CN112528893A - 异常状态的识别方法、装置及计算机可读存储介质 - Google Patents
异常状态的识别方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112528893A CN112528893A CN202011492066.9A CN202011492066A CN112528893A CN 112528893 A CN112528893 A CN 112528893A CN 202011492066 A CN202011492066 A CN 202011492066A CN 112528893 A CN112528893 A CN 112528893A
- Authority
- CN
- China
- Prior art keywords
- test model
- model
- abnormal state
- video data
- test
- 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 165
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012360 testing method Methods 0.000 claims abstract description 260
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000007635 classification algorithm Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000013145 classification model Methods 0.000 claims description 10
- 230000000875 corresponding effect Effects 0.000 description 21
- 238000003062 neural network model Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000013136 deep learning model Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000013598 vector Substances 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
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
本发明公开了一种异常状态的识别方法、装置及计算机可读存储介质，所述异常状态的识别方法包括：获取目标视频数据；将所述目标视频数据输入测试模型库中的各个测试模型，以生成各个所述测试模型的判决结果，所述判决结果包括模型判定为真和模型判定为假；在所述测试模型中不存在模型判定为真的判决结果时，将所述目标视频数据输入预设模型进行训练，以生成目标测试模型；将所述目标测试模型添加至所述测试模型库，以更新所述测试模型库。本发明能够解决对异常状态识别的准确性和效率较低的问题。
Description
技术领域
本发明涉及人工智能技术领域，特别涉及一种异常状态的识别方法、装置及计算机可读存储介质。
背景技术
在智能安防领域，异常识别是一个常见需求。对于异常状态的识别，现有技术方案通常有两种，一是采用预设的人工智能算法对异常信息训练产生模型，通过训练好的模型。实现对特定异常目标的检测，确定为异常目标后，向管理平台发送告警信息；二是采用预设的人工智能算法对正确的信息进行训练，不符合正确信息标志的判定为异常信息。这些方案都是通过采集数据和标记数据，然后用标记好的数据训练模型，模型只能识别本次标记过的异常状态，无法识别新出现的异常状态，若要使模型识别新出现的异常状态，模型在一段时间后必须重新采集数据、重新标记数据以及重新训练模型，导致模型对异常状态识别的准确性和效率较低。
发明内容
本发明的主要目的是提供一种异常状态的识别方法、装置及计算机可读存储介质，解决对异常状态识别的准确性和效率较低的问题。
为实现上述目的，本发明提供一种异常状态的识别方法，所述异常状态的识别方法包括：
获取目标视频数据；
将所述目标视频数据输入测试模型库中的各个测试模型，以生成各个所述测试模型的判决结果，所述判决结果包括模型判定为真和模型判定为假；
在所述测试模型中不存在模型判定为真的判决结果时，将所述目标视频数据输入预设模型进行训练，以生成目标测试模型；
将所述目标测试模型添加至所述测试模型库，以更新所述测试模型库。
可选地，所述将所述目标视频数据同时输入测试模型库中的各个测试模型。
可选地，所述将所述目标视频数据输入测试模型库中的各个测试模型，以生成各个所述测试模型的判决结果的步骤之后包括：
在所述测试模型中至少存在一个判决结果为模型判定为真时，获取模型判定为真的测试模型的标记；
在所述标记为预设标记时，向预设终端发送告警提示信息。
可选地，所述获取目标视频数据的步骤包括：
获取视频数据流；
