CN113420601B - 异常场景的监控方法、装置、计算机设备和存储介质 - Google Patents
异常场景的监控方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113420601B CN113420601B CN202110584829.0A CN202110584829A CN113420601B CN 113420601 B CN113420601 B CN 113420601B CN 202110584829 A CN202110584829 A CN 202110584829A CN 113420601 B CN113420601 B CN 113420601B
- Authority
- CN
- China
- Prior art keywords
- scene
- monitoring
- algorithm
- equipment
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 316
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 223
- 238000004519 manufacturing process Methods 0.000 claims abstract description 30
- 238000009826 distribution Methods 0.000 claims abstract description 27
- 238000012806 monitoring device Methods 0.000 claims description 57
- 230000006870 function Effects 0.000 claims description 39
- 238000010191 image analysis Methods 0.000 claims description 19
- 238000013468 resource allocation Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000002068 genetic effect Effects 0.000 claims description 13
- 238000009434 installation Methods 0.000 claims description 11
- 230000008447 perception Effects 0.000 abstract description 15
- 230000000694 effects Effects 0.000 abstract description 8
- 230000000875 corresponding effect Effects 0.000 description 189
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 55
- 238000001514 detection method Methods 0.000 description 45
- 239000003921 oil Substances 0.000 description 26
- 238000007726 management method Methods 0.000 description 22
- 239000010410 layer Substances 0.000 description 21
- 239000000779 smoke Substances 0.000 description 15
- 238000007654 immersion Methods 0.000 description 12
- 238000012423 maintenance Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 230000006378 damage Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 241001465754 Metazoa Species 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 208000027418 Wounds and injury Diseases 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 238000007906 compression Methods 0.000 description 5
- 208000014674 injury Diseases 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 239000003245 coal Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000006835 compression Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000004880 explosion Methods 0.000 description 4
- 230000003137 locomotive effect Effects 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000009423 ventilation Methods 0.000 description 4
- 239000000295 fuel oil Substances 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 239000003721 gunpowder Substances 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 230000004297 night vision Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010003497 Asphyxia Diseases 0.000 description 1
- 206010013647 Drowning Diseases 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 239000004567 concrete Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 231100000676 disease causative agent Toxicity 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000002737 fuel gas Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000010720 hydraulic oil Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
- 239000010723 turbine oil Substances 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 239000002912 waste gas Substances 0.000 description 1
- 238000001363 water suppression through gradient tailored excitation Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Alarm Systems (AREA)
Abstract
本申请涉及一种异常场景的监控方法、装置、计算机设备和存储介质,包括:获取待监控场景对应的场景特征,以及,组成所述待监控场景的多个区域;所述场景特征反映所述待监控场景的场景区域结构和各个区域的生产特征;根据所述场景特征,确定各个区域对应的监控需求信息;根据各个区域对应的监控需求信息和预设的设备购置约束条件,确定各个区域对应的监控设备;获取各个监控设备对应的设备布点信息,以按照所述设备布点信息安装各个监控设备,对所述待监控场景进行监控,实现了根据场景的特征布置监控设备,在充分分析智能感知算法的实际应用场景后进行监控设备布点,有效提高后续智能感知算法的监控效果和实用性。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种异常场景的监控方法、装置、计算机设备和存储介质。
背景技术
随着计算机视觉技术的发展,智能感知算法逐渐得到普及,针对电厂中发生的故障,例如针对电力设备故障、管道破损、零部件脱落、漏油、漏水、漏气等,智能感知算法通过监控设备采集到的图像数据,能够得到出色的检测识别效果。然而,摄像头布点方式的不恰当,使得智能感知在算法布置到实际场景后,监控效果和实用性大大降低。
发明内容
基于此,有必要针对上述技术问题,提供一种异常场景的监控方法、装置、计算机设备和存储介质。
一种异常场景的监控方法,所述方法包括:
获取待监控场景对应的场景特征,以及,组成所述待监控场景的多个区域;所述场景特征反映所述待监控场景的场景区域结构和各个区域的生产特征;
根据所述场景特征,确定各个区域对应的监控需求信息;
根据各个区域对应的监控需求信息和预设的设备购置约束条件,确定各个区域对应的监控设备;
获取各个监控设备对应的设备布点信息,以按照所述设备布点信息安装各个监控设备,对所述待监控场景进行监控。
在其中一个实施例中,还包括:
获取各个区域对应的图像数据,以及,获取各个区域对应的场景监控算法;
采用各个区域对应的场景监控算法,对对应区域的图像数据进行图像分析。
在其中一个实施例中,所述采用各个区域对应的场景监控算法,对对应区域的图像数据进行图像分析,包括:
获取各个场景监控算法对应的算法运行特征;
根据所述算法运行特征,确定各个场景监控算法对应的配置资源;
针对每个区域,根据该区域场景监控算法对应的配置资源和场景监控算法,对该区域对应的图像数据进行图像分析,并根据分析结果确定该区域是否存在异常场景。
在其中一个实施例中,还包括:
获取异常场景对应的待监控对象,并确定所述待监控对象对应的监控等级;
获取所述场景监控算法对应的算法优先级和算法运行频率;
采用所述监控等级、算法优先级和算法运行频率,确定所述场景监控算法对应的算法运行特征。
在其中一个实施例中,所述根据所述算法运行特征,确定各个场景监控算法对应的配置资源,包括:
根据所述监控等级和算法优先级,确定各个场景监控算法的资源分配次序;
按照所述资源分配次序和所述算法运行频率,向各个场景监控算法分配对应的配置资源。
在其中一个实施例中,所述获取各个区域对应的场景监控算法,包括:
按照预设时间间隔,获取各个监控设备采集的告警图片;所述告警图片为区域存在异常场景时的图片;
根据所述告警图片的,对各个区域原始的场景监控算法进行更新,得到各个区域当前的场景监控算法。
在其中一个实施例中,所述监控需求信息包括区域对应的期望清晰度,所述根据各个区域对应的监控需求信息和预设的设备购置约束条件,确定各个区域对应的监控设备,包括:
初始化各个区域对应的监控设备,并确定各个监控设备对应的实际清晰度;
根据各个区域对应的期望清晰度和区域中监控设备对应的实际清晰度,确定期望清晰度之和以及实际清晰度之和,并根据所述实际清晰度之和与所述期望清晰度之和的差值,确定预设目标函数对应的目标函数值;
根据所述设备购置约束条件和遗传算法,更新各个区域对应的监控设备,并更新所述目标函数值;
当所述目标函数值满足预设迭代条件时,确定各个区域当前的监控设备。
一种异常场景的监控装置,所述装置包括:
场景特征获取模块,用于获取待监控场景对应的场景特征,以及,组成所述待监控场景的多个区域;所述场景特征反映所述待监控场景的场景区域结构和各个区域的生产特征;
监控需求信息确定模块,用于根据所述场景特征,确定各个区域对应的监控需求信息;
监控设备确定模块,用于根据各个区域对应的监控需求信息和预设的设备购置约束条件,确定各个区域对应的监控设备;
设备布点信息获取模块,用于获取各个监控设备对应的设备布点信息,以按照所述设备布点信息安装各个监控设备,对所述待监控场景进行监控。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上任一项所述方法的步骤。
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如上任一项所述方法的步骤。
上述一种异常场景的监控方法、装置、计算机设备和存储介质,通过获取待监控场景对应的场景特征以及组成所述待监控场景的多个区域,根据场景特征,确定各个区域对应的监控需求信息,根据各个区域对应的监控需求信息和预设的监控设备成本,确定各个区域对应的监控设备,获取各个监控设备对应的设备布点信息,以按照所述设备布点信息安装各个监控设备,对所述待监控场景进行监控,实现了根据场景的特征布置监控设备,在充分分析智能感知算法的实际应用场景后进行监控设备布点,有效提高后续智能感知算法的监控效果和实用性。
附图说明
图1为一个实施例中一种异常场景的监控方法的流程示意图;
图2a为一个实施例中一种水电厂场景区域结构的示意图;
图2b为一个实施例中一种火电厂场景区域结构的示意图;
图3为一个实施例中遗传算法步骤的流程示意图;
图4一个实施例中监控服务端的架构示意图;
图5为一个实施例一种异常场景的监控装置的结构框图;
图6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。
在一个实施例中,如图1所示,提供了一种异常场景的监控方法,本实施例以该方法应用于监控服务端进行举例说明,其中,通过在实际场景中设置一个或多个监控设备,监控服务端可以获取监控设备采集的图像数据,并采用对应的算法对图像数据进行分析,对场景实现监控。可以理解的是,该方法也可以应用包括终端和服务器的系统,并通过终端和服务器的交互实现。
在本实施例中,该方法可以包括如下步骤:
步骤101,获取待监控场景对应的场景特征,以及,组成所述待监控场景的多个区域。
其中,待监控场景可以是待通过监控设备和智能感知算法进行监控的场地或空间;场景特征可以反映待监控场景的场景区域结构和各个区域的生产特征;场景区域结构可以是待监控场景中具有不同功能多个区域对应的区域结构,生产特征可以是在各个区域进行的生成流程或设置的生成设备。
在实际应用中,不同场景可以具有不同的场景区域结构。基于此,针对待监控场景,可以获取待监控场景对应的场景特征,并确定待监控场景对应的多个区域。
具体而言,不同场景对应的场景区域结构可以存在较大差异,以水电厂和火电厂为例,由于两者发电方式不同,两者的场景特征存在明显差异。如图2a所示,为水电厂的生产区域结构示意图,在水电厂中,地下厂房洞室群位于输水系统中部,主要洞室包括主副厂房、安装间、母线洞、主变洞、尾水闸门室、尾闸运输洞、高压电缆洞、交通洞、通风洞和排水廊道等。主厂房从上到下分为发电机层、中间层、水泵水轮机层、蜗壳层、底部的管廊道层、集水廊道层等。上下游边墙为1m厚的混凝土墙,墙体通过连接锚杆与围岩浇筑成一体。厂房结构由尾水管、蜗壳、机墩、风罩与厚楼板、梁、柱及边墙相互联系组合形成复杂的钢筋混凝土结构。
而针对火电厂,如图2b所示,火电厂通常采用煤炭、重油及天然气为燃料,燃料释放出热能蒸汽,再通过蒸汽热力涡轮机驱动发电。火电厂可以设有排放燃烧废气的高大烟囱、锅炉蒸汽汽轮机的水冷却塔、发电机组、燃油或燃气储存用的大重油槽、天然气的低温储槽;在一个示例中,火电厂还可以设置燃烧煤炭的堆煤场、较长的煤炭输送带、主变压器区域与电力输出的开关厂。
步骤102,根据所述场景特征,确定各个区域对应的监控需求信息。
作为一示例,监控需求信息可以是针对区域对应的监控需求,例如监控数据的清晰度、监控时长、区域中待监控对象等。
在获取场景特征后,可以根据场景特征确定各个区域对应的监控需求信息。具体而言,可以预先设置不同场景特征与监控需求信息的对应关系,在确定场景特征后,可以根据预设的对应关系,确定各个区域对应的监控需求信息。
步骤103,根据各个区域对应的监控需求信息和预设的设备购置约束条件,确定各个区域对应的监控设备。
在具体实现中,在确定各个区域对应的监控需求信息后,可以获取预设的设备购置约束条件,并在设备购置约束条件内,根据各个区域对应的监控需求信息为各个区域分配对应的监控设备,从而确定出在每个区域待安装的监控设备。
步骤104,获取各个监控设备对应的设备布点信息,以按照所述设备布点信息安装各个监控设备,对所述待监控场景进行监控。
作为一示例,设备布点信息可以包括监控设备的安装位置和/或安装角度。
在确定各个区域对应的监控设备后,可以获取各个监控设备对应的设备布点信息,从而后续工作人员可以根据设备布点信息,安装各个监控设备并对待驾控场景进行监控。
在本实施例中,通过获取待监控场景对应的场景特征以及组成所述待监控场景的多个区域,根据场景特征,确定各个区域对应的监控需求信息,根据各个区域对应的监控需求信息和预设的监控设备成本,确定各个区域对应的监控设备,获取各个监控设备对应的设备布点信息,以按照所述设备布点信息安装各个监控设备,对所述待监控场景进行监控,实现了根据场景的特征布置监控设备,在充分分析智能感知算法的实际应用场景后进行监控设备布点,有效提高后续智能感知算法的监控效果和实用性。
在一个实施例中,监控需求信息可以包括区域对应的期望清晰度,期望清晰度可以是要求监控设备所具有的监控清晰度,不同区域的监控重要程度不同,要求的监控清晰度也不同,具体而言,区域的监控重要程度可以与期望清晰度呈正相关,区域越重要,对应的期望清晰度越高。
所述根据各个区域对应的监控需求信息和预设的监控设备成本,确定各个区域对应的监控设备,包括:
步骤201,初始化各个区域对应的监控设备,并确定各个监控设备对应的实际清晰度。
作为一示例,监控设备可以是摄像设备,实际清晰度可以是区域中的监控设备实际拥有的监控清晰度。
在实际应用中,可以初始化各个区域对应的监控设备,并根据监控设备对应的设备参数,确定各个监控设备对应的实际清晰度。
步骤202,根据各个区域对应的期望清晰度和区域中监控设备对应的实际清晰度,确定期望清晰度之和以及实际清晰度之和,并根据所述实际清晰度之和与所述期望清晰度之和的差值,确定预设目标函数对应的目标函数值。
在确定各个监控设备对应的实际清晰度后,可以根据各个区域对应的期望清晰度,以及区域中监控设备对应的实际清晰度,分别确定出所有区域的期望清晰度之和,以及所有区域的实际清晰度之和,进而可以获取实际清晰度之和期望清晰度之和的差值,并根据该差值和预设目标函数,确定对应的目标函数值。
在一示例中,可以以多个监控设备对应的实际监控清晰度情况(即实际清晰度之和)与期望监控清晰度情况(即期望清晰度之和)之间的平均差异最小作为目标函数,目标函数可以如下所示:
其中,T矩阵表示实际的监控设备对待监控场景的监控清晰度情况,即为实际安装的监控设备对各区域的监控清晰度之和,N为区域数量,C为监控设备的种类数量,Pt,r为在第t个区域中安装第r种摄像头的监控范围清晰度矩阵,s为N×C的矩阵,矩阵元素的取值为逻辑变量,若第t个小区域安装第r种摄像头,St,r取值为1,否则取值为0。M矩阵表示根据待监控场景中各个区域重要程度确定的期望清晰度之和。
步骤203,根据所述设备购置约束条件和遗传算法,更新各个区域对应的监控设备,并更新所述目标函数值。
步骤204,当所述目标函数值满足预设迭代条件时,确定各个区域当前的监控设备。
在初始化各个区域对应的监控设备后,可以在设备购置约束条件对应的约束范围内,结合遗传算法,更新各个区域对应的监控设备,并重复步骤203,对当前的目标函数值进行更新,当目标函数值满足预设迭代条件时,则可以确定各个区域当前的监控设备。
在实际应用中,设备购置约束条件可以是监控设备成本和监控设备种类数量,其中,监控设备成本可以是购置监控设备而预设的总成本,监控设备种类数量可以是每个区域不同类型监控设备安装数量。针对监控设备成本的约束条件可以如下所示:
针对监控设备种类数量的约束条件可以如下所示:
其中,dr为第r种监控设备的单价,SP为监控设备的最大购置成本,在第t个区域只安装一种类型的监控设备,为可安装监控设备的区域集合。
在确定设备购置约束条件后,可以采用遗传算法确定各个区域对应的监控设备。遗传算法(genetic algorithms,GA)是根据达尔文进化理论以及孟德尔遗传学说所创立的一种进化算法,在本实施例中,通过遗传算法确定各个区域对应监控设备的步骤,可以如图3所示,即可以将初始化的各个区域对应的监控设备进行编码,形成初始种群,在进行交叉后,可以确定各个编码对应的适应度,在根据适应度进行个体选择后,可以对选择出的多个个体进行变异,并判断当前是否满足终止条件,例如迭代次数是否满足预设阈值;若不满足,则可以返回到交叉步骤,重复执行上述过程;若满足,则可以结束迭代并确定各个区域当前的监控设备。
在本实施例中,根据各个区域对应的期望清晰度和区域中监控设备对应的实际清晰度,确定期望清晰度之和以及实际清晰度之和,根据实际清晰度之和与期望清晰度之和的差值,确定预设目标函数对应的目标函数值,根据设备购置约束条件和遗传算法,更新各个区域对应的监控设备,并更新目标函数值,当目标函数值满足预设迭代条件时,确定各个区域当前的监控设备,能够利用遗传算法的交叉、迭代、变异,对各个区域监控设备的设置方式进行优化,为提高智能感知算法的实用性和可靠性提供基础。
在一个实施例中,在获取各个监控设备对应的设备布点信息时,为完整地对待监控场景进行监控,可以根据监控设备对应的设备参数和待监控场景中生产设备对应的位置,确定监控设备的布点方式。在具体实现中,可以利用集成了可视化布点、视野范围估计和三维模拟的监控布点软件,通过调用监控布点软件,可以有效提高布点效率,实现了布点规则的优化和自动布点。
在一个示例中,各个区域中监控设备的设备布点信息可以如表1所示:
表1
表1
在一个实施例中,所述方法还可以包括如下步骤:
获取各个区域对应的图像数据,以及,获取各个区域对应的场景监控算法;采用各个区域对应的场景监控算法,对对应区域的图像数据进行图像分析。
作为一示例,场景监控算法也可以称为智能感知算法或智能感知算法模型,场景监控算法可用于对监控设备采集到的图像数据进行分析,并确定是否存在异常情况,其中,一种场景监控算法可以对一种异常场景进行监控,如漏油检测算法可以监控区域中是否存在漏油。
由于不同的区域涉及的生产特征可以存在差异,在具体实现中,可以根据场景特征,确定各个区域对应的生产特征,并确定各个生产特征对应的可能发生的异常场景,并预先为异常场景中的待监控对象设置不同的场景监控算法。
在配置好各个区域对应的监控设备后,可以通过监控设备获取各个区域对应的图像数据,并根据场景特征,确定各个区域可能存在的异常场景,并获取对应的场景监控算法,进而可以采用各个区域对应的场景监控算法,处理对应区域的图像数据,进行图像分析。
例如,可以根据危险源对应的起因物、诱导原因、致害物以及伤害方式,确定以下多种异常场景,包括:
(1)物体打击:如窄小空间作业碰撞,作业工具和物料不当抛掷等;
(2)车辆伤害:通勤或物料运输车辆超速超员,不当驾驶、恶劣天气驾驶等;
(3)机械伤害:水轮机、水泵、油泵、抽风机等旋转动力机械故障;
(4)起重伤害:厂房或闸门桥机起重和吊装作业操作不当,设备故障等;
(5)触电:走错发电间隔,误接触裸露高压设备,接地不良,线缆老化或损坏等;
(6)淹溺:坝面及进出水口作业时防护不当,过流系统作业时闸门启闭故障等;
(7)灼烫:电焊、切割工具使用不当,发热设备散热不充分等;
(8)火灾:明火使用不当,易燃物过量堆积管理不善,发热设备散热不充分等;
(9)高处坠落:悬空作业,孔洞周边无护栏或警戒设施,陡崖陡坎无防护等;
(10)坍塌、透水:地下洞室勘测和掘进失误,边坡无防护等;
(11)火药爆炸:洞室或道路开挖时火药使用不当,火药库管理不当等;
(12)容器爆炸:液压油罐、透平油罐漏油或压力故障等;
(13)其他爆炸:变压器故障爆炸等;
(14)中毒和窒息:密闭洞室和作业空间通风不良,GIS开关站SF6气体泄漏等;
(15)其他伤害:粉尘,机组和变压器运行时产生的振动和噪音等。
在确定多种异常场景后,可以根据场景特征,确定各个区域可能出现的异常场景,并确定异常场景中待监控对象,例如,针对火电厂,可以确定出如下区域中的待监控对象:
(1)发电机层
1)发电机层所有场景应配置烟雾/蒸汽雾与明火的异常情况检测;
2)发电机层、机组400kV配电盘柜、机组LCU控制柜等含状态指示灯场景应同时配置状态指示灯检测;
3)安装间应同时配置漏水、漏油的异常情况检测。
(2)中间层
1)中间层中发电机组所在地面、正对机组出口开关GCB、发电机风洞内空冷器侧应进行监测,并配置漏油与红外检测;对发电机所在地面监测应同时配置小动物、管道破损及零部件脱落的异常情况检测;发电机风洞内空冷器侧应同时配置管道破损及零部件脱落的异常情况检测;
2)中间层所有场景应配置烟雾/蒸汽雾与明火的异常情况检测;
3)制动柜、直流分屏、远程IO屏、中性点设备、排水泵变、检修变、GCB等含开关状态、状态指示灯、指针的场景应同时配置开关状态、状态指示灯、指针检测;
4)检修变、发电机出口开关、母线洞外侧应同时配置漏水异常情况检测。
(3)水轮机层
1)水轮机层应配置烟雾/蒸汽雾的异常情况检测;
2)机水车室、机组推力轴承循环泵、供水过滤器、空压机室、冷水机室、调速器压力油盘压油罐、二次盘柜应同时配置漏水、水浸、漏油的异常情况检测;
3)机水车室、空压机室、厂用主盘室、冷水机室、调速器压力油盘压油罐、二次盘柜应同时配置明火的异常情况检测;
4)空压机配电盘室、空压机室控制柜、厂用主盘室等含开关状态、状态指示灯、指针的场景应同时配置开关状态、状态指示灯、指针检测;
5)机水车室应配置旋转和设备移位的触发式检测;
6)机组推力轴承循环泵、供水过滤器、空压机室空气罐角落、冷水机室等含管道设备的场景,配置管道破损及零部脱落的异常情况检测;
7)机水车室同时配置红外检测;
8)调速器压力油盘压油罐应同时配置油位检测。
(4)蜗壳层
1)蜗壳层所有场景应配置漏水、水浸、漏油、烟雾/蒸汽雾、管道破损及零部脱落的异常情况检测;
2)技术供水泵、球阀及旁通自动阀、机尾水肘管室应同时配置明火的异常情况检测;
3)球阀及旁通自动阀应同时配置设备位移的触发式检测;
4)机尾水肘管室对侧、气罐等含指针仪表盘的场景应同时配置指针检测。
(5)主变洞
1)主变洞所有场景应配置明火、烟雾/蒸汽雾的异常情况检测;
2)主变室、GIS大厅应同时配置漏水、水浸、漏油、管道破损及零部脱落的异常情况检测;
3)厂高变配置明火的异常情况检测;
4)SFC室应配置漏油的异常情况检测;SFC开关柜室应同时配置漏水的异常情况检测;SFC输入输出室应同时配置管道破损及零部脱落的异常情况检测;
5)高压试验场全景、启动母线隔离开关配置开关状态、管道破损及零部脱落的异常情况检测;
6)主变廊道全景配置水浸、漏油的异常情况检测;
7)电缆夹层配置漏水、漏油的异常情况检测,并配置至少一处红外检测;
8)含开关状态、指示灯状态及指针的场所应配置开关状态、指示灯状态、指针检测。
(6)高压电缆洞
1)高压电缆洞场景配置漏水、水浸、明火、烟雾/蒸汽雾、管道破损及零部脱落的异常情况检测;
2)高压电缆洞配置红外检测;
3)高压电缆洞内分支配置小动物检测。
(7)尾闸室
1)尾闸室至主变洞通道口应配置漏水、水浸、明火、烟雾/蒸汽雾的异常情况检测;
2)尾闸应配置漏水、水浸、漏油、明火、烟雾/蒸汽无、管道破损及零部脱落的异常情况检测。
(8)廊道层
1)管道廊道层配置水浸、明火、烟雾/蒸汽雾、管道破损及零部脱落的异常情况检测;
2)水淹厂房浮子配置水浸的异常情况检测;
3)集水井水面配置漏水、水浸的异常情况检测;
4)集水井渗漏排水控制柜配置漏水、水浸、明火、烟雾/蒸汽雾的异常情况检测。
(9)开关站副厂房
1)直流系统动力配电盘室、直流电源室、副厂房二次设备室、站用配电室、开关站二次设备室、开关站应配置明火、烟雾/蒸汽雾的异常情况检测;
2)油处理室应配置漏油、管道破损及零部脱落的异常情况检测;
3)开关站二次设备室、开关站应配置明火、烟雾/蒸汽雾、小动物的异常情况检测;
4)含开关状态、状态指示灯的场所配置开关状态、状态指示灯检测。
(10)通信空调设备层
1)通风空调设备室应配置明火、烟雾/蒸汽雾的异常情况检测,同时配置开关状态、状态指示灯检测;
2)通信设备层所有场景应配置明火、烟雾/蒸汽雾的异常情况检测,同时配置开关状态、状态指示灯检测。
(11)上下库
1)上下库水位标尺应配置透雾、液位检测;
2)进出水口、启闭室应配置漏油、明火、烟雾/蒸汽雾的异常情况检测;
3)启闭室应同时配置红外、小动物检测;
4)重型设备库应配置明火、烟雾/蒸汽雾、小动物检测;
5)含开关状态、状态指示灯场景的应同时配置开关状态、状态指示灯检测。
(12)其他
1)交通洞和三号支洞连接处应配置水浸、明火、烟雾/蒸汽雾、小动物的异常情况检测;
2)施工支洞门口应配置明火、烟雾/蒸汽雾检测。
针对火力燃气电厂生产区域中的主厂房0米层、主厂房6.5米层、集控楼、GIS等生产区域进行重点监测。
在确定各个区域对应的待监控对象后,可以确定区域对应的场景监控算法。
在本实施例中,通过获取各个区域对应的图像数据,以及,获取各个区域对应的场景监控算法,并采用各个区域对应的场景监控算法,对对应区域的图像数据进行图像分析,能够结合智能感知算法实际场景,通过适当的场景监控算法对图像数据进行分析,有效提高智能感知算法分析结果的可靠性。
在一个实施例中,所述方法还可以包括如下步骤:
获取异常场景对应的待监控对象,并确定所述待监控对象对应的监控等级;获取所述场景监控算法对应的算法优先级和算法运行频率;采用所述监控等级、算法优先级和算法运行频率,确定所述场景监控算法对应的算法运行特征。
作为一示例,待监控对象可以是出现异常情况的物体或生产过程中发生的异常作业事件。
在实际应用中,存在诱发异常场景出现的待监控对象,而不同的待监控对象所诱发的异常场景,对生产作业的影响程度存在差异,因此,可以获取异常场景对应的待监控对象,并确定待监控对象对应的监控等级。同时,在监控服务端中用于进行场景监控的配置资源有限时,为了更好进行资源调度,可以获取各个场景监控算法对应的算法优先级和算法运行频率,进而可以将监控等级、算法优先级和算法运行频率,确定为场景监控算法对应的算法运行特征。
例如,不同类型的场景监控算法,其对应的算法运行特征可以如表2所示:
表2
其中,算法优先级为一级时,可以具有最高的优先级。
在本实施例中,通过获取异常场景对应的待监控对象,并确定待监控对象对应的监控等级,获取场景监控算法对应的算法优先级和算法运行频率,采用监控等级、算法优先级和算法运行频率,确定场景监控算法对应的算法运行特征,能够为后续进行配置资源的分配提供基础。
在一个实施例中,所述采用各个区域对应的场景监控算法,对对应区域的图像数据进行图像分析,可以包括如下步骤:
获取各个场景监控算法对应的算法运行特征;根据所述算法运行特征,确定各个场景监控算法对应的配置资源;针对每个区域,根据该区域场景监控算法对应的配置资源和场景监控算法,对该区域对应的图像数据进行图像分析,并根据分析结果确定该区域是否存在异常场景。
在实际应用中,由于监控服务端中用于运行场景监控算法的配置资源可以是优先的,在获取到各个区域对应的图像数据后,可以获取各个场景监控算法对应的算法运行特征,并根据算法运行特征,确定分配给各个场景监控算法的配置资源。
在确定各个场景监控算法可占用的配置资源后,针对每个区域,可以基于场景监控算法及其对应的配置资源,对区域对应的图像数据进行图像分析,并根据分析结果确定区域中是否存在异常场景。
在配置过程中,可以根据各个场景监控算法对应的配置资源,确定总配置资源,若总配置资源超过监控服务端可配置资源峰值的80%,则不继续向场景监控算法分配配置资源,并反馈配置资源不足的信号。
在本实施例中,通过获取各个场景监控算法对应的算法运行特征,根据算法运行特征,确定各个场景监控算法对应的配置资源,针对每个区域,根据该区域场景监控算法对应的配置资源和场景监控算法,对该区域对应的图像数据进行图像分析,并根据分析结果确定该区域是否存在异常场景,能够结合需求和服务端的配置资源对算法进行调度,相较于多种智能感知算法同时运行、争夺计算资源,缺乏运行优化和调度,本实施例有效避免算法在运行过程中产生死锁或不兼容的现象,提高服务端的资源利用效率。
在一个实施例中,所述根据所述算法运行特征,确定各个场景监控算法对应的配置资源,可以包括:
根据所述监控等级和算法优先级,确定各个场景监控算法的资源分配次序;按照所述资源分配次序和所述算法运行频率,向各个场景监控算法分配对应的配置资源。
在实际应用中,可以从算法运行特征中获取各个算法对应的监控等级和算法优先级,并根据监控等级和算法优先级,确定各个监控场景算法的资源分配次序,具体而言,监控等级和算法优先级越高,资源分配次序越高,即优先进行配置资源的分配。
在得到各个场景监控算法的资源分配次序后,则可以根据资源分配次序,按照各个场景监控算法对应的算法运行频率,向各个场景监控算法分配配置资源。
在本实施例中,通过根据监控等级和算法优先级,确定各个场景监控算法的资源分配次序,按照资源分配次序和算法运行频率,向各个场景监控算法分配对应的配置资源,实现根据算法重要性依次分配配置资源,进行图像分析,避免算法在运行过程中产生死锁或不兼容的现象,提高服务端的资源利用效率。
在一个实施例中,所述获取各个区域对应的场景监控算法,可以包括如下步骤:
按照预设时间间隔,获取各个监控设备采集的告警图片;根据所述告警图片的,对各个区域原始的场景监控算法进行更新,得到各个区域当前的场景监控算法。
作为一示例,告警图片可以是为区域存在异常场景时的图片;
在具体实现中,监控设备可以进行监控,获取图像数据,通过对图像数据进行图像分析后,可以确定区域中是否存在异常场景,当判断结果为区域中存在异常场景时,可以将对应的图像数据保存得到告警图片。
监控服务端可以按照预设时间间隔,获取各个监控设备采集的告警图片,并对告警图片进行预处理,例如进行人工校验和数据标注。在得到预处理后的告警图片后,可以根据该告警图片,对各个区域原始的场景监控算法进行更新,并将更新结果,确定为各个区域当前的场景监控算法。在具体实现中,在更新场景监控算法后,可以在告警出现频率较低时间段进行算法分发,分发过程不干扰原有算法运行,待更新后的算法配置完成,并将原始的场景监控算法切换为更新后的场景监控算法,可以清除原有场景监控算法相关的文件。
在一个示例中,在采集到图像数据后,为了避免数据冗余,可以采用如表3所示的告警存储规则进行数据存储:
表3
其中,缺陷类别包含漏油,火焰,烟雾,白色蒸汽雾,水浸,零部件脱落,管道破损,红外过热,漏水等。
在本实施例中,通过根据告警图片的,对各个区域原始的场景监控算法进行更新,得到各个区域当前的场景监控算法,能够通过已有的样本数据优化算法,进一步提升原有算法的识别效果。
在一个实施例中,如图4所示,监控服务端可以包括AI服务器、应用管理服务器、生产业务系统、监控系统、堡垒机和运维管理服务系。系统、服务器和用户之间可以进行数据交互,实现异常场景的联动报警。
其中,运维管理服务器可以是云服务器(虚拟物理服务器)或物理服务器,其由GPU(graphics processing unit,图形处理器)或TPU(tensor processing unit,张量处理器)等核心图形计算单元组和CPU(Central Processing Unit,中央处理器)等资源组合而成。
运维管理服务器可以训练智能感知算法模型,并下发智能感知算法模型和控制命令,当运维管理服务器位于外部网络(外网)时,可以通过堡垒机向位于内部网络(内网)的应用管理服务器实现模型分发和控制命令发送,然后应用管理服务器将模型和命令等数据转发给AI服务器。进一步地,可以通过新样本数据优化原有算法模型。
堡垒机可以为位于内网的常规物理机,运维管理服务器以本机作为跳板来操作远程设备,如应用管理服务器。堡垒机可以通过ssh(安全外壳协议)等协议实现远程管理控制,支持对不同用户进行不同策略的制定,细粒度的访问控制能够最大限度的保护用户资源的安全,严防非法、越权访问事件的发生。
应用管理服务器可以是内网中的常规物理机,由应用模块和管理模块两部分组成。其中,应用模块主要为智能感知系统,其接收AI服务器识别结果和运行状态以及生产业务系统的设备状态日志等数据,进行汇总统计,并可通过网页方式实时转发给用户,同时用户也能发送请求和命令给应用服务器。管理模块主要为AI服务器管理系统,其接收运维管理服务器发或送的算法模型和控制命令然后处理后转发给AI服务器,并实时监控AI服务器运行状态。
AI服务器可以布置在边缘侧的物理机,其由GPU或TPU等核心图形计算单元组和CPU等资源组合而成,为图像识别网络应用配置(针对摄像头的路数和参数配置所需的计算资源),其接收应用管理服务器分发的算法模型和控制命令,并在本机上自动配置集成算法模型,对摄像头采集的图像信号进行智能识别和检测,实现对摄像头检测区域设备异常情况的实时感知和预警,从而减少错判、漏判的情况发生,最后实时生成识别结果发送至应用管理服务器。
生产业务系统可用于记录设备状态,生成设备状态记录日志文件,如应用场景中MIS(Management Information System)系统是利用计算机硬件、软件、网络通信设备以及其他办公设备,进行设备信息的收集、传输、加工、储存、更新、拓展和维护的系统。
监控系统可以是用于监视工业生产过程及其环境的电视系统。该系统主要由摄像机、传输通道、控制器和监视器组成,应用于生产过程实时监视,够获取摄像头的视频图像内容以及控制摄像头。
此外,用户可以分为外网的一级用户和内网的二级用户,一级用户通过堡垒机(网页形式)向应用管理服务器获取业务数据和发送控制或请求命令,二级用户(网页形式)可直接向应用管理服务器获取业务数据和发送控制或请求命令。
针对监控服务端使用的监控设备,可以根据摄像头的应用场景、性能参数和功能分为多种类型。
以电厂为例,电厂生产区域具备稳定的电源、环境与网络条件,可选择高清半球形、球型、筒形或枪型网络摄像机。为提高空间利用率和降低部署难度,选择支持以太网供电(Power over Ethernet,PoE)的摄像头,通过双绞线连接到提供PoE的交换机,同时解决供电和通讯问题。
由于电厂生产区域环境为封闭室内环境,在监控时需要考虑无照明的情况,因此可以择具备自动夜视功能的摄像头,在检测到机房照明关闭时,自动启动夜视模式,使用红外照明监控机房环境。同时,为得到高质量图像,可以选择分辨率足够的高清摄像头。对于需要拍摄设备缺陷细节的摄像头,可以使用分辨率不小于2MP(Megapixels)的摄像头。在选择摄像头时,需考虑摄像头焦距范围是否符合视频监控布点的要求,以及镜头的畸变情况。
在一个示例中,由于智能感知算法依赖于从监控视频中分析和提取结构化信息,确定是否存在异常场景,因此,可以使用常规的高清网络监控摄像头,由服务器拉取视频和分析内容。具体前端视频采集可以具备以下三方面功能:
处理技术数字化。随着图像处理技术正日益提高,DSP芯片的计算能力也在逐渐增强。目前的数字图像处理技术可以达到以前需要调整光学系统才能达到的采集效果,即软件技术可以代替硬件结构,使整个系统拥有更高的灵活性。这种技术在图像增强和复原方面应用最广,包括应用到一些军工设备上来实现超分辨率、模糊图像复原等。数字化图像处理可以有效提升图像质量,掩盖了硬件采集设备上的一些不足,并提升产品价值。
视频质量高清化。摄像头的分辨率和显示设备的解码水平基本决定了视频图像的分辨率,另外适当的传输介质能有效降低图像在传输时的信息丢失。现有技术中,主要使用CMOS和CCD两种。CCD的成本和功耗虽然高于CMOS,但在分辨率和灵敏度上优于CMOS,因此CCD被大部分高质量摄像机选作感光芯片。CMOS感光元件无法保证每个像素点的放大率都保持严格一致,这样就会出现放大的数据和实际拍摄数据不一致的情况,并在图像中出现大量的噪声,其品质明显低于CCD。因此感光芯片的差异会导致摄像机的成像质量的差异。
压缩方式智能化。实质上视频采集技术基本的需求之一是监控摄像头能在各种环境下稳定采集图像。在带宽要求较高的条件下,确保核心区域监控图像的清晰度。目前有两个决定视频压缩图像清晰度的要素,第一个因素是编解码算法。在图像分辨率相同的情况下,编解码算法复杂、质量不佳等因素都会影响到图像最终的清晰度;第二个因素是由原始空间样本值的差异引起的清晰度差异。一般的监控系统要求监控图像清晰可辨,即保证这部分的压缩分辨率,才能识别特定的如设备缺陷、指示灯状态、漏油漏水等目标。因此,压缩方式的智能化对原始空间的样本有很高的要求。除此之外,压缩过程中,应该使用分层编码、智能分析技术,确保在传输资源有限的情况下最大限度保证监控目标区域的清晰度。另外还需要根据实际情况调整压缩编码方式、平衡成本和效率来满足实际需求。
此外,为了提高智能感知算法的监控效果,监控服务端可以具有实时监控、智能分析、录像回放、系统联动和配置维护功能。具体而言:
(1)实时监控
实时监控的目的是24小时监控电厂设备的运行情况,并可以通过视频提供的信息及时处理突发、报警、异常、故障等设备,视频监控的范围主要是电厂生产区域。
(2)智能分析
智能分析就是采用某种算法输入到计算机中,自动地分析视频图像的内容。视频图像的信息往往是非常庞杂的,要从这些大数据中得到有用的信息,智能分析就要率除掉无用的垃圾信息,获得到有用的信息,做出像人一样的思维,从而发出报警信号到监控中心平台,工作人员看到之后做出及时的反应。智能分析相当于具有人脑和眼睛的功能。
(3)录像回放
音视频信息都是实时存储的,时刻记录着电厂内设备的工作情况,一旦有事故发生,可以实时地通过视频网络调取存储的录像并进行回放,提供出这些事故发生时的现场信息,就可以及时地分析和处理事故。
(4)系统联动
电厂里有很多不同的子系统,通过与电厂视频监控系统的结合来实现系统的联动,达到安全生产的目的。视频监控识别出异常情况时,自动识别Eventlog系统的开关量,检测到消防报警,水淹厂房、水位/油位过高过低报警、机组启停时,联动推送录波。视频监控系统还可以实现与温湿度报警装置、火灾报警装置、供热通风报警装置进行联动,一旦视频监控发现异常或事故,相应的报警装置就会触发,录像功能会同时启动,相应的自动报警系统也会显示在报警窗口,运作起来方便快捷,还可以配合GPS电子地图实现联动等。
(5)配置维护
现场视频监控设备出现故障时,维护人员可以利用摄像机和监控处理单元,就可以远程进行处理,可以更改设备的参数指标和画面的组态,以及校时、软件升级和远程维护等。管理员可以根据权限进入后台操作,对设备进行维护,充分保障设备的性能和效率。
应该理解的是,虽然图1、图4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1-4中的至少一部分步骤可以包括多个步骤或者多个阶段,这些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中的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5所示,提供了一种异常场景的监控装置,包括:
场景特征获取模块501,用于获取待监控场景对应的场景特征,以及,组成所述待监控场景的多个区域;所述场景特征反映所述待监控场景的场景区域结构和各个区域的生产特征;
监控需求信息确定模块502,用于根据所述场景特征,确定各个区域对应的监控需求信息;
监控设备确定模块503,用于根据各个区域对应的监控需求信息和预设的设备购置约束条件,确定各个区域对应的监控设备;
设备布点信息获取模块504,用于获取各个监控设备对应的设备布点信息,以按照所述设备布点信息安装各个监控设备,对所述待监控场景进行监控。
在一个实施例中,所述装置还包括:
场景监控算法获取模块,用于获取各个区域对应的图像数据,以及,获取各个区域对应的场景监控算法;
图像分析模块,用于采用各个区域对应的场景监控算法,对对应区域的图像数据进行图像分析。
在一个实施例中,所述图像分析模块,包括:
算法运行特征获取子模块,用于获取各个场景监控算法对应的算法运行特征;
配置资源分配子模块,用于根据所述算法运行特征,确定各个场景监控算法对应的配置资源;
图像处理子模块,用于针对每个区域,根据该区域场景监控算法对应的配置资源和场景监控算法,对该区域对应的图像数据进行图像分析,并根据分析结果确定该区域是否存在异常场景。
在一个实施例中,所述装置还包括:
监控等级确定模块,用于获取异常场景对应的待监控对象,并确定所述待监控对象对应的监控等级;
运行频率确定模块,用于获取所述场景监控算法对应的算法优先级和算法运行频率;
算法运行特征确定模块,用于采用所述监控等级、算法优先级和算法运行频率,确定所述场景监控算法对应的算法运行特征。
在一个实施例中,所述配置资源分配子模块,包括:
资源分配次序确定单元,用于根据所述监控等级和算法优先级,确定各个场景监控算法的资源分配次序;
算法资源分配单元,用于按照所述资源分配次序和所述算法运行频率,向各个场景监控算法分配对应的配置资源。
在一个实施例中,所述场景监控算法获取模块,包括:
告警图片获取子模块,用于按照预设时间间隔,获取各个监控设备采集的告警图片;所述告警图片为区域存在异常场景时的图片;
算法更新子模块,用于根据所述告警图片的,对各个区域原始的场景监控算法进行更新,得到各个区域当前的场景监控算法。
在一个实施例中,所述监控需求信息包括区域对应的期望清晰度,所述监控设备确定模块503,包括:
实际清晰度确定子模块,用于初始化各个区域对应的监控设备,并确定各个监控设备对应的实际清晰度;
目标函数值确定子模块,用于根据各个区域对应的期望清晰度和区域中监控设备对应的实际清晰度,确定期望清晰度之和以及实际清晰度之和,并根据所述实际清晰度之和与所述期望清晰度之和的差值,确定预设目标函数对应的目标函数值;
目标函数值更新子模块,用于根据所述设备购置约束条件和遗传算法,更新各个区域对应的监控设备,并更新所述目标函数值;
监控设备获取子模块,用于当所述目标函数值满足预设迭代条件时,确定各个区域当前的监控设备。
关于一种异常场景的监控装置的具体限定可以参见上文中对于一种异常场景的监控方法的限定,在此不再赘述。上述一种异常场景的监控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6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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图像数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种异常场景的监控方法。
本领域技术人员可以理解,图6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,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待监控场景对应的场景特征,以及,组成所述待监控场景的多个区域;所述场景特征反映所述待监控场景的场景区域结构和各个区域的生产特征;
根据所述场景特征,确定各个区域对应的监控需求信息;
根据各个区域对应的监控需求信息和预设的设备购置约束条件,确定各个区域对应的监控设备;
获取各个监控设备对应的设备布点信息,以按照所述设备布点信息安装各个监控设备,对所述待监控场景进行监控。
在一个实施例中,处理器执行计算机程序时还实现上述其他实施例中的步骤。
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以下步骤:
获取待监控场景对应的场景特征,以及,组成所述待监控场景的多个区域;所述场景特征反映所述待监控场景的场景区域结构和各个区域的生产特征;
根据所述场景特征,确定各个区域对应的监控需求信息;
根据各个区域对应的监控需求信息和预设的设备购置约束条件,确定各个区域对应的监控设备;
获取各个监控设备对应的设备布点信息,以按照所述设备布点信息安装各个监控设备,对所述待监控场景进行监控。
在一个实施例中,计算机程序被处理器执行时还实现上述其他实施例中的步骤。
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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)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)
1.一种异常场景的监控方法,其特征在于,所述方法包括:
获取待监控场景对应的场景特征,以及,组成所述待监控场景的多个区域;所述场景特征反映所述待监控场景的场景区域结构和各个区域的生产设备;
根据所述场景特征,确定各个区域对应的监控需求信息;
初始化各个区域对应的监控设备,并确定各个监控设备对应的实际清晰度;根据各个区域对应的期望清晰度和区域中监控设备对应的实际清晰度,确定期望清晰度之和以及实际清晰度之和,并根据所述实际清晰度之和与所述期望清晰度之和的差值,确定预设目标函数对应的目标函数值;根据预设的设备购置约束条件和遗传算法,更新各个区域对应的监控设备,并更新所述目标函数值;当所述目标函数值满足预设迭代条件时,确定各个区域当前的监控设备;所述设备购置约束条件包括监控设备成本和监控设备种类数量;
获取各个监控设备对应的安装位置和/或安装角度,以各个监控设备对应的安装位置和/或安装角度安装各个监控设备,对所述待监控场景进行监控。
2.根据权利要求1所述的方法,其特征在于,还包括:
获取各个区域对应的图像数据,以及,获取各个区域对应的场景监控算法;
采用各个区域对应的场景监控算法,对对应区域的图像数据进行图像分析。
3.根据权利要求2所述的方法,其特征在于,所述采用各个区域对应的场景监控算法,对对应区域的图像数据进行图像分析,包括:
获取各个场景监控算法对应的算法运行特征;
根据所述算法运行特征,确定各个场景监控算法对应的配置资源;
针对每个区域,根据该区域场景监控算法对应的配置资源和场景监控算法,对该区域对应的图像数据进行图像分析,并根据分析结果确定该区域是否存在异常场景。
4.根据权利要求3所述的方法,其特征在于,还包括:
获取异常场景对应的待监控对象,并确定所述待监控对象对应的监控等级;
获取所述场景监控算法对应的算法优先级和算法运行频率;
采用所述监控等级、算法优先级和算法运行频率,确定所述场景监控算法对应的算法运行特征。
5.根据权利要求3所述的方法,其特征在于,所述根据所述算法运行特征,确定各个场景监控算法对应的配置资源,包括:
根据所述监控等级和算法优先级,确定各个场景监控算法的资源分配次序;
按照所述资源分配次序和所述算法运行频率,向各个场景监控算法分配对应的配置资源。
6.根据权利要求2所述的方法,其特征在于,所述获取各个区域对应的场景监控算法,包括:
按照预设时间间隔,获取各个监控设备采集的告警图片;所述告警图片为区域存在异常场景时的图片;
根据所述告警图片的,对各个区域原始的场景监控算法进行更新,得到各个区域当前的场景监控算法。
7.根据权利要求2所述的方法,其特征在于,所述方法还包括:
根据所述场景特征,确定各个区域对应的生产特征;
确定所述生产特征对应的异常场景;
设置针对所述异常场景中的待监控对象对应的场景监控算法。
8.一种异常场景的监控装置,其特征在于,所述装置包括:
场景特征获取模块,用于获取待监控场景对应的场景特征,以及,组成所述待监控场景的多个区域;所述场景特征反映所述待监控场景的场景区域结构和各个区域的生产特征;
监控需求信息确定模块,用于根据所述场景特征,确定各个区域对应的监控需求信息;
监控设备确定模块,用于初始化各个区域对应的监控设备,并确定各个监控设备对应的实际清晰度;根据各个区域对应的期望清晰度和区域中监控设备对应的实际清晰度,确定期望清晰度之和以及实际清晰度之和,并根据所述实际清晰度之和与所述期望清晰度之和的差值,确定预设目标函数对应的目标函数值;根据预设的设备购置约束条件和遗传算法,更新各个区域对应的监控设备,并更新所述目标函数值;当所述目标函数值满足预设迭代条件时,确定各个区域当前的监控设备;所述设备购置约束条件包括监控设备成本和监控设备种类数量;
设备布点信息获取模块,用于获取各个监控设备对应的安装位置和/或安装角度,以各个监控设备对应的安装位置和/或安装角度安装各个监控设备,对所述待监控场景进行监控。
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7中任一项所述方法的步骤。
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7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110584829.0A CN113420601B (zh) | 2021-05-27 | 2021-05-27 | 异常场景的监控方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110584829.0A CN113420601B (zh) | 2021-05-27 | 2021-05-27 | 异常场景的监控方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113420601A CN113420601A (zh) | 2021-09-21 |
CN113420601B true CN113420601B (zh) | 2023-07-18 |
Family
ID=77713124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110584829.0A Active CN113420601B (zh) | 2021-05-27 | 2021-05-27 | 异常场景的监控方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420601B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114019921B (zh) * | 2021-11-01 | 2024-07-05 | 碳纪科技(北京)有限公司 | 基于组合模型的生产线设备控制方法、装置、设备及介质 |
CN114724323B (zh) * | 2022-06-09 | 2022-09-02 | 北京科技大学 | 一种便携式火灾现场保护智慧电子围栏的布点方法 |
CN115331155B (zh) * | 2022-10-14 | 2023-02-03 | 智慧齐鲁(山东)大数据科技有限公司 | 一种海量视频监控点位出图状态检测方法及系统 |
CN117474180A (zh) * | 2023-12-28 | 2024-01-30 | 深圳市中远通电源技术开发有限公司 | 一种基于配电柜调节的区域供电优化系统、方法及介质 |
CN118400497A (zh) * | 2024-06-20 | 2024-07-26 | 广州崇实自动控制科技有限公司 | 安防监控布防方法、装置、设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6702045B2 (ja) * | 2016-07-11 | 2020-05-27 | 沖電気工業株式会社 | 監視装置 |
CN110059668B (zh) * | 2019-04-29 | 2020-12-15 | 中国民用航空总局第二研究所 | 行为预测处理方法、装置及电子设备 |
CN111770306B (zh) * | 2020-05-22 | 2022-04-15 | 深圳奇迹智慧网络有限公司 | 场景监控方法、装置、计算机设备和存储介质 |
CN112732536B (zh) * | 2020-12-30 | 2023-01-13 | 平安科技(深圳)有限公司 | 数据监控告警方法、装置、计算机设备及存储介质 |
-
2021
- 2021-05-27 CN CN202110584829.0A patent/CN113420601B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113420601A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113420601B (zh) | 异常场景的监控方法、装置、计算机设备和存储介质 | |
CN109640032B (zh) | 基于人工智能多要素全景监控检测五维预警系统 | |
CN112381963B (zh) | 一种基于数字孪生技术的电力物联网智能巡检方法及系统 | |
CN109040278B (zh) | 医院电气及动力系统安全智能管理云平台、方法及系统 | |
CN115348247A (zh) | 基于天空地一体化技术的森林火灾检测预警及决策系统 | |
CN110390789A (zh) | 基于大数据的森林防火数据分析系统 | |
US20200401138A1 (en) | Large scale unmanned monitoring device assessment of utility system components | |
RU2504014C1 (ru) | Способ управления системой мониторинга и система для его реализации | |
CN106451790A (zh) | 一种变电站远程智能巡检系统及其实现方法 | |
KR20160149406A (ko) | 재난 관리 장치 및 재난 관리 방법 | |
CN202008724U (zh) | 智能视频监控系统 | |
CN112702395A (zh) | 一种基于边缘计算的智慧小区安全监控系统 | |
CN111885349B (zh) | 一种管廊异常检测系统及方法 | |
CN104375485A (zh) | 一种用于变配电安全生产的辅助监控系统及其监控方法 | |
CN115248880A (zh) | 一种智慧城市安防监控系统 | |
CN114445782A (zh) | 基于边缘ai和北斗短报文的输电线路图像采集系统 | |
US20190114725A1 (en) | Utility network monitoring with a device and an unmanned aircraft | |
CN115967166A (zh) | 输电线路监控方法、装置、计算机设备和存储介质 | |
CN113898537A (zh) | 一种风电场远程智能巡检系统 | |
CN117726968A (zh) | 管线巡检方法、装置、电子设备及存储介质 | |
CN109520565A (zh) | 隧道状况的检测方法、装置、计算机设备和存储介质 | |
CN113758927B (zh) | 一种基于反向残差瓶颈的编码器-解码器小型桥梁底部裂缝检测系统与方法 | |
CN113343841B (zh) | 电力隧道异常情况的确定方法和装置 | |
CN115346303A (zh) | 一种基于物联网节点与gis的可视化校园管理系统 | |
CN115314675A (zh) | 一种针对电力区域的高位监控管理系统及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |