CN113486968A - 摄像机生命周期的监控方法、装置、设备和介质 - Google Patents
摄像机生命周期的监控方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN113486968A CN113486968A CN202110800024.5A CN202110800024A CN113486968A CN 113486968 A CN113486968 A CN 113486968A CN 202110800024 A CN202110800024 A CN 202110800024A CN 113486968 A CN113486968 A CN 113486968A
- Authority
- CN
- China
- Prior art keywords
- data
- fusion
- camera
- neural network
- trained
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000004927 fusion Effects 0.000 claims abstract description 45
- 238000007499 fusion processing Methods 0.000 claims abstract description 18
- 238000012423 maintenance Methods 0.000 claims abstract description 15
- 230000008447 perception Effects 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 2
- 239000002699 waste material Substances 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 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
- G06F18/25—Fusion techniques
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (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)
- Studio Devices (AREA)
Abstract
本公开的实施例公开了摄像机生命周期的监控方法、装置、设备和介质。该方法的一具体实施方式包括:获取预定时间段内的与目标摄像机相关的数据组集合;对数据组集合进行数据融合处理,得到融合数据;将融合数据输入至预先训练的态势感知模型,得到融合数据对应的监控结果;基于监控结果,确定目标摄像机的工作状态。该实施方式可以通过将获取的数据进行数据融合,并使用预先训练的态势感知模型准确的确定目标摄像机的工作状态。从而,避免了摄像机资源的浪费,并提高了运维的效率。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及摄像机生命周期的监控方法、装置、电子设备和计算机可读介质。
背景技术
态势感知是一种基于环境、动态、整体的洞悉安全风险的一种技术。目前在对摄像机的生命周期进行监控时,往往是根据定期更换摄像机进行监控系统的运行和维护。
然而,当采用上述方式时经常会存在如下技术问题:
定期更换性能不一的摄像机,而未准确的确定摄像机的生命周期结束的时间,导致摄像机资源的浪费,使得运维的效率较低。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了摄像机生命周期的监控方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种摄像机生命周期的监控方法,该方法包括:获取预定时间段内的与目标摄像机相关的数据组集合;对上述数据组集合进行数据融合处理,得到融合数据;将上述融合数据输入至预先训练的态势感知模型,得到上述融合数据对应的监控结果;基于上述监控结果,确定上述目标摄像机的工作状态。
