,当检测结果中存在异常设备部位信息时,根据异常设备部位信息生成告警信息。能够自动对获取到的视频数据进行异常检测,在发现异常时,可生成告警信息,提示相关人员对异常核电设备进行异常处理,减小了核电作业过程中的安全隐患。异常检测过程无需人工处理,有效提高了核电设备异常信息的监测效率。另外,通过将设备图像进行分割,能够对各设备部位进行针对性的识别,能够更加准确地对核电设备的异常信息进行识别,避免了传统人工监测容易出现失误的问题,有效提高了对核电设备进行异常信息检测的准确性。
在一个实施例中,设备部位分割模型包括预设子网络、第一分支子网络以及第二分支子网络,如图3所示,通过设备部位分割模型对各帧设备图像进行分割,输出各帧设备图像对应的多个设备部位图像的步骤包括:
步骤302,通过设备部位分割模型中的预设子网络对各帧设备图像进行特征提取,输出各帧图像对应的特征图。
步骤304,将特征图输入至第一分支子网络以及第二分支子网络中,得到第一分支子网络输出的第一运算结果,以及第二分支子网络输出的第二运算结果。
步骤306,通过设备部位分割模型对第一运算结果以及第二运算结果进行线性处理,根据线性处理后的运算结果对各帧设备图像进行分割,得到各帧设备图像对应的多个设备部位图像。
设备部位分割模型是对传统的设备部位分割模型的网络结构进行简化得到的,其中,传统的设备部位分割模型可以是YOLACT实例分割模型。实例分割是指通过目标检测方法对图像进行检测,框出多个实例区域,再通过语义分割方法在每个实例区域内进行像素标记,即实例分割是目标检测与语义分割的结合。设备部位分割模型可以包括预设子网络、第一分支子网络以及第二分支子网络。预设子网络、第一分支子网络以及第二分支子网络之间存在先后顺序关系。第一分支子网络与第二分支子网络是两个并行的子网络,存在于预设子网络之后。预设子网络为特征提取网络,是通过对传统的设备部位分割模型的相应网络结构进行更换后得到的。例如,当传统的设备部位分割模型为YOLACT实例分割模型时,预设子网络为ResNet50。服务器根据ResNet50确定YOLACT实例分割模型中的待更换网络为ResNet101。待更换网络ResNet101为特征提取网络。进而将ResNet50对ResNet101进行更换,使得YOLACT网络中的特征提取网络变为ResNet50。第一分支子模型网络可以用于预测设备图像的原型掩码(prototype mask)。第二分支子模型网络可以用于预测设备图像的掩码系数(mask coefficients)、目标检测框以及设备图像中目标的类别。
服务器通过预设子网络对各帧设备图像进行特征提取,输出各帧图像对应的特征图。特征图为预设子网络对各帧设备图像进行运算后的高维抽象表示。服务器将特征图分别输入至第一分支子网络以及第二分支子网络中,通过第一分支子网络对特征图进行运算,输出第一运算结果。第一运算结果可以包括各帧设备图像的原型掩码。通过第二分支子网络对各帧设备图像进行运算,输出第二运算结果。第二运算结果可以包括各帧设备图像的掩码系数、目标检测框以及设备图像中目标的类别。服务器进而通过设备部位分割模型对第一运算结果以及第二运算结果进行线性处理,得到线性处理后的运算结果,其中,线性处理是指针对每一个目标检测框中的实例,将对应的掩膜系数与原型掩膜进行相乘,并累加,得到实例掩码,即线性处理后的运算结果。设备部位分割模型根据线性处理后的运算结果对各帧设备图像进行分割,得到各帧设备图像对应的多个设备部位图像。
在本实施例中,设备部位分割模型是通过两个分支子网络对特征图进行并行运算,实现将复杂的分割过程划分为两个简单的并行运算过程,且无需进行特征定位,从而提高了设备部位图像的分割效率。由于设备部位分割模型是对传统的设备部位分割模型的网络结构进行简化得到的,减小了原模型网络的网络结构,同时减少了网络结构中的网络通道数量,从而有效减少了设备部位图像分割的计算量,减少了不必要的计算时间消耗,从而进一步提高了设备部位图像的分割效率,另外,也降低了模型占用的存储空间。
在一个实施例中,当检测结果中存在异常设备部位信息时,根据异常设备部位信息生成告警信息包括:当检测结果中存在异常设备部位信息时,确定异常设备部位信息对应的异常级别;根据异常级别确定相应的告警策略;通过告警策略生成异常设备部位信息对应的告警信息。
服务器在获取到检测结果后,对检测结果进行分析,确定检测结果中的异常设备部位信息。服务器确定异常设备部位信息对应的异常级别。异常级别可以是根据异常信息的危险程度进行划分的,具体可以按照危险程度由大到小划分为一级异常、二级异常、三级异常等。具体的,服务器可以提取异常设备信息中的关键字。关键字可以是与异常级别相关的信息。例如,冒烟、失火等。服务器将关键字与多个异常级别的异常信息进行匹配,将匹配度大于阈值的异常级别作为异常设备信息对应的异常级别。例如,当设备部位冒烟时,对应的异常级别可以是三级异常。当设备部位着火时,对应的异常级别可以是一级异常。不同异常级别的异常设备部位信息可以对应不同的告警策略。告警策略可以包括告警信息对应的处理人员。处理人员可以包括核电作业人员以及检修人员。当服务器根据异常级别确定告警策略之后,根据告警策略生成异常设备部位信息对应的告警信息,获取相应处理人员的通信标识,从而将告警信息发送至通信标识对应的终端。例如,当异常级别为三级异常时,表明危险程度较低,可以由核电作业人员自行处理。当异常级别为一级异常或者二级异常时,表明危险程度较高,需要由专业的检修人员进行处理。
在本实施例中,服务器通过确定异常设备部位信息对应的异常级别,根据异常级别确定相应的告警策略,通过告警策略生成异常设备部位信息对应的告警信息。能够根据异常设备部位信息的危险程度选择不同的告警策略,在危险程度较低时,可由作业人员自行处理,进一步提高了异常设备部位信息的处理效率,保证了核电作业的正常运行。
在一个实施例中,上述方法还包括:对历史异常设备信息进行筛选,确定异常概率最高的设备部位信息,将确定的设备部位信息作为目标设备部位信息;在设备部位图像中识别目标设备部位信息对应的目标部位图像;将目标部位图像输入至部位异常检测模型中,通过部位异常检测模型对目标部位图像进行检测,输出检测结果。
服务器还可以通过历史异常设备信息确定需要重点监测的设备部位信息。具体的,服务器获取历史异常设备信息,根据设备部位的类别对历史异常设备信息进行统计,在统计的历史异常设备信息中确定异常概率满足预设条件设备部位对应的设备部位信息,并将确定的设备部位信息作为目标设备部位信息。预设条件可以是异常概率大于概率阈值的设备部位。概率阈值是指设备部位发生异常的正常概率值。从而服务器在设备部位分割模型输出的设备部位图像中识别目标设备信息对应的目标部位图像,进而将目标盘部位图像输入至部位异常检测模型中,通过异常部位检测模型对目标部位图像进行运算,输出检测结果。通过历史异常设备信息确定异常概率较高的设备部位,从而只需要对异常概率较高的设备部位进行异常检测,进一步提高了核电设备异常信息的检测效率。
在一个实施例中,在将多帧设备图像输入至设备部位分割模型中之前,上述方法还包括:对多帧设备图像进行几何校正,得到校正后的多帧设备图像;对校正后的多帧设备图像进行归一化处理,得到归一化后的多帧设备图像;对归一化后的多帧设备图像进行滤波处理,得到预处理后的多帧设备图像。
服务器在将多帧设备图像输入至设备部位分割模型中之前,可以对多帧设备图像进行预处理。预处理的方式可以包括几何校正、归一化处理、滤波处理等。具体的,服务器调用角点检测函数对多帧设备图像进行角点检测,得到对应多帧设备图像的角点位置坐标,服务器利用梯度下降算法迭代拟合函数,得到对应的拟合函数参数。服务器根据拟合函数参数,计算多帧设备图像中每个点畸变后的位置坐标,选取近邻的像素值替代原始像素值,即可得到校正后的多帧设备图像。能够对设备图像中的几何畸变进行误差校正。服务器对校正后的多帧设备图像进行归一化处理,得到归一化后的多帧设备图像。能够将设备图像转换为统一的标准化格式。服务器调用图像处理函数对归一化后的多帧设备图像进行滤波处理,能够去除设备图像中的噪声。通过上述操作,能够提高后续图像分割以及异常检测的准确性。
在一个实施例中,在获取监控设备上传的视频数据之前,上述方法还包括:获取样本设备图像;调用原始设备部位分割模型,对原始设备部位分割模型进行解析,得到原始设备部位分割模型对应的原模型网络;调用预设子网络,根据所述预设子网络对原模型网络的相应网络部分进行更换,得到目标模型网络,将目标模型网络对应的设备部位分割模型作为预先建立的设备部位分割模型。
服务器在获取监控设备上传的视频数据之前,可以先对原始设备部位分割模型进行结构简化以及训练。具体的,服务器获取样本设备图像,样本设备图像为多种核电设备的设备部位图像。样本设备图像用于对结构简化后的原始设备部位分割模型进行训练。服务器调用原始设备部位分割模型,对原始设备部位分割模型进行解析,得到原始设备部位分割模型对应的原模型网络。原模型网络是指服务器调用的原始设备部位分割模型对应的神经网络结构。原始设备部位分割模型可以包括多个计算层,每个计算层可以对应数据操作。计算层与计算层之间可以存在条件或关联关系。例如,一些计算层的输出可以为对应计算层的输入。原始设备部位分割模型包括的计算层以及计算层之间的关联关系构成了原始设备部位分割模型对应的原模型网络。原模型网络中可以包括多个模型子网络。在原模型网络中,计算层与计算层之间的关联关系以及先后顺序都是固定的,对于不同的原始设备部位分割模型可以对应不同的网络结构。例如,当原始设备部位分割模型为YOLACT实例分割模型时,YOLACT实例分割模型可以包括输入层、卷积层以及输出层等。YOLACT实例分割模型对应的原模型网络为YOLACT网络。
预设子网络可以是根据用户需求预先设置的,用于对原模型网络进行优化。预设子网络可以包括多个计算层以及多个计算层之间的关联关系,计算层之间的关联关系具体可以包括计算层之间的逻辑条件和输入输出关系。服务器可以根据预设子网络在原模型网络中确定待更换子网络。待更换子网络为原模型网络中可以进行优化的子网络结构。进而服务器利用预设子网络更换该待更换子网络,得到目标模型网络,实现对原模型网络进行网络更换。服务器根据预设子网络对原模型网络进行更换之后,可以对更换后得到的目标模型网络进行训练,当目标模型网络的损失不再下降时,停止网络训练。
在本实施例中,由于原模型网络中待更换子网络的网络结构较大,通过预设子网络对待更换子网络进行更换,减小了原模型网络的网络结构,从而有效减少了设备部位分割的计算量,减少了不必要的计算时间消耗,从而进一步提高了设备部位分割效率,另外,也降低了模型占用的存储空间。
在一个实施例中,在根据预设子网络对原模型网络的相应网络部分进行更换,得到目标模型网络之后,还包括:获取与目标模型网络中预设子网络对应的通道缩放因子;根据通道缩放因子将预设子网络的网络通道进行排列处理;对排列处理后的网络通道进行剪枝处理,得到剪枝后的目标模型网络,将剪枝后的目标模型网络对应的设备部位分割模型作为预先建立的设备部位分割模型。
预设子网络可以包括多个网络通道,每个网络通道的BN(Batch Normalization,批量标准化)层对应一个通道缩放因子。服务器获取预设子网络中所有网络通道的BN层对应的通道缩放因子。服务器将预设子网络中的多个网络通道根据通道缩放因子按照从小到大的顺序进行排列。服务器中预先设置有通道保留比例阈值。例如,通道保留比例阈值可以是0.5。服务器可以将通道缩放因子中(1-通道保留比例阈值)比例的网络通道进行剪枝,即直接剪去该部分通道在预设子网络中的连接。例如,当通道保留比例阈值是为0.5时,服务器剪去通道缩放因子中50%比例的网络通道,实现将预设子网络中的网络通道进行剪枝处理,得到剪枝处理后的设备部位分割模型。
在本实施例中,服务器根据通道缩放因子将目标模型网络中预设子网络的网络通道进行排列,从而根据预设通道参数(通道保留比例阈值)对排列后的网络通道进行剪枝处理,能够将预设子网络中对设备部位分割影响较小的通道剪去,进一步减少了预设子网络的计算量,从而提高了设备部位分割模型的分割效率。
应该理解的是,虽然图2至3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2至3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种核电设备异常信息检测装置,包括:通信模块402、分割模块404、检测模块406和生成模块408,其中:
通信模块402,用于获取监控设备采集的视频数据,视频数据中包括多帧设备图像。
分割模块404,用于调用预先建立的设备部位分割模型,将多帧设备图像输入至设备部位分割模型中,通过设备部位分割模型对各帧设备图像进行分割,输出各帧设备图像对应的多个设备部位图像。
检测模块406,用于将各设备部位图像输入至部位异常检测模型中,通过部位异常检测模型对各设备部位图像进行检测,输出检测结果。
生成模块408,用于当检测结果中存在异常设备部位信息时,根据异常设备部位信息生成告警信息。
在一个实施例中,分割模块还用于通过设备部位分割模型中的预设子网络对各帧设备图像进行特征提取,输出各帧图像对应的特征图;将特征图输入至第一分支子网络以及第二分支子网络中,得到第一分支子网络输出的第一运算结果,以及第二分支子网络输出的第二运算结果;通过设备部位分割模型对第一运算结果以及第二运算结果进行线性处理,根据线性处理后的运算结果对各帧设备图像进行分割,得到各帧设备图像对应的多个设备部位图像。
在一个实施例中,生成模块408,还用于当检测结果中存在异常设备部位信息时,确定异常设备部位信息对应的异常级别;根据异常级别确定相应的告警策略;通过告警策略生成异常设备部位信息对应的告警信息。
在一个实施例中,上述装置还包括:
筛选模块,对历史异常设备信息进行筛选,确定异常概率满足预设条件的设备部位信息,将确定的设备部位信息作为目标设备部位信息;
识别模块,用于在设备部位图像中识别目标设备部位信息对应的目标部位图像;
检测模块406,还用于将目标部位图像输入至部位异常检测模型中,通过部位异常检测模型对目标部位图像进行检测,输出检测结果。
在一个实施例中,上述装置还包括:
预处理模块,用于对多帧设备图像进行几何校正,得到校正后的多帧设备图像;对校正后的多帧设备图像进行归一化处理,得到归一化后的多帧设备图像;对归一化后的多帧设备图像进行滤波处理,得到预处理后的多帧设备图像。
在一个实施例中,更换模块,用于获取样本设备图像;调用原始设备部位分割模型,对原始设备部位分割模型进行解析,得到原始设备部位分割模型对应的原模型网络;调用预设子网络,根据预设子网络对原模型网络的相应网络部分进行更换,得到目标模型网络,将目标模型网络对应的设备部位分割模型作为预先建立的设备部位分割模型。
关于核电设备异常信息检测装置的具体限定可以参见上文中对于核电设备异常信息检测方法的限定,在此不再赘述。上述核电设备异常信息检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储预先建立的设备部位分割模型及部位异常检测模型。该计算机设备的网络接口用于与外部的监控设备和告警设备通过网络连接通信。该计算机程序被处理器执行时以实现一种核电设备异常信息检测方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现上述各个实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各个实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种核电设备异常信息检测方法,其特征在于,所述方法包括:
获取监控设备采集的视频数据,所述视频数据中包括多帧设备图像;
调用预先建立的设备部位分割模型,将多帧设备图像输入至所述设备部位分割模型中,通过所述设备部位分割模型对各帧设备图像进行分割,输出各帧设备图像对应的多个设备部位图像;
将各设备部位图像输入至部位异常检测模型中,通过所述部位异常检测模型对各设备部位图像进行检测,输出检测结果;
当所述检测结果中存在异常设备部位信息时,根据所述异常设备部位信息生成告警信息。
2.根据权利要求1所述的方法,其特征在于,所述设备部位分割模型包括预设子网络、第一分支子网络以及第二分支子网络,所述通过所述设备部位分割模型对各帧设备图像进行分割,输出各帧设备图像对应的多个设备部位图像包括:
通过所述设备部位分割模型中的预设子网络对各帧设备图像进行特征提取,输出各帧图像对应的特征图;
将所述特征图输入至第一分支子网络以及第二分支子网络中,得到所述第一分支子网络输出的第一运算结果,以及所述第二分支子网络输出的第二运算结果;
通过所述设备部位分割模型对所述第一运算结果以及所述第二运算结果进行线性处理,根据线性处理后的运算结果对各帧设备图像进行分割,得到各帧设备图像对应的多个设备部位图像。
