CN113701825A - 一种基于人工智能的健身设施异常检测方法及系统 - Google Patents

一种基于人工智能的健身设施异常检测方法及系统 Download PDF

Info

Publication number
CN113701825A
CN113701825A CN202111251741.3A CN202111251741A CN113701825A CN 113701825 A CN113701825 A CN 113701825A CN 202111251741 A CN202111251741 A CN 202111251741A CN 113701825 A CN113701825 A CN 113701825A
Authority
CN
China
Prior art keywords
parameter sequence
facility
index
current parameter
target
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
Application number
CN202111251741.3A
Other languages
English (en)
Other versions
CN113701825B (zh
Inventor
谢小艳
何红娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong Gaoqiao Sporting Goods Co ltd
Original Assignee
Nantong Gaoqiao Sporting Goods Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nantong Gaoqiao Sporting Goods Co ltd filed Critical Nantong Gaoqiao Sporting Goods Co ltd
Priority to CN202111251741.3A priority Critical patent/CN113701825B/zh
Publication of CN113701825A publication Critical patent/CN113701825A/zh
Application granted granted Critical
Publication of CN113701825B publication Critical patent/CN113701825B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于人工智能的健身设施异常检测方法及系统，属于健身设施异常检测技术领域。方法包括以下步骤：获取目标健身设施对应的当前参数序列和标准参数序列；对当前参数序列中的数据进行分类，得到当前参数序列对应的类别数量和离散点数量；根据类别数量和离散点数量，得到当前参数序列的数据稳定程度指标；利用滑窗分析当前参数序列中数据的变化，得到当前参数序列的数据变化程度指标；计算当前参数序列与标准参数序列之间的相似性，得到当前参数序列的相似性指标；根据数据稳定程度指标、数据变化程度指标以及相似性指标，得到目标健身设施对应的异常程度。本发明能能够提高异常检测的效率。

