CN113449703B - 环境在线监测数据的质控方法、装置、存储介质及设备 - Google Patents
环境在线监测数据的质控方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN113449703B CN113449703B CN202111007530.5A CN202111007530A CN113449703B CN 113449703 B CN113449703 B CN 113449703B CN 202111007530 A CN202111007530 A CN 202111007530A CN 113449703 B CN113449703 B CN 113449703B
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring
- online monitoring
- equipment
- monitoring data
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (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)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种环境在线监测数据的质控方法、装置、存储介质及设备,该方法包括:对在线监测数据进行数据分析,以提取在线监测数据的数据特征值;获取在线监测数据采集过程中监测现场的监控视频数据,并识别数据中存在的目标行为动作;获取在线监测数据对应的监测设备的设备状态信息;根据在线监测数据的数据特征值、目标行为动作、监测设备的设备状态信息,检测目标行为动作的行为类型以及在线监测数据中异常数据与目标行为动作或设备状态信息的相关性;根据目标行为动作的行为类型、在线监测数据中异常数据与行为动作或设备状态信息的相关性,识别监测设备中的待校准的监测设备,并对其执行质控操作,实现环境在线监测数据的智能质控。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种环境在线监测数据的质控方法、装置、存储介质及设备。
背景技术
环境在线监测技术是以在线自动分析仪器为核心,运用现代传感器技术、自动测量技术、自动控制技术、计算机应用技术以及相关的专用分析软件所组成的一个综合性的在线自动环保监测与环境预警的信息平台。该技术已经广泛地在水质监测、烟气自动监测(CEMS)、空气质量监测、环境噪声监测以及视频监测等多种环境在线监测过程中应用,方便了各级环保部门的环境监理与环境监测工作,同时促进了环保工作的交流,对国家的环保产业的技术发展有一定的推动作用。
目前,当前环境监测数据质量存在两方面突出问题:
一是人为干预导致数据失真。不当干预环境监测行为时有发生,监测质量堪忧。
二是客观局限导致数据不准。由于监测方法标准体系和监测质量管理体系不完善,或因人员、仪器、设备等能力不足造成监测数据不准确、不科学;相关部门因环境质量监测点位不一致、方法标准不统一、信息发布缺乏会商机制,导致不同部门同类环境监测数据不一致不可比,引发公众对环境监测数据的质疑。随着我国环境自动监测技术的进步、仪表智能化发展及网络技术和地理信息系统技术发展,新建的环境自动监测系统现已趋于日益完善的状态。我国的自动监测系统规范化问题日益突出。国内仪器种类虽多,但是由于各地区差异太大,而导致对同一监测指标因方法不同而造成数据不同的问题相当严重。
随着国家“工业4.0”战略的不断推进,以及工业自动化和信息化的深入发展,工业物联网已经得到了广泛的普及。无论是设备状态的监测监控,数据质量的在线检测等,通过工业物联网的数据采集与分析,都得到了普遍的应用。同时随着物联网采集数据的不断扩充和深入,充分利用好这些数据,打通物联网从感知到认知的“任督二脉”,形成感知到认知的“闭环”,已经成为工业物联网发展的共识。智联网实现了工业物联网与人工智能的一体化,也是“人工智能”演进到“应用智能”的过程。随着“应用智能”的持续应用,再加上云计算和大数据技术的支持,人工智能技术赋能下的环境在线监测技术变革正在从概念转变成实践。
同时,为了规范监测手段,确保监测数据和信息的准确可靠,环保质量监测过程中的质量控制和质量保证也显得越来越重要。对于目前数据质控技术输出数据的准确性和可靠性两重要指标外,还对数据的可比较性及追踪性提出了较高要求。从完善的角度来讲,质量控制环节应该做到数据的多元化比较,之后进行科学性的校准,最后完成独立评估,有效的为全程质量监测做出完善和促进。
综上所述,如何提供一种环境在线监测数据的质控方法,以发现和标示异常数据,实现数据的多元化关联分析和科学校准,保证环保自动监测设备数据准确可靠性以及可比较、追踪性,对于环境在线监测具有重要意义。
发明内容
鉴于上述问题,本发明提出了一种环境在线监测数据的质控方法、装置、存储介质及设备,以杜绝人为干预导致环境在线监测数据失真情况的发生,剔除客观原因导致的数据不准,实现环境在线监测数据的智能质控。
本发明的一个方面,提供了一种环境在线监测数据的质控方法,所述方法包括:
对在线监测数据进行数据分析,以提取所述在线监测数据的数据特征值;
获取所述在线监测数据采集过程中监测现场的监控视频数据,并识别所述监控视频数据中存在的目标行为动作;
获取所述监控视频数据中所述在线监测数据对应的监测设备的设备状态信息;
根据在线监测数据的数据特征值、目标行为动作、所述监测设备的设备状态信息,检测所述目标行为动作的行为类型以及所述在线监测数据中异常数据与所述目标行为动作或设备状态信息的相关性;
根据所述目标行为动作的行为类型以及所述在线监测数据中异常数据与所述行为动作或设备状态信息的相关性,识别所述监测设备中的待校准的监测设备,并对所述待校准的监测设备执行质控操作。
可选地,所述对在线监测数据进行数据分析,以提取所述在线监测数据的数据特征值,包括:
采用BP神经网络创建多层前馈神经网络模型;
利用所述多层前馈神经网络模型对在线监测数据进行数据分析,以提取所述在线监测数据的数据特征值。
可选地,所述识别所述监控视频数据中存在的目标行为动作,包括:
采用Parsing R-CNN算法识别所述监控视频数据中存在的目标行为动作。
可选地,所述获取所述监控视频数据中所述在线监测数据对应的监测设备的设备状态信息,包括:
识别所述监控视频数据中所述在线监测数据对应的监测设备的设备特征信息,并根据所述设备特征信息确定所述监测设备的第一设备状态;
获取所述监测设备上报的故障信息,并根据所述故障信息确定所述监测设备的第二设备状态。
可选地,所述根据在线监测数据的数据特征值、目标行为动作、所述监测设备的设备状态信息,检测所述目标行为动作的行为类型以及所述在线监测数据中异常数据与所述目标行为动作或设备状态信息的相关性,包括:
将所述在线监测数据的数据特征值、目标行为动作、所述监测设备的设备状态信息作为预设的分类网络模型的输入参数进行学习训练,得到所述目标行为动作的行为类型;
根据所述目标行为动作的行为类型,确定所述在线监测数据中异常数据与所述目标行为动作或设备状态信息的相关性。
可选地,所述数据特征值包括以下特征值中的一种或多种:
在线监测数据中连续单调递减或递增的数据点的数量大于第一预设值;
前后的在线监测数据有阶跃式变化;
在线监测数据有单一测量点与其他点的差值均大于预设阈值;
在线监测数据有周期性变化;
在线监测数据中连续保持不变的数据点的数量大于第二预设值。
本发明的另一个方面,提供了一种环境在线监测数据的质控装置,包括:
特征提取模块,用于对在线监测数据进行数据分析,以提取所述在线监测数据的数据特征值;
行为识别模块,用于获取所述在线监测数据采集过程中监测现场的监控视频数据,并识别所述监控视频数据中存在的目标行为动作;
状态获取模块,用于获取所述监控视频数据中所述在线监测数据对应的监测设备的设备状态信息;
检测模块,用于根据在线监测数据的数据特征值、目标行为动作、所述监测设备的设备状态信息,检测所述目标行为动作的行为类型以及所述在线监测数据中异常数据与所述行为动作或设备状态信息的相关性;
执行模块,用于根据所述目标行为动作的行为类型以及所述在线监测数据中异常数据与所述行为动作或设备状态信息的相关性,识别所述监测设备中的待校准的监测设备,并对所述待校准的监测设备执行质控操作。
可选地,所述状态获取模块,具体用于识别所述监控视频数据中所述在线监测数据对应的监测设备的设备特征信息,并根据所述设备特征信息确定所述监测设备的第一设备状态;获取所述监测设备上报的故障信息,并根据所述故障信息确定所述监测设备的第二设备状态。
可选地,所述特征提取模块,具体用于采用BP神经网络创建多层前馈神经网络模型;利用所述多层前馈神经网络模型对在线监测数据进行数据分析,以提取所述在线监测数据的数据特征值。
可选地,所述行为识别模块,具体用于采用Parsing R-CNN算法识别所述监控视频数据中存在的目标行为动作。
可选地,所述检测模块,具体用于将所述在线监测数据的数据特征值、目标行为动作、所述监测设备的设备状态信息作为预设的分类网络模型的输入参数进行学习训练,得到所述目标行为动作的行为类型;根据所述目标行为动作的行为类型,确定所述在线监测数据中异常数据与所述目标行为动作或设备状态信息的相关性。
此外,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述方法的步骤。
此外,本发明还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上所述方法的步骤。
本发明实施例提供的环境在线监测数据的质控方法、装置、存储介质及设备,通过人员行为分析、视频故障点分析和数据特征的相关性分析形成闭环网络,达到互相印证,即通过数据特征向量分析来修正视频识别和人员行为的准确率,又可以通过视频识别和人员行为的分析来研判在线监测数据的有效性,能够杜绝人为干预导致环境在线监测数据失真情况的发生,另一方面剔除客观原因导致的数据不准,通过智能化质控技术在仪器自动校准以及异常数据自动审核两方面提高监测数据质量的监管,真正实现环境在线监测数据的智能质控。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本发明实施例的一种环境在线监测数据的质控方法的流程示意图;