3.根据权利要求1所述的方法,其特征在于,所述当所述检测结果中存在异常设备部位信息时,根据所述异常设备部位信息生成告警信息包括:
当所述检测结果中存在异常设备部位信息时,确定所述异常设备部位信息对应的异常级别;
根据所述异常级别确定相应的告警策略;
通过所述告警策略生成所述异常设备部位信息对应的告警信息。
4.根据权利要求1至3任意一项所述的方法,其特征在于,所述方法还包括:
对历史异常设备信息进行筛选,确定异常概率满足预设条件的设备部位信息,将确定的设备部位信息作为目标设备部位信息;
在所述设备部位图像中识别所述目标设备部位信息对应的目标部位图像;
将所述目标部位图像输入至部位异常检测模型中,通过所述部位异常检测模型对所述目标部位图像进行检测,输出检测结果。
5.根据权利要求1至3任意一项所述的方法,其特征在于,在所述将多帧设备图像输入至所述设备部位分割模型中之前,所述方法还包括:
对多帧设备图像进行几何校正,得到校正后的多帧设备图像;
对所述校正后的多帧设备图像进行归一化处理,得到归一化后的多帧设备图像;
对所述归一化后的多帧设备图像进行滤波处理,得到预处理后的多帧设备图像。
6.根据权利要求1至3任意一项所述的方法,其特征在于,在所述获取监控设备上传的视频数据之前,所述方法还包括:
获取样本设备图像;
调用原始设备部位分割模型,对所述原始设备部位分割模型进行解析,得到所述原始设备部位分割模型对应的原模型网络;
调用预设子网络,根据所述预设子网络对所述原模型网络的相应网络部分进行更换,得到目标模型网络,将所述目标模型网络对应的设备部位分割模型作为预先建立的设备部位分割模型。
7.一种核电设备异常信息检测装置,其特征在于,所述装置包括:
通信模块,用于获取监控设备采集的视频数据,所述视频数据中包括多帧设备图像;
分割模块,用于调用预先建立的设备部位分割模型,将多帧设备图像输入至所述设备部位分割模型中,通过所述设备部位分割模型对各帧设备图像进行分割,输出各帧设备图像对应的多个设备部位图像;
检测模块,用于将各设备部位图像输入至部位异常检测模型中,通过所述部位异常检测模型对各设备部位图像进行检测,输出检测结果;
生成模块,用于当所述检测结果中存在异常设备部位信息时,根据所述异常设备部位信息生成告警信息。
8.根据权利要求7所述的装置,其特征在于,所述分割模块还用于通过所述设备部位分割模型中的预设子网络对各帧设备图像进行特征提取,输出各帧图像对应的特征图;将所述特征图输入至第一分支子网络以及第二分支子网络中,得到所述第一分支子网络输出的第一运算结果,以及所述第二分支子网络输出的第二运算结果;通过所述设备部位分割模型对所述第一运算结果以及所述第二运算结果进行线性处理,根据线性处理后的运算结果对各帧设备图像进行分割,得到各帧设备图像对应的多个设备部位图像。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011146002.3A CN112364716A (zh) | 2020-10-23 | 2020-10-23 | 核电设备异常信息检测方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011146002.3A CN112364716A (zh) | 2020-10-23 | 2020-10-23 | 核电设备异常信息检测方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112364716A true CN112364716A (zh) | 2021-02-12 |
Family
ID=74511837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011146002.3A Pending CN112364716A (zh) | 2020-10-23 | 2020-10-23 | 核电设备异常信息检测方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112364716A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949490A (zh) * | 2021-03-01 | 2021-06-11 | 创新奇智(青岛)科技有限公司 | 设备动作检测方法、装置、电子设备及可读存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060133681A1 (en) * | 2004-11-17 | 2006-06-22 | Euclid Discoveries Llc | Apparatus and method for processing video data |
CN105551549A (zh) * | 2015-12-07 | 2016-05-04 | 中广核工程有限公司 | 一种核电设备运行状况在线监测方法及系统 |
WO2018130104A1 (zh) * | 2017-01-16 | 2018-07-19 | 腾讯科技(深圳)有限公司 | 人头检测方法、电子设备和存储介质 |
CN108830204A (zh) * | 2018-06-01 | 2018-11-16 | 中国科学技术大学 | 面对目标的监控视频中异常检测方法 |
CN109285105A (zh) * | 2018-09-05 | 2019-01-29 | 北京字节跳动网络技术有限公司 | 水印检测方法、装置、计算机设备和存储介质 |
CN111199200A (zh) * | 2019-12-27 | 2020-05-26 | 深圳供电局有限公司 | 基于电力防护装备的佩戴检测方法、装置和计算机设备 |
CN111507147A (zh) * | 2019-10-28 | 2020-08-07 | 深圳市海洋王照明工程有限公司 | 智能巡检方法、装置、计算机设备和存储介质 |
CN111507985A (zh) * | 2020-03-19 | 2020-08-07 | 北京市威富安防科技有限公司 | 图像实例分割优化处理方法、装置和计算机设备 |
WO2020186942A1 (zh) * | 2019-03-18 | 2020-09-24 | 腾讯科技(深圳)有限公司 | 目标检测方法、系统、装置、存储介质和计算机设备 |
CN111752811A (zh) * | 2020-06-29 | 2020-10-09 | 平安普惠企业管理有限公司 | 异常告警信息处理方法、电子设备及存储介质 |
-
2020
- 2020-10-23 CN CN202011146002.3A patent/CN112364716A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060133681A1 (en) * | 2004-11-17 | 2006-06-22 | Euclid Discoveries Llc | Apparatus and method for processing video data |
CN105551549A (zh) * | 2015-12-07 | 2016-05-04 | 中广核工程有限公司 | 一种核电设备运行状况在线监测方法及系统 |
WO2018130104A1 (zh) * | 2017-01-16 | 2018-07-19 | 腾讯科技(深圳)有限公司 | 人头检测方法、电子设备和存储介质 |
CN108830204A (zh) * | 2018-06-01 | 2018-11-16 | 中国科学技术大学 | 面对目标的监控视频中异常检测方法 |
CN109285105A (zh) * | 2018-09-05 | 2019-01-29 | 北京字节跳动网络技术有限公司 | 水印检测方法、装置、计算机设备和存储介质 |
WO2020186942A1 (zh) * | 2019-03-18 | 2020-09-24 | 腾讯科技(深圳)有限公司 | 目标检测方法、系统、装置、存储介质和计算机设备 |
CN111507147A (zh) * | 2019-10-28 | 2020-08-07 | 深圳市海洋王照明工程有限公司 | 智能巡检方法、装置、计算机设备和存储介质 |
