CN112364918A - 异常识别方法、终端和计算机可读存储介质 - Google Patents
异常识别方法、终端和计算机可读存储介质 Download PDFInfo
- Publication number
- CN112364918A CN112364918A CN202011251312.1A CN202011251312A CN112364918A CN 112364918 A CN112364918 A CN 112364918A CN 202011251312 A CN202011251312 A CN 202011251312A CN 112364918 A CN112364918 A CN 112364918A
- Authority
- CN
- China
- Prior art keywords
- slag
- image blocks
- grid
- image
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000005856 abnormality Effects 0.000 title claims abstract description 24
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 239000002893 slag Substances 0.000 claims abstract description 221
- 238000012549 training Methods 0.000 claims abstract description 48
- 230000002159 abnormal effect Effects 0.000 claims abstract description 43
- 238000010079 rubber tapping Methods 0.000 claims description 37
- 238000007599 discharging Methods 0.000 claims description 10
- 238000007635 classification algorithm Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 5
- 238000002372 labelling Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 239000010865 sewage Substances 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种异常识别方法、终端和计算机可读存储介质,异常识别方法包括:获取不同时刻的图像块,图像块包括出渣口的栅渣图像块和非栅渣图像块;将不同时刻的图像块分别进行二值分类,得到不同时刻的图像块分别对应的类别值;根据不同时刻的图像块分别对应的类别值获取不同时刻的状态码;根据不同时刻的状态码确定汉明距离,根据汉明距离确定出渣口的异常情况。解决了在识别出渣口的工作状态是否异常时,出现特征场景模型训练的过拟合和状态难区分的技术问题,达到了数据采集容易快速,数据标注简单,神经网络的训练容易收敛以及训练模型的泛化能力强的效果。
Description
技术领域
本申请涉及图像分类技术领域,尤其涉及一种异常识别方法、终端和计算机可读存储介质。
背景技术
栅渣压滤机是污水处理厂处理污水的重要设备,可对来自污水处理厂的栅/筛渣进行运输和压榨处理,并将压榨的固体物质排入废料箱或者垃圾箱中,实现栅渣从污水中分离去除。日常的工作中,栅渣压滤机会出现不能及时排除栅渣的故障,严重影响水厂的污水处理效率。当前的维护主要是通过人工巡查的方法,主要通过判断一段时间前后的出渣口的栅渣变化来判断是否正常,栅渣变化则正常,没有变化则会异常。但是由于出渣的速度会比较慢,甚至会有半小时或者更久,所以巡检的效率非常低下。此外水厂区域范围广,人工巡检费时耗力。
随着深度学习技术的发展,针对视频识别的应用也取得了飞快的发展。当前对于这类问题的解决可以采用图像分类的方法,将出渣的状态设置成不同的类别,通过判断类别的变化来识别是否是正常出渣的状态。但是,由于在特定的场景,需要采集很多数据并进行标注,模型训练非常容易过拟合,算法的泛化能力弱,推广难度大。其次,出渣的过程变化也是非常缓慢的,识别这些状态之间的区分度是难度大,算法实现高精度非常困难。
发明内容
本申请实施例通过提供一种异常识别方法、终端和计算机可读存储介质,旨在解决在识别出渣口的工作状态是否异常时,出现特征场景模型训练的过拟合和状态难区分的问题。
为实现上述目的,本申请一方面提供一种异常识别方法,所述异常识别方法包括以下步骤:
获取不同时刻的图像块,所述图像块包括出渣口的栅渣图像块和非栅渣图像块;
将所述不同时刻的图像块分别进行二值分类,得到所述不同时刻的图像块分别对应的类别值;