图2为本发明实施例中提出的BP神经网络的拓扑结构图;
图3为本发明实施例中提出的环境在线监测数据的质控方法的实现原理图;
图4为本发明实施例中提出的人工智能的研判算法使用神经网络的分析和预测拓扑结构图;
图5为本发明实施例的一种环境在线监测数据的质控装置的结构示意图。
具体实施方式
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。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非被特定定义,否则不会用理想化或过于正式的含义来解释。
图1示意性示出了本发明一个实施例的环境在线监测数据的质控方法的流程图。参照图1,本发明实施例提出的环境在线监测数据的质控方法具体包括以下步骤:
步骤S11、对在线监测数据进行数据分析,以提取所述在线监测数据的数据特征值。
步骤S12、获取所述在线监测数据采集过程中监测现场的监控视频数据,并识别所述监控视频数据中存在的目标行为动作。
步骤S13、获取所述监控视频数据中所述在线监测数据对应的监测设备的设备状态信息。
步骤S14、根据在线监测数据的数据特征值、目标行为动作、所述监测设备的设备状态信息,检测所述目标行为动作的行为类型以及所述在线监测数据中异常数据与所述目标行为动作或设备状态信息的相关性。
步骤S15、根据所述目标行为动作的行为类型以及所述在线监测数据中异常数据与所述行为动作或设备状态信息的相关性,识别所述监测设备中的待校准的监测设备,并对所述待校准的监测设备执行质控操作。
本发明实施例提供的环境在线监测数据的质控方法,通过人员行为分析、视频故障点分析和数据特征的相关性分析形成闭环网络,达到互相印证,即通过数据特征向量分析来修正视频识别和人员行为的准确率,又可以通过视频识别和人员行为的分析来研判在线监测数据的有效性,能够杜绝人为干预导致环境在线监测数据失真情况的发生,另一方面剔除客观原因导致的数据不准,通过智能化质控技术在仪器自动校准以及异常数据自动审核两方面提高监测数据质量的监管,真正实现环境在线监测数据的智能质控。
在本发明实施例中,步骤S11中的对在线监测数据进行数据分析,以提取所述在线监测数据的数据特征值,具体包括以下步骤:采用BP神经网络创建多层前馈神经网络模型;利用所述多层前馈神经网络模型对在线监测数据进行数据分析,以提取所述在线监测数据的数据特征值。
其中,所述数据特征值包括以下特征值中的一种或多种:在线监测数据中连续单调递减或递增的数据点的数量大于第一预设值;前后的在线监测数据有阶跃式变化;在线监测数据有单一测量点与其他点的差值均大于预设阈值;在线监测数据有周期性变化;在线监测数据中连续保持不变的数据点的数量大于第二预设值。其中,第一预设值、预设阈值和第二预设值的具体取值可根据数据训练过程中的数据分析结果进行设定和调整。
本实施例中,在线监测数据分析的实现方案是使用BP神经网络建立一种多层前馈神经网络。该神经网络的主要特点是信号前向传递,误差反向传播。在前向传递中,输入信号从输入层经隐含层逐层处理,直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出,则转入反向传播,根据预测误差调整网络权值和阈值,从而使BP神经网络预测输出不断逼近期望输出。BP神经网络的拓扑结构如图2所示,具体实现如下:
数据预处理、提取在线监测数据的特征值以在线监测的原始数据为输入X1...Xn,特征值为输出Y1... Ym,构建BP神经网络。数据特征值包含但不限于:
1. 在线监测数据中连续单调递减或递增的数据点的数量大于第一预设值;
2. 前后的在线监测数据有阶跃式变化;
3. 在线监测数据有单一测量点与其他点的差值均大于预设阈值;
4. 在线监测数据有周期性变化;
5.在线监测数据中连续保持不变的数据点的数量大于第二预设值;
通过大量的数据训练,得到特征值之后,先不判断数据的真实性和有效性,把特征值作为的一个输入参数,经过人工智能数据智能质控分析系统整体分析得到最终判断结果。
在本发明实施例中,所述识别所述监控视频数据中存在的目标行为动作,包括:采用Parsing R-CNN算法识别所述监控视频数据中存在的目标行为动作。
在线监测图像分析的实现方案是通过人工智能的深度学习技术实现对人体的智能分析,并结合现场环境判断行为动作的操作语义,达到智能识别行为目的的效果。人体分析是人工智能领域的重要任务,它主要是通过计算机视觉技术从图片/视频中获取人体位置、类别、属性、表情、姿态、动作、行为等信息。随着深度学习技术的发展,一些更加复杂的人体分析任务被提了出来,用于获取更为详细的人体信息,在环境在线监测系统中,利用对人体密集姿态的识别结果,综合分析人员行为对监测设备和数据的操作结果及影响,实现对监测数据的真实性有效性的数据质控具有重要的应用价值与意义。
本实施例中,针对环境在线监测应用场景下的对多个人体的行为分析任务,本发明使用创新性的Parsing R-CNN方法,这是一种人体部位实例分析端到端的实现。ParsingR-CNN使用ResNet50作为主干网络,不使用任何的测试技巧,通过设计合理的数据读取方式和存储方式以适应网络训练需要、在主干网络加入可变形卷积的结构以适应不同形状的目标检测,同时在FPN结构做改进以提升网络对于不同尺度物体的检测效果,从而提升人体识别和分析的精度。
通过一个端到端的网络结构,提供完善的人体分析,包括实例分割、人体关键点、部位分割、密集姿态估计等,多任务的并行架构,提升了运行的效率,增强实用性。针对人体的特异性,本发明使用检测网络中富含图像低层细节信息的特征图,同时子分支网络使用ASPP与Non-local相融合的结构设计,有效增大感受度,提高识别精度,提升了人体分析任务中的细节效果。在真实应用场景中,该方法具有抗模糊、抗遮挡、多尺度、复杂背景、动态高速的优势特点,对于环境在线监测的应用场景,对人员行为有高效准确的辨识度。
在本发明实施例中,所述获取所述监控视频数据中所述在线监测数据对应的监测设备的设备状态信息,具体包括以下步骤:识别所述监控视频数据中所述在线监测数据对应的监测设备的设备特征信息,并根据所述设备特征信息确定所述监测设备的第一设备状态;获取所述监测设备上报的故障信息,并根据所述故障信息确定所述监测设备的第二设备状态。
本实施例中,判断采集设备工作异常只要通过2种途径:设备自身上报工作异常;视频识别判断工作异常。设备自身上报工作异常,这个故障信息将作为一个输入点,送给人工智能设备。视频识别判断设备工作异常,通过对视频图像特征向量提取和神经网络训练,去研判传感器探头、采集源头的细微变化,例如传感器探头被颗粒物和气泡等附着、探测空气或水源的颜色颗粒物的细微变化、采集头的流速变化等。把这些视频特征信息作为输入点,一起送给人工智能数据质控系统做进一步综合分析。
在本发明实施例中,所述根据在线监测数据的数据特征值、目标行为动作、所述监测设备的设备状态信息,检测所述目标行为动作的行为类型以及所述在线监测数据中异常数据与所述目标行为动作或设备状态信息的相关性,具体包括:
将所述在线监测数据的数据特征值、目标行为动作、所述监测设备的设备状态信息作为预设的分类网络模型的输入参数进行学习训练,得到所述目标行为动作的行为类型;
根据所述目标行为动作的行为类型,确定所述在线监测数据中异常数据与所述目标行为动作或设备状态信息的相关性。
现有的数据质控技术只能从数据单一维度利用大数据挖掘和分析技术初步判断环境监测数据质量可能存在异常,只知其然不知其所以然,确认数据质量异常、分析数据异常的原因经常需要人员参与,实时性、效率、数据质控的覆盖率都有很大的局限。本发明实施例,如图3所示,本发明提供的环境在线监测数据的质控方法,能够利用人工智能数据智能质控技术通过三个维度来研判数据质量和分析数据异常原因。
如图4所示,本实施例中,人工智能的研判算法使用神经网络的分析和预测原理具体如下:
输入层说明:
1) 原始数据特征向量,为数据特征向量提取的结果,作为输入量的X1。
2) 人员行为分析,为人机联控的核心技术,分析操作人员的行为特征,如果不能确定行为的单一性,可以用百分比的形式把多个行为一起作为输入量X2,例如检测到操作人员在加一种溶液,但不能确定加的是什么,根据数据的特征向量,分别对加水和加试剂进行迭代运算,来综合判断加的什么溶液。
3) 视频识别故障点分析X3和设备故障自查X4,为输入特征向量有效补充,在无人值守的情况下,精准研判引起数据漂移和失效的故障类型,精确定位故障点,方便维护人员尽快维修和更换设备。
输出层说明:
1) 数据有效标示Y1,数据有效标示里包含,有效,无线,告警等信息内容,数据存入数据的时候带上标示位,方便界面展示和后台程序分别处理。
2) 人员行为确认Y2,为输入特征向量“人员行为分析”经过神经网络的修正结果,结果存入数据库,作为人员行为分析神经网络的训练素材。
设备故障点确认Y3,为输入特征向量“视频识别故障点分析”和“设备故障自查”经过神经网络的修正结果,结果存入数据库,作为故障点分析神经网络的训练素材。
本发明实施例中,在对所述待校准的监测设备执行质控操作之后,所述方法还包括:将所有的自动质控结果全部存入大数据库,作为神经网络自学习训练素材进行模型学习训练,以提高对监测设备执行质控操作的准确性。经过越长时间的运行积累,数据智能质控的效果越精准。
数据自动质控技术简单来讲,就是对设备和仪器进行自动初始化校准技术,重新标定量程和校准因子,修正仪器的漂移和误差,保证在线仪器的长期稳定可靠运行。现有的定时自动质控校准技术优点是控制简单,逻辑清晰,能保证仪器大部分时间数据的准确性。缺点是时间间隔的取舍很难权衡,间隔太小,浪费标液,校准的期间无法检测正常数据,可能有敏感数据丢失,甚至有部分企业掐着校准的时间偷偷超标排放;间隔太大,某些仪器可能在两次校准的中间某个时间,数据已经漂移,大量的不准确数据上报。
数据质控和自动质控结合技术是结合大数据分析发现数据质量问题,然后根据有质量问题数据指标定位到相关设备,按照因果关系,有针对性的对某台仪器进行自动远程质控操作。这样自动质控的时间间隔不再是固定值,减少校准次数,降低标液的浪费,仪器校准变得有针对性和目的性,仪器状态良好的校准时间间隔可以比较长,仪器状态差的多校准,来保证数据的可靠有效。
但是,仅仅从数据质控这一维因子来研判数据的有效性有一定的误差,数据质控的算法没有包含所有的案例,算法不同得到的结果不一样。可能会引起不必要的仪器自动校准操作或该校准的仪器没有及时校准。另外仅从数据质控无法精准定位问题数据的原因,例如维护人员误操作引起的数据波动、探头表面附着颗粒物和气泡引起的数据短时间波动、气室水箱污染引起的数据失真等,可能都引起同一个数据出现问题,这时候并不需要启动仪器自动校准流程,或者仪器校准后并不能得到正常的数据。
本发明把人机联控技术和自动质控技术结合起来,可以让自动质控技术更精准更高效,将带来以下几个优点:
数据质控更立体、更准确。如果人机联控系统识别是维护人员误操作引起的数据波动,人工智能根据大数据库的案例来判断是否要启动自动校准流程,如果下个(或几个)采样检测周期就可以恢复正常,根本不需要启动自动校准流程;如果后面的采样周期里数据依然没有恢复正常,启动质控自动校准流程,数据恢复正常。
数据质控更专业。如人机联控系统发现数据问题是以下原因引起:
探头表面附着颗粒物和气泡,启动探头清洗和去污流程,例如用空气和水去冲洗,负压吸附等手段清洁探头。然后检查数据是否正常。
气室水箱污浊,自动清洗水箱和气室,检查数据是否正常。
数据质控更高效。当排除了人员误操作和表面污浊等自动校准无法解决的问题之后,启动自动校准流程,得到正常数据。
数据质控更智能。所有的自动质控结果都将被存入大数据库,作为神经网络自学习训练素材,经过越长时间的运行积累,数据智能质控的效果越精准。
本发明实施例提供的环境在线监测数据的质控方法,通过人员行为分析、视频故障点分析和数据特征的相关性分析形成闭环网络,达到互相印证,即通过数据特征向量分析来修正视频识别和人员行为的准确率,又可以通过视频识别和人员行为的分析来研判在线监测数据的有效性。
而且,在行为动作检测示例中,分别通过分析摄像头实时获取的视频序列得到行为识别的分析结果与通过分析环保在线数据采集得到异常数据的分析结果显然是有时域相关性,通过联合分类和回归循环网络即可以实现更快速准确的行为识别检测。同时通过违规行为的确认,又可以逆向标示原始采集数据的无效性,来达到数据质控的目的。
对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
图5示意性示出了本发明一个实施例的环境在线监测数据的质控装置的结构示意图。参照图5,本发明实施例的环境在线监测数据的质控装置具体包括特征提取模块201、行为识别模块202、状态获取模块203、检测模块204以及执行模块205,其中:
特征提取模块201,用于对在线监测数据进行数据分析,以提取所述在线监测数据的数据特征值;
行为识别模块202,用于获取所述在线监测数据采集过程中监测现场的监控视频数据,并识别所述监控视频数据中存在的目标行为动作;
状态获取模块203,用于获取所述监控视频数据中所述在线监测数据对应的监测设备的设备状态信息;
检测模块204,用于根据在线监测数据的数据特征值、目标行为动作、所述监测设备的设备状态信息,检测所述目标行为动作的行为类型以及所述在线监测数据中异常数据与所述行为动作或设备状态信息的相关性;
执行模块205,用于根据所述目标行为动作的行为类型以及所述在线监测数据中异常数据与所述行为动作或设备状态信息的相关性,识别所述监测设备中的待校准的监测设备,并对所述待校准的监测设备执行质控操作。
本发明实施例中,所述特征提取模块201,具体用于采用BP神经网络创建多层前馈神经网络模型;利用所述多层前馈神经网络模型对在线监测数据进行数据分析,以提取所述在线监测数据的数据特征值。
可选地,所述行为识别模块202,具体用于采用Parsing R-CNN算法识别所述监控视频数据中存在的目标行为动作。
本发明实施例中,所述状态获取模块203,具体用于识别所述监控视频数据中所述在线监测数据对应的监测设备的设备特征信息,并根据所述设备特征信息确定所述监测设备的第一设备状态;获取所述监测设备上报的故障信息,并根据所述故障信息确定所述监测设备的第二设备状态。
本发明实施例中,所述检测模块204,具体用于将所述在线监测数据的数据特征值、目标行为动作、所述监测设备的设备状态信息作为预设的分类网络模型的输入参数进行学习训练,得到所述目标行为动作的行为类型;根据所述目标行为动作的行为类型,确定所述在线监测数据中异常数据与所述目标行为动作或设备状态信息的相关性。
本发明实施例中,所述执行模块205,还用于将所有的自动质控结果全部存入大数据库,作为神经网络自学习训练素材进行模型学习训练,以提高对监测设备执行质控操作的准确性。经过越长时间的运行积累,数据智能质控的效果越精准。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
本发明实施例提供的环境在线监测数据的质控方法、装置、存储介质及设备,通过人员行为分析、视频故障点分析和数据特征的相关性分析形成闭环网络,达到互相印证,即通过数据特征向量分析来修正视频识别和人员行为的准确率,又可以通过视频识别和人员行为的分析来研判在线监测数据的有效性,能够杜绝人为干预导致环境在线监测数据失真情况的发生,另一方面剔除客观原因导致的数据不准,通过智能化质控技术在仪器自动校准以及异常数据自动审核两方面提高监测数据质量的监管,真正实现环境在线监测数据的智能质控。
此外,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述方法的步骤。
本实施例中,所述环境在线监测数据的质控装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
本发明实施例提供的电子设备,包括存储器、处理器及存储在存储器上并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环境在线监测数据的质控方法实施例中的步骤,例如图1所示的步骤S11~步骤S15。或者,所述处理器执行所述计算机程序时实现上述各环境在线监测数据的质控装置实施例中各模块/单元的功能,例如图5所示的特征提取模块201、行为识别模块202、状态获取模块203、检测模块204以及执行模块205。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述环境在线监测数据的质控装置中的执行过程。例如,所述计算机程序可以被分割成特征提取模块201、行为识别模块202、状态获取模块203、检测模块204以及执行模块205。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,本实施例中的终端设备可以包括更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述终端设备的控制中心,利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种环境在线监测数据的质控方法,其特征在于,所述方法包括:
对在线监测数据进行数据分析,以提取所述在线监测数据的数据特征值;
获取所述在线监测数据采集过程中监测现场的监控视频数据,并识别所述监控视频数据中存在的目标行为动作;
获取所述监控视频数据中所述在线监测数据对应的监测设备的设备状态信息;
根据在线监测数据的数据特征值、目标行为动作、所述监测设备的设备状态信息,检测所述目标行为动作的行为类型以及所述在线监测数据中异常数据与所述目标行为动作或设备状态信息的相关性;
根据所述目标行为动作的行为类型以及所述在线监测数据中异常数据与所述行为动作或设备状态信息的相关性,识别所述监测设备中的待校准的监测设备,并对所述待校准的监测设备执行质控操作,其中,
所述获取所述监控视频数据中所述在线监测数据对应的监测设备的设备状态信息,包括:
识别所述监控视频数据中所述在线监测数据对应的监测设备的设备特征信息,并根据所述设备特征信息确定所述监测设备的第一设备状态;
获取所述监测设备上报的故障信息,并根据所述故障信息确定所述监测设备的第二设备状态。
2.根据权利要求1所述的方法,其特征在于,所述对在线监测数据进行数据分析,以提取所述在线监测数据的数据特征值,包括:
采用BP神经网络创建多层前馈神经网络模型;
利用所述多层前馈神经网络模型对在线监测数据进行数据分析,以提取所述在线监测数据的数据特征值。
3.根据权利要求1所述的方法,其特征在于,所述识别所述监控视频数据中存在的目标行为动作,包括:
采用Parsing R-CNN算法识别所述监控视频数据中存在的目标行为动作。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述根据在线监测数据的数据特征值、目标行为动作、所述监测设备的设备状态信息,检测所述目标行为动作的行为类型以及所述在线监测数据中异常数据与所述目标行为动作或设备状态信息的相关性,包括:
将所述在线监测数据的数据特征值、目标行为动作、所述监测设备的设备状态信息作为预设的分类网络模型的输入参数进行学习训练,得到所述目标行为动作的行为类型;
根据所述目标行为动作的行为类型,确定所述在线监测数据中异常数据与所述目标行为动作或设备状态信息的相关性。
5.根据权利要求1-3任一项所述的方法,其特征在于,所述数据特征值包括以下特征值中的一种或多种:
在线监测数据中连续单调递减或递增的数据点的数量大于第一预设值;
前后的在线监测数据有阶跃式变化;
在线监测数据有单一测量点与其他点的差值均大于预设阈值;
在线监测数据有周期性变化;
在线监测数据中连续保持不变的数据点的数量大于第二预设值。
6.一种环境在线监测数据的质控装置,其特征在于,包括:
特征提取模块,用于对在线监测数据进行数据分析,以提取所述在线监测数据的数据特征值;
行为识别模块,用于获取所述在线监测数据采集过程中监测现场的监控视频数据,并识别所述监控视频数据中存在的目标行为动作;
状态获取模块,用于获取所述监控视频数据中所述在线监测数据对应的监测设备的设备状态信息;
检测模块,用于根据在线监测数据的数据特征值、目标行为动作、所述监测设备的设备状态信息,检测所述目标行为动作的行为类型以及所述在线监测数据中异常数据与所述行为动作或设备状态信息的相关性;
执行模块,用于根据所述目标行为动作的行为类型以及所述在线监测数据中异常数据与所述行为动作或设备状态信息的相关性,识别所述监测设备中的待校准的监测设备,并对所述待校准的监测设备执行质控操作,其中,
所述状态获取模块,具体用于识别所述监控视频数据中所述在线监测数据对应的监测设备的设备特征信息,并根据所述设备特征信息确定所述监测设备的第一设备状态;获取所述监测设备上报的故障信息,并根据所述故障信息确定所述监测设备的第二设备状态。
7.根据权利要求6所述的装置,其特征在于,
所述特征提取模块,具体用于采用BP神经网络创建多层前馈神经网络模型;利用所述多层前馈神经网络模型对在线监测数据进行数据分析,以提取所述在线监测数据的数据特征值。
8.一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,该程序被处理器执行时实现如权利要求1-5任一项所述方法的步骤。
9.一种电子设备,包括存储器、处理器及存储在存储器上并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程序时实现如权利要求1-5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111007530.5A CN113449703B (zh) | 2021-08-31 | 2021-08-31 | 环境在线监测数据的质控方法、装置、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111007530.5A CN113449703B (zh) | 2021-08-31 | 2021-08-31 | 环境在线监测数据的质控方法、装置、存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113449703A CN113449703A (zh) | 2021-09-28 |
CN113449703B true CN113449703B (zh) | 2021-11-23 |
Family
ID=77819040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111007530.5A Active CN113449703B (zh) | 2021-08-31 | 2021-08-31 | 环境在线监测数据的质控方法、装置、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113449703B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115636103B (zh) * | 2022-09-19 | 2024-03-15 | 成都飞机工业(集团)有限责任公司 | 一种piu子系统的工况分离方法、装置、设备及存储介质 |
CN115561133B (zh) * | 2022-09-20 | 2023-08-29 | 生态环境部环境工程评估中心 | 火电行业cems校准期间异常数据的自动识别方法和系统 |
CN115900706B (zh) * | 2023-01-04 | 2023-05-23 | 南开大学 | 基于惯性网络的姿态估计方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109298785A (zh) * | 2018-09-06 | 2019-02-01 | 天津联图科技有限公司 | 一种监测设备的人机联控系统及方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1852171A (zh) * | 2006-03-27 | 2006-10-25 | 华为技术有限公司 | 数据传输设备及其故障检测和上报方法 |
CN106352914B (zh) * | 2016-08-01 | 2018-10-12 | 孙扬 | 一种区域空气质量治理的装置 |
CN109683539A (zh) * | 2018-12-12 | 2019-04-26 | 北京万维盈创科技发展有限公司 | 污染物在线监控设备动态管控装置及系统 |
CN110097037B (zh) * | 2019-05-22 | 2021-10-01 | 天津联图科技有限公司 | 智能监测方法、装置、存储介质及电子设备 |
