CN114973539A - Atm维修人员的监控方法及装置 - Google Patents
Atm维修人员的监控方法及装置 Download PDFInfo
- Publication number
- CN114973539A CN114973539A CN202210549040.6A CN202210549040A CN114973539A CN 114973539 A CN114973539 A CN 114973539A CN 202210549040 A CN202210549040 A CN 202210549040A CN 114973539 A CN114973539 A CN 114973539A
- Authority
- CN
- China
- Prior art keywords
- information
- behavior
- maintenance personnel
- atm
- maintenance
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 176
- 238000012544 monitoring process Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000012806 monitoring device Methods 0.000 claims abstract description 14
- 230000006399 behavior Effects 0.000 claims description 151
- 238000004590 computer program Methods 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000003542 behavioural effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 16
- 238000012512 characterization method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 206010000117 Abnormal behaviour Diseases 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process 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
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F19/00—Complete banking systems; Coded card-freed arrangements adapted for dispensing or receiving monies or the like and posting such transactions to existing accounts, e.g. automatic teller machines
- G07F19/20—Automatic teller machines [ATMs]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/30—Individual registration on entry or exit not involving the use of a pass
- G07C9/32—Individual registration on entry or exit not involving the use of a pass in combination with an identity check
- G07C9/37—Individual registration on entry or exit not involving the use of a pass in combination with an identity check using biometric data, e.g. fingerprints, iris scans or voice recognition
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F19/00—Complete banking systems; Coded card-freed arrangements adapted for dispensing or receiving monies or the like and posting such transactions to existing accounts, e.g. automatic teller machines
- G07F19/20—Automatic teller machines [ATMs]
- G07F19/207—Surveillance aspects at ATMs
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F19/00—Complete banking systems; Coded card-freed arrangements adapted for dispensing or receiving monies or the like and posting such transactions to existing accounts, e.g. automatic teller machines
- G07F19/20—Automatic teller machines [ATMs]
- G07F19/209—Monitoring, auditing or diagnose of functioning of ATMs
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种ATM维修人员的监控方法及装置,涉及人工智能技术领域,该方法包括:在监测到有维修人员请求进入ATM设备间时,获取维修人员的人脸图像信息,在获取到的人脸图像信息与预先录入的维修人员注册信息中的人脸图像信息的比对结果一致时,允许维修人员进入ATM设备间;实时获取维修人员的操作行为信息和运动轨迹信息输入行为风险检测模型,输出维修人员行为的风险预测结果,所述行为风险检测模型是根据历史监控数据中维修人员的:操作行为信息、运动轨迹信息和实际行为结果,对全卷积孪生神经网络SiamNet训练得到的;在风险预测结果显示维修人员行为存在风险时,发出预警提示,确保ATM维修过程的安全性。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种ATM维修人员的监控方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
现有的ATM在使用的过程中,经常会发生各种故障,导致ATM异常无法正常使用。例如,用户在存钱或取钱时ATM出现卡钱,此时只能依靠专业的维修人员进入到ATM的设备间进行维修。通常为保证维修过程的规范和安全,银行需要安排一名或多名陪检人员同时在场监督,同时ATM设备间的监控视频也需要安排专门人员通过肉眼进行监督。这种人工监督的方式不仅浪费银行的人力资源,而且人工监督也易存在疏忽,造成银行资金损失。
针对上述问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供一种ATM维修人员的监控方法,用以对ATM维修人员的行为进行实时监控,确保维修过程的安全性,节省银行人力资源,降低银行资金损失的风险,该方法包括:
在监测到有维修人员请求进入ATM设备间时,获取维修人员的人脸图像信息,将获取到的人脸图像信息,与预先录入的维修人员注册信息中的人脸图像信息进行比对,在比对结果一致时,允许维修人员进入ATM设备间;
在维修人员进入ATM设备间期间,实时获取维修人员的操作行为信息和运动轨迹信息;
将获取到的维修人员的操作行为信息和运动轨迹信息输入行为风险检测模型,输出维修人员行为的风险预测结果,所述行为风险检测模型是根据历史监控数据中维修人员的:操作行为信息、运动轨迹信息和实际行为结果,对全卷积孪生神经网络SiamNet训练得到的;
在风险预测结果显示维修人员行为存在风险时,发出预警提示。
本发明实施例还提供一种ATM维修人员的监控装置,用以对ATM维修人员的行为进行实时监控,确保维修过程的安全性,节省银行人力资源,降低银行资金损失的风险,该装置包括:
人脸图像信息比对模块,用于在监测到有维修人员请求进入ATM设备间时,获取维修人员的人脸图像信息,将获取到的人脸图像信息,与预先录入的维修人员注册信息中的人脸图像信息进行比对,在比对结果一致时,允许维修人员进入ATM设备间;
实时信息获取模块,用于在维修人员进入ATM设备间期间,实时获取维修人员的操作行为信息和运动轨迹信息;
行为风险检测模块,用于将获取到的维修人员的操作行为信息和运动轨迹信息输入行为风险检测模型,输出维修人员行为的风险预测结果,所述行为风险检测模型是根据历史监控数据中维修人员的:操作行为信息、运动轨迹信息和实际行为结果,对全卷积孪生神经网络SiamNet训练得到的;
预警模块,用于在风险预测结果显示维修人员行为存在风险时,发出预警提示。
本发明实施例还提供一种计算机设备,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ATM维修人员的监控方法。
本发明实施例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存储有计算机程序,所述计算机程序被处理器执行时实现上述ATM维修人员的监控方法。
本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现上述ATM维修人员的监控方法。
与现有技术中通过人工的方式对ATM维修人员的行为进行监控的技术方案相比,本发明实施例中,在监测到有维修人员请求进入ATM设备间时,获取维修人员的人脸图像信息,将获取到的人脸图像信息,与预先录入的维修人员注册信息中的人脸图像信息进行比对,在比对结果一致时,允许维修人员进入ATM设备间;在维修人员进入ATM设备间期间,实时获取维修人员的操作行为信息和运动轨迹信息;将获取到的维修人员的操作行为信息和运动轨迹信息输入行为风险检测模型,输出维修人员行为的风险预测结果,所述行为风险检测模型是根据历史监控数据中维修人员的:操作行为信息、运动轨迹信息和实际行为结果,对全卷积孪生神经网络SiamNet训练得到的;在风险预测结果显示维修人员行为存在风险时,发出预警提示,可以对ATM维修人员的行为进行实时监控,确保维修过程的安全性,节省银行人力资源,降低银行资金损失的风险。
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,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地介绍,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他的附图。在附图中:
图1为本发明实施例中ATM维修人员的监控方法的处理流程图;
图2为本发明实施例中ATM维修人员的监控装置的结构示意图;
图3为本发明实施例中ATM维修人员的监控装置的一具体实例结构示意图;
图4为本发明实施例中ATM维修人员的监控装置的一具体实例结构示意图;
图5为本发明一实施例的计算机设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
首先,对本发明实施例中的技术名词进行介绍:
孪生神经网络(Siamese neural network),又名双生神经网络,是基于两个人工神经网络建立的耦合构架。孪生神经网络以两个样本为输入,输出其嵌入高维度空间的表征,以比较两个样本的相似程度。狭义的孪生神经网络由两个结构相同,且权重共享的神经网络拼接而成。广义的孪生神经网络,或“伪孪生神经网络(pseudo-siamese network)”,可由任意两个神经网拼接而成。孪生神经网络通常具有深度结构,可由卷积神经网络、循环神经网络等组成。在监督学习范式下,孪生神经网络会最大化不同标签的表征,并最小化相同标签的表征。在自监督或非监督学习范式下,孪生神经网络可以最小化原输入和干扰输入(例如原始图像和该图像的裁减)间的表征。孪生神经网络可以进行小样本/单样本学习(one-shot learning),且不容易被错误样本干扰,因此可用于对容错率要求严格的模式识别问题,例如人像识别、指纹识别、目标追踪等。
SiamFC算法:完全卷积孪生神经网络(SiamFC)的目标跟踪算法是在卷积神经网络的基础之上,采用了独特的孪生结构,通过将目标跟踪任务建模为相似性匹配任务,可以有效地适用于复杂场景的目标检测和跟踪。目前SiamFC算法已经开始应用于多个领域的目标检测和跟踪,例如车辆、行人等。
图1为本发明实施例中ATM维修人员的监控方法的处理流程图。如图1所示,本发明实施例中ATM维修人员的监控方法可以包括:
步骤101、在监测到有维修人员请求进入ATM设备间时,获取维修人员的人脸图像信息,将获取到的人脸图像信息,与预先录入的维修人员注册信息中的人脸图像信息进行比对,在比对结果一致时,允许维修人员进入ATM设备间;
步骤102、在维修人员进入ATM设备间期间,实时获取维修人员的操作行为信息和运动轨迹信息;
步骤103、将获取到的维修人员的操作行为信息和运动轨迹信息输入行为风险检测模型,输出维修人员行为的风险预测结果,所述行为风险检测模型是根据历史监控数据中维修人员的:操作行为信息、运动轨迹信息和实际行为结果,对全卷积孪生神经网络SiamNet训练得到的;
步骤104、在风险预测结果显示维修人员行为存在风险时,发出预警提示。
在监测到有维修人员请求进入ATM设备间时,首先可以获取维修人员的人脸图像信息,将获取到的人脸图像信息,与预先录入的维修人员注册信息中的人脸图像信息进行比对,在比对结果一致时,允许维修人员进入ATM设备间。
在一个实施例中,还可以包括:在获取到的人脸图像信息与预先录入的维修人员注册信息中的人脸图像信息的比对结果不一致时,拒绝维修人员进入ATM设备间,同时发出预警提示。
具体实施时,由于维修人员在注册时可以预先录入人脸图像信息作为备份信息,在监测到有维修人员请求进入ATM设备间时,银行后台系统首先可以获取维修人员的人脸图像信息进行验证,以确保维修人员是真实注册过的维修人员。
在维修人员进入ATM设备间期间,可以实时获取维修人员的操作行为信息和运动轨迹信息,例如维修人员使用工具的行为、移动的范围、重复的动作等;然后可以将获取到的维修人员的操作行为信息和运动轨迹信息输入行为风险检测模型,输出维修人员行为的风险预测结果,其中行为风险检测模型是根据历史监控数据中维修人员的:操作行为信息、运动轨迹信息和实际行为结果,对全卷积孪生神经网络SiamNet训练得到的。
在一个实施例中,所述行为风险检测模型是基于目标跟踪算法SiamFC构建的。
在一个实施例中,将获取到的维修人员的操作行为信息和运动轨迹信息输入行为风险检测模型之前,还可以包括:将历史监控数据中维修人员的:操作行为信息、运动轨迹信息和实际行为结果作为样本数据,构建训练集和测试集;利用所述训练集对全卷积孪生神经网络SiamNet进行训练,得到所述行为风险检测模型;利用所述测试集对所述行为风险检测模型进行测试。
在一个实施例中,将历史监控数据中维修人员的:操作行为信息、运动轨迹信息和实际行为结果作为样本数据,构建训练集和测试集,可以包括:将历史监控数据中维修人员的:无风险实际行为结果、无风险实际行为结果对应的操作行为信息和运动轨迹信息,作为正样本数据,构建训练集和测试集;将历史监控数据中维修人员的:有风险实际行为结果、有风险实际行为结果对应的操作行为信息和运动轨迹信息,作为负样本数据,构建训练集和测试集。
具体实施时,需要获取ATM设备间的摄像头拍摄到的历史监控数据,查找其中包含维修人员的监控数据,然后可以对进行包含维修人员的监控数据进行预处理,预处理的过程是对维修人员的监控数据进行标记,分为正样本和负样本,其中负样本对应的是监控数据中维修人员出现了异常行为,正样本对应的是维修人员正常操作的行为,将这些样本数据将作为模型训练的数据集(包括训练集和测试集);具体操作时,负样本的获取存在困难,因为在现实情况下维修人员出现异常行为的可能性非常低,导致缺乏负样本,所以需要人工模拟维修人员的异常行为,将这些模拟出来的视频作为负样本。
除根据历史监控数据中维修人员的操作行为信息、运动轨迹信息进行行为风险检测外,还可以将获取到的ATM位置信息、ATM周围环境信息等输入行为风险检测模型,提高维修人员行为的风险预测的准确性,例如ATM位置十分偏僻,则修人员行为存在风险的可能性较高;ATM附近有派出所,则修人员行为存在风险的可能性较低。
最后,在风险预测结果显示维修人员行为存在风险时,发出预警提示,例如可以将预警提示发送到管理端或银行工作人员的终端,由相应的负责人员及时采取补救措施,例如立即封锁ATM设备间,避免维修人员的行为造成银行资金损失;在风险预测结果显示维修人员行为不存在风险时,继续获取维修人员的操作行为信息和运动轨迹信息,输入行为风险检测模型进行风险预测,直到维修人员完成维修任务,离开ATM设备间。
本发明实施例中还提供了一种ATM维修人员的监控装置,如下面的实施例所述。由于该装置解决问题的原理与ATM维修人员的监控方法相似,因此该装置的实施可以参见ATM维修人员的监控方法的实施,重复之处不再赘述。
图2为本发明实施例中ATM维修人员的监控装置的结构示意图。如图2所示,本发明实施例中ATM维修人员的监控装置具体可以包括:
人脸图像信息比对模块201,用于在监测到有维修人员请求进入ATM设备间时,获取维修人员的人脸图像信息,将获取到的人脸图像信息,与预先录入的维修人员注册信息中的人脸图像信息进行比对,在比对结果一致时,允许维修人员进入ATM设备间;
实时信息获取模块202,用于在维修人员进入ATM设备间期间,实时获取维修人员的操作行为信息和运动轨迹信息;
行为风险检测模块203,用于将获取到的维修人员的操作行为信息和运动轨迹信息输入行为风险检测模型,输出维修人员行为的风险预测结果,所述行为风险检测模型是根据历史监控数据中维修人员的:操作行为信息、运动轨迹信息和实际行为结果,对全卷积孪生神经网络SiamNet训练得到的;
预警模块204,用于在风险预测结果显示维修人员行为存在风险时,发出预警提示。
图3为本发明实施例中ATM维修人员的监控装置的一具体实例结构示意图。如图3所示,在实施例中,图2所示的ATM维修人员的监控装置还包括:
拒绝与预警模块301,用于:
在获取到的人脸图像信息与预先录入的维修人员注册信息中的人脸图像信息的比对结果不一致时,拒绝维修人员进入ATM设备间,同时发出预警提示。
在一个实施例中,所述行为风险检测模型是基于目标跟踪算法SiamFC构建的。
图4为本发明实施例中ATM维修人员的监控装置的一具体实例结构示意图。如图4所示,在实施例中,图2所示的ATM维修人员的监控装置还包括:
训练与测试模块401,用于在行为风险检测模块203将获取到的维修人员的操作行为信息和运动轨迹信息输入行为风险检测模型之前:
将历史监控数据中维修人员的:操作行为信息、运动轨迹信息和实际行为结果作为样本数据,构建训练集和测试集;
利用所述训练集对全卷积孪生神经网络SiamNet进行训练,得到所述行为风险检测模型;
利用所述测试集对所述行为风险检测模型进行测试。
在一个实施例中,训练与测试模块401具体用于:
将历史监控数据中维修人员的:无风险实际行为结果、无风险实际行为结果对应的操作行为信息和运动轨迹信息,作为正样本数据,构建训练集和测试集;
将历史监控数据中维修人员的:有风险实际行为结果、有风险实际行为结果对应的操作行为信息和运动轨迹信息,作为负样本数据,构建训练集和测试集。
基于前述发明构思,如图5所示,本发明还提出了一种计算机设备500,包括存储器510、处理器520及存储在存储器510上并可在处理器520上运行的计算机程序530,所述处理器520执行所述计算机程序530时实现前述ATM维修人员的监控方法。
本发明实施例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存储有计算机程序,所述计算机程序被处理器执行时实现上述ATM维修人员的监控方法。
本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现上述ATM维修人员的监控方法。
综上所述,与现有技术中通过人工的方式对ATM维修人员的行为进行监控的技术方案相比,本发明实施例中,在监测到有维修人员请求进入ATM设备间时,获取维修人员的人脸图像信息,将获取到的人脸图像信息,与预先录入的维修人员注册信息中的人脸图像信息进行比对,在比对结果一致时,允许维修人员进入ATM设备间;在维修人员进入ATM设备间期间,实时获取维修人员的操作行为信息和运动轨迹信息;将获取到的维修人员的操作行为信息和运动轨迹信息输入行为风险检测模型,输出维修人员行为的风险预测结果,所述行为风险检测模型是根据历史监控数据中维修人员的:操作行为信息、运动轨迹信息和实际行为结果,对全卷积孪生神经网络SiamNet训练得到的;在风险预测结果显示维修人员行为存在风险时,发出预警提示,可以对ATM维修人员的行为进行实时监控,确保维修过程的安全性,节省银行人力资源,降低银行资金损失的风险。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (13)
1.一种ATM维修人员的监控方法,其特征在于,应用于银行后台系统,包括:
在监测到有维修人员请求进入ATM设备间时,获取维修人员的人脸图像信息,将获取到的人脸图像信息,与预先录入的维修人员注册信息中的人脸图像信息进行比对,在比对结果一致时,允许维修人员进入ATM设备间;
在维修人员进入ATM设备间期间,实时获取维修人员的操作行为信息和运动轨迹信息;
将获取到的维修人员的操作行为信息和运动轨迹信息输入行为风险检测模型,输出维修人员行为的风险预测结果,所述行为风险检测模型是根据历史监控数据中维修人员的:操作行为信息、运动轨迹信息和实际行为结果,对全卷积孪生神经网络SiamNet训练得到的;
在风险预测结果显示维修人员行为存在风险时,发出预警提示。
2.如权利要求1所述的方法,其特征在于,还包括:
在获取到的人脸图像信息与预先录入的维修人员注册信息中的人脸图像信息的比对结果不一致时,拒绝维修人员进入ATM设备间,同时发出预警提示。
3.如权利要求1所述的方法,其特征在于,所述行为风险检测模型是基于目标跟踪算法SiamFC构建的。
4.如权利要求1所述的方法,其特征在于,将获取到的维修人员的操作行为信息和运动轨迹信息输入行为风险检测模型之前,还包括:
将历史监控数据中维修人员的:操作行为信息、运动轨迹信息和实际行为结果作为样本数据,构建训练集和测试集;
利用所述训练集对全卷积孪生神经网络SiamNet进行训练,得到所述行为风险检测模型;
利用所述测试集对所述行为风险检测模型进行测试。
5.如权利要求4所述的方法,其特征在于,将历史监控数据中维修人员的:操作行为信息、运动轨迹信息和实际行为结果作为样本数据,构建训练集和测试集,包括:
将历史监控数据中维修人员的:无风险实际行为结果、无风险实际行为结果对应的操作行为信息和运动轨迹信息,作为正样本数据,构建训练集和测试集;
将历史监控数据中维修人员的:有风险实际行为结果、有风险实际行为结果对应的操作行为信息和运动轨迹信息,作为负样本数据,构建训练集和测试集。
6.一种ATM维修人员的监控装置,其特征在于,应用于银行后台系统,包括:
人脸图像信息比对模块,用于在监测到有维修人员请求进入ATM设备间时,获取维修人员的人脸图像信息,将获取到的人脸图像信息,与预先录入的维修人员注册信息中的人脸图像信息进行比对,在比对结果一致时,允许维修人员进入ATM设备间;
实时信息获取模块,用于在维修人员进入ATM设备间期间,实时获取维修人员的操作行为信息和运动轨迹信息;
行为风险检测模块,用于将获取到的维修人员的操作行为信息和运动轨迹信息输入行为风险检测模型,输出维修人员行为的风险预测结果,所述行为风险检测模型是根据历史监控数据中维修人员的:操作行为信息、运动轨迹信息和实际行为结果,对全卷积孪生神经网络SiamNet训练得到的;
预警模块,用于在风险预测结果显示维修人员行为存在风险时,发出预警提示。
7.如权利要求6所述的装置,其特征在于,还包括拒绝与预警模块,用于:
在获取到的人脸图像信息与预先录入的维修人员注册信息中的人脸图像信息的比对结果不一致时,拒绝维修人员进入ATM设备间,同时发出预警提示。
8.如权利要求6所述的装置,其特征在于,所述行为风险检测模型是基于目标跟踪算法SiamFC构建的。
9.如权利要求6所述的装置,其特征在于,还包括训练与测试模块,用于在行为风险检测模块将获取到的维修人员的操作行为信息和运动轨迹信息输入行为风险检测模型之前:
将历史监控数据中维修人员的:操作行为信息、运动轨迹信息和实际行为结果作为样本数据,构建训练集和测试集;
利用所述训练集对全卷积孪生神经网络SiamNet进行训练,得到所述行为风险检测模型;
利用所述测试集对所述行为风险检测模型进行测试。
10.如权利要求9所述的装置,其特征在于,训练与测试模块具体用于:
将历史监控数据中维修人员的:无风险实际行为结果、无风险实际行为结果对应的操作行为信息和运动轨迹信息,作为正样本数据,构建训练集和测试集;
将历史监控数据中维修人员的:有风险实际行为结果、有风险实际行为结果对应的操作行为信息和运动轨迹信息,作为负样本数据,构建训练集和测试集。
11.一种计算机设备,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计算机程序时实现权利要求1至5任一所述方法。
12.一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存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至5任一所述方法。
13.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现权利要求1至5任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210549040.6A CN114973539A (zh) | 2022-05-20 | 2022-05-20 | Atm维修人员的监控方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210549040.6A CN114973539A (zh) | 2022-05-20 | 2022-05-20 | Atm维修人员的监控方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114973539A true CN114973539A (zh) | 2022-08-30 |
Family
ID=82984800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210549040.6A Pending CN114973539A (zh) | 2022-05-20 | 2022-05-20 | Atm维修人员的监控方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114973539A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115660429A (zh) * | 2022-12-29 | 2023-01-31 | 南京数信智能科技有限公司 | 适用于水泥智能制造的数据处理方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543848A (zh) * | 2018-10-22 | 2019-03-29 | 深圳市轱辘汽车维修技术有限公司 | 一种维修人员的风险控制方法及装置 |
TH1701005250A (th) * | 2015-05-21 | 2019-05-17 | นายชวลิต อัตถศาสตร์ | อุปกรณ์เฝ้าตรวจระยะไกล, ระบบบำรุงรักษาการเฝ้าตรวจระยะไกล, วิธีการเฝ้าตรวจระยะไกล |
CN112101495A (zh) * | 2020-08-28 | 2020-12-18 | 宁波亦芯电子科技有限公司 | 一种风险监测方法、系统和相关设备 |
CN112257502A (zh) * | 2020-09-16 | 2021-01-22 | 深圳微步信息股份有限公司 | 一种监控视频行人识别与跟踪方法、装置及存储介质 |
CN213458097U (zh) * | 2020-08-28 | 2021-06-15 | 宁波亦芯电子科技有限公司 | 一种摄像设备和风险监测系统 |
-
2022
- 2022-05-20 CN CN202210549040.6A patent/CN114973539A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TH1701005250A (th) * | 2015-05-21 | 2019-05-17 | นายชวลิต อัตถศาสตร์ | อุปกรณ์เฝ้าตรวจระยะไกล, ระบบบำรุงรักษาการเฝ้าตรวจระยะไกล, วิธีการเฝ้าตรวจระยะไกล |
CN109543848A (zh) * | 2018-10-22 | 2019-03-29 | 深圳市轱辘汽车维修技术有限公司 | 一种维修人员的风险控制方法及装置 |
CN112101495A (zh) * | 2020-08-28 | 2020-12-18 | 宁波亦芯电子科技有限公司 | 一种风险监测方法、系统和相关设备 |
CN213458097U (zh) * | 2020-08-28 | 2021-06-15 | 宁波亦芯电子科技有限公司 | 一种摄像设备和风险监测系统 |
CN112257502A (zh) * | 2020-09-16 | 2021-01-22 | 深圳微步信息股份有限公司 | 一种监控视频行人识别与跟踪方法、装置及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115660429A (zh) * | 2022-12-29 | 2023-01-31 | 南京数信智能科技有限公司 | 适用于水泥智能制造的数据处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11334407B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
CN111967571B (zh) | 一种基于mhma的异常检测方法和设备 | |
Wang et al. | Temporal convolutional network with soft thresholding and attention mechanism for machinery prognostics | |
CN111914873A (zh) | 一种两阶段云服务器无监督异常预测方法 | |
Kim et al. | Abnormality diagnosis model for nuclear power plants using two-stage gated recurrent units | |
CN110414376B (zh) | 更新人脸识别模型的方法、人脸识别相机及服务器 | |
CN113065515B (zh) | 基于相似度图神经网络的异常行为智能检测方法及系统 | |
Park et al. | A reliable intelligent diagnostic assistant for nuclear power plants using explainable artificial intelligence of GRU-AE, LightGBM and SHAP | |
CN115309575A (zh) | 基于图卷积神经网络的微服务故障诊断方法、装置及设备 | |
CN114973539A (zh) | Atm维修人员的监控方法及装置 | |
CN117055502A (zh) | 基于物联网和大数据分析的智能控制系统 | |
CN109242165A (zh) | 一种模型训练及基于模型训练的预测方法及装置 | |
CN117474357A (zh) | 基于深度学习的配电房运维管理方法及系统 | |
CA3137794A1 (en) | System for action determination | |
CN111680407A (zh) | 一种基于高斯混合模型的卫星健康评估方法 | |
CN114625406A (zh) | 应用开发管控方法、计算机设备、存储介质 | |
CN117666546A (zh) | 一种分布式控制系统故障诊断方法及装置 | |
CN116956282A (zh) | 基于网络资产内存时间序列多特征数据的异常检测系统 | |
CN113076217B (zh) | 基于国产平台的磁盘故障预测方法 | |
Vachtsevanos et al. | Prognosis: Challenges, Precepts, Myths and Applications | |
Javanmardi et al. | Conformal Prediction Intervals for Remaining Useful Lifetime Estimation | |
CN112733155B (zh) | 一种基于外部环境模型学习的软件强制安全防护方法 | |
CN115001941B (zh) | 一种通信网管故障的确定方法及装置 | |
CN115116008B (zh) | 目标物品的状态识别方法、设备及存储介质 | |
CN117952226B (zh) | 基于人工智能辨识数据感知系统及其方法 |
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 |