根据所述不同时刻的图像块分别对应的类别值获取所述不同时刻的状态码;
根据所述不同时刻的状态码确定汉明距离,根据所述汉明距离确定所述出渣口的异常情况。
可选地,所述根据所述汉明距离确定所述出渣口的异常情况的步骤包括:
将所述汉明距离与设定阈值进行比较;
若所述汉明距离小于所述设定阈值,则确定所述出渣口的工作状态异常;或者,
若所述汉明距离大于所述设定阈值,则确定所述出渣口的工作状态正常。
可选地,所述获取不同时刻的图像块的步骤之前,包括:
获取所述出渣口的图像,根据所述图像确定所述出渣口的网格区域;
确定所述网格区域内每个网格的大小,并对所述每个网格对应的图像进行状态定义,得到所述栅渣图像块和所述非栅渣图像块。
可选地,所述根据所述图像确定所述出渣口的网格区域的步骤包括:
根据所述图像确定所述出渣口的出渣方向,基于所述出渣方向选取一个包括出渣区域的矩形框;
对所述包括出渣区域的矩形框进行网格划分,得到所述网格区域。
可选地,所述将所述不同时刻的图像块分别进行二值分类的步骤包括:
获取训练的网络模型;
将所述不同时刻的图像块分别输入至所述网络模型进行二值分类。
可选地,所述获取训练的网络模型的步骤包括:
获取训练样本,根据所述图像块的类别名建立目录,将同一类别的所述训练样本分别存储在同一个所述目录中;
根据图像分类算法识别所述目录中的类别信息,建立训练网络;
根据所述训练网络获取所述网络模型。
可选地,所述获取训练样本的步骤之前,还包括:
采集多个时间段的所述出渣口的图像,对所述图像进行图像块的划分和标注;
对已标注的图像块进行截取,得到所述训练样本。
可选地,所述确定所述出渣口的工作状态异常的步骤之后,还包括:
向用户发送出渣异常的提示信息,由所述用户基于所述提示信息处理出渣异常的出渣口。
此外,为实现上述目的,本申请另一方面还提供一种终端,所述终端包括存储器、处理器及存储在存储器上并在处理器上运行的异常识别程序,所述处理器执行所述异常识别程序时实现如上所述异常识别方法的步骤。
此外,为实现上述目的,本申请另一方面还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有异常识别程序,所述异常识别程序被处理器执行时实现如上所述异常识别方法的步骤。
本实施例通过获取不同时刻的图像块,图像块包括出渣口的栅渣图像块和非栅渣图像块;将不同时刻的图像块分别进行二值分类,得到不同时刻的图像块分别对应的类别值;根据不同时刻的图像块分别对应的类别值获取不同时刻的状态码;根据不同时刻的状态码确定汉明距离,根据汉明距离确定出渣口的异常情况。解决了在识别出渣口的工作状态是否异常时,出现特征场景模型训练的过拟合和状态难区分的问题,达到了数据采集容易快速,数据标注简单,神经网络的训练容易收敛以及训练模型的泛化能力强的效果。
附图说明
图1为本申请实施例方案涉及的硬件运行环境的终端结构示意图;
图2为本申请异常识别方法第一实施例的流程示意图;
图3为本申请异常识别方法第二实施例的流程示意图;
图4为本申请异常识别方法中将所述不同时刻的图像块分别进行二值分类的流程示意图;
图5为本申请异常识别方法中根据所述汉明距离确定所述出渣口的异常情况的流程示意图;
图6为本申请异常识别方法中根据所述图像确定所述出渣口的网格区域的流程示意图;
图7为本申请异常识别方法中T时刻出渣口的状态码;
图8为本申请异常识别方法中T+1时刻出渣口的状态码。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本申请实施例的主要解决方案是:获取不同时刻的图像块,所述图像块包括出渣口的栅渣图像块和非栅渣图像块;将所述不同时刻的图像块分别进行二值分类,得到所述不同时刻的图像块分别对应的类别值;根据所述不同时刻的图像块分别对应的类别值获取所述不同时刻的状态码;根据所述不同时刻的状态码确定汉明距离,根据所述汉明距离确定所述出渣口的异常情况。
由于现有的出渣识别方法在特定的场景,需要采集很多数据并进行标注,模型训练非常容易过拟合,算法的泛化能力弱,推广难度大。其次,出渣的过程变化是非常缓慢的,识别这些状态之间的区分度是难度大,算法实现高精度非常困难。本申请通过利用网格划分的方法,对出渣状态进行定义;然后对网格内的图像区域进行二值标定,并采集数据,进行样本标注;再通过深度卷积网络设计一个二值分类算法,即输入是网格大小的图像,标签是0或者1;对网格内的所有图像块进行二值识别,得到状态表示码;最后计算一段时间内前后两张图像出渣口的状态码,获得一个汉明距离表示前后出渣口的状态,当该汉明距离大于某个阈值表示正常,否则为异常。解决了在识别出渣口的工作状态是否异常时,出现特征场景模型训练的过拟合和状态难区分的问题,达到了数据采集容易快速,数据标注简单,神经网络的训练容易收敛以及训练模型的泛化能力强的效果。
如图1所示,图1为本申请实施例方案涉及的硬件运行环境的终端结构示意图。
如图1所示,该终端可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,终端还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、遥控器、音频电路、WiFi模块、检测器等等。当然,所述终端还可配置陀螺仪、气压计、湿度计、温度传感器等其他传感器,在此不再赘述。
本领域技术人员可以理解,图1中示出的终端结构并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及异常识别程序。
在图1所示的终端中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中异常识别程序,并执行以下操作:
获取不同时刻的图像块,所述图像块包括出渣口的栅渣图像块和非栅渣图像块;
将所述不同时刻的图像块分别进行二值分类,得到所述不同时刻的图像块分别对应的类别值;
根据所述不同时刻的图像块分别对应的类别值获取所述不同时刻的状态码;
根据所述不同时刻的状态码确定汉明距离,根据所述汉明距离确定所述出渣口的异常情况。
参考图2,图2为本申请异常识别方法第一实施例的流程示意图。
本申请实施例提供了异常识别方法的实施例,需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
异常识别方法包括:
步骤S10,获取不同时刻的图像块,所述图像块包括出渣口的栅渣图像块和非栅渣图像块;
本实施例提供的方法的应用环境为应用在污水处理的栅渣压滤机中,需要指出的是,本实施例提供的方法不局限于上述场景,可适用于大多数针对两种状态图像识别的其它类似应用场景,在此不做限制。此外,本申请的终端可以以各种形式来实施,例如,终端可以包括诸如移动电话、电视、智能电话、笔记本电脑、PAD(平板电脑)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。
用户预先在栅渣压滤机的出渣口附近设置有多个摄像头,用于拍摄出渣口的出渣图像,基于对该图像的识别分析确定当前出渣设备的工作状态是否存在出渣异常情况。终端与摄像头通过无线的方式连接,或者通过设置于环境中的无线热点连接,可实时获取摄像头拍摄的图像,并对图像进行网格划分得到不同的图像块。终端通过对一段时间内(如半小时)前后两个不同时刻的图像进行出渣状态的识别与分析来判断出渣的工作状态,具体地,获取两个不同时刻的图像块,其中,所述图像块包括出渣口的栅渣图像块和非栅渣图像块;例如,终端在当前时刻T截图每个网格中的图像块,如N*N个图像块;在下一个时刻T+1重复上述步骤,截图每个网格中的图像块,即可得到两个不同时刻分别对应的N*N个图像块。
步骤S20,将所述不同时刻的图像块分别进行二值分类,得到所述不同时刻的图像块分别对应的类别值;
终端将当前时刻T得到的N*N个图像块,以及下一个时刻T+1得到的N*N个图像块进行二值分类,得到每个时刻的图像块对应的类别值;其中,图像块主要分为两类,分别为栅渣图像块和非栅渣图像块,栅渣图像块的类别值为1,非栅渣图像块的类别值为0。
进一步地,参考图4,所述将所述不同时刻的图像块分别进行二值分类的步骤包括:
步骤S21,获取训练的网络模型;
步骤S22,将所述不同时刻的图像块分别输入至所述网络模型进行二值分类。
终端述两个不同时刻的图像块分别输入至所述网络模型进行二值分类,其中,网络模型是经过训练得到的,具体地,终端通过摄像头采集出渣口的出渣视频,并将出渣视频解码成图像。按照已定义的固定网格,对每个图像进行图像块的划分与标注,如将图像中的出渣区域划分为N*N的网络(如N=10),即可得到100个大小一致的网格,每个网格对应的图像为图像块,将栅渣图像块标注数字1,栅渣图像块标注数字2;其中,该标识还可以为英文字母、符号等,在此不做限定。进一步为了提高模型的泛化能力,在选择样本的时候,可按照一天每个时段均匀采集,比如每隔一小时进行采集,如1:00~2:00、3:00~4:00、5:00~6:00,以此类推。必要时,还要采集下雨、刮风等其他情况的数据,以满足不同场景的变化。
终端将已标注好的数据进行预处理,具体地,对图像块中已经标注好的数据进行截取,如将包含出渣口的局部数据区域截取出来,与对应的标注组成一个训练样本。记采集和标注到的总图像块的数据为M,记总的训练样本为{xi,yi},其中i=0,1,2,3.....M,xi表示第i个图像,yi表示对应的标签,yi∈{0,1}。
进一步地,进行设计分类网络,例如选择ResNet18作为识别的基础网络,但是ResNet18的输入是针对224*224*3的图像(宽和高维224个像素,3表示RGB 3个通道)。在网格划分成N*N个小图像块之后,设定网络的输入为56*56*3,因此要对ResNet18进行尺度上的适配。如下表1所示,相对于ResNet18,修改的网络参数,本申请的模型参数量不足原始ResNet18的四分之一。
表1