采用预设分类算法对所述视频数据流进行分类，以得到所述目标视频数据。
可选地，所述获取视频数据流的步骤之前包括：
通过数据采集器采集原始数据；
采用所述预设分类算法对所述原始数据进行分类，以得到分类数据；
将所述分类数据输入预设模型训练，以生成测试模型。
可选地，所述通过数据采集器采集原始数据的步骤之前包括：
获取预设神经网络；
根据所述预设神经网络搭建预设模型。
可选地，所述将所述分类数据输入预设模型训练，以生成测试模型的步骤之后包括：
获取所述测试模型的数据标签，以使用户根据所述数据标签对所述测试模型进行标记；
在检测到所述测试模型标记完成时，将标记后的所述测试模型添加至测试模型库。
可选地，所述异常状态的识别方法还包括：
定时将所述测试模型库中的测试模型发送至后台服务器，以更新所述后台服务器中的分类模型库。
此外，为实现上述目的，本发明还提供一种异常状态的识别装置，所述异常状态的识别装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的异常状态的识别程序，所述异常状态的识别程序被所述处理器执行时实现上述任一项所述的异常状态的识别方法的步骤。
此外，为实现上述目的，本发明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状态的识别程序，所述异常状态的识别程序被处理器执行时实现上述任一项所述的异常状态的识别方法的步骤。
本发明提出了一种异常状态的识别方法、装置及计算机可读存储介质，通过获取目标视频数据，将目标视频数据输入测试模型库中的各个测试模型，以生成各个测试模型的判决结果，判决结果包括模型判定为真和模型判定为假，在测试模型中不存在模型判定为真的判决结果时，将目标视频数据输入预设模型进行训练，以生成目标测试模型，将目标测试模型添加至测试模型库，以更新所述测试模型库。这样，本方案中不断更新的测试模型库可以识别新出现的异常状态，模型使用一段时间后不需要重新采集数据，重新标记数据和重新训练模型，提高了模型对异常状态识别的准确性和效率，解决了模型对异常状态识别的准确性和效率较低的问题。
附图说明
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
图1为本发明实施例方案涉及的异常状态的识别装置的硬件架构示意图；
图2为本发明异常状态的识别方法实施例一的流程示意图；
图3为本发明异常状态的识别方法实施例二的流程示意图；
图4为本发明异常状态的识别方法实施例三的流程示意图；
图5为本发明异常状态的识别方法实施例四的流程示意图；
图6为本发明实施例方案涉及的视频数据流的粗分类示意图；
图7为本发明实施例方案涉及的深度学习模型的结构示意图；
图8为本发明实施例方案涉及的前端采集设备中的测试模型库汇聚成服务器端的分类模型库的示意图；
图9为本发明异常状态的识别方法的原理图。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例的主要解决方案是：获取目标视频数据；将所述目标视频数据输入测试模型库中的各个测试模型，以生成各个所述测试模型的判决结果，所述判决结果包括模型判定为真和模型判定为假；在所述测试模型中不存在模型判定为真的判决结果时，将所述目标视频数据输入预设模型进行训练，以生成目标测试模型；将所述目标测试模型添加至所述测试模型库，以更新所述测试模型库。这样，本方案中不断更新的测试模型库可以识别新出现的异常状态，模型使用一段时间后不需要重新采集数据，重新标记数据和重新训练模型，提高了模型对异常状态识别的准确性和效率，解决了模型对异常状态识别的准确性和效率较低的问题。
为了更好地理解上述技术方案，下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开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公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
为了更好地理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
如图1所示，图1是本发明实施例方案涉及的异常状态的识别装置的硬件架构示意图。
如图1所示，该异常状态的识别装置可以包括：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。网络接口1004可选的可以包括标准的有线接口、无线接口(如存储器(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。
本领域技术人员可以理解，图1中示出的异常状态的识别装置的结构并不构成对异常状态的识别装置的限定，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，作为一种计算机存储介质的存储器1005中可以包括操作系统以及异常状态的识别程序。
在图1所示的异常状态的识别装置中，处理器1001可以用于调用存储器1005中存储的异常状态的识别程序，并执行以下操作：
获取目标视频数据；
将所述目标视频数据输入测试模型库中的各个测试模型，以生成各个所述测试模型的判决结果，所述判决结果包括模型判定为真和模型判定为假；