CN111199200A (zh) * | 2019-12-27 | 2020-05-26 | 深圳供电局有限公司 | 基于电力防护装备的佩戴检测方法、装置和计算机设备 |
CN111507985A (zh) * | 2020-03-19 | 2020-08-07 | 北京市威富安防科技有限公司 | 图像实例分割优化处理方法、装置和计算机设备 |
CN111752811A (zh) * | 2020-06-29 | 2020-10-09 | 平安普惠企业管理有限公司 | 异常告警信息处理方法、电子设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949490A (zh) * | 2021-03-01 | 2021-06-11 | 创新奇智(青岛)科技有限公司 | 设备动作检测方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112257610B (zh) | 核电设备监控方法、装置、计算机设备和存储介质 | |
CN112272288B (zh) | 核电作业监控方法、装置、计算机设备和存储介质 | |
JP4856396B2 (ja) | タービン機械システム及びこれに類するものに対する統一品質評価を作成し、自動故障診断ツールを提供するための方法 | |
CN108446864B (zh) | 基于大数据分析的轨道交通设备的故障预警系统及方法 | |
US20230377435A1 (en) | Fire protection method and fire protection system | |
CN112364715A (zh) | 核电作业异常监控方法、装置、计算机设备和存储介质 | |
US20220334574A1 (en) | Method and system for diagnosing anomaly in a manufacturing plant | |
CN110307990B (zh) | 一种柴油机机油系统故障的智能诊断方法及系统 | |
US20230368651A1 (en) | Fire protection method and fire protection system | |
CN111401131A (zh) | 隧道管廊的图像处理方法、装置、计算机设备和存储介质 | |
CN112016743A (zh) | 电网设备的检修预测方法、装置、计算机设备和存储介质 | |
CN113670434B (zh) | 变电站设备声音异常识别方法、装置和计算机设备 | |
CN113343779B (zh) | 环境异常检测方法、装置、计算机设备和存储介质 | |
CN103306893A (zh) | 一种风力发电机故障预警及报警方法 | |
CN111581191B (zh) | 核安全数据校验方法、装置、计算机设备及存储介质 | |
CN112364716A (zh) | 核电设备异常信息检测方法、装置和计算机设备 | |
CN113743725B (zh) | 基于边缘计算的登高作业人员的登高资质检测方法及系统 | |
CN113343998A (zh) | 电力机械表计读数监测系统、方法、计算机设备及应用 | |
CN102736545A (zh) | 用于自动化设备的防呆监控方法及其装置 | |
CN115018220A (zh) | 一种基于知识图谱的家电故障预测方法和系统 | |
CN113313365A (zh) | 一种一次风机的劣化预警方法及设备 | |
LU503807B1 (en) | A Fault Diagnosis Method for Gas Turbine Based on Improved Transformer | |
CN117370919A (zh) | 污水处理设备远程监控系统 | |
CN116951328A (zh) | 基于大数据的排水管线运行智慧监控系统 | |
CN114048346B (zh) | 一种基于gis的安全生产一体化管控平台及方法 |
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 |