CN113012388B (zh) * | 2021-02-19 | 2023-02-24 | 浙江清之元信息科技有限公司 | 污染源在线监测系统及在线监测数据作假识别分析方法 |
-
2021
- 2021-08-31 CN CN202111007530.5A patent/CN113449703B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109298785A (zh) * | 2018-09-06 | 2019-02-01 | 天津联图科技有限公司 | 一种监测设备的人机联控系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113449703A (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113449703B (zh) | 环境在线监测数据的质控方法、装置、存储介质及设备 | |
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN106951925B (zh) | 数据处理方法、装置、服务器及系统 | |
CN113518011B (zh) | 异常检测方法和装置、电子设备及计算机可读存储介质 | |
CN112565187B (zh) | 基于逻辑回归的电网攻击检测方法、系统、设备及介质 | |
CN114414935A (zh) | 基于大数据的配电网馈线故障区域自动化定位方法和系统 | |
CN113888480A (zh) | 一种基于mes的质量追溯方法和系统 | |
CN113723467A (zh) | 用于缺陷检测的样本收集方法、装置和设备 | |
CN109308225B (zh) | 一种虚拟机异常检测方法、装置、设备及存储介质 | |
CN115952081A (zh) | 一种软件测试方法、装置、存储介质及设备 | |
CN113963033B (zh) | 一种基于人工智能的电力设备异常检测方法和系统 | |
CN103913150B (zh) | 智能电能表电子元器件一致性检测方法 | |
CN114785616A (zh) | 数据风险检测方法、装置、计算机设备及存储介质 | |
CN117421692B (zh) | 垃圾投放站的垃圾违规投放识别方法、装置、设备 | |
CN117372424B (zh) | 一种缺陷检测方法、装置、设备及存储介质 | |
CN114443483A (zh) | 人工智能系统的测试方法、装置、电子设备及介质 | |
CN115293735A (zh) | 一种无人工厂工业互联网平台监测管理方法及系统 | |
CN115167138A (zh) | 一种构建液压控制模型的方法、装置、电子设备及挖掘机 | |
CN114359670A (zh) | 非结构化数据标注方法、装置、计算机设备及存储介质 | |
CN113011748A (zh) | 推荐效果的评估方法、装置、电子设备及可读存储介质 | |
CN118070024B (zh) | 基于深度学习的用户行为数据处理方法及系统 | |
CN117349734B (zh) | 水表设备识别方法、装置、电子设备及存储介质 | |
Zhang et al. | An improved sensor pattern noise estimation method based on edge guided weighted averaging | |
CN113505539A (zh) | 工业机理模型测试方法、装置和存储介质 | |
CN117831026A (zh) | 基于机器学习的食品质量检测方法及装置 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20211208 Address after: 300203 area b2-6f-074, animation building, No. 126, animation Middle Road, ecological city, Binhai New Area, Tianjin Patentee after: TIANJIN LIANTU TECHNOLOGY Co.,Ltd. Patentee after: Hangzhou liantu Technology Co., Ltd Address before: 300203 area b2-6f-074, animation building, No. 126, animation Middle Road, ecological city, Binhai New Area, Tianjin Patentee before: TIANJIN LIANTU TECHNOLOGY Co.,Ltd. |
|
TR01 | Transfer of patent right |