在所述测试模型中不存在模型判定为真的判决结果时，将所述目标视频数据输入预设模型进行训练，以生成目标测试模型；
将所述目标测试模型添加至所述测试模型库，以更新所述测试模型库。
进一步地，处理器1001可以调用存储器1005中存储的异常状态的识别程序，还执行以下操作：
在所述测试模型中至少存在一个判决结果为模型判定为真时，获取模型判定为真的测试模型的标记；
在所述标记为预设标记时，向预设终端发送告警提示信息。
进一步地，处理器1001可以调用存储器1005中存储的异常状态的识别程序，还执行以下操作：
获取视频数据流；
采用预设分类算法对所述视频数据流进行分类，以得到所述目标视频数据。
进一步地，处理器1001可以调用存储器1005中存储的异常状态的识别程序，还执行以下操作：
通过数据采集器采集原始数据；
采用所述预设分类算法对所述原始数据进行分类，以得到分类数据；
将所述分类数据输入预设模型训练，以生成测试模型。
进一步地，处理器1001可以调用存储器1005中存储的异常状态的识别程序，还执行以下操作：
获取预设神经网络；
根据所述预设神经网络搭建预设模型。
进一步地，处理器1001可以调用存储器1005中存储的异常状态的识别程序，还执行以下操作：
获取所述测试模型的数据标签，以使用户根据所述数据标签对所述测试模型进行标记；
在检测到所述测试模型标记完成时，将标记后的所述测试模型添加至测试模型库。
进一步地，处理器1001可以调用存储器1005中存储的异常状态的识别程序，还执行以下操作：
定时将所述测试模型库中的测试模型发送至后台服务器，以更新所述后台服务器中的分类模型库。
参照图2，图2为本发明异常状态的识别方法实施例一的流程示意图，所述异常状态的识别方法包括以下步骤：
步骤S10，获取目标视频数据；
在本实施例中，执行主体为异常状态的识别装置，异常状态的识别装置为可以识别图像或者视频中的异常状态的装置，例如，带有异常状态识别神经网络模型的前端采集设备、预存有异常状态识别神经网络模型的计算机等；异常状态识别神经网络模型为可以识别图像或视频中异常状态信息的网络模型，例如，通过卷积神经网络搭建的、并经过训练的深度学习模型；异常状态为图像或者视频中被认定为异常状态的信息，根据实际的应用场景和需求的不同，对异常状态的认定也不同，例如，在智慧城市安防系统中，异常状态可以是视频数据流中的道路故障、护栏倾倒、占用盲道、垃圾乱放、占道经营等信息，同一种异常状态可以呈现有多种多样的表现形式，这些异常状态又随着时间的变化而变化，呈现一种异构、多元的特征。将含有异常状态信息的图像或者视频输入含有异常状态识别神经网络模型的异常状态的识别装置即可对异常状态进行检测识别。
本实施例以前端采集设备为例，前端采集设备采集视频数据流，前端采集设备上存储有异常状态识别神经网络模型，前端采集设备可以将采集到的视频数据流进行处理并输入异常状态识别神经网络以对异常状态识别。
在本实施例中，目标视频数据为包含异常状态信息的视频数据，目标视频数据可以为前端采集设备采集到的视频数据流，也可以为前端采集设备对采集到的视频数据流预处理后的数据，例如，前端采集设备对采集到的视频数据流分类得到分类数据，目标视频数据即为分类后某一类别对应的视频数据。
在本实施例中，前端采集设备获取目标视频数据，具体地，前端采集设备通过部署的采集器采集视频数据流，将采集到的视频数据流确定为目标视频数据，或者前端采集设备对采集到的视频数据流粗分类，将粗分类得到的某一分类数据确定为目标视频数据。
步骤S20，将所述目标视频数据输入测试模型库中的各个测试模型，以生成各个所述测试模型的判决结果，所述判决结果包括模型判定为真和模型判定为假；
在本实施例中，前端采集设备上设有测试模型库，测试模型库为不同测试模型组成的模型数据库，测试模型为用于异常状态识别的神经网络模型，不同异常状态的识别需要用不同的神经网络模型进行检测识别，因此，对于不同异常状态对应有不同的测试模型，例如，在智慧城市安防系统中，道路故障、护栏倾倒、占用盲道、垃圾乱放、占道经营等信息被认定为异常状态，若前端采集设备需要对这些异常状态识别检测，则前端采集设备上需要存储有识别这些异常状态的神经网络模型，即道路故障神经网络模型、护栏倾倒神经网络模型、占用盲道神经网络模型、垃圾乱放神经网络模型、占道经营神经网络模型等，也即异常状态的测试模型，将这些异常状态对应的测试模型存储在一起即组成测试模型库。判决结果为目标视频数据输入测试模型后的识别结果，判决结果为测试模型的识别结果，判决结果用于表征测试模型是否检测识别出目标视频数据中的异常状态信息，测试模型的判决结果包括两种，即模型判定为真，模型判定为假，其中，模型判定为真表明测试模型检测识别出了目标视频数据中的异常状态信息或者表明目标视频数据中的异常状态信息与测试模型相匹配；模型判定为假表明测试模型未检测识别出目标视频数据中的异常状态信息或者表明目标视频数据中的异常状态信息与测试模型不匹配。例如，对于含有占道经营这类异常状态信息的目标视频数据，若将其输入占道经营异常状态对应的测试模型，则占道经营异常状态对应的测试模型的判决结果为模型判定为真，即占道经营异常状态对应的测试模型检测识别出了目标视频数据中的占道经营这一异常状态；若将含有占道经营这类异常状态信息的目标视频数据输入道路故障异常状态对应的测试模型，则道路故障异常状态对应的测试模型的判决结果为模型判定为假，即道路故障异常状态对应的测试模型未检测识别出目标视频数据中的占道经营这一异常状态。
需要说明的是，测试模型库中除了包括多个异常状态对应的测试模型之外还包括一个正常状态对应的测试模型，该正常状态对应的测试模型用于对不含异常状态信息的目标视频数据进行判决。可以理解的是，当目标视频数据中不存在任何的异常状态信息时，所有的异常状态对应的测试模型的判决结果都为模型判定为假，而正常状态对应的测试模型的判决结果为模型判定为真。本实施例在测试模型库中增加一个正常状态对应的测试模型，使前端采集设备可以对不含有任何异常状态信息的目标视频数据进行判决。
在本实施例中，在前端采集设备获取到目标视频数据后，将获取到的目标视频数据输入测试模型库中的各个测试模型，以生成各个测试模型的判决结果。具体地，前端采集设备将获取到的目标视频数据同时输入测试模型库中的测试模型，目标视频数据输入各个测试模型的起始时间相同，即各个测试模型对目标视频数据的判决是并行的，多模型的并行判决提高了测试模型的判决效率，进而提高了对异常状态的识别效率。在目标视频数据输入各个测试模型后，各个测试模型对目标视频数据进行检测识别，生成各个测试模型的判决结果，对于识别出目标视频数据中异常状态的测试模型，其判决结果为模型判定为真，对于未识别出目标数据中异常状态的测试模型，其判决结果为模型判定为假。
步骤S30，在所述测试模型中不存在模型判定为真的判决结果时，将所述目标视频数据输入预设模型进行训练，以生成目标测试模型；
在本实施例中，预设模型为前端采集设备上预先设置的，用于对目标视频数据训练生成测试模型的网络模型。预设模型为神经网络搭建的深度学习模型，预设模型不能识别异常状态，其中，神经网络可选为卷积神经网络；目标测试模型为将目标视频数据输入预设模型训练得到的模型。
在本实施例中，前端采集设备将目标视频数据输入各个测试模型，生成各个测试模型的判决结果后，在测试模型中不存在模型判定为真的判决结果时，将目标视频数据输入预设模型进行训练，以生成目标测试模型。测试模型中不存在模型判定为真的判决结果时，表明测试模型库中没有可以识别出目标视频数据中的异常状态信息的测试模型，目标视频数据中的异常状态信息为一新出现的异常状态类型，要识别出目标视频数据中的异常状态信息需要一新的测试模型。
具体地，将生成的各个测试模型的判决结果进行“或”运算，若运算的结果为假，即表明所有测试模型的判决结果为假，测试模型库中不存在识别该目标视频数据中异常状态的测试模型，该目标视频数据包含有新的异常状态的类型。将该目标视频数据输入预设模型训练得到目标测试模型，可以理解的是，生成的目标测试模型可以识别该新出现的异常状态。
步骤S40，将所述目标测试模型添加至所述测试模型库，以更新所述测试模型库。
在本实施例中，在生成目标测试模型后，将目标测试模型添加到测试模型库中，以更新测试模型库。可以理解的是，更新后的测试模库可以识别新出现的异常状态。
具体地，人工对生成的测试模型标记，标记为将目标测试模型标记为已知状态，表明目标测试模型识别异常状态信息为已知状态信息，同时设置目标测试模型的判决结果为真时是否需要上报告警提示信息，即当目标测试模型识别出对应的异常状态时是否需要上报告警信息。在检测到测试模型标记完成时，将标记后的目标测试模型添加至测试模型库，以更新测试模型库。
本实施例提供的技术方案中，通过获取目标视频数据，目标视频数据输入测试模型库中的各个测试模型，以生成各个测试模型的判决结果，在测试模型中不存在模型判定为真的判决结果时，将目标视频数据输入预设模型进行训练，以生成目标测试模型，将目标测试模型添加至所述测试模型库，以更新测试模型库。这样，本方案中不断更新的测试模型库可以识别新出现的异常状态，模型使用一段时间后不需要重新采集数据，重新标记数据和重新训练模型，提高了模型对异常状态识别的准确性和效率，解决了模型对异常状态识别的准确性和效率较低的问题。
参照图3，图3为本发明异常状态的识别方法实施例二的流程示意图，基于实施例一，上述S20的步骤之后包括：
步骤S50，在所述测试模型中至少存在一个判决结果为模型判定为真时，获取模型判定为真的测试模型的标记；
在本实施例中，测试模型的标记为测试模型的状态信息，其表明测试模型为已知状态模型，该已知状态模型识别出的异常状态信息为已知状态信息。前端采集设备在将目标视频数据输入测试模型库中的各个测试模型生成各个测试模型的判决结果后，在测试模型中至少存在一个判决结果为模型判定为真时，获取模型判定为真的测试模型的标记。
具体地，在将目标视频数据输入测试模型库中的各个测试模型生成各个测试模型的判决结果后，将各个测试模型的判决结果作“或”运算，当运算结果为真时，表明判决结果至少有一个模型判决结果为模型判定为真，即测试模型库中至少有一个测试模型识别出了目标视频数据中的异常状态信息。例如，假设测试模型库中包括有占道经营异常状态对应的测试模型，将目标视频数据(假设含有占道经营的异常状态)输入测试模型库中的测试模型，则占道经营异常状态对应的测试模型的判决结果为模型判定为真，其他测试模型的判决结果为模型判定为假，将占道经营异常状态对应的测试模型的判决结果与其他测试模型的判决结果作“或”运算，运算结果为真，表明测试模型库中至少有一个测试模型(即占道经营异常状态对应的测试模型)识别出了目标视频数据中的异常状态信息。在运算结果为真时，自动获取模型判定为真的测试模型的标记。
步骤S60，在所述标记为预设标记时，向预设终端发送告警提示信息。
在本实施例中，预设标记为确定测试模型识别出的异常状态需要上报告警提示信息的标记；预设终端为与用户交互的终端设备，例如，手机、电脑等，用户通过终端设备可以了解上报的异常状态的告警提示信息。
具体地，前端采集设备在获取到模型判定为真的测试模型的标记后，判断标记是否为预设标记，在确定标记为预设标记时，向预设终端发送告警提示信息，以便让用户及时了解测试模型识别的异常状态信息。
本实施例提供的技术方案中，在测试模型中至少存在一个判决结果为模型判定为真时，获取模型判定为真的测试模型的标记，在标记为预设标记时，向预设终端发送告警提示信息，这样，本方案中通过设置已知状态测试模型的标记，确定测试模型识别出的异常状态是否需要上报告警提示信息，有利于让用户及时了解、维护和管理识别的部分异常状态信息。
参照图4，图4为本发明异常状态的识别方法实施例三的流程示意图，基于实施例一，上述S10的步骤包括：
步骤S11，获取视频数据流；
在本实施例中，视频数据流为前端采集设备采集到的视频数据，前端采集设备通过部署在现场的数据采集器采集视频数据，得到视频数据流。可选地，数据采集器定时采集视频数据；可选地，数据采集器实时采集视频数据。
步骤S12，采用预设分类算法对所述视频数据流进行分类，以得到所述目标视频数据。
在本实施例中，预设分类算法为前端采集设备中预存的数据分类算法，例如粗分类算法，前端采集设备中预存的粗分类算法可以为一种，也可以为多种。在获取到视频数据流后，采用预设的粗分类算法对视频数据流分类，得到目标视频数据。
在本实施例中，使用的粗分类算法可以根据数据类型的不同，选择不同的算法对视频数据流进行粗分类，例如，对于有特征值的数据可以直接采用K均值法、无特征值的数据可以先采用奇异值分解、主成分分析等方法提取特征值进行粗分类。粗分类的主要目的是节省模型的判决时间，提高效率。需要说明的是，视频数据流也可以不经过粗分类过程直接进行模型判决。
具体地，粗分类算法对视频数据流的分类过程的原理如图6所示，图6为本发明实施例方案涉及的视频数据流的粗分类示意图，如图6所示，针对视频数据流进行粗分类，由于其环境的固定性，视频数据流中图像特征具有如下特点：1、背景图像信息的不变性，属于中长期内不变的信息；2、流动性物体信息，属于短期快速实时变化的信息；3、故障信息，类似于不变信息，需要修复之后才可以改变状态。基于上述特性，对视频数据流故障进行粗分类实施粗分类算法如下：1、以固定周期T(如5s等)，提取视频流中帧图像；2，提取的图像利用主成分分析(PCA：principal component analusis)方法提取出图像的特征值、特征向量；3、对特征值进行降序排序，形成固定长度L的数组；4、按照时间间隔采集下一组(t+1时刻)特征值数据，并将其与上一组数据进行相关性分析，如提取其数据协方差，以固定门限值界定协方差值，确定前后两组数据是否强相关；5、将连续强相关的N个时间点的长度为L的数组形成一个特征集；6、实际采集过程中，如采集的新帧图像的特征值与相关性弱，则连续采集N个时间点数据，进行判决；7、如N个时间点内的数据相互之间的相关性弱，则判决为流动性物体信息；8、如连续N个时间点的数据相互之间具有强相关性，且属于新的特征数据集，即与已知的N个时间点采集的L个数据之间相关性较弱，则分成新的一类；依照此原理完成整个视频数据流的粗分类过程。
本实施例提供的技术方案中，通过获取视频数据流，采用预设分类算法对视频数据流进行分类，以得到目标视频数据。这样，本方案在将采集到的视频数据流输入测试模型之前对视频数据流进行粗分类，可以节省模型判决的时间，提高异常状态的识别效率。
参照图5，图5为本发明异常状态的识别方法实施例四的流程示意图，基于实施例三，上述S11的步骤之前包括：
步骤S13，通过数据采集器采集原始数据；
在本实施例中，原始数据为用于模型训练得到测试模型的数据，原始数据中含有异常状态信息，用原始数据训练得到的测试模型可以识别原始数据中包含的异常状态。具体地，前端设备通过部署在现场的数据采集器采集原始数据。
进一步地，在通过数据采集器采集原始数据的步骤之前，前端采集设备获取预设神经网络，预设神经网络可选为卷积神经网络，获取到预设神经网络后，根据预设神经网络搭建预设模型，预设模型可选为基于卷积神经网络的深度学习模型，参照图7，图7为本发明实施例方案涉及的深度学习模型的结构示意图，如图7所示，深度学习模型采用多层卷积、多层池化、多层激活函数、多层全连接组合而成。
步骤S14，采用所述预设分类算法对所述原始数据进行分类，以得到分类数据；
在本实施例中，前端采集设备在获取到原始数据后，采用预设分类算法对采集到的原始数据进行分类，得到分类数据，分类过程具体可参考实施例三的内容，在此不再赘述。对原始数据进行分类可以节省模型训练的时间，提高模型训练的效率。
步骤S15，将所述分类数据输入预设模型训练，以生成测试模型。
在本实施例中，在获取到分类数据后，将分类数据输入预设模型训练，生成测试模型，测试模型包括一个或者多个，不同分类数据对应生成一个测试模型，每一个测试模型可以识别出其对应分类数据包含的异常状态信息类型。
进一步地，在生成测试模型后，获取测试模型的数据标签，以使用户根据数据标签对测试模型进行标记，在检测到测试模型标记完成时，将标记后的测试模型添加至测试模型库。
具体地，分类数据输入预设模型训练，生成测试模型的同时输出测试模型对应的数据标签，数据标签也叫分类标签，用户可根据数据标签对生成的测试模型进行标记，以将测试模型标记为已知状态，同时设置该已知状态的测试模型在判决结果为真时是否需要上报告警提示信息。需要说明的是，标记为人工标记过程，由人工确认。前端采集设备在检测到测试模型标记完成时，将标记完成后的测试模型添加至测试模型库。
进一步地，定时将测试模型库中的测试模型发送至后台服务器，以更新后台服务器中的分类模型库。
在本实施例中，后台服务器可以存储不同前端采集设备的测试模型，不同类型的前端采集设备训练出不同类型的模型，将前端采集设备训练好的模型，上传到后台服务器，在后台服务器上形成大型服务器后端分类模型库，利用后端分类模型库可以有效的对后台服务器上采集的数据的进行分类，可以降低后台服务器训练数据的资源需求，减轻服务器端的压力。也可以提供给不同的后台进行使用。
具体地，参照图8，图8为本发明实施例方案涉及的前端采集设备中的测试模型库汇聚成服务器端的分类模型库的示意图，如图8所示，前端采集设备1、前端采集设备2、……、前端采集设备n训练得到不同类型的测试模型，各自组成测试模型库，每个前端采集设备与后台服务器通信连接，后台服务器存储有后端分类模型库，对于单个前端采集设备，定时将测试模型库中的测试模型发送至后台服务器，以更新后台服务器中的分类模型库。
本实施例提供的技术方案中，通过数据采集器采集原始数据，采用预设分类算法对原始数据进行分类，以得到分类数据，将分类数据输入预设模型训练，以生成测试模型。这样，本方案利用原始数据进行一次训练得到测试模型，并组建测试模型库，之后并不需经过多次训练，提高了效率。
基于上述实施例，本发明还提供了一种异常状态的识别装置，上述异常状态的识别装置可以包括存储器、处理器及存储在上述存储器上并可在上述处理器上运行的异常状态的识别程序，上述处理器执行上述异常状态的识别程序时，实现如上述任一实施例所述的异常状态的识别方法的步骤。
基于上述实施例，本发明还提供一种计算机可读存储介质，其上存储有异常状态的识别程序，上述异常状态的识别程序被处理器执行时实现如上述任一实施例所述的异常状态的识别方法的步骤。
基于上述实施例，对本发明技术方案的主要原理进行概括，参照图9，图9为本发明异常状态的识别方法的原理图，如图9所示，本发明异常状态的识别方法应用于前端采集设备，前端采集设备通过采集原始数据，对采集到的原始数据进行粗分类得到分类数据，将分类数据输入卷积神经网络搭建的预设模型训练得到测试模型，对生成的测试模型进行人工标记，根据标记后的测试模型组建测试模型库，在组建测试模型库后，获取用于测试的视频数据流，对视频数据流进行粗分类得到目标视频数据，将目标视频数据同时输入测试模型库中的各个测试模型进行模型判决，生成模型的判决结果，在测试模型中不存在模型判定为真的判决结果时，确定目标视频数据为未知异常状态数据，将目标视频数据输入预设模型训练得到目标测试模型，对测试模型进行标记，将标记后的目标测试模型添加至测试模型库，以更新测试模型库，更新后的测试模型库中含有识别该未知异常状态的数据的测试模型；在测试模型中至少存在一个模型判定为真的判决结果时，则获取模型判定为真的测试模型的标记，根据标记确定是否需要上报告警提示信息。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种异常状态的识别方法，其特征在于，所述异常状态的识别方法包括：
获取目标视频数据；
将所述目标视频数据输入测试模型库中的各个测试模型，以生成各个所述测试模型的判决结果，所述判决结果包括模型判定为真和模型判定为假；
在所述测试模型中不存在模型判定为真的判决结果时，将所述目标视频数据输入预设模型进行训练，以生成目标测试模型；
将所述目标测试模型添加至所述测试模型库，以更新所述测试模型库。
2.如权利要求1所述的异常状态的识别方法，其特征在于，所述将所述目标视频数据同时输入测试模型库中的各个测试模型。
3.如权利要求1所述的异常状态的识别方法，其特征在于，所述将所述目标视频数据输入测试模型库中的各个测试模型，以生成各个所述测试模型的判决结果的步骤之后包括：
在所述测试模型中至少存在一个判决结果为模型判定为真时，获取模型判定为真的测试模型的标记；
在所述标记为预设标记时，向预设终端发送告警提示信息。
4.如权利要求1所述的异常状态的识别方法，其特征在于，所述获取目标视频数据的步骤包括：
获取视频数据流；
采用预设分类算法对所述视频数据流进行分类，以得到所述目标视频数据。
5.如权利要求4所述的异常状态的识别方法，其特征在于，所述获取视频数据流的步骤之前包括：
通过数据采集器采集原始数据；
采用所述预设分类算法对所述原始数据进行分类，以得到分类数据；
将所述分类数据输入预设模型训练，以生成测试模型。
6.如权利要求5所述的异常状态的识别方法，其特征在于，所述通过数据采集器采集原始数据的步骤之前包括：
获取预设神经网络；
根据所述预设神经网络搭建预设模型。
7.如权利要求5所述的异常状态的识别方法，其特征在于，所述将所述分类数据输入预设模型训练，以生成测试模型的步骤之后包括：
获取所述测试模型的数据标签，以使用户根据所述数据标签对所述测试模型进行标记；
在检测到所述测试模型标记完成时，将标记后的所述测试模型添加至测试模型库。
8.如权利要求1所述的异常状态的识别方法，其特征在于，所述异常状态的识别方法还包括：
定时将所述测试模型库中的测试模型发送至后台服务器，以更新所述后台服务器中的分类模型库。
9.一种异常状态的识别装置，其特征在于，所述异常状态的识别装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的异常状态的识别程序，所述异常状态的识别程序被所述处理器执行时实现如权利要求1～8中任一项所述的异常状态的识别方法的步骤。
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状态的识别程序，所述异常状态的识别程序被处理器执行时实现如权利要求1～8中任一项所述的异常状态的识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011492066.9A CN112528893A (zh) | 2020-12-15 | 2020-12-15 | 异常状态的识别方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011492066.9A CN112528893A (zh) | 2020-12-15 | 2020-12-15 | 异常状态的识别方法、装置及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112528893A true CN112528893A (zh) | 2021-03-19 |
Family
ID=75000888
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011492066.9A Pending CN112528893A (zh) | 2020-12-15 | 2020-12-15 | 异常状态的识别方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112528893A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114698564A (zh) * | 2022-04-26 | 2022-07-05 | 深圳市中融数字科技有限公司 | 耳标状态的检测方法、装置、存储介质及电子设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101226591A (zh) * | 2008-01-31 | 2008-07-23 | 上海交通大学 | 基于手机摄像头结合人脸识别技术的身份识别方法 |
| US20150092978A1 (en) * | 2013-09-27 | 2015-04-02 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for recognition of abnormal behavior |
| CN110198471A (zh) * | 2018-02-27 | 2019-09-03 | 北京猎户星空科技有限公司 | 异常识别方法、装置、智能设备及存储介质 |
| CN110427825A (zh) * | 2019-07-01 | 2019-11-08 | 上海宝钢工业技术服务有限公司 | 基于关键帧与快速支持向量机融合的视频火焰识别方法 |
| CN110674038A (zh) * | 2019-09-20 | 2020-01-10 | 杭州迪普信息技术有限公司 | 一种对软件测试中错误信息的分类方法及装置 |
| CN111310778A (zh) * | 2018-12-12 | 2020-06-19 | 横河电机株式会社 | 检测装置、检测方法以及记录检测程序的记录介质 |
| CN111476100A (zh) * | 2020-03-09 | 2020-07-31 | 咪咕文化科技有限公司 | 基于主成分分析的数据处理方法、装置及存储介质 |
| CN111708703A (zh) * | 2020-06-18 | 2020-09-25 | 深圳前海微众银行股份有限公司 | 测试案例集生成方法、装置、设备及计算机可读存储介质 |
-
2020
- 2020-12-15 CN CN202011492066.9A patent/CN112528893A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101226591A (zh) * | 2008-01-31 | 2008-07-23 | 上海交通大学 | 基于手机摄像头结合人脸识别技术的身份识别方法 |
| US20150092978A1 (en) * | 2013-09-27 | 2015-04-02 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for recognition of abnormal behavior |
| CN110198471A (zh) * | 2018-02-27 | 2019-09-03 | 北京猎户星空科技有限公司 | 异常识别方法、装置、智能设备及存储介质 |
| CN111310778A (zh) * | 2018-12-12 | 2020-06-19 | 横河电机株式会社 | 检测装置、检测方法以及记录检测程序的记录介质 |
| CN110427825A (zh) * | 2019-07-01 | 2019-11-08 | 上海宝钢工业技术服务有限公司 | 基于关键帧与快速支持向量机融合的视频火焰识别方法 |
| CN110674038A (zh) * | 2019-09-20 | 2020-01-10 | 杭州迪普信息技术有限公司 | 一种对软件测试中错误信息的分类方法及装置 |
| CN111476100A (zh) * | 2020-03-09 | 2020-07-31 | 咪咕文化科技有限公司 | 基于主成分分析的数据处理方法、装置及存储介质 |
| CN111708703A (zh) * | 2020-06-18 | 2020-09-25 | 深圳前海微众银行股份有限公司 | 测试案例集生成方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 刘宝锺: "《大数据分类模型和算法研究》", 31 January 2020, 云南大学出版社, pages: 281 - 286 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114698564A (zh) * | 2022-04-26 | 2022-07-05 | 深圳市中融数字科技有限公司 | 耳标状态的检测方法、装置、存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111563494B (zh) | 基于目标检测的行为识别方法、装置和计算机设备 | |
| CN111181939B (zh) | 一种基于集成学习的网络入侵检测方法及装置 | |
| CN109194612B (zh) | 一种基于深度置信网络和svm的网络攻击检测方法 | |
| CN110969130B (zh) | 一种基于yolov3司机危险动作识别方法及系统 | |
| CN110097037B (zh) | 智能监测方法、装置、存储介质及电子设备 | |
| CN111310850B (zh) | 车牌检测模型的构建方法及系统、车牌检测方法及系统 | |
| CN112055172B (zh) | 一种监控视频的处理方法、装置以及存储介质 | |
| CN111814510B (zh) | 一种遗留物主体检测方法及装置 | |
| CN107798351B (zh) | 一种基于深度学习神经网络的身份识别方法和系统 | |
| CN112298844B (zh) | 一种垃圾分类监督方法及装置 | |
| CN112541372A (zh) | 一种困难样本筛选方法及装置 | |
| CN112115957A (zh) | 数据流识别方法及装置、计算机存储介质 | |
| CN111666848B (zh) | 运输车辆到站检测方法、装置、设备及存储介质 | |
| CN110738080A (zh) | 一种识别改装机动车的方法、装置和电子设备 | |
| CN111626348A (zh) | 自动泊车测试模型构建方法、设备、存储介质及装置 | |
| CN112528893A (zh) | 异常状态的识别方法、装置及计算机可读存储介质 | |
| CN108629310B (zh) | 一种工程管理监督方法及装置 | |
| CN112150814B (zh) | 基于智能交通的信息处理方法、装置及智能交通系统 | |
| CN112668411B (zh) | 基于sgan的视频流标记方法、装置、系统及存储介质 | |
| CN112232295B (zh) | 一种新增目标船只的确认方法、装置及电子设备 | |
| CN115797842A (zh) | 车辆占道经营检测方法、装置、电子设备及存储介质 | |
| CN114972781A (zh) | 聚档优化方法、电子设备及计算机可读存储介质 | |
| CA3012927A1 (en) | Counting objects in images based on approximate locations | |
| CN114283361A (zh) | 状态信息的确定方法和装置、存储介质及电子装置 | |
| KR20210089044A (ko) | 물체 인식을 위한 학습 데이터를 선택하는 방법 및 상기 방법을 이용하여 학습된 물체 인식 모델을 이용하여 물체를 인식하는 물체 인식 장치 |
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 |