CN115062706A - 森林火灾监测方法及装置、存储介质、电子设备 - Google Patents
森林火灾监测方法及装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN115062706A CN115062706A CN202210693230.5A CN202210693230A CN115062706A CN 115062706 A CN115062706 A CN 115062706A CN 202210693230 A CN202210693230 A CN 202210693230A CN 115062706 A CN115062706 A CN 115062706A
- Authority
- CN
- China
- Prior art keywords
- data
- environment data
- forest environment
- current
- forest
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/005—Fire alarms; Alarms responsive to explosion for forest fires, e.g. detecting fires spread over a large or outdoors area
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/28—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture specially adapted for farming
Abstract
本公开提供一种森林火灾监测方法及装置、电子设备、存储介质;涉及通信技术领域。所述森林火灾监测方法包括:获取由多种传感器采集的森林环境数据;在当前森林环境数据中确定异常森林环境数据;响应于当前森林环境数据为异常森林环境数据,向云端发送所述当前森林环境数据,以使所述云端根据所述当前森林环境数据确定当前环境状态。本公开可以有效减少正常环境数据上传云端,有利于减轻云端压力。
Description
技术领域
本公开涉及通信技术领域,具体涉及一种环境监测方法、一种环境监测装置、一种计算机可读存储介质、一种电子设备。
背景技术
森林环境是非常宝贵的自然资源,因此保护森林环境是环境保护非常重要的部分。
当前保护森林除了要防止乱砍滥伐,还要重视森林防火问题。现有的技术中,为了监测森林火灾情况,部分森林环境监测方法中,在森林环境范围内布置多种传感器,实时或者间隔时间上传所有传感器采集的森林环境数据给云端进行分析。但是森林多数情况都是没有火灾的,多种传感器采集的数据变化相对平稳。如果数据不存在异常没有必要全部上传至云端进行分析,这样反而加重了云端的压力,浪费了云端的计算资源。
因此,需要提出一种新的森林火灾监测方法。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
公开内容
本公开的目的在于提供,进而至少在一定程度可以有效减少环境数据上传云端进行分析,有利于减轻云端压力。
根据本公开的一个方面,提供一种环境监测方法,应用于边缘侧设备,包括:
获取由多种传感器采集的森林环境数据;
在当前森林环境数据中确定异常森林环境数据;
响应于当前森林环境数据为异常森林环境数据,向云端发送所述当前森林环境数据,以使所述云端根据所述当前森林环境数据确定当前环境状态。
在本公开的一种示例性实施例中,所述多种传感器,包括以下一种或多种:
温度传感器,用于采集森林环境的温度数据;
光照传感器,用于采集所述森林环境的光照数据;
烟雾传感器,用于采集所述森林环境的烟雾数据。
在本公开的一种示例性实施例中,所述在当前森林环境数据中确定异常森林环境数据,包括:
提取所述当前森林环境数据中各类数据对应的特征信息;
根据所述当前森林环境数据中各类数据对应的特征信息与各类数据对应的参考特征信息确定异常森林环境数据。
在本公开的一种示例性实施例中,所述提取所述当前森林环境数据中各类数据对应的特征信息,包括:
对所述当前森林环境数据中各类数据通过一维卷积神经网络获得对应的位置特征信息;
在所述各类数据对应的位置特征信息中,通过时间循环神经网络获得各类数据对应的时间特征信息;
根据所述各类数据对应的位置特征信息以及时间特征信息整合形成各类数据对应的特征信息。
在本公开的一种示例性实施例中,所述根据所述当前森林环境数据中各类数据对应的特征信息与各类数据对应的参考特征信息确定异常森林环境数据,包括:
通过所述当前森林环境数据中各类数据对应的特征信息与各类数据对应的参考特征信息计算当前森林环境数据中各类数据对应的特征信息的相似度;
根据所述当前森林环境数据中各类数据对应的特征信息的相似度确定异常森林环境数据。
在本公开的一种示例性实施例中,所述根据所述当前森林环境数据中各类数据对应的特征信息的相似度确定异常森林环境数据,包括:
响应于所述当前森林环境数据中各类数据对应的特征信息的相似度小于各类数据对应的参考特征信息的相似度,确定当前森林环境数据为异常森林环境数据。
在本公开的一种示例性实施例中,响应于当前森林环境数据为异常森林环境数据,向云端发送所述当前森林环境数据,以使所述云端根据所述异常森林环境数据确定当前环境状态,包括:
响应于当前森林环境数据为异常森林环境数据,对所述当前森林环境数据进行加密处理;
向云端发送所述加密处理的当前森林环境数据,以使所述云端根据所述当前森林环境数据确定当前环境问题。
根据本公开实施例的一个方面,提供一种环境监测装置,包括:
获取模块,用于获取由多种传感器采集的森林环境数据;
分析模块,用于在当前森林环境数据中确定异常森林环境数据;
处理模块,用于响应于当前森林环境数据为异常森林环境数据,向云端发送所述当前森林环境数据,以使所述云端根据所述当前森林环境数据确定当前环境状态。
根据本公开的一个方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的方法。
根据本公开的一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的方法。
本公开示例性实施例可以具有以下部分或全部有益效果:
在本公开的一实例实施方式所提供的森林火灾监测方法中,只上传异常森林环境数据给云端进行分析。一方面,在森林环境中检测到的正常环境数据不需要向云端发送数据,而是在边缘侧设备检测到异常数据时再向云端发送环境数据,不同于将所有的环境数据上传,进而减少了传输的压力,有利于节约传输带宽资源;另一方面,只上传异常环境数据,向云端发送的总体森林环境数据也减少了,进而减轻了云端的计算压力,同时减少了对云端的依赖,节省了云端的计算资源。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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。
图1示出了可以应用本公开实施例的一种森林火灾监测方法及装置的示例性系统架构的示意图;
图2示意性示出了根据本公开的一个实施例的森林火灾监测方法的流程图;
图3示意性示出了根据本公开的另一个实施例的森林火灾监测方法的流程图;
图4示意性示出了根据本公开的另一个实施例的森林火灾监测方法的流程图;
图5示意性示出示意性示出了根据本公开的一个实施例的森林火灾监测方法示意图;
图6示意性示出示意性示出了根据本公开的一个实施例的算法示意图;
图7示意性示出示意性示出了根据本公开的一个实施例的算法示意图;
图8示意性示出示意性示出了根据本公开的另一个实施例的森林火灾监测方法的示意图;
图9示意性示出示意性示出了根据本公开的一个实施例的森林火灾监测方法的示意图;
图10示意性示出了根据本公开的一个实施例的森林火灾监测装置的框图;
图11示意性示出了根据本公开的另一个实施例的森林火灾监测方法的流程图;
图12示意性示出了根据本公开的另一个实施例的森林火灾监测方法的流程图;
图13示意性示出了根据本公开的一个实施例的森林火灾监测场景图;
图14示意性示出了根据本公开的一个实施例的森林火灾监测装置的框图;
图15示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图1示出了可以应用本公开实施例的一种环境监测方法及装置的示例性应用环境的系统架构的示意图。
如图1所示,系统架构100可以包括传感器设备101、102、103中的一个或多个,边缘侧设备104,网络105和服务器106。网络105用以在传感器设备101、102、103和边缘侧设备、边缘侧设备和服务器106之间提供通信链路的介质。传感器设备101、102、103可以是具有检测能力的各种电子设备,能感受到被测量的环境信息,比如温度、光照、烟雾等信息。应该理解,图1中的传感器设备、边缘侧设备、网络和服务器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传感器设备、边缘侧设备、网络和服务器。比如服务器106可以是多个服务器组成的服务器集群等。
本公开实施例所提供的森林火灾监测方法一般由边缘侧设备104执行,相应地,森林火灾监测装置一般设置于边缘侧设备104中。举例而言,在一种示例性实施例中,可以是边缘侧设备104通过传感器设备101、102、103上的传感器采集森林环境数据,然后判定森林环境数据是否异常,异常的情况下上传至服务器106。
森林是非常宝贵的自然资源,随着人类对自然界的不断侵蚀,导致森林面积急剧降低,因此保护森林已经成为了环境保护非常重要的一个环节。当前保护森林除了要防止滥砍滥伐之外,森林防火也非常重要。
森林在多数情况下是没有火灾的,各类传感器采集的环境数据的变化相对平稳。对于正常的环境数据没有必要全部上传至云端进行分析,会加重传输和云端的压力。但是相关技术中需要把所有的环境数据,比如温度、光线、烟雾等环境数据都要向云端上传与处理,造成了云端资源的浪费,传输的过程中还可能遗失或者泄露数据。
基于此,在本示例实施例中,首先提供了一种环境监测方法,参考图2所示,该环境监测方法可以包括以下步骤:
步骤S201,获取由多种传感器采集的森林环境数据;
步骤S202,在当前森林环境数据中确定异常森林环境数据;
步骤S203,响应于当前森林环境数据为异常森林环境数据,向云端发送所述当前森林环境数据,以使所述云端根据所述当前森林环境数据确定当前环境状态。
在本公开的一实例实施方式所提供的森林火灾监测方法中,只上传异常森林环境数据给云端进行分析。一方面,在森林环境中检测到的正常环境数据不需要向云端发送数据,而是在边缘侧设备检测到异常数据时再向云端发送环境数据,不同于将所有的环境数据上传,进而减少了传输的压力,有利于节约传输带宽资源;另一方面,只上传异常环境数据,向云端发送的总体森林环境数据也减少了,进而减轻了云端的计算压力,同时减少了对云端的依赖,节省了云端的计算资源。
下面,在另一实施例中,对上述步骤进行更加详细的说明。
步骤S201中,获取由多种传感器采集的森林环境数据。
本示例实施方式中,传感器是一种检测装置,能感受到被测量的环境信息,比如温度、光照、烟雾等信息。并且能将感受到的环境信息,按一定规律变换成为电信号或其他所需形式的信息输出,以满足信息的传输、处理、存储、显示、记录和控制等要求。传感器一般由敏感元件、转换元件、变换电路和辅助电源组成。敏感元件能直接感受并且被测量,可以分为热敏元件、气敏元件、光敏元件等,分别对应测量温度、烟雾、光照等。本公开实施例不做限定。
为了更准确的监测到环境情况,所以可以使用多个不同类型的传感器来对森林环境数据进行检测。森林环境数据有很多分类,可以在一定程度上代表森林环境情况。比如,环境数据可以有当前环境下的温度值、湿度值、光照值、烟雾值等等。根据这些数据可以推断出当前环境的部分情况,由此可以对环境出现问题时及时预警。
在本示例实施方式中,为了监测森林火灾,采用以下一种或多种传感器:温度传感器,用于采集森林环境的温度数据;光照传感器,用于采集所述森林环境的光照数据;烟雾传感器,用于采集所述森林环境的烟雾数据。比如,温度传感器检测到当前环境下的温度值比平均温度值过大或者温度值超过温度阈值,光照传感器检测到亮度超过预设阈值,并且烟雾传感器也检测到当前的烟雾粒子值超过阈值,那么可以推断出当前森林环境下可能出现火灾情况,需要尽快处理。当然森林环境数据不限于上述的类型,还可以采集其他的环境数据。比如,通过湿度传感器采集空气中的湿度数据以及风速传感器采集空气流动速度来判断森林环境中是否干燥,风速过大是否导致火灾蔓延等等,本公开实施例不做限定。
本示例实施方式中,可以获取不同传感器按照预设时间间隔采集的森林环境数据。传感器工作时是不间断的检测数据,这些数据如果实时传输到云端或者其他边缘侧设备,可能会因为网络波动或者其他问题导致数据丢失,或者加重网络传输的压力。因此,可以按照预设的时间间隔来采集环境数据。比如,边缘侧设备可以隔10秒钟(1分钟、5分钟、10分钟等,按照需求设置预设时间)向各传感器发送一次检测指令,然后各传感器检测到当前的环境温度、光照、烟雾数据等,并且将这些森林环境数据通过网络传输到边缘侧设备中,进行后续的分析处理。
对于环境数据的后续分析处理过程,可以通过步骤S202来详细说明。
步骤S202中,在当前森林环境数据中确定异常森林环境数据。
本示例实施方式中,异常森林环境数据可以是相对于历史森林环境数据或者预设森林环境数据差别大于阈值的森林环境数据。比如,森林中的各种环境数据都在正常阈值范围内,那么当前的环境状态就是正常环境状态;反之,所有森林环境数据都不在正常阈值范围内,那么当前的森林环境数据可能是异常环境数据,进而推测当前森林可能就有火灾出现。但是如果只有某些类型的环境数据发生变化,其他类型的环境数据没有变化,这个时候可能就要上传云端,更近一步的进行分析当前环境状态。
参考图3所示,通过步骤S301-S302来在边缘侧设备中确定当前异常森林环境数据。
步骤S301中,提取所述当前森林环境数据中各类数据对应的特征信息。
在本示例实施例方式中,当前森林环境数据中各类数据对应的特征信息可以是指能够代表森林环境数据的某种属性,是森林环境数据异于其他数据的特点等。为了判断森林环境是否出现火灾,所以提取森林环境中的各种数据的特征信息用来对比参考特征信息。在提取各类数据对应的特征信息时,参考图4所示,可以通过步骤S401-S403来提取森林环境数据中各类数据的特征信息。
步骤S401中,对所述当前森林环境数据中各类数据通过一维卷积神经网络获得对应的位置特征信息。
在本示例实施例方式中,对当前森林环境数据中的各类数据分别进行特征提取,本公开采用的是一维卷积神经网络算法。卷积神经网络(Convolutional NeuralNetworks,CNN)就是典型的深度学习模型,也是一类包含卷积计算且具有深度结构的前馈神经网络。参考图5所示,就是一个典型的卷积神经网络结构示意图。输入层501(Input)经过卷积(Convolutions)操作然后生成特征图层502,再经过降采样操作(Subsampling)得到特征图层503,接着又经过一次卷积得到特征图层504,最后对特征图层504经过全连接(Fully connected)得到最后的输出505(Output)。卷积神经网络包括一维卷积神经网络,二维卷积神经网络以及三维卷积神经网络。一维卷积神经网络主要用于序列类的数据处理,本公开中的森林环境数据的变化情况与时间有关系。在本示例实施例方式中,提取森林环境数据中的特征信息属于序列类的数据处理,所以采用一维卷积神经网络。某种程度上,一维卷积可以理解为移动平均。如图6所示,输入信号序列,经过卷积核[-1,0,1],得到卷积结果。大多情况下,滤波器的长度要远小于输入数据的长度,图中连接边上的数字即滤波器的权重。将滤波器与输入序列逐元素相乘以得到输出序列中的一个元素。
在本示例实施例方式中,对森林环境数据中的温度数据、光照数据、烟雾数据分别通过一维卷积神经网络计算,得到各自对应的特征信息,然后将多个特征信息进行连接得到温度、光照、烟雾数据之间的隐含空间关系。但是上述数据中还含有时序性,比如森林环境没有发生火灾时,前后的森林环境数据变化较为平稳,所以还需要进行对时间特征信息进行提取。
步骤S402中,在所述各类数据对应的位置特征信息中,通过时间循环神经网络获得各类数据对应的时间特征信息。
在本示例实施例方式中,时间循环神经网络(Rerrent Neural Network,RNN)也是一种神经网络,具有循环来保存信息的特点。RNN被称为循环神经网络,因为它们对序列中的每个元素执行相同的任务,并且输出元素依赖于以前的元素或状态。RNN对具有序列特性的数据非常有效,它能挖掘数据中的时序信息以及语义信息。参考图7所示RNN的结构,其中X是一个向量,也就是某个字或词的特征向量,U是输入层到隐藏层的参数矩阵,S是隐藏层的向量,V是隐藏层到输出层的参数矩阵,在上O是输出层的向量,W是每个时间点之间的权重矩阵。RNN之所以可以解决序列问题,是因为它可以记住每一时刻的信息,每一时刻的隐藏层不仅由该时刻的输入层决定,还由上一时刻的隐藏层决定。
在本示例实施例方式中,采用的是长短期记忆网络(LSTM,Long Short-TermMemory),是RNN的一种,但是可以解决RNN的梯度消失和爆炸的问题。对于RNN的特点,每一时刻的隐藏状态都不仅由该时刻的输入决定,还取决于上一时刻的隐藏层的值。但是如果一个数据串很长,到末尾时,RNN将记不住这个数据串的开头详细内容。但是LSTM通过“门控装置”有效的缓解了这个问题。参考图8所示,把存每一时刻信息的地方叫做Memory Cell。输入门:在每一时刻从输入层输入的信息会首先经过输入门,输入门的开关会决定这一时刻是否会有信息输入到Memory Cell。输出门:每一时刻是否有信息从Memory Cell输出取决于这一道门。遗忘门:每一时刻Memory Cell里的值都会经历一个是否被遗忘的过程,就是由该门控制的,如果打卡,那么将会把Memory Cell里的值清除,也就是遗忘掉。参考图8,信息在传递的顺序是这样的:先经过输入门,看是否有信息输入,再判断遗忘门是否选择遗忘Memory Cell里的信息,最后再经过输出门,判断是否将这一时刻的信息进行输出。
在本示例实施例方式中,LSTM层将CNN层提取出温度、光照、烟雾数据之间的位置关系作为输入,继续提取出在时间上的特征信息。经过多次LSTM,得到多个特征向量的输出,将输出合并,可以得到全连接的输入层。
在步骤S403中,根据所述各类数据对应的位置特征信息以及时间特征信息整合形成各类数据对应的特征信息。
在本示例实施例方式中,将森林环境数据中各类数据先经过CNN提取局部特征,再用LSTM提取这些局部特征的长距离特征,再经变换输入全连接层,最后全连接层整合特征信息形成森林环境数据中的时空特征信息。时空特征信息提取可以应用于较为复杂的场景下,比如气象预测、交通预测,甚至可以预测股票走势等。提取时空特征信息用于森林环境数据中,可以减少因地形导致的模型精度差问题。
对于上述步骤中提取的森林环境数据中的各类数据对应的位置特征信息以及时间特征信息经过全连接层连接成时空特征信息。全连接层是每一个结点都与上一层的所有结点相连,用来把前边提取到的特征综合起来。由于其全相连的特性,一般全连接层的参数也是最多的。参考图9所示,其中,x1、x2、x3为全连接层的输入,a1、a2、a3为输出,具体计算方式如下。
a1=W11*x1+W12*x2+W13*x3+b1
a2=W21*x1+W22*x2+W23*x3+b2
a3=W31*x1+W32*x2+W33*x3+b3
具体整个特征提取可以如图10所示,其中,池化(Pooling)的本质,其实就是采样。Pooling对于输入的Feature Map(特征图谱),选择某种方式对其进行降维压缩,以加快运算速度。池化过程类似于卷积过程,比如对一个4*4的Feature Map邻域内的值,用一个2*2的filter(过滤器),步长为2进行“扫描”,选择最大值输出到下一层,这叫做Max Pooling。产生的效果就是:特征图高度、宽度减半,通道数不变。
采用Conv1D(一维卷积神经网络)分别对温度、光照、烟雾数据进行特征提取。输入层分别为input(None,36,128),input(None,36,128),input(None,36,128),36是指维度,128是数据的长度。经过卷积运算后输出对应分别是output(None,35,2),output(None,34,2),output(None,33,2)。接着进行MaxPooling1D(最大池化)操作,将上面的output作为这一步的input,经过最大池化后,分别对应输出output(None,1,2),output(None,1,2),output(None,1,2)。接着用一个concatenate函数将温度、光照、烟雾数据的特征向量进行组合,输出output(None,1,6)。接着将output(None,1,6)作为LSTM层的的输入,对每一组的温度、光照、烟雾数据位置特征信息进行时序特征提取。最后得到每一组的温度、光照、烟雾数据位置特征信息与时间特征信息进行全连接,生成最后的特征向量。
步骤S302中,根据当前森林环境数据中各类数据对应的特征信息与各类数据对应的参考特征信息确定异常森林环境数据,可以通过如图11所示步骤S1101-S1102来实现。
步骤S1101中,通过所述当前森林环境数据中各类数据对应的特征信息与各类数据对应的参考特征信息计算当前森林环境数据中各类数据对应的特征信息的相似度。
在本示例实施例方式中,相似度(similarity,相似程度)方法可以看作是以某种的距离函数计算元素间的距离,距离越小、相似度越大。这些方法作为机器学习的基础概念,广泛应用于如:神经网络、K-means聚类、协同过滤推荐算法、相似度算法、MSE(Mean-Squared Loss)损失函数等等。
计算向量之间的距离可以使用闵氏距离、曼哈顿距离、欧几里得距离等方法。在本实施例中采用欧式距离计算公式计算当前森林环境数据中各类数据对应的特征信息与参考各类数据对应的特征信息之间的相似度。欧式距离指在n维空间中两个点之间的真实距离,或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。其中,d为向量之间的距离,i为对应的个数,x和y分别是不同的特征向量,n维空间中的计算公式是:
步骤S1102中,根据所述当前森林环境数据中各类数据对应的特征信息的相似度确定异常森林环境数据。
在本示例实施例方式中,当前森林环境数据中各类数据对应的特征信息的相似度根据欧式距离已经计算出来,然后根据相似度来确定异常的森林环境数据。
响应于所述当前森林环境数据中各类数据对应的特征信息的相似度小于各类数据对应的特征信息的参考相似度,确定当前森林环境数据为异常森林环境数据。各类数据对应的特征信息的参考相似度可以是提前预设的相似度,也可以是历史各类数据对应的特征信息的相似度。
计算完相似度后,如果相似度大于或等于参考相似度,那么此时的森林环境数据可能是正常的,不需要向云端发送环境数据,防止云端压力过大。但是相似度小于参考相似度时,可能会出现火灾情况,就需要向云端发送森林环境数据,然后云端进一步确认森林情况。
步骤S203中,响应于当前森林环境数据为异常森林环境数据,向云端发送所述当前森林环境数据,以使所述云端根据所述异常森林环境数据确定当前环境状态。
在本示例实施例方式中,在确定当前森林环境数据为异常森林环境数据时,边缘侧设备需要向云端发送当前森林环境数据,云端接收当前森林环境数据进一步进行分析,判定森林的当前状态,比如是否有火灾等。但是森林环境数据可能有许多,为了防止泄露,还可以对森林环境进行加密处理,如图12中的S1201-S1202所示。
步骤S1201中,响应于当前森林环境数据为异常森林环境数据,对所述当前森林环境数据进行加密处理。
本示例实施例方式中,当前森林环境数据为异常森林环境数据时,对当前森林环境数据进行加密。加密技术有对称加密、非对称加密等。常用的对称加密算法包括:DES(Data Encryption Standard)、3DES、AES(Advanced Encryption Standard)等;非对称加密算法包括:DSA(Diaital Sianature Alaorithm):数字签名算法,是一种标准的DSS(数字签名标准),ECC(Elliptic Curves Cryptography):椭圆曲线密码编码学等。
在本公开中,可以采用ECC算法进行加密。ECC和RSA相比,在许多方面都有优势,主要体现在以下方面:抗攻击性强。相同的密钥长度,其抗攻击性要强很多倍。计算量小,处理速度快。ECC总的速度比RSA、DSA要快得多。存储空间占用小。
假设要签名的消息是一个字符串:“25,36,32,12,36”。ECC256使用SHA256生成256比特的摘要。摘要生成结束后,应用签名算法对摘要进行签名:产生一个随机数k利用随机数k,计算出两个大数r和s。将r和s拼在一起就构成了对消息摘要的签名。关于验证过程中,消息的接收方从签名中分离出r和s,然后利用公开的密钥信息和s计算出r。如果计算出的r和接收到的r值相同,则表示验证成功,否则,表示验证失败。
步骤S1202中,向云端发送所述加密处理的当前森林环境数据,以使所述云端根据所述当前森林环境数据确定当前环境问题。
本示例实施例方式中,边缘侧设备可以对加密处理的当前森林环境数据进行编码,使其成为适合无线传输。无线传输包括有Wi-Fi、蓝牙、GPRS、4G、5G等等。对于本实施例而言,云端相对于边缘侧设备较远,所以可以选用5G用来传输森林环境数据。云端接收到当前森林环境数据后,对数据进行解码解密,然后可以根据森林火灾判断模块对当前的森林环境数据进行判定,然后显示森林火灾的判断结果。若判定当前森林发生火灾,可以给用户告警等。
下面结合具体应用场景对本示例实施方式中的上述森林火灾监测方法应用于一个森林火灾检测系统中。
参考图13所示,下面对各模块进行详细解释。
温度采集模块,用于采集森林环境的温度数据,包括但不限于温度传感器;
光照采集模块,用于采集森林环境的光照数据,包括但不限于光照传感器;
烟雾采集模块,用于采集森林环境的烟雾数据,包括但不限于烟雾传感器;
特征捕获模块,用于从温度、光照、烟雾数据中分别提取出对应的特征;
相似度比对模块,用于将当前待测的温度、光照、烟雾数据特征与预设的若干组特征进行相似度比对;
判断模块,用于判断相似度比对结果是否存在大于等于预设阈值;
编码模块,用于将异常的温度、光照、烟雾数据编码成适合于在网络传输的形式;
发送模块,用于将异常的温度、光照、烟雾信号发送至云端;
接收模块,用于接收异常的温度、光照、烟雾信号;
补偿模块,用于补偿和恢复异常信号在网络传输过程中的损失部分;
解码模块,用于将异常信号解码回初始形式;
森林火灾判定模块,用于根据当前的异常信息判定森林是否发生火灾了;
监控模块,用于显示森林火灾的判定结果;
预警模块,若判定当前森林发生火灾,用于给用户告警。
举例而言,从森林相近但不同的位置按照预设的时间间隔采集温度、光照、烟雾数据。对采集到的温度、光照、烟雾数据进行特征捕获,将提取出的待测特征与与预设的若干组特征进行相似度比对。若相似度比对结果存在大于等于预设阈值时,则本次数据不需要编码和发送;若相似度比对结果都小于预设阈值,则判定存在异常数据。继续对当前的温度、光照、烟雾数据编码成合适的形式并通过网络进行传输,在云端接收到异常的温度、光照、烟雾数据,对它们进行补偿和恢复传输过程中的损耗,并解码回初始信号形式。把异常的温度、光照、烟雾数据作为森林火灾判定模块的输入,判定当前森林是否发生火灾。若判定没有发生森林火灾,显示无火灾结果;若判定发生森林火灾,则显示发生火灾的结果并给用户预警。
基于上述示例实施方式中的森林火灾监测方法,边缘侧设备仅需要获取多种传感器采集的森林环境数据,即可自动分析当前森林环境数据是否为异常森林环境数据。若确定当前森林环境数据是异常森林环境数据,再自动向云端发送当前森林环境数据,让云端进一步进行确定当前森林状态,防止火灾发生,及时预警。对比相关技术,上述示例实施方式中的森林火灾监测方法极大的优化了实时传输森林环境数据造成的云端计算压力过大。响应于当前森林环境数据为异常森林环境数据,向云端发送所述当前森林环境数据,一方面,在森林环境中检测到的正常环境数据不需要向云端发送数据,而是在边缘侧设备检测到异常数据时再向云端发送环境数据,不同于将所有的环境数据上传,进而减少了传输的压力,有利于节约传输带宽资源;另一方面,只上传异常环境数据,向云端发送的总体森林环境数据也减少了,进而减轻了云端的计算压力,同时减少了对云端的依赖,节省了云端的计算资源。
应当注意,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
进一步的,本示例实施方式中,还提供了一种森林火灾监测装置。该森林火灾监测装置可以应用于一服务器或终端设备。参考图14所示,该森林火灾监测装置1400可以包括获取模块1401、分析模块1402以及处理模块1403,其中:
获取模块1401,用于获取由多种传感器采集的森林环境数据;
分析模块1402,用于在当前森林环境数据中确定异常森林环境数据;
处理模块1403,用于响应于当前森林环境数据为异常森林环境数据,向云端发送所述当前森林环境数据,以使所述云端根据所述当前森林环境数据确定当前环境状态。
在本公开的一种示例性实施例中,所示分析模块1402包括:
特征提取单元,用于提取所述当前森林环境数据中各类数据对应的特征信息;
确定单元,根据所述当前森林环境数据中各类数据对应的特征信息与各类数据对应的参考特征信息确定异常森林环境数据。
在本公开的一种示例性实施例中,特征提取单元通过以下方法来提取特征信息:
对所述当前森林环境数据中各类数据通过一维卷积神经网络获得对应的位置特征信息;
在所述各类数据对应的位置特征信息中,通过时间循环神经网络获得各类数据对应的时间特征信息;
根据所述各类数据对应的位置特征信息以及时间特征信息整合形成各类数据对应的特征信息。
在本公开的一种示例性实施例中,确定单元通过以下方法来确定异常环境数据:
通过所述当前森林环境数据中各类数据对应的特征信息与各类数据对应的参考特征信息计算当前森林环境数据中各类数据对应的特征信息的相似度;
根据所述当前森林环境数据中各类数据对应的特征信息的相似度确定异常森林环境数据;
响应于所述当前森林环境数据中各类数据对应的特征信息的相似度小于各类数据对应的参考特征信息的相似度,确定当前森林环境数据为异常森林环境数据。
在本公开的一种示例性实施例中,处理模块1403包括:
加密单元,用于响应于当前森林环境数据为异常森林环境数据,对所述当前森林环境数据进行加密处理;
发送单元,用于向云端发送所述加密处理的当前森林环境数据,以使所述云端根据所述当前森林环境数据确定当前环境问题。
上述装置中各模块的具体细节在方法部分实施方式中已经详细说明,未披露的细节内容可以参见方法部分的实施方式内容,因而不再赘述。
图15示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。
需要说明的是,图15示出的电子设备的计算机系统1500仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图15所示,计算机系统1500包括中央处理单元(CPU)1501,其可以根据存储在只读存储器(ROM)1502中的程序或者从存储部分1508加载到随机访问存储器(RAM)1503中的程序而执行各种适当的动作和处理。在RAM 1503中,还存储有系统操作所需的各种程序和数据。CPU1501、ROM 1502以及RAM 1503通过总线1504彼此相连。输入/输出(I/O)接口1505也连接至总线1504。
以下部件连接至I/O接口1505:包括键盘、鼠标等的输入部分1506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1507;包括硬盘等的存储部分1508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1509。通信部分1509经由诸如因特网的网络执行通信处理。驱动器1510也根据需要连接至I/O接口1505。可拆卸介质1511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1510上,以便于从其上读出的计算机程序根据需要被安装入存储部分1508。
特别地,根据本公开的实施例,下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。在这样的实施例中,该计算机程序可以通过通信部分1509从网络上被下载和安装,和/或从可拆卸介质1511被安装。在该计算机程序被中央处理单元(CPU)1501执行时,执行本申请的方法和装置中限定的各种功能。在一些实施例中,计算机系统1500还可以包括AI(ArtificialIntelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;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一个该电子设备执行时,使得该电子设备实现如下述实施例中所述的方法。例如,所述的电子设备可以实现如图2~图14所示的各个步骤等。
需要说明的是,本公开所示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。而在本公开中,计算机可读的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。计算机可读的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:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
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,上述模块、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,框图或流程图中的每个方框、以及框图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。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种森林火灾监测方法,其特征在于,应用于边缘侧设备,包括:
获取由多种传感器采集的森林环境数据;
在当前森林环境数据中确定异常森林环境数据;
响应于当前森林环境数据为异常森林环境数据,向云端发送所述当前森林环境数据,以使所述云端根据所述当前森林环境数据确定当前环境状态。
2.根据权利要求1所述的方法,其特征在于,所述多种传感器,包括以下一种或多种:
温度传感器,用于采集森林环境的温度数据;
光照传感器,用于采集所述森林环境的光照数据;
烟雾传感器,用于采集所述森林环境的烟雾数据。
3.根据权利要求1所述的方法,其特征在于,所述在当前森林环境数据中确定异常森林环境数据,包括:
提取所述当前森林环境数据中各类数据对应的特征信息;
根据所述当前森林环境数据中各类数据对应的特征信息与各类数据对应的参考特征信息确定异常森林环境数据。
4.根据权利要求3所述的方法,其特征在于,所述提取所述当前森林环境数据中各类数据对应的特征信息,包括:
对所述当前森林环境数据中各类数据通过一维卷积神经网络获得对应的位置特征信息;
在所述各类数据对应的位置特征信息中,通过时间循环神经网络获得各类数据对应的时间特征信息;
根据所述各类数据对应的位置特征信息以及时间特征信息整合形成各类数据对应的特征信息。
5.根据权利要求3所述的方法,其特征在于,所述根据所述当前森林环境数据中各类数据对应的特征信息与各类数据对应的参考特征信息确定异常森林环境数据,包括:
通过所述当前森林环境数据中各类数据对应的特征信息与各类数据对应的参考特征信息计算当前森林环境数据中各类数据对应的特征信息的相似度;
根据所述当前森林环境数据中各类数据对应的特征信息的相似度确定异常森林环境数据。
6.根据权利要求5所述的方法,其特征在于,所述根据所述当前森林环境数据中各类数据对应的特征信息的相似度确定异常森林环境数据,包括:
响应于所述当前森林环境数据中各类数据对应的特征信息的相似度小于各类数据对应的参考特征信息的相似度,确定当前森林环境数据为异常森林环境数据。
7.根据权利要求1所述的方法,其特征在于,响应于当前森林环境数据为异常森林环境数据,向云端发送所述当前森林环境数据,以使所述云端根据所述异常森林环境数据确定当前环境状态,包括:
响应于当前森林环境数据为异常森林环境数据,对所述当前森林环境数据进行加密处理;
向云端发送所述加密处理的当前森林环境数据,以使所述云端根据所述当前森林环境数据确定当前环境问题。
8.一种森林火灾监测装置,其特征在于,包括:
获取模块,用于获取由多种传感器采集的森林环境数据;
分析模块,用于在当前森林环境数据中确定异常森林环境数据;
处理模块,用于响应于当前森林环境数据为异常森林环境数据,向云端发送所述当前森林环境数据,以使所述云端根据所述当前森林环境数据确定当前环境状态。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7任一项所述的方法。
10.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210693230.5A CN115062706A (zh) | 2022-06-17 | 2022-06-17 | 森林火灾监测方法及装置、存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210693230.5A CN115062706A (zh) | 2022-06-17 | 2022-06-17 | 森林火灾监测方法及装置、存储介质、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115062706A true CN115062706A (zh) | 2022-09-16 |
Family
ID=83203331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210693230.5A Pending CN115062706A (zh) | 2022-06-17 | 2022-06-17 | 森林火灾监测方法及装置、存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115062706A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116193202A (zh) * | 2022-12-05 | 2023-05-30 | 百鸟数据科技(北京)有限责任公司 | 一种用于野外观测的多通路视频观测系统 |
CN116701409A (zh) * | 2023-08-07 | 2023-09-05 | 湖南永蓝检测技术股份有限公司 | 一种用于环境智能在线检测的传感器数据存储方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202472841U (zh) * | 2011-12-19 | 2012-10-03 | 南京农业大学 | 基于物联网的森林火灾监测预警系统 |
CN103514700A (zh) * | 2013-09-29 | 2014-01-15 | 柳州市宏亿科技有限公司 | 一种森林防火预警系统的设计方法 |
US20180374330A1 (en) * | 2017-06-23 | 2018-12-27 | Nandita Chakravarthy Balaji | Fire detection device and notification system |
CN111047818A (zh) * | 2019-11-01 | 2020-04-21 | 浙江省林业技术推广总站(浙江省林业信息宣传中心) | 一种基于视频图像的森林火灾预警系统 |
EP2741264B1 (en) * | 2012-12-07 | 2020-07-15 | The Boeing Company | Forest sensor deployment and monitoring system |
CN111679949A (zh) * | 2020-04-23 | 2020-09-18 | 平安科技(深圳)有限公司 | 基于设备指标数据的异常检测方法及相关设备 |
CN111831870A (zh) * | 2020-06-12 | 2020-10-27 | 北京百度网讯科技有限公司 | 时空数据的异常检测方法、装置、电子设备和存储介质 |
CN114005236A (zh) * | 2021-10-09 | 2022-02-01 | 泰山学院 | 基于物联网的森林火灾检测方法、系统和可读存储介质 |
-
2022
- 2022-06-17 CN CN202210693230.5A patent/CN115062706A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202472841U (zh) * | 2011-12-19 | 2012-10-03 | 南京农业大学 | 基于物联网的森林火灾监测预警系统 |
EP2741264B1 (en) * | 2012-12-07 | 2020-07-15 | The Boeing Company | Forest sensor deployment and monitoring system |
CN103514700A (zh) * | 2013-09-29 | 2014-01-15 | 柳州市宏亿科技有限公司 | 一种森林防火预警系统的设计方法 |
US20180374330A1 (en) * | 2017-06-23 | 2018-12-27 | Nandita Chakravarthy Balaji | Fire detection device and notification system |
CN111047818A (zh) * | 2019-11-01 | 2020-04-21 | 浙江省林业技术推广总站(浙江省林业信息宣传中心) | 一种基于视频图像的森林火灾预警系统 |
CN111679949A (zh) * | 2020-04-23 | 2020-09-18 | 平安科技(深圳)有限公司 | 基于设备指标数据的异常检测方法及相关设备 |
CN111831870A (zh) * | 2020-06-12 | 2020-10-27 | 北京百度网讯科技有限公司 | 时空数据的异常检测方法、装置、电子设备和存储介质 |
CN114005236A (zh) * | 2021-10-09 | 2022-02-01 | 泰山学院 | 基于物联网的森林火灾检测方法、系统和可读存储介质 |
Non-Patent Citations (2)
Title |
---|
王克甫;张鸿彦;: "基于GIS的森林火灾远程监测与预警系统", 计算机测量与控制, no. 05 * |
秦钰林;周若麟;张珂欣;范训礼;冯瑞航;: "基于NB-IoT窄带通信和多传感器组网技术的森林火灾监测预警系统", 物联网技术, no. 06 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116193202A (zh) * | 2022-12-05 | 2023-05-30 | 百鸟数据科技(北京)有限责任公司 | 一种用于野外观测的多通路视频观测系统 |
CN116193202B (zh) * | 2022-12-05 | 2023-07-18 | 百鸟数据科技(北京)有限责任公司 | 一种用于野外观测的多通路视频观测系统 |
CN116701409A (zh) * | 2023-08-07 | 2023-09-05 | 湖南永蓝检测技术股份有限公司 | 一种用于环境智能在线检测的传感器数据存储方法 |
CN116701409B (zh) * | 2023-08-07 | 2023-11-03 | 湖南永蓝检测技术股份有限公司 | 一种用于环境智能在线检测的传感器数据存储方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Network intrusion detection: Based on deep hierarchical network and original flow data | |
CN110929622B (zh) | 视频分类方法、模型训练方法、装置、设备及存储介质 | |
CN112738039B (zh) | 一种基于流量行为的恶意加密流量检测方法、系统及设备 | |
CN115062706A (zh) | 森林火灾监测方法及装置、存储介质、电子设备 | |
CN111629006B (zh) | 融合深度神经网络和层级注意力机制的恶意流量更新方法 | |
CN111245848B (zh) | 一种分层依赖关系建模的工控入侵检测方法 | |
CN112738014B (zh) | 一种基于卷积时序网络的工控流量异常检测方法及系统 | |
US11757723B2 (en) | Distributed secure state reconstruction method based on double-layer dynamic switching observer | |
CN111669384B (zh) | 融合深度神经网络和层级注意力机制的恶意流量检测方法 | |
CN111669385B (zh) | 融合深度神经网络和层级注意力机制的恶意流量监测系统 | |
CN104658152A (zh) | 一种基于视频的运动物体入侵报警方法 | |
CN115688035A (zh) | 一种基于自监督学习的时序电力数据异常检测方法 | |
WO2023179429A1 (zh) | 一种视频数据的处理方法、装置、电子设备及存储介质 | |
CN117220920A (zh) | 基于人工智能的防火墙策略管理方法 | |
CN104159089A (zh) | 一种异常事件报警高清视频智能处理器 | |
Qin et al. | CSCAD: Correlation structure-based collective anomaly detection in complex system | |
Tao et al. | An efficient network security situation assessment method based on AE and PMU | |
ElMenshawy et al. | A clustering based approach for contextual anomaly detection in internet of things | |
CN117113262A (zh) | 网络流量识别方法及其系统 | |
CN115208604B (zh) | 一种ami网络入侵检测的方法、装置及介质 | |
CN116684878A (zh) | 一种5g信息传输数据安全监测系统 | |
CN110097017B (zh) | 输电网络特型电表监控系统及方法 | |
CN116486524A (zh) | 基于场景识别的交流充电电子锁控制方法 | |
CN114343665B (zh) | 一种基于图卷积空时特征融合选择的心律失常识别方法 | |
CN113687610B (zh) | 一种gan-cnn电力监测系统终端信息防护法方法 |
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 |