基于上述得到的数据进行训练网络模型,具体地,选择深度学习训练框架,如Pytorch;获取训练样本,根据图像块的类别名(0和1)建立两个目录,将相同类别的训练样本分别放入到这两个目录中,即将类别名为0的训练样本存储至一个目录中,将类别名为1的训练样本存储至另一个目录中;再图像分类算法建立训练网络,其中,训练的损失函数选择交叉熵损失函数,该交叉熵损失函数能够衡量同一个随机变量中的两个不同概率分布的差异程度,在机器学习中就表示为真实概率分布与预测概率分布之间的差异,交叉熵的值越小,模型预测效果就越好。终端需要训练到网络的损失收敛(即达到训练的迭代数量或者损失小于预先设置的阈值),输出识别的模型,训练过程结束。其中,训练框架是终端内部已经有的一些计算方法和算法,对于图像,训练框架根据设计的网络做前向计算,会得到一个计算结果,即每类图像块的概率;将该概率和标签进行比较,获取比较得到的误差,其中,该误差越小越好,当误差过大,则调整网络参数,直至计算得到的值与标签误差达到设定要求。
步骤S30,根据所述不同时刻的图像块分别对应的类别值获取所述不同时刻的状态码;
终端将当前时刻T得到的N*N个类别值组成一个一维的状态码,维度为N*N来表示出渣口的出渣状态,记作x。将在下一个时刻T+1,重复上述步骤,获得这个时刻的一个N*N状态码,记作y。其中,该状态码即为汉明码,汉明码是一种线性分组码,线性分组码是指将信息序列划分为长度为k的序列段,在每一段后面附加r位的监督码,且监督码和信息码之间构成线性关系,即它们之间可由线性方程组来联系,这样构成的抗干扰码称为线性分组码。
步骤S40,根据所述不同时刻的状态码确定汉明距离,根据所述汉明距离确定所述出渣口的异常情况。
终端根据两个不同时刻的状态码,即x与y确定汉明距离,根据汉明距离确定出渣口的工作状态;其中,汉明距离表示两个(相同长度)字对应位不同的数量,以d(x,y)表示两个字x,y之间的汉明距离,对两个字符串进行异或运算,并统计结果为1的个数,则这个数为汉明距离。对两个N*N的状态码,计算编码和的汉明距离,如下公式:
其中i=0,1,.....T表示x和y编码的位数,是异或操作。例如:(00)与(01)的汉明距离是1,(110)和(101)的汉明距离是2。进一步地,参考图7,图7是T时刻出渣口的状态码,维度是110(即网格大小为10*11),其中1表示栅渣,0表示非栅渣;参考图8,图8是T+1时刻出渣口的状态码,其中网格内红色标注的是与图不一致的类别,通过计算不一致类别的总数d=12,表示他们之间的状态距离,也即T时刻的状态码与T+1时刻的状态码的汉明距离为d=12。
进一步地,参考图5,所述根据所述汉明距离确定所述出渣口的异常情况的步骤包括:
步骤S41,将所述汉明距离与设定阈值进行比较;
步骤S42,若所述汉明距离小于所述设定阈值,则确定所述出渣口的工作状态异常;或者,
步骤S43,若所述汉明距离大于所述设定阈值,则确定所述出渣口的工作状态正常。
用户预先设置有一预设距离,如θ=3,将计算得到的汉明距离与该预设距离进行比较,可确定出渣口的工作状态是否异常;具体地,若汉明距离小于设定阈值,如d=2>θ=3,则说明当前出渣口出现堵塞等异常情况,导致一段时间前后的出渣口的栅渣未发生变化;若汉明距离大于设定阈值,如d=12>θ=3,则说明当前出渣口的未出现堵塞等异常现象。具体的公式为:
其中,参考图7与图8可知看出,当前出渣口的出渣状态正常。
在确定当前出渣口的出渣状态异常时,终端向用户发送出渣异常的提示信息,由用户基于提示信息处理出渣异常的出渣口;其中,该提示信息既可以是声音提示信息,也可以是可视提示信息,声音提示信息能够在忙于其他事务的用户仍能够注意到该提示信息;可视提示信息能够提供更多更灵活的交互,此外还可以将这两种方式结合起来以最大限度提示用户及时处理出渣异常的出渣口。在提示信息中包括出渣异常的栅渣压滤机所在的位置、出现异常的时间、严重度等信息。例如:预先为每台栅渣压滤机设置数字编号和提示灯,当某一栅渣压滤机的出渣发生异常情况时,终端直接获取该栅渣压滤机对应的编号,该编号包含在提示信息中,并向该栅渣压滤机对应的提示灯发送开启指令,提示灯在接收到开启指令后,进行闪烁提示,以便用户能及时找到故障的出渣设备。
本实施例通过在出渣口位置设置了一个网格,将网格内的每个图像块作为一个数样本,并分别栅渣和非栅渣两个状态,这使得数据采集容易快速,且数据标注简单(如标注0和1);通过神经网络的任务是对个图像块进行二值分类,并且二值的状态区分明显,这使得神经网络的训练容易收敛;其次,对于栅渣压滤机出渣状态的异常检测,本申请设计的算法识别侧重于识别栅渣和非栅渣,没有其他复杂的类别,因此,对其他污水处理厂的栅渣压滤机有很好的适用性,同时,这使得训练模型的泛化能力强;最后,通过采用汉明距离对出渣口一段时间两个状态进行相似计算,这使得计算精度高,并且相似阈值参数可调,方便部署。通过利用图像分类技术和网格分块方法对栅渣压滤机工作状态进行故障识别的建模,以及根据出渣状态设计汉明码表示对出渣口进行状态监控,并利用汉明距离实现故障识别,达到了数据采集容易快速,数据标注简单,神经网络的训练容易收敛以及训练模型的泛化能力强的效果。