第二方面,本公开的一些实施例提供了一种摄像机生命周期的监控装置,装置包括:获取单元,被配置成获取预定时间段内的与目标摄像机相关的数据组集合;数据融合处理单元,被配置成对上述数据组集合进行数据融合处理,得到融合数据;输入单元,被配置成将上述融合数据输入至预先训练的态势感知模型,得到上述融合数据对应的监控结果;确定单元,被配置成基于上述监控结果,确定上述目标摄像机的工作状态。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的摄像机生命周期的监控方法对摄像机的生命周期进行监控,避免了摄像机资源的浪费,并提高了运维的效率。具体来说,造成摄像机资源的浪费、运维效率较低的原因在于:定期更换性能不一的摄像机,而未准确的确定摄像机的生命周期结束的时间。基于此,本公开的一些实施例的摄像机生命周期的监控方法,首先,可以获取预定时间段内的与目标摄像机相关的数据组集合。由此,可以为后续的数据融合处理提供数据基础。然后,可以对上述数据组集合进行数据融合处理,得到融合数据。由此,可以对不同数据库表中的数据提取特征数据,使得不同的数据进行融合。之后,可以将上述融合数据输入至预先训练的态势感知模型,得到上述融合数据对应的监控结果。由此,可以得到准确的对应于融合数据的监控结果。最后,可以基于上述监控结果,确定上述目标摄像机的工作状态。通过将获取的数据进行数据融合,并使用预先训练的态势感知模型准确的确定目标摄像机的工作状态。从而,避免了摄像机资源的浪费,并提高了运维的效率。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的摄像机生命周期的监控方法的一个应用场景的示意图;
图2是根据本公开的摄像机生命周期的监控方法的一些实施例的流程图;
图3是根据本公开的摄像机生命周期的监控装置的一些实施例的结构示意图;
图4是根据本公开的摄像机生命周期的监控方法的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开的一些实施例的摄像机生命周期的监控方法的一个应用场景的示意图100。
在图1的应用场景中,首先,计算设备101可以获取预定时间段内的与目标摄像机相关的数据组集合102。然后,计算设备101可以对上述数据组集合102进行数据融合处理,得到融合数据103。之后,计算设备101可以将上述融合数据103输入至预先训练的态势感知模型104,得到上述融合数据对应的监控结果105。最后,计算设备101可以基于上述监控结果105,确定上述目标摄像机的工作状态106。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的计算设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的计算设备。
继续参考图2,示出了根据本公开的摄像机生命周期的监控方法的一些实施例的流程200。该摄像机生命周期的监控方法,包括以下步骤:
步骤201,获取预定时间段内的与目标摄像机相关的数据组集合。
在一些实施例中,摄像机生命周期的监控方法的执行主体(如图1所示的计算设备101)可以通过有线连接方式或者无线连接方式获取预定时间段内的与目标摄像机相关的数据组集合。其中,上述数据组集合中的数据组可以包括视频质量数据、故障数据和环境温度数据。
步骤202,对数据组集合进行数据融合处理,得到融合数据。
在一些实施例中,上述数据组集合中的数据组包括的视频质量数据、故障数据和环境温度数据保存在不同的数据库表空间中,可以通过对应的接口将不同的数据库表空间中的视频质量数据、故障数据和环境温度数据推送至开源流处理平台。由此,开源流处理平台可以对接收到的数据进行解析处理,并提取多个特征数据。由此,上述执行主体可以得到融合数据。
步骤203,将融合数据输入至预先训练的态势感知模型,得到融合数据对应的监控结果。
在一些实施例中,上述执行主体可以将上述融合数据输入至预先训练的态势感知模型,得到上述融合数据对应的监控结果。其中,上述预先训练的态势感知模型可以包括输入层,隐藏层和输出层。输入层和输出层的节点数是固定的,选择合适的层数以及隐藏层节点数,对神经网络的性能产生很大的影响。上述监控结果可以是监控数据正常和监控数据异常。上述监控数据正常表征融合数据在输入至预先训练的态势感知模型后,未产生异常日志。上述监控数据正常表征融合数据在输入至预先训练的态势感知模型后,产生异常日志。
在一些实施例的一些可选的实现方式中,上述预先训练的态势感知模型包括第一全连接层和第二全连接层,上述将上述融合数据输入至预先训练的态势感知模型,得到上述融合数据对应的监控结果,可以包括以下步骤:
第一步,将上述融合数据输入上述第一全连接层,生成特征数据。
第二步,将上述特征数据输入上述第二全连接层,生成降维数据。
第三步,基于上述降维数据,生成上述融合数据对应的监控结果,其中,上述监控结果可以是监控数据正常或监控数据异常。
在一些实施例的一些可选的实现方式中,上述预先训练的态势感知模型使用的激活函数是线性整流函数。其中,线性整流函数是可以增加模型的非线性的激活函数。
在一些实施例的一些可选的实现方式中,上述预先训练的态势感知模型是通过如下步骤得到的:首先,可以确定初始神经网络的网络结构以及初始化上述初始神经网络的网络参数。然后可以本地或者远程地从与上述执行主体网络连接的其他终端设备获取训练样本集,其中,训练样本包括样本数据和对应于上述样本数据的样本类别。接着,可以从上述样本集中选取样本,以及执行以下训练步骤:
第一步,将选取的样本的样本数据输入至初始神经网络,得到上述选取的样本的类别。其中,上述初始神经网络是可以根据融合数据得到监控结果的各种神经网络,例如,卷积神经网络、深度神经网络等等。
第二步,将上述选取的样本的类别与对应的样本类别进行比较。例如,可以使用二分类损失函数计算所选取的样本的类别与对应的样本类别之间的差异,在二分类损失函数中使用sigmoid函数在梯度下降时能避免机器学习速率降低的问题。
第三步,根据比较结果确定上述初始神经网络是否达到预设的优化目标。其中,上述预设的优化目标可以包括但不限于以下至少一项:训练时间超过预设时长;训练次数超过预设次数;计算所得的差异小于预设差异阈值。
第四步,响应于确定上述初始神经网络达到上述优化目标,将上述初始神经网络作为训练完成的上述预先训练的态势感知模型,训练结束。
第五步,响应于确定初始神经网络未训练完成,调整初始神经网络中的相关参数,以及从上述样本集中重新选取样本,使用调整后的初始神经网络作为初始神经网络,再次执行上述训练步骤。
在一些实施例中,该训练步骤的执行主体响应于确定初始神经网络未训练完成,具体的,可以是响应于初始神经网络未达到优化目标,调整初始神经网络中的相关参数。例如,可以采用各种实现方式基于所选取的样本的类别与对应的样本类别之间的差异调整初始神经网络的网络参数。例如,可以采用Adam、BP(Back Propagation,反向传播)算法或者SGD(Stochastic Gradient Descent,随机梯度下降)算法来调整初始神经网络的网络参数。
步骤204,基于监控结果,确定目标摄像机的工作状态。
在一些实施例中,上述执行主体可以根据监控结果,确定目标摄像机的工作状态。其中,上述工作状态包括工作正常和工作异常。若上述监控结果为监控数据正常,可以认为目标摄像机的工作状态为工作正常。若上述监控结果为监控数据异常,可以认为目标摄像机的工作状态为工作异常。
可选的,基于上述数据组集合和可视化技术,生成数据时间态势图像,其中,上述数据时间态势图像表征视频质量数据、故障数据和环境温度数据的态势。其中,上述数据组集合中的数据组包括视频质量数据、故障数据和环境温度数据。
可选的,响应于上述工作状态为工作异常,确定上述数据时间态势图像中的视频质量数据、故障数据和环境温度数据的态势是否达到预设阈值;响应于上述数据时间态势图像中的视频质量数据、故障数据和环境温度数据的态势达到预设阈值,生成目标摄像机生命终止时间和上述目标摄像机的运维周期的关键性数据。其中,上述工作状态包括工作正常和工作异常。上述预设阈值可以是目标摄像机无法使用时视频质量数据、故障数据和环境温度数据的数值。上述目标摄像机生命终止时间可以是目标摄像机无法使用的时间。上述目标摄像机的运维周期的关键性数据可以是以下任意一项:视频质量数据、故障数据和环境温度数据。
可选的,将上述目标摄像机生命终止时间和上述目标摄像机的运维周期的关键性数据发送至客户端以便对上述客户端进行摄像机更换预警。
作为示例,上述执行主体可以将上述目标摄像机生命终止时间和上述目标摄像机的运维周期的关键性数据以弹窗确认或者发送通知消息的形式推送至客户端以便对上述客户端进行摄像机更换预警。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的摄像机生命周期的监控方法对摄像机的生命周期进行监控,避免了摄像机资源的浪费,并提高了运维的效率。具体来说,造成摄像机资源的浪费、运维效率较低的原因在于:定期更换性能不一的摄像机,而未准确的确定摄像机的生命周期结束的时间。基于此,本公开的一些实施例的摄像机生命周期的监控方法,首先,可以获取预定时间段内的与目标摄像机相关的数据组集合。由此,可以为后续的数据融合处理提供数据基础。然后,可以对上述数据组集合进行数据融合处理,得到融合数据。由此,可以对不同数据库表中的数据提取特征数据,使得不同的数据进行融合。之后,可以将上述融合数据输入至预先训练的态势感知模型,得到上述融合数据对应的监控结果。由此,可以得到准确的对应于融合数据的监控结果。最后,可以基于上述监控结果,确定上述目标摄像机的工作状态。通过将获取的数据进行数据融合,并使用预先训练的态势感知模型准确的确定目标摄像机的工作状态。从而,避免了摄像机资源的浪费,并提高了运维的效率。
进一步参考图3,作为对上述各图上述方法的实现,本公开提供了一种摄像机生命周期的监控装置的一些实施例,这些装置实施例与图2上述的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,一些实施例的摄像机生命周期的监控装置300包括:获取单元301、数据融合处理单元302、输入单元303和确定单元304。其中,获取单元301,被配置成获取预定时间段内的与目标摄像机相关的数据组集合;数据融合处理单元302,被配置成对上述数据组集合进行数据融合处理,得到融合数据;输入单元303,被配置成将上述融合数据输入至预先训练的态势感知模型,得到上述融合数据对应的监控结果;确定单元304,被配置成基于上述监控结果,确定上述目标摄像机的工作状态。
可以理解的是,该装置300中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置300及其中包含的单元,在此不再赘述。
下面参考图4,其示出了适于用来实现本公开的一些实施例的电子设备(例如,图1中的计算设备101)400的结构示意图。图4示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图4所示,电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口404也连接至总线404。
通常,以下装置可以连接至I/O接口404:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM 402被安装。在该计算机程序被处理装置401执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取预定时间段内的与目标摄像机相关的数据组集合;对上述数据组集合进行数据融合处理,得到融合数据;将上述融合数据输入至预先训练的态势感知模型,得到上述融合数据对应的监控结果;基于上述监控结果,确定上述目标摄像机的工作状态。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、数据融合处理单元、输入单元和确定单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取预定时间段内的与目标摄像机相关的数据组集合的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种摄像机生命周期的监控方法,包括:
获取预定时间段内的与目标摄像机相关的数据组集合;
对所述数据组集合进行数据融合处理,得到融合数据;
将所述融合数据输入至预先训练的态势感知模型,得到所述融合数据对应的监控结果;
基于所述监控结果,确定所述目标摄像机的工作状态。
2.根据权利要求1所述的方法,其中,所述数据组集合中的数据组包括视频质量数据、故障数据和环境温度数据;以及
所述方法还包括:
基于所述数据组集合和可视化技术,生成数据时间态势图像,其中,所述数据时间态势图像表征视频质量数据、故障数据和环境温度数据的态势。
3.根据权利要求2所述的方法,其中,所述工作状态包括工作正常和工作异常;以及
所述方法还包括:
响应于所述工作状态为工作异常,确定所述数据时间态势图像中的视频质量数据、故障数据和环境温度数据的态势是否达到预设阈值;
响应于所述数据时间态势图像中的视频质量数据、故障数据和环境温度数据的态势达到预设阈值,生成目标摄像机生命终止时间和所述目标摄像机的运维周期的关键性数据。
4.根据权利要求3所述的方法,其中,所述方法还包括:
将所述目标摄像机生命终止时间和所述目标摄像机的运维周期的关键性数据发送至客户端以便对所述客户端进行摄像机更换预警。
5.根据权利要求4所述的方法,其中,所述预先训练的态势感知模型包括第一全连接层和第二全连接层;以及
所述将所述融合数据输入至预先训练的态势感知模型,得到所述融合数据对应的监控结果,包括:
将所述融合数据输入所述第一全连接层,生成特征数据;
将所述特征数据输入所述第二全连接层,生成降维数据;
基于所述降维数据,生成所述融合数据对应的监控结果。
6.根据权利要求5所述的方法,其中,所述预先训练的态势感知模型使用的激活函数是线性整流函数。
7.根据权利要求6所述的方法,其中,所述预先训练的态势感知模型是通过如下步骤得到的:
确定初始神经网络的网络结构以及初始化所述初始神经网络的网络参数;
获取训练样本集,其中,训练样本包括样本数据和对应于所述样本数据的样本类别;
从所述样本集中选取样本,以及执行以下训练步骤:
将选取的样本的样本数据输入至初始神经网络,得到所述选取的样本的类别;
将所述选取的样本的类别与对应的样本类别进行比较;
根据比较结果确定所述初始神经网络是否达到预设的优化目标;
响应于确定所述初始神经网络达到所述优化目标,将所述初始神经网络作为训练完成的所述预先训练的态势感知模型;
响应于确定初始神经网络未训练完成,调整初始神经网络中的相关参数,以及从所述样本集中重新选取样本,使用调整后的初始神经网络作为初始神经网络,再次执行所述训练步骤。
8.一种摄像机生命周期的监控装置,包括:
获取单元,被配置成获取预定时间段内的与目标摄像机相关的数据组集合;
数据融合处理单元,被配置成对所述数据组集合进行数据融合处理,得到融合数据;
输入单元,被配置成将所述融合数据输入至预先训练的态势感知模型,得到所述融合数据对应的监控结果;
确定单元,被配置成基于所述监控结果,确定所述目标摄像机的工作状态。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110800024.5A CN113486968B (zh) | 2021-07-15 | 2021-07-15 | 摄像机生命周期的监控方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110800024.5A CN113486968B (zh) | 2021-07-15 | 2021-07-15 | 摄像机生命周期的监控方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113486968A true CN113486968A (zh) | 2021-10-08 |
CN113486968B CN113486968B (zh) | 2024-06-14 |
Family
ID=77938842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110800024.5A Active CN113486968B (zh) | 2021-07-15 | 2021-07-15 | 摄像机生命周期的监控方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486968B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115338867A (zh) * | 2022-08-31 | 2022-11-15 | 上海木蚁机器人科技有限公司 | 移动机器人的故障状态监测方法、装置和设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003089488A (ja) * | 2001-09-19 | 2003-03-25 | Hitachi Building Systems Co Ltd | エレベーターかご内の映像記録装置 |
JP2007050862A (ja) * | 2005-08-19 | 2007-03-01 | East Japan Railway Co | 踏切監視システム及び踏切監視システムの制御方法 |
JP2009060201A (ja) * | 2007-08-30 | 2009-03-19 | Panasonic Corp | マルチ画面監視システム |
KR101194177B1 (ko) * | 2011-08-30 | 2012-10-24 | 주식회사 제론헬스케어 | 비동기적으로 동작하는 이기종 센서들을 포함하는 지능형 감시 시스템 |
CN105933609A (zh) * | 2015-12-29 | 2016-09-07 | 广东中星电子有限公司 | 调动可旋转摄像机的方法及装置 |
GB201615389D0 (en) * | 2016-09-09 | 2016-10-26 | Canon Europa Nv | Surveillance apparatus and surveillance method |
CN106210666A (zh) * | 2016-08-30 | 2016-12-07 | 国网安徽省电力公司亳州供电公司 | 一种摄像头故障切换装置及方法 |
CN108918137A (zh) * | 2018-06-08 | 2018-11-30 | 华北水利水电大学 | 基于改进的wpa-bp神经网络的齿轮箱故障诊断装置及其方法 |
CN110088780A (zh) * | 2016-12-27 | 2019-08-02 | 韩华泰科株式会社 | 预测诊断装置和监视系统 |
CN110836696A (zh) * | 2019-12-04 | 2020-02-25 | 江苏方天电力技术有限公司 | 适于调相机系统的远程故障预测方法和系统 |
CN111695858A (zh) * | 2020-06-09 | 2020-09-22 | 厦门嵘拓物联科技有限公司 | 一种模具全生命周期管理系统 |
-
2021
- 2021-07-15 CN CN202110800024.5A patent/CN113486968B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003089488A (ja) * | 2001-09-19 | 2003-03-25 | Hitachi Building Systems Co Ltd | エレベーターかご内の映像記録装置 |
JP2007050862A (ja) * | 2005-08-19 | 2007-03-01 | East Japan Railway Co | 踏切監視システム及び踏切監視システムの制御方法 |
JP2009060201A (ja) * | 2007-08-30 | 2009-03-19 | Panasonic Corp | マルチ画面監視システム |
KR101194177B1 (ko) * | 2011-08-30 | 2012-10-24 | 주식회사 제론헬스케어 | 비동기적으로 동작하는 이기종 센서들을 포함하는 지능형 감시 시스템 |
CN105933609A (zh) * | 2015-12-29 | 2016-09-07 | 广东中星电子有限公司 | 调动可旋转摄像机的方法及装置 |
CN106210666A (zh) * | 2016-08-30 | 2016-12-07 | 国网安徽省电力公司亳州供电公司 | 一种摄像头故障切换装置及方法 |
GB201615389D0 (en) * | 2016-09-09 | 2016-10-26 | Canon Europa Nv | Surveillance apparatus and surveillance method |
CN110088780A (zh) * | 2016-12-27 | 2019-08-02 | 韩华泰科株式会社 | 预测诊断装置和监视系统 |
CN108918137A (zh) * | 2018-06-08 | 2018-11-30 | 华北水利水电大学 | 基于改进的wpa-bp神经网络的齿轮箱故障诊断装置及其方法 |
CN110836696A (zh) * | 2019-12-04 | 2020-02-25 | 江苏方天电力技术有限公司 | 适于调相机系统的远程故障预测方法和系统 |
CN111695858A (zh) * | 2020-06-09 | 2020-09-22 | 厦门嵘拓物联科技有限公司 | 一种模具全生命周期管理系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115338867A (zh) * | 2022-08-31 | 2022-11-15 | 上海木蚁机器人科技有限公司 | 移动机器人的故障状态监测方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113486968B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112311841B (zh) | 信息推送方法、装置、电子设备和计算机可读介质 | |
CN109902446B (zh) | 用于生成信息预测模型的方法和装置 | |
CN115599640A (zh) | 异常供应端告警方法、电子设备和介质 | |
CN113268761B (zh) | 信息加密方法、装置、电子设备和计算机可读介质 | |
CN111930709A (zh) | 数据存储方法、装置、电子设备和计算机可读介质 | |
CN114928574B (zh) | 信息发送方法、装置、电子设备和计算机可读介质 | |
CN115277261A (zh) | 基于工控网络病毒的异常机器智能识别方法、装置、设备 | |
CN115357350A (zh) | 任务配置方法、装置、电子设备和计算机可读介质 | |
CN116881097B (zh) | 用户终端告警方法、装置、电子设备和计算机可读介质 | |
CN113486968B (zh) | 摄像机生命周期的监控方法、装置、设备和介质 | |
CN113793128A (zh) | 业务故障原因信息生成方法、装置、设备和计算机可读介质 | |
CN111612434B (zh) | 用于生成处理流程的方法、装置、电子设备和介质 | |
CN116541251A (zh) | 显示设备状态预警方法、装置、设备和计算机可读介质 | |
CN114035861A (zh) | 集群配置方法、装置、电子设备和计算机可读介质 | |
CN114697206A (zh) | 物联网节点管理方法、装置、设备和计算机可读介质 | |
CN113778850A (zh) | 数据处理方法、装置、电子设备和计算机可读介质 | |
CN112543228A (zh) | 数据传输方法、装置、电子设备和计算机可读介质 | |
CN114764627A (zh) | 基于横向联合学习参与方的数据贡献力确定方法和装置 | |
CN111754984A (zh) | 文本选取的方法、装置、设备和计算机可读介质 | |
CN115292081B (zh) | 信息发送方法、装置、电子设备和介质 | |
CN114826707B (zh) | 处理用户威胁的方法、装置、电子设备和计算机可读介质 | |
CN112965827B (zh) | 信息调度方法、装置、电子设备和计算机介质 | |
CN111460270B (zh) | 信息推送方法和装置 | |
CN112015625B (zh) | 报警设备控制方法、装置、电子设备和计算机可读介质 | |
CN115328811B (zh) | 用于工控网络仿真的程序语句测试方法、装置、电子设备 |
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 |