Description

一种基于人工智能的健身设施异常检测方法及系统
技术领域
本发明涉及健身设施异常检测技术领域，具体涉及一种基于人工智能的健身设施异常检测方法及系统。
背景技术
近年来，随着我国经济的快速发展，人民大众的生活质量在稳步提高，在解决了吃穿住行等基本生活需求后，越来越多的人选择去健身房进行运动和健身，健身房虽然给健身者带来了便利舒适的环境，但是当健身设施出现异常或者故障等问题时，将会降低健身者的健身效果，严重时会对健身者的人身造成伤害。
当前健身房的健身设施一般由管理人员来管理检测，而管理人员只能在健身设施出现异常或者使用者在使用过程中发现异常并上报给管理人员的时候，管理人员才能通知维修人员进行维修，而维修人员需要对健身设施进行排查找到导致异常的因素，才能进行维修；而这种方式效率比较低，从发现异常、上报异常、找到异常以及维修的准确性和效率都无法得到保障，因此应用智能的高精度的健身设施异常检测方法对于健身房的健身设施异常检测而言是迫切需要的。
发明内容
本发明提供一种基于人工智能的健身设施异常检测方法及系统，用于解决现有不能高效的检测健身设施异常的问题，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种基于人工智能的健身设施异常检测方法及系统包括以下步骤：
（1）获取目标健身设施对应的当前参数序列和标准参数序列，所述参数包括以下四种参数中的至少一种：振动参数、电流参数、噪音参数以及减震参数；
（2）对所述当前参数序列中的数据进行分类，得到当前参数序列对应的类别数量和离散点数量；根据所述类别数量和离散点数量，得到当前参数序列的数据稳定程度指标；
（3）利用滑窗分析当前参数序列中数据的变化，得到当前参数序列的数据变化程度指标；
（4）计算当前参数序列与标准参数序列之间的相似性，得到当前参数序列的相似性指标；
（5）根据所述数据稳定程度指标、数据变化程度指标以及相似性指标，得到目标健身设施对应的异常程度。
本发明还提供了一种基于人工智能的健身设施异常检测系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述一种基于人工智能的健身设施异常检测方法。
本发明对当前参数序列中的数据进行分类，得到当前参数序列对应的类别数量和离散点数量；根据类别数量和离散点数量，得到当前参数序列对应的数据稳定程度指标；利用滑窗分析当前参数序列中数据的变化，得到当前参数序列对应的数据变化程度指标；计算当前参数序列与标准参数序列之间的相似性，得到当前参数序列对应的相似性指标；根据数据稳定程度指标、数据变化程度指标以及相似性指标，得到目标健身设施对应的异常程度。本发明提供的基于人工智能的健身设施异常检测方法是一种自动检测异常的方法，这种检测方法相对于人为的异常检测的方式，能够提高异常检测的效率，且本实施例将数据稳定程度指标、数据变化程度指标以及相似性指标作为得到目标健身设施对应的异常程度的依据，能够提高异常检测的准确性。
优选的，在步骤（1）之前，还包括得到目标健身设施的步骤：
获取目标时间段内的多帧健身房图像；
将各健身房图像输入到目标检测网络中，得到各健身房图像对应的健身设施包围框和健身者包围框；
根据所述各健身房图像对应的健身设施包围框和健身者包围框之间的位置关系，得到各健身设施单位时间内被使用的总时长；
根据所述各健身设施单位时间内被使用的总时长，得到各健身设施单位时间内对应的热度特征指标；
根据所述热度特征指标，得到可能存在异常的各健身设施，将可能存在异常的健身设施记为目标健身设施。
优选的，得到各健身设施单位时间内被使用的总时长的方法包括：
根据所述各健身房图像对应的健身设施包围框和健身者包围框之间的位置关系，得到各健身房图像对应的健身设施包围框和健身者包围框之间的重叠面积；
判断所述重叠面积是否大于预设重叠面积阈值，若是，将对应的健身设施记为被使用状态；
统计各健身设施单位时间内单次处于被使用状态的时长，得到对应健身设施单位时间内被使用的总时长。
优选的，得到目标健身设施的方法包括：
根据时间指标，构建各健身设施对应的热度特征指标序列；
根据所述热度特征指标序列，得到各健身设施对应的热度变化指标序列；
判断所述各健身设施对应的热度变化指标序列中小于预设热度变化阈值的数据的比例是否大于设定比例阈值，若是，将对应的健身设施记为目标健身设施。
优选的，得到当前参数序列的数据稳定程度指标的方法包括：
根据如下公式计算当前参数序列的数据稳定程度指标：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为第
Figure DEST_PATH_IMAGE006
个目标健身设施对应的当前参数序列的数据稳定程度指标，
Figure DEST_PATH_IMAGE008
为当前参数序列对应的类别数量，
Figure DEST_PATH_IMAGE010
为当前参数序列对应的离散点数量，
Figure DEST_PATH_IMAGE012
为当前参数序列的方差，
Figure DEST_PATH_IMAGE014
为
Figure 50214DEST_PATH_IMAGE008
对应的权重，
Figure DEST_PATH_IMAGE016
为
Figure 915883DEST_PATH_IMAGE010
对应的权重。
优选的，得到当前参数序列的相似性指标的方法包括：
根据如下公式计算当前参数序列的相似性指标：
Figure DEST_PATH_IMAGE018
其中，
Figure DEST_PATH_IMAGE020
为第
Figure 480725DEST_PATH_IMAGE006
个目标健身设施对应的当前参数序列的相似性指标，
Figure DEST_PATH_IMAGE022
为当前参数序列中数据的总数，
Figure DEST_PATH_IMAGE024
为当前参数序列中第
Figure DEST_PATH_IMAGE026
个数据的值，
Figure DEST_PATH_IMAGE028
为当前参数序列对应的标准参数序列中第
Figure 471684DEST_PATH_IMAGE026
个数据的值。
优选的，得到目标健身设施对应的异常程度的方法包括：
根据所述数据稳定程度指标、数据变化程度指标以及相似性指标，得到目标健身设施对应的异常判定指标；根据如下公式计算目标健身设施对应的异常判定指标：
Figure DEST_PATH_IMAGE030
其中，
Figure DEST_PATH_IMAGE032
为第
Figure 124907DEST_PATH_IMAGE006
个目标健身设施对应的异常判定指标，
Figure 62776DEST_PATH_IMAGE004
为第
Figure 29595DEST_PATH_IMAGE006
个目标健身设施中对应的当前参数序列的数据稳定程度指标，
Figure DEST_PATH_IMAGE034
为第
Figure 191455DEST_PATH_IMAGE006
个目标健身设施中对应的当前参数序列的数据变化程度指标，
Figure 610935DEST_PATH_IMAGE020
为第
Figure 352495DEST_PATH_IMAGE006
个目标健身设施中对应的当前参数序列的相似性指标，
Figure DEST_PATH_IMAGE036
为
Figure 970558DEST_PATH_IMAGE004
对应的权重，
Figure DEST_PATH_IMAGE038
为
Figure 241002DEST_PATH_IMAGE034
对应的权重。
根据所述目标健身设施对应的异常判定指标，得到目标健身设施对应的异常程度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将
对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一种基于人工智能的健身设施异常检测方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明实施例，本领域普通技术人员所获得的所有其它实施例，都属于本发明实施例保护的范围。
除非另有定义，本文所使用的所有的技术和科学技术语与属于本发明的技术人员通常理解的含义相同。
本实施例提供了一种基于人工智能的健身设施异常检测方法，详细说明如下：
如图1所示，该基于人工智能的健身设施异常检测方法，包括以下步骤：
步骤S001，获取目标健身设施对应的当前参数序列和标准参数序列，所述参数包括以下四种参数中的至少一种：振动参数、电流参数、噪音参数以及减震参数。
本实施例中，健身设施是以较为常见的跑步机为例进行后续分析的，分析过程需要获取跑步机以下四种参数：振动参数、电流参数、噪音参数以及减震参数；作为其它的实施方式，本实施例也可以以其它的健身设施为例进行分析，但不同健身设施分析过程需要的参数不同，例如若以健身车为例进行分析，分析过程需要获取健身车的电流参数、噪音参数以及阻力参数等。
为了减少后续的计算量，本实施例将对健身房中的健身设施进行初步筛选，得到可能存在异常的各健身设施。本实施例中，健身房中健身设施初步筛选是以健身房中的图像为基础的，首先利用健身房中的摄像头对健身房进行图像采集，健身房中摄像头的布置和摄像头的位置需要根据健身房中健身设施的布局进行设置，但是要求健身房中摄像头能采集到健身房中的全部区域。
本实施例中，需要获取健身房营业期间目标时间段内的多帧健身房图像，本实施例目标时间段内是指健身房营业期间30天内，图像采集的帧率需要根据实际情况进行设置；作为其它的实施方式，也可以根据需求的不同获取其它时间段内的健身房图像，例如可以是获取健身房营业期间60天内的多帧健身房图像。
本实施例中，利用目标检测网络对上述采集到的各健身房图像进行检测，得到各健身房图像对应的健身设施包围框和健身者包围框；目标检测网络的训练过程为：首先获取多帧健身房的样本图像，人为的为健身设施包围框和健身者包围框进行标注，标注包围框的中心点坐标为
Figure DEST_PATH_IMAGE040
，包围框的长和宽分别是
Figure DEST_PATH_IMAGE042
和
Figure DEST_PATH_IMAGE044
，则目标检测网络的标签为
Figure DEST_PATH_IMAGE046
，包围框类别包括健身设施包围框以及健身者包围框，包围框类别的不同对应的包围框中心点坐标、长以及宽也不同；将样本图像以及目标检测网络的标签输入到目标检测网络中进行训练，目标检测网络采用均方差损失函数进行迭代训练。
本实施例中，将采集的健身房营业期间30天内的健身房中的每一帧图像输入到训练好的目标检测网络中，目标检测网络的输出为包围框的类别，以及包围框类别对应的包围框的中心点坐标、长以及宽。
本实施例中，在获得各健身房图像中的健身设施包围框和健身者包围框之后，得到各健身房图像中对应的健身设施包围框和健身者包围框之间的位置关系；根据各健身房图像中对应的健身设施包围框和健身者包围框之间的位置关系，得到各健身房图像对应的健身设施包围框和健身者包围框之间的重叠面积；判断重叠面积是否大于预设重叠面积阈值，若是，将对应的健身设施记为被使用状态；若不是将对应的健身设施记为空闲状态；本实施例中，预设重叠面积阈值的大小需要根据实际情况进行设置。
之后统计在单位时间内各健身设施单次处于被使用状态的时长，根据单位时间内各健身设施单次处于被使用状态的时长，得到单位时间内各健身设施单位时间内处于被使用状态的总时长。
本实施例中，单位时间内指的是一天，作为其它的实施方式为单位时间设施不同的时间段，例如可以是半天。
本实施例中，根据各健身设施单位时间内处于被使用状态的总时长，得到各健身设施单位时间对应的热度特征指标；根据如下公式计算各健身设施单位时间对应的热度特征指标：
Figure DEST_PATH_IMAGE048
其中，
Figure DEST_PATH_IMAGE050
为第
Figure DEST_PATH_IMAGE052
个健身设施第
Figure DEST_PATH_IMAGE054
天对应的热度特征指标，
Figure DEST_PATH_IMAGE056
为第
Figure 463559DEST_PATH_IMAGE052
个健身设施第
Figure 618597DEST_PATH_IMAGE054
天处于被使用状态的总次数，
Figure DEST_PATH_IMAGE058
为第
Figure 156413DEST_PATH_IMAGE052
个健身设施第
Figure 66600DEST_PATH_IMAGE054
天中第
Figure DEST_PATH_IMAGE060
次处于被使用状态的时长，本实施例中
Figure 319727DEST_PATH_IMAGE054
的取值为30。
本实施例中，通过上述过程可以得到目标时间段内各健身设施单位时间内对应的热度特征指标，根据时间指标，即按照时间的顺序，构建目标时间段内各健身设施对应的热度特征指标序列，即：
Figure DEST_PATH_IMAGE062
，其中，
Figure DEST_PATH_IMAGE064
为第
Figure 403090DEST_PATH_IMAGE052
个健身设施第
Figure DEST_PATH_IMAGE066
天对应的热度特征指标，
Figure DEST_PATH_IMAGE068
为第
Figure 854799DEST_PATH_IMAGE052
个健身设施第
Figure DEST_PATH_IMAGE070
天对应的热度特征指标，
Figure 201467DEST_PATH_IMAGE050
为第
Figure 407802DEST_PATH_IMAGE052
个健身设施第
Figure 29276DEST_PATH_IMAGE054
天对应的热度特征指标。
本实施例中，根据各健身设施对应的热度特征指标序列，得到各健身设施对应的热度变化指标；根据如下公式计算各健身设施对应的热度变化指标：
Figure DEST_PATH_IMAGE072
其中，
Figure DEST_PATH_IMAGE074
为第
Figure 804334DEST_PATH_IMAGE052
个健身设施第
Figure DEST_PATH_IMAGE076
天到第
Figure 587482DEST_PATH_IMAGE054
天之间的热度变化指标，
Figure DEST_PATH_IMAGE078
为第
Figure 611939DEST_PATH_IMAGE052
个健身设施第
Figure 646891DEST_PATH_IMAGE054
天对应的热度特征指标，
Figure DEST_PATH_IMAGE080
为第
Figure 276456DEST_PATH_IMAGE052
个健身设施第
Figure 702276DEST_PATH_IMAGE076
天对应的热度特征指标。
根据时间指标，即按照时间的顺序，构建各健身设施对应的热度变化指标序列，即：
Figure DEST_PATH_IMAGE082
，其中，
Figure DEST_PATH_IMAGE084
为第
Figure 745188DEST_PATH_IMAGE052
个健身设施第
Figure 911727DEST_PATH_IMAGE066
天到第
Figure 802322DEST_PATH_IMAGE070
天之间的热度变化指标，
Figure 192852DEST_PATH_IMAGE074
为第
Figure 598426DEST_PATH_IMAGE052
个健身设施第
Figure 240760DEST_PATH_IMAGE076
天到第
Figure 844917DEST_PATH_IMAGE054
天之间的热度变化指标；因此通过上述方式可以得到各健身设施对应的热度变化指标序列。
本实施例中，根据各健身设施对应的热度变化指标序列，得到健身房中可能存在异常的各健身设施，因为热度特征指标可以反映健身设施在单位时间内的使用情况，如果在一段时间内，某一个健身设施的热度特征指标大多数呈现下降的趋势，则该健身设施在单位时间内被使用的总时长逐渐在减少，那么该健身设施可能存在异常，即该健身设施对应的热度变化指标序列大多数呈下降趋势；因此本实施例判断各健身设施对应的热度变化指标序列中小于预设热度变化阈值的数据的比例是否大于设定比例阈值，若是，将对应的健身设施记为目标健身设施；若不是，将对应的健身设施记为无异常的健身设施。
本实施例中，预设热度变化阈值为0，比例阈值为大于或者等于50%，因此本实施例判断各健身设施对应的热度变化指标序列中小于0的数据的比例是否在大于或者等于50%；作为其它的实施方式，预设热度变化阈值和比例阈值都要根据实际情况进行设定。
本实施例中，利用传感器对各目标健身设施对应的参数进行采集，分别为利用振动传感器获取振动参数、利用电流传感器获取电流参数、利用声音传感器获取噪音参数以及利用加速度传感器等装置构成的减震器检测设备获取减震参数。
作为其它的实施方式，也可以采集不同数量的参数，例如可以是对以下四种参数中的至少一种或者两种进行采集：振动参数、电流参数、噪音参数以及减震参数；作为其它的实施方式，也可以采集其它的参数，例如也可以采集速度参数等。
本实施例中，传感器对各目标健身设施是以周期性进行数据采集的，且采集各目标健身设施在使用过程中的数据，将采集的周期数据按照时间的顺序组成各参数对应的参数序列；本实施例可以得到各目标健身设施对应的四种当前参数序列，分别为当前振动参数序列、当前电流参数序列、当前噪音参数序列以及当前减震参数序列；本实施例根据健身设施的经验值得到健身房中各健身设施中各当前参数序列对应的标准参数序列，即得到四种标准参数序列，分别为标准振动参数序列、标准电流参数序列、标准噪音参数序列以及标准减震参数序列。
本实施例中，采集周期的大小和传感器采集的次数需要根据实际情况进行设置，采集的次数代表当前参数序列的序列长度，且各当前参数序列的序列长度与对应的标准参数序列的序列长度一致。
步骤S002，对所述当前参数序列中的数据进行分类，得到当前参数序列对应的类别数量和离散点数量；根据所述类别数量和离散点数量，得到当前参数序列的数据稳定程度指标。
本实施例中，对各目标健身设施对应的各当前参数序列中的数据采用均值漂移聚类算法进行聚类，根据聚类结果得到目标健身设施对应的各当前参数序列中数据对应的聚类的类别数量和离散点数量；根据各当前参数序列中数据对应的聚类的类别数量和离散点数量，得到目标健身设施对应的各当前参数序列的数据稳定程度指标；因为当前参数序列中数据的类别数量和离散点数量可以反映当前参数序列中数据的稳定情况，即当前参数序列中数据的类别数量和离散点数量与当前参数序列中数据的稳定程度指标成正相关关系，且稳定程度指标的值越大表明当前参数序列的数据越不稳定，根据如下公式计算各目标健身设施对应的各当前参数序列的数据稳定程度指标：
Figure DEST_PATH_IMAGE086
其中，
Figure DEST_PATH_IMAGE088
第
Figure 403418DEST_PATH_IMAGE006
个目标健身设施对应的第
Figure DEST_PATH_IMAGE090
个当前参数序列的数据稳定程度指标，
Figure 889763DEST_PATH_IMAGE008
为第
Figure 70209DEST_PATH_IMAGE090
个当前参数序列对应的类别数量，
Figure 794451DEST_PATH_IMAGE010
为第
Figure 402150DEST_PATH_IMAGE090
个当前参数序列对应的离散点数量，
Figure 782316DEST_PATH_IMAGE012
为第
Figure 891086DEST_PATH_IMAGE090
个当前参数序列的方差，
Figure 345201DEST_PATH_IMAGE014
为
Figure 451697DEST_PATH_IMAGE008
对应的权重，
Figure 115897DEST_PATH_IMAGE016
为
Figure 903724DEST_PATH_IMAGE010
对应的权重，本实施例中设置
Figure DEST_PATH_IMAGE092
；作为其它的实施方式，也可以根据实际情况为
Figure 136647DEST_PATH_IMAGE014
和
Figure 86149DEST_PATH_IMAGE016
设置不同的数值，但是需要满足
Figure 503223DEST_PATH_IMAGE014
的值小于
Figure 891479DEST_PATH_IMAGE016
且
Figure 54608DEST_PATH_IMAGE014
与
Figure 830803DEST_PATH_IMAGE016
的和 等于1。
本实施例是采用均值漂移聚类算法进行聚类的，作为其它的实施方式，也可以根据DBSCAN聚类算法进行聚类。
本实施例中，上述计算各目标健身设施对应的各当前参数序列的数据稳定程度指标的方法，只是本实施例的一个优选，作为其它的实施方式，也可以根据需求的不同设置不同的计算各目标健身设施对应的各当前参数序列的数据稳定程度指标的方法，但应满足当前参数序列中数据的类别数量和离散点数量与当前参数序列中数据的稳定程度指标成正相关关系。
步骤S003，利用滑窗分析当前参数序列中数据的变化，得到当前参数序列的数据变化程度指标。
本实施例中，利用滑窗分析各目标健身设施对应的各当前参数序列中的数据的变化情况，得到当前参数序列的数据变化程度指标；本实施例设定滑窗的大小为1，滑窗移动的步长为3，所述滑窗的大小为1是指一个窗口只能包含当前参数序列中的一个数据，且滑窗滑动的次数与当前参数序列的长度成正比例关系。
作为其它的实施方式，可以根据需求的不同为滑窗移动的步长设置不同的数值，例如滑窗移动的步长可以为1。
本实施例按照时间的指标，即按照当前参数序列中数据采集的时间顺序，从当前参数序列中的初始数据开始移动滑窗，且在同一个当前参数序列中，当当前窗口对应的数据值与当前窗口前一窗口对应的数据值之差的绝对值大于预设数据变化程度阈值时，当前参数序列对应的数据变化程度指标的值加1；当当前窗口对应的数据值与当前窗口前一窗口对应的数据值之差的绝对值小于或者等于预设数据变化程度阈值时，当前参数序列对应的数据变化程度指标的值不发生变化；且当前参数序列的数据变化程度指标的值越大表明当前参数序列中数据的波动越大。
本实施例中，根据如下公式计算各目标健身设施对应的各当前参数序列的数据变化程度指标：
Figure DEST_PATH_IMAGE094
其中，
Figure DEST_PATH_IMAGE096
为第
Figure 204015DEST_PATH_IMAGE006
个目标健身设施对应的第
Figure 192700DEST_PATH_IMAGE090
个当前参数序列的数据变化程度指标，
Figure DEST_PATH_IMAGE098
为在第
Figure 269721DEST_PATH_IMAGE090
个当前参数序列中第
Figure DEST_PATH_IMAGE100
个窗口对应的数据值，
Figure DEST_PATH_IMAGE102
为在第
Figure 216818DEST_PATH_IMAGE090
个当前参数序列中第
Figure DEST_PATH_IMAGE104
个窗口对应的数据值，
Figure DEST_PATH_IMAGE106
为预设数据变化程度阈值，本实施例中
Figure 405222DEST_PATH_IMAGE106
的值为5；作为其它的实施方式，
Figure 400860DEST_PATH_IMAGE106
的值需要根据实际情况进行设置；本实施例中，当
Figure 804160DEST_PATH_IMAGE100
为0时对应的
Figure 390999DEST_PATH_IMAGE096
的值为0。
步骤S004，计算当前参数序列与标准参数序列之间的相似性，得到当前参数序列的相似性指标。
为了更加准确的检测健身设施的异常程度，本实施例将计算各目标健身设施对应的各当前参数序列与各当前参数序列对应的标准参数序列之间的相似性，得到当前参数序列的相似性指标；且当前参数序列与当前参数序列对应的标准参数序列之间的相似性与当前参数序列的相似性指标成负相关关系，即当当前参数序列与当前参数序列对应的标准参数序列之间的相似性越大，则对应的相似性指标的值越小；当当前参数序列与当前参数序列对应的标准参数序列之间的相似性越小，则对应的相似性指标的值越大；根据如下公式计算各目标健身设施对应的各当前参数序列的相似性指标：
Figure DEST_PATH_IMAGE108
其中，
Figure DEST_PATH_IMAGE110
为第
Figure 741733DEST_PATH_IMAGE006
个目标健身设施对应的第
Figure 275483DEST_PATH_IMAGE090
个当前参数序列的相似性指标，
Figure 392343DEST_PATH_IMAGE022
为第
Figure 556609DEST_PATH_IMAGE090
个当前参数序列中数据的总数，
Figure 594972DEST_PATH_IMAGE024
为第
Figure 463571DEST_PATH_IMAGE090
个为当前参数序列中第
Figure 841462DEST_PATH_IMAGE026
个数据的值，
Figure 770104DEST_PATH_IMAGE028
为第
Figure 295763DEST_PATH_IMAGE090
个当前参数序列对应的标准参数序列中第
Figure 843419DEST_PATH_IMAGE026
个数据的值。
本实施例中，上述计算各目标健身设施对应的各当前参数序列的相似性指标的方法，只是本实施例的一个优选，作为其它的实施方式，也可以根据需求的不同设置不同的计算各目标健身设施对应的各当前参数序列的相似性指标的方法，但应满足当前参数序列与当前参数序列对应的标准参数序列之间的相似性与当前参数序列的相似性指标成负相关关系。
步骤S005，根据所述数据稳定程度指标、数据变化程度指标以及相似性指标，得到目标健身设施对应的异常程度。
本实施例中，根据各目标健身设施的数据稳定程度指标、数据变化程度指标以及相似性指标，得到各目标健身设施的异常判定指标；本实施例中各目标健身设施的数据稳定程度指标、数据变化程度指标以及相似性指标与各目标健身设施的异常判定指标成正相关关系，即各目标健身设施对应的异常判定指标的值越大，对应的目标健身设施的异常程度越大，根据如下公式计算各目标健身设施对应的异常判定指标：
Figure DEST_PATH_IMAGE112
其中，
Figure 486538DEST_PATH_IMAGE032
为第
Figure 851661DEST_PATH_IMAGE006
个目标健身设施对应的异常判定指标，
Figure 536720DEST_PATH_IMAGE088
为第
Figure 12701DEST_PATH_IMAGE006
个目标健身设施中对应的第
Figure 161922DEST_PATH_IMAGE090
个当前参数序列的数据稳定程度指标，
Figure 838891DEST_PATH_IMAGE096
为第
Figure 73563DEST_PATH_IMAGE006
个目标健身设施中对应的第
Figure 353235DEST_PATH_IMAGE090
个当前参数序列的数据变化程度指标，
Figure 294646DEST_PATH_IMAGE110
为第
Figure 204833DEST_PATH_IMAGE006
个目标健身设施对应的第
Figure 723539DEST_PATH_IMAGE090
个当前参数序列的相似性指标，
Figure DEST_PATH_IMAGE114
为目标健身设施对应的当前参数序列的数量，本实施例中
Figure 278673DEST_PATH_IMAGE114
的值为4，
Figure 136908DEST_PATH_IMAGE036
为
Figure 890100DEST_PATH_IMAGE004
对应的权重，
Figure 161681DEST_PATH_IMAGE038
为
Figure 986418DEST_PATH_IMAGE034
对应的权重，本实施例中
Figure 636842DEST_PATH_IMAGE036
和
Figure 419990DEST_PATH_IMAGE038
的值都为0.5；作为其它的实施方式，可以根据实际情况为
Figure 54234DEST_PATH_IMAGE036
和
Figure 213820DEST_PATH_IMAGE038
设置不同的权重值，但满足
Figure 312226DEST_PATH_IMAGE036
和
Figure 141642DEST_PATH_IMAGE038
的和为1。
本实施例中，上述计算各目标健身设施对应的异常判定指标的方法，只是本实施例的一个优选，作为其它的实施方式，也可以根据需求的不同设置不同的计算各目标健身设施对应的异常判定指标的方法，但应满足目标健身设施的数据稳定程度指标、数据变化程度指标以及相似性指标与各目标健身设施的异常判定指标成正相关关系。
本实施例中，通过上述过程可以得到各目标健身设施对应的异常判定指标的值，且对异常判定指标进行归一化，得到各目标健身设施归一化之后的异常判定指标的值；根据各目标健身设施归一化之后的异常判定指标的值，得到各目标健身设施对应的异常程度；本实施例中目标健身设施归一化之后的异常判定指标的值在
Figure DEST_PATH_IMAGE116
之间时，判定该目标健身设施为为无异常且运行状态较佳，对应的异常等级为1；当目标健身设施归一化之后的异常判定指标的值在
Figure DEST_PATH_IMAGE118
之间时，判定该目标健身设施为无异常，对应的异常等级为2；当目标健身设施归一化之后的异常判定指标的值在
Figure DEST_PATH_IMAGE120
之间时，判定该目标健身设施为轻度异常，对应的异常等级为3；当目标健身设施归一化之后的异常判定指标的值在
Figure DEST_PATH_IMAGE122
之间时，判定该目标健身设施为中度异常，对应的异常等级为4；当目标健身设施归一化之后的异常判定指标的值在
Figure DEST_PATH_IMAGE124
之间时，判定该目标健身设施为重度异常，对应的异常等级为5。
作为其它的实施方式，也可以根据需求的不同设置不同的异常等级区间以及异常等级值，例如可以是当目标健身设施归一化之后的异常判定指标的值在
Figure DEST_PATH_IMAGE126
之间时，判定该目标健身设施为为无异常，对应的异常等级为1；当目标健身设施归一化之后的异常判定指标的值在
Figure DEST_PATH_IMAGE128
之间时，判定该目标健身设施为有异常，对应的异常等级为2。
本实施例中，当异常等级低于3时，系统提示对应的目标健身设施无异常，而目标健身设施对应的热度特征指标序列呈现下降趋势可能是由于目标健身设施的位置等因素导致的，管理人员可对此类目标健身设施的布局进行优化；当异常等级大于或者大于3时，系统将发出警告，提示管理人员目标健身设施存在异常状况，提示管理人员尽快通知维修人员对目标健身设施进行检修，避免目标健身设施因为异常对健身者造成身体伤害或者降低健身者的效率等。
作为其它的实施方式，也可以将异常等级等级低于3时对应的目标健身设施对应的各当前参数序列，输入到
Figure DEST_PATH_IMAGE130
预测网络中，
Figure 696470DEST_PATH_IMAGE130
预测网络的输出为无异常的各目标健身设施对应的各未来参数序列；
Figure 863009DEST_PATH_IMAGE130
预测网络为现有技术，本实施例不做详细描述。
本实施例中，根据上述目标健身设施对应的各当前参数序列的分析过程对无异常的各目标健身设施对应的各未来参数序列进行分析，可以预测无异常的各目标健身设施在未来时刻的异常程度；根据预测的无异常的各目标健身设施在未来时刻的异常程度，管理人员可以提前安排维修人员进行检查。
本实施例对当前参数序列中的数据进行分类，得到当前参数序列对应的类别数量和离散点数量；根据类别数量和离散点数量，得到当前参数序列对应的数据稳定程度指标；利用滑窗分析当前参数序列中数据的变化，得到当前参数序列对应的数据变化程度指标；计算当前参数序列与标准参数序列之间的相似性，得到当前参数序列对应的相似性指标；根据数据稳定程度指标、数据变化程度指标以及相似性指标，得到目标健身设施对应的异常程度。本实施例提供的基于人工智能的健身设施异常检测方法是一种自动检测异常的方法，这种检测方法相对于人为的异常检测的方式，能够提高异常检测的效率，且本实施例将数据稳定程度指标、数据变化程度指标以及相似性指标作为得到目标健身设施对应的异常程度的依据，能够提高异常检测的准确性。
本实施例的基于人工智能的健身设施异常检测系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述基于人工智能的健身设施异常检测方法。
需要说明的是,上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣，在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。

Claims (8)

1.一种基于人工智能的健身设施异常检测方法，其特征在于，该方法包括如下步骤：
（1）获取目标健身设施对应的当前参数序列和标准参数序列，所述参数包括以下四种参数中的至少一种：振动参数、电流参数、噪音参数以及减震参数；
（2）对所述当前参数序列中的数据进行分类，得到当前参数序列对应的类别数量和离散点数量；根据所述类别数量和离散点数量，得到当前参数序列的数据稳定程度指标；
（3）利用滑窗分析当前参数序列中数据的变化，得到当前参数序列的数据变化程度指标；
（4）计算当前参数序列与标准参数序列之间的相似性，得到当前参数序列的相似性指标；
（5）根据所述数据稳定程度指标、数据变化程度指标以及相似性指标，得到目标健身设施对应的异常程度。
2.如权利要求1所述的一种基于人工智能的健身设施异常检测方法，其特征在于，在步骤（1）之前，还包括得到目标健身设施的步骤：
获取目标时间段内的多帧健身房图像；
将各健身房图像输入到目标检测网络中，得到各健身房图像对应的健身设施包围框和健身者包围框；
根据所述各健身房图像对应的健身设施包围框和健身者包围框之间的位置关系，得到各健身设施单位时间内被使用的总时长；
根据所述各健身设施单位时间内被使用的总时长，得到各健身设施单位时间内对应的热度特征指标；
根据所述热度特征指标，得到可能存在异常的各健身设施，将可能存在异常的健身设施记为目标健身设施。
3.如权利要求2所述的一种基于人工智能的健身设施异常检测方法，其特征在于，所述得到各健身设施单位时间内被使用的总时长的方法包括：
根据所述各健身房图像对应的健身设施包围框和健身者包围框之间的位置关系，得到各健身房图像对应的健身设施包围框和健身者包围框之间的重叠面积；
判断所述重叠面积是否大于预设重叠面积阈值，若是，将对应的健身设施记为被使用状态；
统计各健身设施单位时间内单次处于被使用状态的时长，得到对应健身设施单位时间内被使用的总时长。
4.如权利要求2所述的一种基于人工智能的健身设施异常检测方法，其特征在于，所述得到目标健身设施的方法包括：
根据时间指标，构建各健身设施对应的热度特征指标序列；
根据所述热度特征指标序列，得到各健身设施对应的热度变化指标序列；
判断所述各健身设施对应的热度变化指标序列中小于预设热度变化阈值的数据的比例是否大于设定比例阈值，若是，将对应的健身设施记为目标健身设施。
5.如权利要求1所述的一种基于人工智能的健身设施异常检测方法，其特征在于，所述得到当前参数序列的数据稳定程度指标的方法包括：
根据如下公式计算当前参数序列的数据稳定程度指标：
Figure DEST_PATH_IMAGE001
其中，
Figure 593902DEST_PATH_IMAGE002
为第
Figure 153059DEST_PATH_IMAGE003
个目标健身设施对应的当前参数序列的数据稳定程度指标，
Figure 131380DEST_PATH_IMAGE004
为当前参数序列对应的类别数量，
Figure 602943DEST_PATH_IMAGE005
为当前参数序列对应的离散点数量，
Figure 33925DEST_PATH_IMAGE006
为当前参数序列的方差，
Figure 396773DEST_PATH_IMAGE007
为
Figure 229600DEST_PATH_IMAGE004
对应的权重，
Figure 636179DEST_PATH_IMAGE008
为
Figure 554457DEST_PATH_IMAGE005
对应的权重。
6.如权利要求1所述的一种基于人工智能的健身设施异常检测方法，其特征在于，所述得到当前参数序列的相似性指标的方法包括：
根据如下公式计算当前参数序列的相似性指标：
Figure 720996DEST_PATH_IMAGE009
其中，
Figure 893482DEST_PATH_IMAGE010
为第
Figure 487275DEST_PATH_IMAGE003
个目标健身设施对应的当前参数序列的相似性指标，
Figure 627269DEST_PATH_IMAGE011
为当前参数序列中数据的总数，
Figure 849696DEST_PATH_IMAGE012
为当前参数序列中第
Figure 391536DEST_PATH_IMAGE013
个数据的值，
Figure 156230DEST_PATH_IMAGE014
为当前参数序列对应的标准参数序列中第
Figure 534252DEST_PATH_IMAGE013
个数据的值。
7.如权利要求1所述的一种基于人工智能的健身设施异常检测方法，其特征在于，所述得到目标健身设施对应的异常程度的方法包括：
根据所述数据稳定程度指标、数据变化程度指标以及相似性指标，得到目标健身设施对应的异常判定指标；根据如下公式计算目标健身设施对应的异常判定指标：
Figure 777015DEST_PATH_IMAGE015
其中，
Figure 438940DEST_PATH_IMAGE016
为第
Figure 108956DEST_PATH_IMAGE003
个目标健身设施对应的异常判定指标，
Figure 738390DEST_PATH_IMAGE002
为第
Figure 519264DEST_PATH_IMAGE003
个目标健身设施中对应的当前参数序列的数据稳定程度指标，
Figure DEST_PATH_IMAGE017
为第
Figure 583166DEST_PATH_IMAGE003
个目标健身设施中对应的当前参数序列的数据变化程度指标，
Figure 689662DEST_PATH_IMAGE010
为第
Figure 291545DEST_PATH_IMAGE003
个目标健身设施中对应的当前参数序列的相似性指标，
Figure 388027DEST_PATH_IMAGE018
为
Figure 758965DEST_PATH_IMAGE002
对应的权重，
Figure 770784DEST_PATH_IMAGE019
为
Figure 610695DEST_PATH_IMAGE017
对应的权重；
根据所述目标健身设施对应的异常判定指标，得到目标健身设施对应的异常程度。
8.一种基于人工智能的健身设施异常检测系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1-7任一项所述的一种基于人工智能的健身设施异常检测方法。
CN202111251741.3A 2021-10-27 2021-10-27 一种基于人工智能的健身设施异常检测方法及系统 Active CN113701825B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111251741.3A CN113701825B (zh) 2021-10-27 2021-10-27 一种基于人工智能的健身设施异常检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111251741.3A CN113701825B (zh) 2021-10-27 2021-10-27 一种基于人工智能的健身设施异常检测方法及系统

Publications (2)

Publication Number Publication Date
CN113701825A true CN113701825A (zh) 2021-11-26
CN113701825B CN113701825B (zh) 2022-02-22

Family

ID=78646980

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111251741.3A Active CN113701825B (zh) 2021-10-27 2021-10-27 一种基于人工智能的健身设施异常检测方法及系统

Country Status (1)

Country Link
CN (1) CN113701825B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114645669A (zh) * 2022-03-17 2022-06-21 江苏倍斯特物联网技术有限公司 基于智能物联网的阳光房智能遮阳方法
CN114898281A (zh) * 2022-07-13 2022-08-12 南通高桥体育用品有限公司 一种基于计算机视觉的篮球框异常检测方法及系统
CN115311610A (zh) * 2022-10-12 2022-11-08 江苏亚太健身器材有限公司 一种用于健身器材异常识别的方法
CN115840895A (zh) * 2021-12-31 2023-03-24 江苏常胜电器(淮安)有限公司 一种电子器件温度保护系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109045629A (zh) * 2018-09-17 2018-12-21 奇酷互联网络科技（深圳）有限公司 健身设备的控制方法、可穿戴设备和具有存储功能的装置
CN110110809A (zh) * 2019-05-16 2019-08-09 郑州轻工业学院 基于机器故障诊断的模糊自动机的构建方法
CN111639232A (zh) * 2020-06-01 2020-09-08 腾讯科技（深圳）有限公司 资源推荐方法和装置、存储介质及电子设备
CN112638242A (zh) * 2018-08-24 2021-04-09 马塞洛·马利尼·拉梅戈 监测设备及系统
CN113156917A (zh) * 2021-04-10 2021-07-23 河南巨捷电子科技有限公司 基于人工智能的电网设备故障诊断方法及系统
CN113254877A (zh) * 2021-05-18 2021-08-13 北京达佳互联信息技术有限公司 异常数据检测方法、装置、电子设备及存储介质
CN113515695A (zh) * 2021-05-06 2021-10-19 乐渊网络科技(上海)有限公司 健身辅助方法、装置、电子设备和计算机可读存储介质
CN113551766A (zh) * 2021-09-22 2021-10-26 启东市海信机械有限公司 一种基于人工智能的机械设备工作状态检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112638242A (zh) * 2018-08-24 2021-04-09 马塞洛·马利尼·拉梅戈 监测设备及系统
CN109045629A (zh) * 2018-09-17 2018-12-21 奇酷互联网络科技（深圳）有限公司 健身设备的控制方法、可穿戴设备和具有存储功能的装置
CN110110809A (zh) * 2019-05-16 2019-08-09 郑州轻工业学院 基于机器故障诊断的模糊自动机的构建方法
CN111639232A (zh) * 2020-06-01 2020-09-08 腾讯科技（深圳）有限公司 资源推荐方法和装置、存储介质及电子设备
CN113156917A (zh) * 2021-04-10 2021-07-23 河南巨捷电子科技有限公司 基于人工智能的电网设备故障诊断方法及系统
CN113515695A (zh) * 2021-05-06 2021-10-19 乐渊网络科技(上海)有限公司 健身辅助方法、装置、电子设备和计算机可读存储介质
CN113254877A (zh) * 2021-05-18 2021-08-13 北京达佳互联信息技术有限公司 异常数据检测方法、装置、电子设备及存储介质
CN113551766A (zh) * 2021-09-22 2021-10-26 启东市海信机械有限公司 一种基于人工智能的机械设备工作状态检测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115840895A (zh) * 2021-12-31 2023-03-24 江苏常胜电器(淮安)有限公司 一种电子器件温度保护系统
CN115840895B (zh) * 2021-12-31 2024-05-03 江苏常胜电器(淮安)有限公司 一种电子器件温度保护系统
CN114645669A (zh) * 2022-03-17 2022-06-21 江苏倍斯特物联网技术有限公司 基于智能物联网的阳光房智能遮阳方法
CN114898281A (zh) * 2022-07-13 2022-08-12 南通高桥体育用品有限公司 一种基于计算机视觉的篮球框异常检测方法及系统
CN115311610A (zh) * 2022-10-12 2022-11-08 江苏亚太健身器材有限公司 一种用于健身器材异常识别的方法

Also Published As

Publication number Publication date
CN113701825B (zh) 2022-02-22

Similar Documents

Publication Publication Date Title
CN113701825B (zh) 一种基于人工智能的健身设施异常检测方法及系统
US9278255B2 (en) System and method for activity recognition
WO2010083562A1 (en) Activity detection
CN107948166A (zh) 基于深度学习的流量异常检测方法及装置
CN109657147B (zh) 基于萤火虫和加权极限学习机的微博异常用户检测方法
CN106845526A (zh) 一种基于大数据融合聚类分析的关联参数故障分类方法
CN106405384A (zh) 模拟电路健康状态评估方法
CN116821809B (zh) 基于人工智能的生命体征数据采集系统
CN107145778A (zh) 一种入侵检测方法及装置
EP4010998A1 (en) System and method for event recognition
CN115412301A (zh) 一种网络安全的预测分析方法及系统
CN111210912A (zh) 一种帕金森预测方法及装置
CN110995713A (zh) 一种基于卷积神经网络的僵尸网络检测系统及方法
CN116609440B (zh) 基于云边协同的建筑工程质量智能验收管理方法及系统
CN116029604B (zh) 一种基于健康舒适度的笼养肉鸭养殖环境调控方法
CN116306766B (zh) 一种基于骨骼识别技术的智慧单杠引体向上考核训练系统
CN115063891B (zh) 一种人体异常体征数据监测方法
CN117058756A (zh) 老年人群膝关节动作识别方法
CN114708964B (zh) 一种基于智能特征分类的眩晕症辅助分析统计方法及系统
CN114504777B (zh) 基于神经网络和模糊综合评价的锻炼强度计算系统和方法
CN113128556B (zh) 基于变异分析的深度学习测试用例排序方法
CN111698269A (zh) 一种基于Plackett-Luce模型的网络入侵检测方法
CN115240647A (zh) 声音事件检测方法、装置、电子设备及存储介质
CN110420016B (zh) 一种运动员疲劳度的预测方法及系统
CN112597842A (zh) 基于人工智能的运动检测面瘫程度评估系统

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