进一步地,参考图3,提出本申请异常识别方法第二实施例。
所述异常识别方法第二实施例与所述异常识别方法第一实施例的区别在于,所述获取不同时刻的图像块的步骤之前,包括:
步骤S11,获取所述出渣口的图像,根据所述图像确定所述出渣口的网格区域;
由于出渣口的区域所包括的范围较大,在识别出渣口的工作状态是否异常前,需要确定一个识别区域,该识别区域是通过出渣口的图像确定的;具体地,终端从摄像头中获取当前拍摄的出渣口的图像,根据该图像确定出渣口的网格区域。
进一步地,参考图6,所述根据所述图像确定所述出渣口的网格区域的步骤包括:
步骤S110,根据所述图像确定所述出渣口的出渣方向,基于所述出渣方向选取一个包括出渣区域的矩形框;
步骤S111,对所述包括出渣区域的矩形框进行网格划分,得到所述网格区域。
终端对获取到的图像进行识别,提取图像中的特征信息,该特征信息包括出渣口、栅渣等,基于该特征信息确定出渣口所在的区域,并进一步确定出渣口的出渣方向,在该出渣方向上选取一个包括出渣区域的矩形框,在该矩形框所在的区域上划分N*N的网络(如N=10)。
步骤S12,确定所述网格区域内每个网格的大小,并对所述每个网格对应的图像进行状态定义,得到所述栅渣图像块和所述非栅渣图像块。
终端在确定网格区域内每个网格的大小后,对每个网格对应的图像进行状态定义,如:栅渣图像块,表示为1;非栅渣图像块,表示为0,即得到栅渣图像块和所述非栅渣图像块,又或者是栅渣图像块,表示为A;非栅渣图像块,表示为B。
本实施例基于出渣口的图像,确定出渣口的网格区域,将网格内的每个图像块作为一个数样本,将将网格中的图像块分为栅渣和非栅渣两个状态,这使得数据采集容易快速,数据标注简单,克服状态难区分的问题。
此外,本申请还提供一种异常识别装置,所述装置包括:
第一获取模块,用于获取不同时刻的图像块,所述图像块包括出渣口的栅渣图像块和非栅渣图像块;
分类模块,用于将所述不同时刻的图像块分别进行二值分类,得到所述不同时刻的图像块分别对应的类别值;
第二获取模块,用于根据所述不同时刻的图像块分别对应的类别值获取所述不同时刻的状态码;
确定模块,用于根据所述不同时刻的状态码确定汉明距离,根据所述汉明距离确定所述出渣口的异常情况。
进一步地,所述确定模块包括比较单元和确定单元;
所述比较单元,用于将所述汉明距离与设定阈值进行比较;
所述确定单元,用于若所述汉明距离小于所述设定阈值,则确定所述出渣口的工作状态异常;或者,
所述确定单元,还用于若所述汉明距离大于所述设定阈值,则确定所述出渣口的工作状态正常。
进一步地,所述第一获取模块包括获取单元和确定单元;
所述获取单元,用于获取所述出渣口的图像,根据所述图像确定所述出渣口的网格区域;
所述确定单元,用于确定所述网格区域内每个网格的大小,并对所述每个网格对应的图像进行状态定义,得到所述栅渣图像块和所述非栅渣图像块。
进一步地,所述获取单元包括确定子单元和划分子单元;
所述确定子单元,用于根据所述图像确定所述出渣口的出渣方向,基于所述出渣方向选取一个包括出渣区域的矩形框;
所述划分子单元,用于对所述包括出渣区域的矩形框进行网格划分,得到所述网格区域。
进一步地,所述分类模块包括获取单元和分类单元;
所述获取单元,用于获取训练的网络模型;
所述分类单元,用于将所述不同时刻的图像块分别输入至所述网络模型进行二值分类。
进一步地,所述获取单元包括获取子单元和识别子单元;
所述获取子单元,用于获取训练样本,根据所述图像块的类别名建立目录,将同一类别的所述训练样本分别存储在同一个所述目录中;
所述识别子单元,用于根据图像分类算法识别所述目录中的类别信息,建立训练网络;
所述获取子单元,还用于根据所述训练网络获取所述网络模型。
进一步地,所述获取子单元,还用于采集多个时间段的所述出渣口的图像,对所述图像进行图像块的划分和标注;
所述获取子单元,还用于对已标注的图像块进行截取,得到所述训练样本。
进一步地,所述确定单元包括发送子单元;
所述发送子单元,用于向用户发送出渣异常的提示信息,由所述用户基于所述提示信息处理出渣异常的出渣口。
上述的异常识别装置各个模块功能的实现与上述方法实施例中的过程相似,在此不再一一赘述。
此外,本申请还提供一种终端,所述终端包括存储器、处理器及存储在存储器上并在处理器上运行的栅渣压滤机出渣异常识别程序,所述终端首先利用网格划分的方法,如10*10的网格,对出渣状态进行定义;然后对网格内的图像区域进行二值标定:0表示背景(非栅渣),1表示栅渣,并采集数据,进行样本标注;再通过深度卷积网络设计一个二值分类算法,即输入是网格大小的图像,标签是0或者1;对网格内的所有图像块进行二值识别,得到一个100维的状态表示码;最后计算一段时间内前后两张图像出渣口的状态码,获得一个汉明距离表示前后出渣口的状态,当该汉明距离大于某个阈值(如3)表示正常,否则为异常。通过采用上述方式来检测出渣口的出渣状态是否异常,使得检测的工作效率高,节省了人力,同时,克服了特征场景模型训练的过拟合问题和状态难区分问题。
此外,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有异常识别程序,所述异常识别程序被处理器执行时实现如上所述异常识别方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是,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部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本申请可以借助于包括有若干不同部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。
尽管已描述了本申请的可选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括可选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种异常识别方法,其特征在于,所述方法包括:
获取不同时刻的图像块,所述图像块包括出渣口的栅渣图像块和非栅渣图像块;
将所述不同时刻的图像块分别进行二值分类,得到所述不同时刻的图像块分别对应的类别值;
根据所述不同时刻的图像块分别对应的类别值获取所述不同时刻的状态码;
根据所述不同时刻的状态码确定汉明距离,根据所述汉明距离确定所述出渣口的异常情况。
2.根据权利要求1所述的异常识别方法,其特征在于,所述根据所述汉明距离确定所述出渣口的异常情况的步骤包括:
将所述汉明距离与设定阈值进行比较;
若所述汉明距离小于所述设定阈值,则确定所述出渣口的工作状态异常;或者,
若所述汉明距离大于所述设定阈值,则确定所述出渣口的工作状态正常。
3.根据权利要求1所述的异常识别方法,其特征在于,所述获取不同时刻的图像块的步骤之前,包括:
获取所述出渣口的图像,根据所述图像确定所述出渣口的网格区域;
确定所述网格区域内每个网格的大小,并对所述每个网格对应的图像进行状态定义,得到所述栅渣图像块和所述非栅渣图像块。
4.根据权利要求3所述的异常识别方法,其特征在于,所述根据所述图像确定所述出渣口的网格区域的步骤包括:
根据所述图像确定所述出渣口的出渣方向,基于所述出渣方向选取一个包括出渣区域的矩形框;
对所述包括出渣区域的矩形框进行网格划分,得到所述网格区域。
5.根据权利要求1至4中任一项所述的异常识别方法,其特征在于,所述将所述不同时刻的图像块分别进行二值分类的步骤包括:
获取训练的网络模型;
将所述不同时刻的图像块分别输入至所述网络模型进行二值分类。
6.根据权利要求5所述的异常识别方法,其特征在于,所述获取训练的网络模型的步骤包括:
获取训练样本,根据所述图像块的类别名建立目录,将同一类别的所述训练样本分别存储在同一个所述目录中;
根据图像分类算法识别所述目录中的类别信息,建立训练网络;
根据所述训练网络获取所述网络模型。
7.根据权利要求5所述的异常识别方法,其特征在于,所述获取训练样本的步骤之前,还包括:
采集多个时间段的所述出渣口的图像,对所述图像进行图像块的划分和标注;
对已标注的图像块进行截取,得到所述训练样本。
8.根据权利要求2所述的异常识别方法,其特征在于,所述确定所述出渣口的工作状态异常的步骤之后,还包括:
向用户发送出渣异常的提示信息,由所述用户基于所述提示信息处理出渣异常的出渣口。
9.一种终端,其特征在于,所述终端包括存储器、处理器及存储在存储器上并在所述处理器上运行的异常识别程序,所述处理器执行所述异常识别程序时实现如权利要求1至8中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有异常识别程序,所述异常识别程序被处理器执行时实现权利如要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011251312.1A CN112364918B (zh) | 2020-11-10 | 2020-11-10 | 异常识别方法、终端和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011251312.1A CN112364918B (zh) | 2020-11-10 | 2020-11-10 | 异常识别方法、终端和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112364918A true CN112364918A (zh) | 2021-02-12 |
CN112364918B CN112364918B (zh) | 2024-04-02 |
Family
