CN114237087A - 监控系统预警方法、装置及计算机可读存储介质 - Google Patents
监控系统预警方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114237087A CN114237087A CN202111323188.XA CN202111323188A CN114237087A CN 114237087 A CN114237087 A CN 114237087A CN 202111323188 A CN202111323188 A CN 202111323188A CN 114237087 A CN114237087 A CN 114237087A
- Authority
- CN
- China
- Prior art keywords
- fault
- early warning
- monitoring
- monitoring system
- score
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012806 monitoring device Methods 0.000 claims abstract description 105
- 230000000977 initiatory effect Effects 0.000 claims description 27
- 230000006378 damage Effects 0.000 claims description 23
- 238000003066 decision tree Methods 0.000 claims description 16
- 238000000926 separation method Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24024—Safety, surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种监控系统预警方法，所述监控系统包括至少一个监控设备，该方法包括：采集至少一个所述监控设备的运行数据；根据预设规则获取所述运行数据对应的目标特征数据，并将所述目标特征数据作为输入，输入到故障预测模型中；获取所述故障预测模型基于所述目标特征数据计算得出的故障系数；根据所述故障系数输出预警信息。本发明还公开了一种监控系统预警装置及计算机可读存储介质。本发明通过获取监控设备的运行数据，通过所述运行数据提前预测所述监控设备是否即将发生故障，进而及时发出预警信息，以提前预警故障，实现智能监测监控设备的运行状态，在故障发生前提前发现潜在的安全隐患。
Description
技术领域
本发明涉及互联网技术领域，尤其涉及监控系统预警方法、装置及计算机可读存储介质。
背景技术
随着人们生活水平的提高，智能公寓成为人们居住的选择。为了保障住户的安全，在智能公寓的公共区域内，如楼梯间，电梯间等设立公共监控设备，所述公共监控设备一般都是通过无线局域网络与服务器建立连接，通过服务器对公共监控设备进行监控以及时发现监控设备故障。然而上述监控方法只能监测到故障状态，便于维护人员在第一时间知悉进行处理，不能起到在故障发生前发现潜在隐患，采取措施避免故障发生从而挽回损失的作用。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种监控系统预警方法、装置及计算机可读存储介质，旨在解决不能在监控设备故障发生前提前发现潜在隐患的问题。
为实现上述目的，本发明提供一种监控系统预警方法，所述监控系统包括至少一个监控设备，所述监控系统预警方法的步骤包括：
采集至少一个所述监控设备的运行数据，其中，运行数据包括设备参数以及环境参数的至少一种，所述设备参数包括工作电压、工作电流、工作温度、监控图像数据的至少一种，所述环境参数包括环境温度以及环境湿度的至少一种；
根据预设规则获取所述运行数据对应的目标特征数据，并将所述目标特征数据作为输入，输入到故障预测模型中，其中，所述预设故障预测模型基于极端梯度提升算法对待训练样本进行迭代训练获取；
获取所述故障预测模型基于所述目标特征数据计算得出的故障分数；
根据所述故障分数输出预警信息。
可选地，所述获取故障预测模型基于所述运行数据计算得出的故障分数的步骤包括：
根据所述运行数据确定目标特征数据，并将所述目标特征数据作为输入，输入到所述故障预测模型中；
根据所述故障预测模型中每个决策树下的各个节点确定每个监控设备的各个所述目标特征数据的判断结果；
根据各个节点的判断结果确定每个决策树下的各个目标节点链路的分值；
根据各个所述目标节点链路的分值确定各个所述监控设备的所述故障分数。
可选地，所述基于所述故障输出数据输出预警信息的步骤包括：
判断所述故障分数是否大于或等于故障分数阈值；
若是，基于所述故障分数以及所述监控设备的位置信息生成所述预警信息并输出预警信息。
可选地，所述基于所述故障分数以及所述监控设备的位置信息生成所述预警信息并输出预警信息的步骤包括：
根据所述监控设备在所述故障预测模型中所经过的目标节点链路确定所述监控设备的故障原因；
基于所述故障分数、所述位置信息以及所述故障原因生成所述预警信息并输出所述预警信息。
可选地，所述监控系统预警方法还包括:
在所述故障原因为人为破坏时，控制所述监控设备警鸣；
在所述故障原因为非人为破坏时，获取所述监控设备的故障类型，并根据所述故障类型生成所述预警信息。
可选地，所述在所述故障原因为非人为破坏时，获取所述监控设备的故障类型，并根据所述故障类型生成所述预警信息的步骤包括：
根据所述故障类型确定故障解决方案；
根据所述故障解决方案生成所述预警信息。
可选地，所述根据所述故障分数输出预警信息的步骤之后，还包括：
对所述预警信息进行发起时间计时；
根据所述发起时间触发所述监控设备对应的预警指示灯分级分色点亮。
可选地，所述根据所述发起时间触发所述监控设备对应的预警指示灯分级分色点亮的步骤包括：
根据所述故障分数以及预设的风险等级范围确定所述监控设备的故障风险等级；
根据所述故障风险等级以及所述发起时间触发所述监控设备对应的预警指示灯分级分色点亮。
此外，为实现上述目的，本发明还提供一种监控系统预警装置，所述监控系统预警装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的监控系统预警程序，所述智监控系统预警程序被所述处理器执行时实现如上所述的监控系统预警方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有监控系统预警程序，所述监控系统预警程序被处理器执行时实现如上所述的监控系统预警方法的步骤。
本发明实施例提出的一种监控系统预警方法、装置及计算机可读存储介质，通过采集监控设备的运行数据，进而将所述运行数据输入到故障预测模型，以供故障预测模型根据所述运行数据计算出所述监控设备的故障分数，进而根据所述故障分数输出预警信息，以提前预警故障，实现智能监控故障状态，在故障发生前提前发现潜在的安全隐患。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图；
图2为本发明监控系统预警方法第一实施例的流程示意图；
图3为本发明监控系统预警方法第一实施例步骤S30的细化流程示意图；
图4为本发明监控系统预警方法第一实施例步骤S40的细化流程示意图；
图5为本发明监控系统预警方法第一实施例步骤S42的细化流程示意图；
图6为本发明监控系统预警方法第二实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例的主要解决方案是：采集至少一个所述监控设备的运行数据，其中，运行数据包括设备参数以及环境参数的至少一种，所述设备参数包括工作电压、工作电流、工作温度、监控图像数据的至少一种，所述环境参数包括环境温度以及环境湿度的至少一种；根据所述运行数据确定目标特征数据，并将所述目标特征数据作为输入，输入到故障预测模型中，其中，所述预设故障预测模型基于极端梯度提升算法对待训练样本进行迭代训练获取；获取所述故障预测模型基于所述目标特征数据计算得出的故障分数；根据所述故障分数输出预警信息。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端可以是PC，也可以是智能手机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面3)播放器、便携计算机等具有处理功能的可移动式终端设备。
如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，终端还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及监控系统预警程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的监控系统预警程序，并执行以下操作：
采集至少一个所述监控设备的运行数据，其中，运行数据包括设备参数以及环境参数的至少一种，所述设备参数包括工作电压、工作电流、工作温度、监控图像数据的至少一种，所述环境参数包括环境温度以及环境湿度的至少一种；
根据预设规则获取所述运行数据对应的目标特征数据，并将所述目标特征数据作为输入，输入到故障预测模型中，其中，所述预设故障预测模型基于极端梯度提升算法对待训练样本进行迭代训练获取；
获取所述故障预测模型基于所述目标特征数据计算得出的故障分数；
根据所述故障分数输出预警信息。
进一步地，处理器1001可以调用存储器1005中存储的监控系统预警程序，还执行以下操作：
根据所述运行数据确定目标特征数据，并将所述目标特征数据作为输入，输入到所述故障预测模型中；
根据所述故障预测模型中每个决策树下的各个节点确定每个监控设备的各个所述目标特征数据的判断结果；
根据各个节点的判断结果确定每个决策树下的各个目标节点链路的分值；
根据各个所述目标节点链路的分值确定各个所述监控设备的所述故障分数。
进一步地，处理器1001可以调用存储器1005中存储的监控系统预警程序，还执行以下操作：
判断所述故障分数是否大于或等于故障分数阈值；
若是，基于所述故障分数以及所述监控设备的位置信息生成所述预警信息并输出预警信息。
进一步地，处理器1001可以调用存储器1005中存储的监控系统预警程序，还执行以下操作：
根据所述监控设备在所述故障预测模型中所经过的目标节点链路确定所述监控设备的故障原因；
基于所述故障分数、所述位置信息以及所述故障原因生成所述预警信息并输出所述预警信息。
进一步地，处理器1001可以调用存储器1005中存储的监控系统预警程序，还执行以下操作：
在所述故障原因为人为破坏时，控制所述监控设备警鸣；
在所述故障原因为非人为破坏时，获取所述监控设备的故障类型，并根据所述故障类型生成所述预警信息。
进一步地，处理器1001可以调用存储器1005中存储的监控系统预警程序，还执行以下操作：
根据所述故障类型确定故障解决方案；
根据所述故障解决方案生成所述预警信息。
进一步地，处理器1001可以调用存储器1005中存储的监控系统预警程序，还执行以下操作：
对所述预警信息进行发起时间计时；
根据所述发起时间触发所述监控设备对应的预警指示灯分级分色点亮。
进一步地，处理器1001可以调用存储器1005中存储的监控系统预警程序，还执行以下操作：
根据所述故障分数以及预设的风险等级范围确定所述监控设备的故障风险等级；
根据所述故障风险等级以及所述发起时间触发所述监控设备对应的预警指示灯分级分色点亮。
参照图2，本发明监控系统预警方法第一实施例提供一种监控系统预警方法，所述监控系统预警方法包括：
步骤S10，采集至少一个所述监控设备的运行数据，其中，运行数据包括设备参数以及环境参数的至少一种，所述设备参数包括工作电压、工作电流、工作温度、监控图像数据的至少一种，所述环境参数包括环境温度以及环境湿度的至少一种；
步骤S20，根据预设规则获取所述运行数据对应的目标特征数据，并将所述目标特征数据作为输入，输入到故障预测模型中，其中，所述预设故障预测模型基于极端梯度提升算法对待训练样本进行迭代训练获取；
步骤S30，获取所述故障预测模型基于所述目标特征数据计算得出的故障分数；
步骤S40，根据所述故障分数输出预警信息。
在本申请实施例中，应用于终端，所述终端与监控系统中的监控设备通过局域网连接，所述监控系统包括至少一个监控设备，所述监控设备安装于智能公寓中，例如，电梯间，楼梯间，楼道，大门、房间门口等，为了保障住户在智能公寓的人身安全，所述监控设备通过实时的发送监控图像至终端，以供智能公寓的人员得以及时查看智能公寓的情况，然而监控设备可能会因为设备老化，人为损坏等原因发生故障，在监控设备发生故障时，无法发送监控图像至终端，管理人员也即无法掌握智能公寓的情况，因此，提前预测监控设备是否会发生故障，并在发生故障前采取对应的措施避免监控设备发生损坏。基于此，本申请实施例提出了一种通过采集监控设备的运行数据，根据运行数据确定监控设备对应的故障分数，进而根据所述故障分数输出预警信息的方法。
可选地，在监控系统中，可通过在监控设备所在环境中设置温度传感器、湿度传感器等感应装置检测所述监控设备所在环境的环境参数，如环境温度、环境湿度等；或者，通过电压检测仪、电流检测仪、温度检测仪等检测装置检测监控设备的设备参数，如工作电压、工作电流、工作温度等，可以理解的是，所述监控图像数据为通过监控设备上设置的摄像头采集的，通过控制所述摄像头实时采集所述设备所在环境的图像信息，进而将所述图像信息作为所述监控图像数据，在采集所述监控图像数据后，通过图像分析方法判断图像信息是否不包括所在环境，进而判断出所述监控设备是否被遮挡，另外，还可以通过比对当前时间点的监控图像数据以及在前一次时间点的监控图像数据，以比对当前时间点拍摄的背景图像与前一次时间点拍摄的背景图像是否发生移动，进而可判断出所述监控设备被移动；另外，还可以根据所述监控图像数据确定所述监控设备的拍摄参数，进而匹配所述拍摄参数是否与预设拍摄参数相同。另外，还可以根据所述监控图像数据确定所述监控设备是否出现镜头破损、镜头脏污，镜头进水等。
可选地，所述运行数据还可以包括所述监控设备的调整状态，所述调整状态为所述监控设备的云台的调整状态，用于表征所述云台是否能正常转动，若能正常转动，表示监控设备正常运行，若不能正常转动，标识监控设备发生故障。
可以理解的是，所述运行数据包括但不限于上述的工作电压、工作电流、工作温度、监控图像数据、环境温度以及环境湿度。
可选地，在获取所述运行数据后，根据所述运行数据确定目标特征数据，所述目标特征数据用于输入到故障预测模型中计算得出故障分数，所述根据所述运行数据确定目标特征数据的步骤包括：
根据预设规则获取所述运行数据中对应的目标特征数据。
可选地，所述预设规则可以是将所述运行数据与历史运行数据进行一定比例的组合，例如，在所述运行数据为当前时间点的工作电压，获取前一时间点的工作电压，并获取当前时间点的工作电压与获取前一时间点的工作电压的电压差值，将所述电压差值作为所述目标特征数据，所述预设规则还可以是根据所述运行数据进行处理后获取的目标特征数据，例如，在所述运行数据为监控图像数据，可根据所述监控图像数据进行图片处理后获取的拍摄参数，将所述拍摄参数确定为所述目标特征数据。
可选地，在所述运行数据为工作电压时，所述根据预设规则从工作电压提取所述目标特征数据的具体方式为获取预设时间段内的工作电压，获取预设时间内工作电压最大值与工作电压最小值，进而根据所述工作电压最大值与所述工作电压最小值获取工作电压差，并将所述工作电压差作为所述目标特征数据，另外，所述根据预设规则从工作电压提取所述目标特征数据的具体方式还可以是获取当前时间点的工作电压以及前一时间点的工作电压，进而获取所述当前时间点的工作电压以及前一时间点的工作电压的电压差，将所述电压差作为所述目标特征数据。可以理解的是，所述根据预设规则从工作电压提取所述目标特征数据的具体方式包括但不限于上述两种。
可选地，在所述运行数据为工作电流时，所述根据预设规则从工作电流提取所述目标特征数据的具体方式为获取预设时间段内的工作电流，获取预设时间内工作电流最大值与工作电流最小值，进而根据所述工作电流最大值与所述工作电流最小值获取工作电流差，并将所述工作电流差作为所述目标特征数据，另外，所述根据预设规则从工作电流提取所述目标特征数据的具体方式还可以是获取当前时间点的工作电流以及前一时间点的工作电流，进而获取所述当前时间点的工作电流以及前一时间点的工作电流的电压差，将所述电压差作为所述目标特征数据。另外，所述根据预设规则从工作电流提取所述目标特征数据的具体方式还可以是获取预设时间段的工作电压以及工作电流，并根据所述预设时间段的工作电压以及工作电流确定各个时间点的功率，进而根据各个时间点的功率确定所述监控设备的功率变化情况，进而将所述功率变化情况作为所述目标特征数据，可以理解的是，所述根据预设规则从工作电流提取所述目标特征数据的具体方式包括但不限于上述两种。
可选地，在所述运行数据为监控图像数据时，所述目标特征数据可以是当前时间点的拍摄的背景图像是否与前一次时间点拍摄的背景图像的相似度，还可以是根据所述监控图像数据确定所述监控图像数据的拍摄参数，其中，所述拍摄参数包括亮度、色度、饱和度、对比度、锐度、日夜模式转换、曝光、聚焦、背光、白平衡、图像增强、补光灯灯光控制中的至少一种，还可以是监控图像数据的清晰度，还可以是根据所述监控图像数据确定的监控设备的遮挡程度，还可以是根据所述监控图像数据确定的监控设备的镜头的当前状态，所述当前状态包括镜头破坏程度，镜头脏污程度，镜头进水程度等，另外，所述目标特征数据还可以是监控设备的调整状态。
可选地，在获取所述目标特征数据，将所述目标特征数据作为输入，输入到故障预测模型中，其中，所述故障预测模型基于极端梯度提升算法对待训练样本进行迭代训练获取。
可选地，基于极端梯度提升算法对待训练样本进行迭代训练获取故障预测模型的方式可以是：获取待训练样本，所述待训练样本包括历史运行数据以及故障信息，所述故障信息包括发生故障和正常运行，在获取历史运行数据以及故障信息后，根据所述历史运行数据确定目标历史特征数据，进而将所述目标历史特征数据作为自变量，将所述故障信息作为因变量输入到极端梯度提升算法进行迭代训练，以获取所述故障预测模型。
可选地，在将所述目标特征数据作为输入，输入到所述故障预测模型，所述故障预测模型基于所述输入计算得出监控设备的故障分数，其中所述故障分数包括0至1的数值，故障分数越大，此时监控设备运行状态异常的概率较大，若设备继续处于所述运行状态下工作，或将导致某故障，如此，起到提前预警的作用，提前预知安全隐患。
可以理解的是，所述故障分数还可以为故障概率值，故障概率值越大，此时设备运行状态异常的概率较大，若设备继续处于该运行状态下工作，或将导致某故障，如此，起到提前预警的作用，提前预知安全隐患。
可选地，参照图3，所述S30包括：
步骤S31，根据所述故障预测模型中每个决策树下的各个节点确定每个监控设备的各个所述目标特征数据的判断结果；
步骤S32，根据各个节点的判断结果确定每个决策树下的各个目标节点链路的分值；
步骤S33，根据各个所述目标节点链路的分值确定各个所述监控设备的所述故障分数。
可选地，所述故障预测模型中包括N个决策树，其中，N可以是用户自定义设置，所述N可以是5，可以是10，各个所述决策树中包括M个节点，所述M个节点包括判断节点和叶子节点，所述判断节点用于表示对应的判断条件，所述叶子节点用于表示对应的判断结果，所述判断结果是基于所输入的监控设备的目标特征数据确定的，例如，决策树的判断节点可以是“当前时间点的拍摄的背景图像与前一次时间点拍摄的背景图像的相似度大于80％-镜头脏污程度大于50％-镜头破损程度大于30％”。
可选地，将所述目标特征数据分别输入所述故障预测模型对应的各个决策树中后，根据所述决策树的各个节点确定所述监控设备的各个所述目标特征数据的判断结果，直至获取到各个所述决策树的叶子节点。在获取到各个所述决策树的叶子节点后，根据所述各个节点的判断结果获取对应的目标节点链路，所述目标节点链路为所述监控设备的目标特征数据所经过的目标节点链路，进而获取所述各个所述决策树对应的目标节点链路的分值，即确定各个所述叶子节点对应的分值，在获取到对应的分值后，根据各个所述目标节点链路的分值确定所述监控设备的所述故障分数，其中，所述根据所述目标节点链路的分值确定所述监控设备的所述故障分数的方式可以是将各个所述目标节点链路的分值进行求和，进而确定所述监控设备的所述故障分数。
可选地，所述根据各个所述目标节点链路的分值确定各个所述监控设备的所述故障分数的方式还可以是：
根据各个所述目标节点链路的分值以及各个所述节点链路的故障系数计算待预测公司的所述财务分值。
可以理解的是，所述故障系数可以根据监控设备的故障经验设定，直接建立所述节点链路与所述故障系数的映射关系，在获取到所述目标节点链路时，根据所述节点链路与所述故障系数的映射关系，直接获取所述目标节点链路对应的故障系数，进而根据所述目标节点链路的分值以及各个所述目标节点链路对应的故障系数进行加权求和确定所述监控设备的所述故障分数。例如，A公司经过的目标节点链路对应的分值分别为1,2,3,4,,各个目标节点链路对应的故障系数分别为0.1,0.2,0.3,0.4，进而将所述加权求和“1*0.1+2*0.2+3*0.3+4*0.4+...＝1.56”。
可选地，在获取所述故障分数后，根据所述故障分数输出预警信息，可以理解的是，故障分数越高，所述故障设备在当前运行数据下继续运行发生故障的故障概率越大，故障分数越小，所述故障设备在当前运行数据下继续运行下发生故障的故障概率较小。基于此，本申请实施例提出了一种根据所述故障分数输出预警信息的方法，参照图4，所述步骤S40包括：
步骤S41，判断所述故障分数是否大于或等于故障分数阈值；
步骤S42，若是，基于所述故障分数以及所述监控设备的位置信息生成所述预警信息并输出预警信息。
可选地，其中所述故障分数为0至1的数值，所述故障分数阈值可以是0.8，设定在所述故障输出数据大于或等于0.8时，判定所述故障分数大于或等于故障分数阈值，此时监控设备运行状态异常的概率较大，若监控设备继续处于该运行状态下工作，或将导致某故障，如此，起到提前预警的作用，提前预知安全隐患。
可以理解的是，所述故障分数还可以为故障概率值，所述预设故障概率为80％，设定故障概率值大于或等于80％时，此时监控设备运行状态异常的概率较大，若监控设备继续处于该运行状态下工作，或将导致某故障，如此，起到提前预警的作用，提前预知安全隐患。
可选地，在确定所述故障分数大于或等于故障分数阈值时，获取所述监控设备的位置信息，所述位置信息为所述监控设备在智能公寓的实际位置，根据所述位置信息以及所述故障分数生成所述预警信息，并输出所述预警信息，例如，所述预警信息可以是：3A座2栋3楼楼梯间，故障分数为0.98。
可选地，所述预警信息还可以包括监控设备的序号，例如，所述预警信息可以是：监控设备A，3A座2栋3楼楼梯间，故障分数为0.98。
可选地，所述输出预警信息的方式可以通过网络将所述预警信息发送到对应维修工程师移动终端设备上，以供维修工程师及时采取对应的措施处理所述监控设备；或者还可以通过网关上传至服务器中，以通过服务器存储和分析处理采集到的运行数据以及预警信息，以供服务器根据所述预警信息生成维修事件，并将维修事件分派给对应的维修工程师。
可选地，在所述故障分数小于所述故障分数阈值时，将所述监控设备的故障分数存储至服务器中，以供服务器实时监测监控设备的状态。
在本申请实施例中，通过获取监控设备的运行数据，进而根据所述运行数据获取目标特征数据，进而将所述目标特征数据输入到故障预测模型，以供故障预测模型根据所述目标特征数据计算出监控设备的故障分数，在所述故障分数大于或等于故障分数阈值时，输出预警信息以提前预警故障，实现智能监控监控设备的故障状态，在故障发生前提前发现潜在的安全隐患。
可选地，基于第一实施例，参照图5，所述S42包括：
S421，根据所述监控设备在所述故障预测模型中所经过的目标节点链路确定所述监控设备的故障原因；
S422，基于所述故障分数、所述位置信息以及所述故障原因生成所述预警信息并输出所述预警信息。
可选地，所述故障原因包括人为破坏，还可以包括非人为破坏，人为破坏指的是被破坏者恶意破坏，在实际运行过程中，破坏者恶意破坏监控设备的情况为手动遮挡监控设备，进而非法拆除监控设备，还可以是恶意转动监控设备，进而拆除监控设备，还可以是损坏监控设备的镜头，还可以是黑客攻击，改变监控设备的拍摄参数，非人为破坏可以是环境湿度较大，例如雨天，大雾天，导致监控设备的镜头进水，还可以是因为工作电压或工作电流过大，导致监控设备短路，还可以是工作温度过高，导致监控设备被烧坏。可以理解的是，上述描述的人为破坏和非人为破坏的情况包括但不限于上述几种。
在本申请实施例中，所述监控设备在所述故障预测模型中所经过的目标节点链路用于表示所述监控设备对应的目标特征数据的判断结果，所述目标节点链路包括各个节点，每个节点用于表示所述监控设备的运行状态，例如，所述节点为“镜头的脏污程度大于50％”，代表所述监控设备的镜头的脏污程度大于50％，还如，所述目标节点链路包括“当前时间点的拍摄的背景图像与前一次时间点拍摄的背景图像的相似度大于80％-镜头脏污程度大于50％-镜头破损程度大于30％”，进而判断出所述镜头没有被恶意转动，但是镜头被恶意破坏，导致镜头脏污以及镜头破损，在镜头发生脏污以及镜头破坏，疑似所述监控设备被恶意破坏，即所述监控设备即将发生故障，进而可判断出所述监控设备是被人为破坏而导致即将会发生故障。
可选地，在根据所述目标节点链路判断所述监控设备的故障原因后，在该故障原因为人为破坏时，本申请实施例中还提出一种监控系统预警方法，所述监控系统预警方法还包括：
在所述故障原因为人为破坏时，控制所述监控设备警鸣；
在所述故障原因为非人为破坏时，获取所述监控设备的故障类型，并根据所述故障类型生成所述预警信息。
在所述故障原因为人为破坏时，控制被人为破坏的监控设备警鸣，以警醒破坏者，防止破坏者对监控设备进行下一步的破坏，例如拆除监控设备，同时还可以使得附近的住户或安保人员及时接收到警鸣，进而立刻前来查看情况，防止破坏者对监控设备进行下一步的破坏。
可以理解的是，在所述故障原因为人为破坏时，根据所述故障原因、所述故障分数以及所述监控设备的位置信息生成预警信息，并输出所述预警信息。
可选地，在所述故障信息为非人为破坏时，无需控制监控设备警鸣以防止扰民，此时获取所述监控设备的故障类型，并根据所述故障类型生成所述预警信息并输出所述预警信息，此时只需静静等待检修人员对所述监控设备进行处理即可。
可选地，获取所述监控设备的故障类型的方式根据所述监控设备在所述故障预测模型中所经过的目标节点链路确定所述监控设备的故障类型，可以理解的是，在排除所述监控设备的故障原因为人为破坏后，根据所述目标节点链路确定所述监控设备的故障类型，所述故障类型可以是因环境湿度过大，还可以是工作电压过大或过小，还可以是工作电流过或过小，还可以是工作温度过大或过小，还可以是环境温度过高等。
可选地，所述根据所述故障类型生成所述预警信息的步骤包括：
根据所述故障类型确定故障解决方案；
根据所述故障解决方案生成所述预警信息。
可选地，在获取所述故障类型后，根据所述故障类型确定对应的故障解决方案，所述故障解决方案可以根据监控设备的维修经验设定，直接建立所述故障类型与所述故障解决方案的映射关系，在获取到所述故障类型时，根据所述故障类型与所述故障解决方案的映射关系，直接获取所述故障类型对应的故障解决方案。
可选地，所述根据所述故障类型确定故障解决方案的方式还可以是预先将故障类型标签化分类，标签如工作电压过高导致的故障、工作温度过高导致的故障等，进而将分类后的标签和维修规范/维修指南机器学习，生成多个带标签的辅助维修模型，以生成维修模型，在确定故障类型后，将所述故障类型输入至维修模型，根据其故障类型获取所述故障类型对应的至少一个目标标签，进而组合选取标签对应的模型预测维修方案作为所述故障解决方案。
可选地，在获取所述故障解决方案，根据所述故障解决方案生成所述预警信息，所述预警信息包括所述监控设备的故障分数、所述监控设备的位置信息、所述监控设备的故障原因、所述监控设备的故障类型以及所述监控设备的故障解决方案的至少一个。
在本申请实施例中，通过所述监控设备在所述故障预测模型中所经过的目标节点链路确定所述监控设备的故障原因，在所述故障原因为人为破坏时，及时控制所述被人为破坏的监控设备警鸣，以警醒破坏者，在所述故障原因为非人为破坏时，获取所述监控设备的故障类型以及所述故障类型对应的解决方案，进而根据所述故障解决方案生成对应的预警信息，将所述预警信息发送给对应的工程师，以供工程师及时发现监控设备潜在的安全隐患，并采取措施解决所述安全隐患，避免监控设备在后续发生故障。
可选地，参照图6，基于上述实施例，所述根据所述故障分数输出预警信息的步骤之后，还包括：
步骤S50，对所述预警信息进行发起时间计时；
步骤S60，根据所述发起时间触发所述监控设备对应的预警指示灯分级分色点亮。
可选地，由于智能公寓存在的监控设备数量巨大，不同的监控设备质量参差不齐，总是会有部分监控设备预警信息因不能及时处理而长期发起，进而有可能出现即使发出预警信息，但是因为没有及时处理监控设备，导致监控设备在当前运行状态持续运行后，发生故障。
基于此，本申请实施例在接收到所述预警信息后，对各个所述预警信息进行发起时间计时，进而根据所述发起时间触发所述监控设备对应的预警指示灯分级分色点亮，不同的发起时间对应着不同颜色的预警指示灯，不同颜色的预警指示灯对应着不同的维修等级，可以理解的是，发起时间越久，所述监控设备的维修等级越高，发起时间越短，所述监控设备的维修等级越低，维修等级越高，代表该监控设备亟需维修的紧迫程度越高，越需要被立即处理，维修等级越低，代表该监控设备亟需维修的紧迫程度越低，不需要被立即处理。
在本申请实施例中，可以通过设置红色，绿色，黄色三种预警指示灯的颜色，红色对应的维修等级大于黄色对应的维修等级，黄色对应的维修等级大于所述绿色对应的维修等级，例如，所述发起时间为一个小时以内时，触发所述预警指示灯变为绿色，在所述发起时间大于一个小时，且小于或等于24小时时，触发所述预警指示灯变为黄色，在所述发起时间大于24小时，触发所述预警指示灯变为红色。
可选地，不同的监控设备对应着不同的预警指示灯，所述预警指示灯与所述监控设备一一对应。
可以理解的是，故障分数越高，所述监控设备发送故障的故障概率越高，亟需维修的紧迫程度越高，基于此，本申请实施例还提出一种触发所述预警指示灯分级分色点亮的方法，所述根据所述发起时间触发所述监控设备对应的预警指示灯分级分色点亮的步骤包括：
根据所述故障分数以及预设的风险等级范围确定所述监控设备的故障风险等级；
根据所述故障风险等级以及所述发起时间触发所述监控设备对应的预警指示灯分级分色点亮。
可选地，在获取到各个监控设备的故障分数后，调取预设的风险等级范围，所述预设的风险等级范围包括高风险等级、中风险等级、一般风险等级、以及低风险等级，各个等级所对应的故障分数范围不同。例如，高风险等级对应的故障分数范围为[0.95-1.00],中风险等级对应的故障分数范围为[0.90-0.95]，一般风险等级对应的故障分数范围为[0.85-0.90]，低风险等级对应的故障分数范围为[0.80-0.85]，在监控设备的故障分数为0.96时，确定所述监控设备对应的故障风险等级为高风险等级。
可选地，在获取所述故障风险等级以及所述发起时间后，根据所述故障风险等级以及所述发起时间触发所述监控设备对应的预警指示灯分级分色点亮，风险等级越高，发起时间越大，维修等级越高，代表亟需维修的紧迫程度越高；风险等级越低，发起时间越低，维修等级越低，代表亟需维修的紧迫程度越低。
在本申请实施例中，通过对接收到的预警信息进行发起时间计时，以获取各个预警信息的发起时间，进而根据所述发起时间触发所述预警指示灯分级分色点亮，以供用户根据所述预警指示灯快速了解各个监控设备的运行状态，并快速采取相应的措施，以防止监控设备后续发生故障，有效防止出现因不能及时处理而导致监控设备发生故障的情况。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有监控系统预警程序，所述监控系统预警程序被处理器执行时实现如上所述的各个实施例的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种监控系统预警方法，其特征在于，所述监控系统包括至少一个监控设备，所述监控系统预警方法的步骤包括：
采集至少一个所述监控设备的运行数据，其中，运行数据包括设备参数以及环境参数的至少一种，所述设备参数包括工作电压、工作电流、工作温度、监控图像数据的至少一种，所述环境参数包括环境温度以及环境湿度的至少一种；
根据预设规则获取所述运行数据对应的目标特征数据，并将所述目标特征数据作为输入，输入到故障预测模型中，其中，所述预设故障预测模型基于极端梯度提升算法对待训练样本进行迭代训练获取；
获取所述故障预测模型基于所述目标特征数据计算得出的故障分数；
根据所述故障分数输出预警信息。
2.如权利要求1所述的监控系统预警方法，其特征在于，所述获取故障预测模型基于所述运行数据计算得出的故障分数的步骤包括：
根据所述故障预测模型中每个决策树下的各个节点确定每个监控设备的各个所述目标特征数据的判断结果；
根据各个节点的判断结果确定每个决策树下的各个目标节点链路的分值；
根据各个所述目标节点链路的分值确定各个所述监控设备的所述故障分数。
3.如权利要求1所述的监控系统预警方法，其特征在于，所述基于所述故障输出数据输出预警信息的步骤包括：
判断所述故障分数是否大于或等于故障分数阈值；
若是，基于所述故障分数以及所述监控设备的位置信息生成所述预警信息并输出预警信息。
4.如权利要求3所述的监控系统预警方法，其特征在于，所述基于所述故障分数以及所述监控设备的位置信息生成所述预警信息并输出预警信息的步骤包括：
根据所述监控设备在所述故障预测模型中所经过的目标节点链路确定所述监控设备的故障原因；
基于所述故障分数、所述位置信息以及所述故障原因生成所述预警信息并输出所述预警信息。
5.如权利要求4所述的监控系统预警方法，其特征在于，所述监控系统预警方法还包括:
在所述故障原因为人为破坏时，控制所述监控设备警鸣；
在所述故障原因为非人为破坏时，获取所述监控设备的故障类型，并根据所述故障类型生成所述预警信息。
6.如权利要求5所述的监控系统预警方法，其特征在于，所述在所述故障原因为非人为破坏时，获取所述监控设备的故障类型，并根据所述故障类型生成所述预警信息的步骤包括：
根据所述故障类型确定故障解决方案；
根据所述故障解决方案生成所述预警信息。
7.如权利要求1所述的监控系统预警方法，其特征在于，所述根据所述故障分数输出预警信息的步骤之后，还包括：
对所述预警信息进行发起时间计时；
根据所述发起时间触发所述监控设备对应的预警指示灯分级分色点亮。
8.如权利要求7所述的监控系统预警方法，其特征在于，所述根据所述发起时间触发所述监控设备对应的预警指示灯分级分色点亮的步骤包括：
根据所述故障分数以及预设的风险等级范围确定所述监控设备的故障风险等级；
根据所述故障风险等级以及所述发起时间触发所述监控设备对应的预警指示灯分级分色点亮。
9.一种监控系统预警装置，其特征在于，所述监控系统预警装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的监控系统预警程序，所述监控系统预警程序被所述处理器执行时实现如权利要求1至8中任一项所述的监控系统预警方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有监控系统预警程序，所述监控系统预警程序被处理器执行时实现如权利要求1至8中任一项所述的监控系统预警方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111323188.XA CN114237087A (zh) | 2021-11-09 | 2021-11-09 | 监控系统预警方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111323188.XA CN114237087A (zh) | 2021-11-09 | 2021-11-09 | 监控系统预警方法、装置及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114237087A true CN114237087A (zh) | 2022-03-25 |
Family
ID=80748962
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111323188.XA Pending CN114237087A (zh) | 2021-11-09 | 2021-11-09 | 监控系统预警方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114237087A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114912642A (zh) * | 2022-07-18 | 2022-08-16 | 中科云策(深圳)科技成果转化信息技术有限公司 | 一种基于互联网的人工智能机器人故障预测系统 |
| CN115223344A (zh) * | 2022-07-18 | 2022-10-21 | 浙江正泰仪器仪表有限责任公司 | 表具设备的监控报警方法和装置、电子设备和存储介质 |
| CN115331155A (zh) * | 2022-10-14 | 2022-11-11 | 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 |
| CN115762728A (zh) * | 2022-11-02 | 2023-03-07 | 北京市永康药业有限公司 | 一种医用药剂的存储柜提醒方法及装置 |
| CN115817178A (zh) * | 2022-11-14 | 2023-03-21 | 宁德时代新能源科技股份有限公司 | 故障预警方法、装置、电池、车辆及存储介质 |
| CN116155956A (zh) * | 2023-04-18 | 2023-05-23 | 武汉森铂瑞科技有限公司 | 一种基于梯度决策树模型的多路复用通信方法及系统 |
| CN116428984A (zh) * | 2023-05-24 | 2023-07-14 | 湖南涛淼实业有限公司 | 一种五金模具冲压加工智能检测系统 |
| CN117499621A (zh) * | 2024-01-02 | 2024-02-02 | 中移(苏州)软件技术有限公司 | 视频采集设备的检测方法、装置、设备及介质 |
| CN117891223A (zh) * | 2024-03-14 | 2024-04-16 | 成都秦川物联网科技股份有限公司 | 一种基于工业物联网的设备管理方法、系统、设备及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521613A (zh) * | 2011-12-17 | 2012-06-27 | 山东省科学院自动化研究所 | 一种汽车电子系统的故障诊断方法 |
| CN109684179A (zh) * | 2018-09-03 | 2019-04-26 | 平安科技（深圳）有限公司 | 系统故障的预警方法、装置、设备及存储介质 |
| CN109905278A (zh) * | 2019-02-28 | 2019-06-18 | 深圳力维智联技术有限公司 | 基于大数据的基站故障检测方法、装置和存储介质 |
| CN110569909A (zh) * | 2019-09-10 | 2019-12-13 | 腾讯科技（深圳）有限公司 | 基于区块链的故障预警方法、装置、设备及存储介质 |
| CN112906775A (zh) * | 2021-02-05 | 2021-06-04 | 深圳市芯聚智科技有限公司 | 一种设备故障预测方法及系统 |
| CN113537268A (zh) * | 2020-11-24 | 2021-10-22 | 腾讯科技（深圳）有限公司 | 一种故障检测方法、装置、计算机设备及存储介质 |
-
2021
- 2021-11-09 CN CN202111323188.XA patent/CN114237087A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521613A (zh) * | 2011-12-17 | 2012-06-27 | 山东省科学院自动化研究所 | 一种汽车电子系统的故障诊断方法 |
| CN109684179A (zh) * | 2018-09-03 | 2019-04-26 | 平安科技（深圳）有限公司 | 系统故障的预警方法、装置、设备及存储介质 |
| CN109905278A (zh) * | 2019-02-28 | 2019-06-18 | 深圳力维智联技术有限公司 | 基于大数据的基站故障检测方法、装置和存储介质 |
| CN110569909A (zh) * | 2019-09-10 | 2019-12-13 | 腾讯科技（深圳）有限公司 | 基于区块链的故障预警方法、装置、设备及存储介质 |
| CN113537268A (zh) * | 2020-11-24 | 2021-10-22 | 腾讯科技（深圳）有限公司 | 一种故障检测方法、装置、计算机设备及存储介质 |
| CN112906775A (zh) * | 2021-02-05 | 2021-06-04 | 深圳市芯聚智科技有限公司 | 一种设备故障预测方法及系统 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114912642A (zh) * | 2022-07-18 | 2022-08-16 | 中科云策(深圳)科技成果转化信息技术有限公司 | 一种基于互联网的人工智能机器人故障预测系统 |
| CN115223344A (zh) * | 2022-07-18 | 2022-10-21 | 浙江正泰仪器仪表有限责任公司 | 表具设备的监控报警方法和装置、电子设备和存储介质 |
| CN114912642B (zh) * | 2022-07-18 | 2022-12-20 | 中科云策(深圳)科技成果转化信息技术有限公司 | 一种基于互联网的人工智能机器人故障预测系统 |
| CN115331155A (zh) * | 2022-10-14 | 2022-11-11 | 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 |
| 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 |
| CN115762728A (zh) * | 2022-11-02 | 2023-03-07 | 北京市永康药业有限公司 | 一种医用药剂的存储柜提醒方法及装置 |
| CN115817178A (zh) * | 2022-11-14 | 2023-03-21 | 宁德时代新能源科技股份有限公司 | 故障预警方法、装置、电池、车辆及存储介质 |
| CN116155956A (zh) * | 2023-04-18 | 2023-05-23 | 武汉森铂瑞科技有限公司 | 一种基于梯度决策树模型的多路复用通信方法及系统 |
| CN116155956B (zh) * | 2023-04-18 | 2023-08-22 | 武汉森铂瑞科技有限公司 | 一种基于梯度决策树模型的多路复用通信方法及系统 |
| CN116428984A (zh) * | 2023-05-24 | 2023-07-14 | 湖南涛淼实业有限公司 | 一种五金模具冲压加工智能检测系统 |
| CN117499621A (zh) * | 2024-01-02 | 2024-02-02 | 中移(苏州)软件技术有限公司 | 视频采集设备的检测方法、装置、设备及介质 |
| CN117499621B (zh) * | 2024-01-02 | 2024-04-09 | 中移(苏州)软件技术有限公司 | 视频采集设备的检测方法、装置、设备及介质 |
| CN117891223A (zh) * | 2024-03-14 | 2024-04-16 | 成都秦川物联网科技股份有限公司 | 一种基于工业物联网的设备管理方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114237087A (zh) | 监控系统预警方法、装置及计算机可读存储介质 | |
| KR101846537B1 (ko) | Cctv 자동선별 모니터링 시스템, cctv 자동선별 모니터링 관리서버 및 관리방법 | |
| CN109484935A (zh) | 一种电梯轿厢监控方法、装置及系统 | |
| KR102407327B1 (ko) | 화재감지장치 및 이를 포함하는 화재감지시스템 | |
| CN113011833A (zh) | 施工现场的安全管理方法、装置、计算机设备和存储介质 | |
| EP2000998B1 (en) | Flame detecting method and device | |
| CN112927461A (zh) | 一种新能源汽车充电桩预警决策方法及装置 | |
| CN111860187A (zh) | 一种高精度的佩戴口罩识别方法及系统 | |
| EP3690680A1 (en) | Method of automated design and analysis of security systems | |
| WO2013093771A1 (en) | Monitoring a scene | |
| CN113554364A (zh) | 灾害应急管理方法、装置、设备及计算机存储介质 | |
| JP6621092B1 (ja) | 危険度判別プログラム及びシステム | |
| Mwedzi et al. | Machine learning applications for fire detection in a residential building | |
| CN112347874A (zh) | 一种火灾检测方法、装置、设备及存储介质 | |
| CN112037478A (zh) | 适用于电力设备的监控方法及监控系统 | |
| KR102081577B1 (ko) | Cctv를 활용한 지능형 화재 감지 시스템 | |
| CN113643508B (zh) | 防灾紧急通道监控方法、系统、设备及存储介质 | |
| KR102503532B1 (ko) | 영상촬영장치가 있는 배전반 모니터링 및 관리시스템 | |
| JP6739115B1 (ja) | 危険度判別プログラム及びシステム | |
| KR20220055847A (ko) | 신속대피를 위한 재난발생 감지방법 및 시스템 | |
| JP2021097308A (ja) | 危険度判別プログラム及びシステム | |
| KR102635901B1 (ko) | Ai 로봇을 이용한 건설 현장의 위험 객체 인식 시스템 및 그 방법 | |
| CN117041331B (zh) | 一种消防报警系统及其方法 | |
| KR101567583B1 (ko) | 영상촬영 기능을 갖는 방범창 | |
| JP2019212020A (ja) | 避難誘導サーバ、避難誘導システムおよび避難誘導方法 |
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 |