ID=74514343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011251312.1A Active CN112364918B (zh) | 2020-11-10 | 2020-11-10 | 异常识别方法、终端和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112364918B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115905807A (zh) * | 2022-11-18 | 2023-04-04 | 中国市政工程西南设计研究总院有限公司 | 一种基于深度学习的粗格栅优化运行方法 |
CN116048124A (zh) * | 2023-02-23 | 2023-05-02 | 北京思维实创科技有限公司 | 无人机地铁隧道巡检方法、装置、计算机设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105278492A (zh) * | 2014-06-26 | 2016-01-27 | 广东柯内特环境科技有限公司 | 一种区域排污的智能监控系统和方法 |
CN108564577A (zh) * | 2018-04-12 | 2018-09-21 | 重庆邮电大学 | 基于卷积神经网络的太阳能电池片断栅缺陷检测方法 |
CN109886139A (zh) * | 2019-01-28 | 2019-06-14 | 平安科技(深圳)有限公司 | 人体检测模型生成方法、排污口异常检测方法以及装置 |
EP3537317A1 (en) * | 2018-03-09 | 2019-09-11 | Tata Consultancy Services Limited | System and method for determination of air entrapment in ladles |
CN110796046A (zh) * | 2019-10-17 | 2020-02-14 | 武汉科技大学 | 基于卷积神经网络的智能钢渣检测方法和系统 |
CN111339907A (zh) * | 2020-02-24 | 2020-06-26 | 江河瑞通(北京)技术有限公司 | 一种基于图像识别技术的排污识别方法及装置 |
CN111553372A (zh) * | 2020-04-24 | 2020-08-18 | 北京搜狗科技发展有限公司 | 一种训练图像识别网络、图像识别搜索的方法及相关装置 |
CN111582139A (zh) * | 2020-04-30 | 2020-08-25 | 北京百度网讯科技有限公司 | 一种排污口识别方法、装置、电子设备和存储介质 |
CN111738735A (zh) * | 2020-07-23 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 一种图像数据处理方法、装置和相关设备 |
-
2020
- 2020-11-10 CN CN202011251312.1A patent/CN112364918B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105278492A (zh) * | 2014-06-26 | 2016-01-27 | 广东柯内特环境科技有限公司 | 一种区域排污的智能监控系统和方法 |
EP3537317A1 (en) * | 2018-03-09 | 2019-09-11 | Tata Consultancy Services Limited | System and method for determination of air entrapment in ladles |
CN108564577A (zh) * | 2018-04-12 | 2018-09-21 | 重庆邮电大学 | 基于卷积神经网络的太阳能电池片断栅缺陷检测方法 |
CN109886139A (zh) * | 2019-01-28 | 2019-06-14 | 平安科技(深圳)有限公司 | 人体检测模型生成方法、排污口异常检测方法以及装置 |
CN110796046A (zh) * | 2019-10-17 | 2020-02-14 | 武汉科技大学 | 基于卷积神经网络的智能钢渣检测方法和系统 |
CN111339907A (zh) * | 2020-02-24 | 2020-06-26 | 江河瑞通(北京)技术有限公司 | 一种基于图像识别技术的排污识别方法及装置 |
CN111553372A (zh) * | 2020-04-24 | 2020-08-18 | 北京搜狗科技发展有限公司 | 一种训练图像识别网络、图像识别搜索的方法及相关装置 |
CN111582139A (zh) * | 2020-04-30 | 2020-08-25 | 北京百度网讯科技有限公司 | 一种排污口识别方法、装置、电子设备和存储介质 |
CN111738735A (zh) * | 2020-07-23 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 一种图像数据处理方法、装置和相关设备 |
Non-Patent Citations (3)
Title |
---|
MARGARET WEST 等: "Atomic spectrometry update-X-ray fluorescence spectrometry", 《SHOW COMPOUNDSSHOW CHEMICAL TERMS》, pages 1 - 45 * |
左建军: "计算机视觉技术在社会公共服务中的应用研究 — 水面漂浮物智能监控系统研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, pages 138 - 929 * |
蒲文鹏 等: "图像识别技术在山东某污水处理厂中的应用", 《中国高新科技》, no. 5, pages 90 - 92 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115905807A (zh) * | 2022-11-18 | 2023-04-04 | 中国市政工程西南设计研究总院有限公司 | 一种基于深度学习的粗格栅优化运行方法 |
CN115905807B (zh) * | 2022-11-18 | 2023-10-20 | 中国市政工程西南设计研究总院有限公司 | 一种基于深度学习的粗格栅优化运行方法 |
CN116048124A (zh) * | 2023-02-23 | 2023-05-02 | 北京思维实创科技有限公司 | 无人机地铁隧道巡检方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112364918B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112364918B (zh) | 异常识别方法、终端和计算机可读存储介质 | |
CN110458126B (zh) | 一种受电弓状态监测方法及装置 | |
CN113283446A (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
CN112633313B (zh) | 一种网络终端的不良信息识别方法及局域网终端设备 | |
CN110889377A (zh) | 广告物异常识别方法、装置、服务器设备及存储介质 | |
CN110827269A (zh) | 农作物生长变化状况检测方法、装置、设备及介质 | |
CN110796069B (zh) | 一种行为检测方法、系统、设备及机器可读介质 | |
CN111310351A (zh) | 车间设备的状态监测方法、装置、终端设备及存储介质 | |
CN114897868A (zh) | 极片缺陷识别及模型训练方法、装置及电子设备 | |
CN114139016A (zh) | 一种智慧小区的数据处理方法及系统 | |
CN114596243A (zh) | 缺陷检测方法、装置、设备及计算机可读存储介质 | |
CN113902993A (zh) | 一种基于环境监测的环境状态分析方法及系统 | |
CN113537248A (zh) | 图像识别方法和装置、电子设备和存储介质 | |
CN110796071B (zh) | 行为检测方法、系统、机器可读介质及设备 | |
CN112990350B (zh) | 目标检测网络训练方法及基于目标检测网络煤矸识别方法 | |
CN115294661A (zh) | 一种基于深度学习的行人危险行为识别方法 | |
CN114998665A (zh) | 一种图像类别识别方法、装置、电子设备及存储介质 | |
CN115018783A (zh) | 一种视频水印检测方法和装置、电子设备和存储介质 | |
CN112203053A (zh) | 地铁施工人员行为智能监管方法及其系统 | |
CN113705321A (zh) | 基于Faster-Rcnn的双向多尺度特征融合目标检测方法及装置 | |
CN113808088A (zh) | 一种污染检测方法及系统 | |
CN112949490A (zh) | 设备动作检测方法、装置、电子设备及可读存储介质 | |
CN111539390A (zh) | 一种基于Yolov3的小目标图像识别方法、设备和系统 | |
CN116665138B (zh) | 一种汽车配件冲压加工视觉检测方法及系统 | |
CN114173194B (zh) | 页面流畅度的检测方法、装置、服务器和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |