CN115342937A - 温度异常检测方法及装置 - Google Patents
温度异常检测方法及装置 Download PDFInfo
- Publication number
- CN115342937A CN115342937A CN202211284146.4A CN202211284146A CN115342937A CN 115342937 A CN115342937 A CN 115342937A CN 202211284146 A CN202211284146 A CN 202211284146A CN 115342937 A CN115342937 A CN 115342937A
- Authority
- CN
- China
- Prior art keywords
- temperature
- temperature data
- time points
- data corresponding
- threshold
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K3/00—Thermometers giving results other than momentary value of temperature
- G01K3/08—Thermometers giving results other than momentary value of temperature giving differences of values; giving differentiated values
- G01K3/10—Thermometers giving results other than momentary value of temperature giving differences of values; giving differentiated values in respect of time, e.g. reacting only to a quick change of temperature
-
- 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
- Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明属于环境温度检测技术领域,提供了一种温度异常检测方法及装置,该温度异常检测方法包括:获取多个时间点分别对应的温度数据;基于多个时间点分别对应的温度数据,以及多个时间点分别对应的目标温度数据,得到多个时间点分别对应的第一温差;在多个时间点中至少两个连续时间点分别对应的第一温差均大于第一阈值时,确定至少两个连续时间点对应的温度数据为异常温度数据;和/或,在时间点t对应的第一温差大于第二阈值的情况下,确定时间点t对应的温度数据为异常温度数据。本发明所述方法实现对环境温度的智能监控,提高了异常温度检测效率,并节约了成本。
Description
技术领域
本发明涉及环境温度检测技术领域,尤其涉及一种温度异常检测方法及装置。
背景技术
在人工养殖区内,环境温度对牲畜的健康状态具有较大的影响。
相关技术中,大部分养殖区内均采用人工巡检的方法来探测环境温度,例如养殖猪群时,技术人员携带温度探测仪器排查对全部的猪舍是否出现异常温度,这种巡检方式费时费力,在人力有限时对多个猪舍的排查往往不及时,导致产生养殖生产损失,另外,部分养殖区采用温度传感器自动监测环境温度,但在检测环境温度异常时通常是基于经验设置温度阈值,导致检测温度的误差较大。
发明内容
本发明提供一种温度异常检测方法及装置,用以解决现有技术通过人工检测猪舍温度时费时费力且容易出现排查不及时、温度检测的误差较大的缺陷,实现对环境温度的智能监控,提高了温度检测效率。
本发明提供一种温度异常检测方法,包括:
获取多个时间点分别对应的温度数据;
基于所述多个时间点分别对应的温度数据,以及所述多个时间点分别对应的目标温度数据,得到所述多个时间点分别对应的第一温差,所述多个时间点分别对应的目标温度数据是温度预测模型基于所述多个时间点组成的时间序列预测得到;
在所述多个时间点中至少两个连续时间点分别对应的第一温差均大于第一阈值时,确定所述至少两个连续时间点对应的温度数据为异常温度数据;和/或,在时间点t对应的第一温差大于第二阈值的情况下,确定所述时间点t对应的温度数据为异常温度数据,所述时间点t为所述多个时间点中的任一项,所述第二阈值大于所述第一阈值。
根据本发明提供的一种温度异常检测方法,所述温度预测模型通过如下步骤得到:
获取多个样本温度数据;
对所述样本温度数据进行预处理,得到样本温度序列;
以所述样本温度序列为训练样本,以所述样本温度序列对应的标签为训练标签进行训练,得到所述温度预测模型。
根据本发明提供的一种温度异常检测方法,在所述确定所述时间点t对应的温度数据为异常温度数据之后,还包括:
基于所述异常温度数据,生成告警信息;
将所述告警信息发送至应用服务器,所述应用服务器用于基于所述告警信息指示终端进行应急处理。
根据本发明提供的一种温度异常检测方法,所述告警信息的触发次数不超过触发次数阈值。
根据本发明提供的一种温度异常检测方法,在所述生成告警信息之后,该方法还包括:将所述告警信息保存在本地数据库。
根据本发明提供的一种温度异常检测方法,所述温度预测模型包括循环神经网络RNN或图神经网络GNN。
本发明提供一种温度异常检测装置,包括:
获取模块,用于获取多个时间点分别对应的温度数据;
第一处理模块,用于基于所述多个时间点分别对应的温度数据,以及所述多个时间点分别对应的目标温度数据,得到所述多个时间点分别对应的第一温差,所述多个时间点分别对应的目标温度数据是温度预测模型基于所述多个时间点组成的时间序列预测得到;
第二处理模块,用于在所述多个时间点中至少两个连续时间点分别对应的第一温差均大于第一阈值时,确定所述至少两个连续时间点对应的温度数据为异常温度数据;和/或,在时间点t对应的第一温差大于第二阈值的情况下,确定所述时间点t对应的温度数据为异常温度数据,所述时间点t为所述多个时间点中的任一项,所述第二阈值大于所述第一阈值。
根据本发明提供的一种温度异常检测装置,还包括:
第三处理模块,用于在所述确定所述时间点t对应的温度数据为异常温度数据之后,基于所述异常温度数据,生成告警信息;
发送模块,用于将所述告警信息发送至应用服务器,所述应用服务器用于基于所述告警信息指示终端进行应急处理。
本发明还提供一种电子设备,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程序时实现如上述任一种所述温度异常检测方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述温度异常检测方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述温度异常检测方法。
本发明提供的温度异常检测方法及装置,通过采集的多个温度数据,并将多个温度数据和目标温度数据之间的差值与第一阈值或第二阈值进行对比分析来检测多个温度数据中的异常温度数据,从而实现对环境温度的智能监控,提高了异常温度检测效率,并节约了成本。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图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。
图1是本发明提供的温度异常检测方法的流程示意图;
图2是本发明提供的温度异常检测装置的结构示意图之一;
图3是本发明提供的温度异常检测装置的结构示意图之二;
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1-图3描述本发明的温度异常检测方法及装置。
如图1所述,该温度异常检测方法,包括:步骤110、步骤120和步骤130。
需要说明的是,该温度异常检测可以用于对养殖区内的环境温度进行检测,也可以是对养殖区内牲畜体温进行检测。
下面,以对多个猪舍内环境温度异常检测为例进行说明。
步骤110、获取多个时间点分别对应的温度数据。
在该步骤中,多个时间点的选取可根据用户实际需求自定义设置,例如,多个时间点可以是时间间隔均匀的多个时刻,也可以是时间间隔非均匀的多个时刻。
在该实施例中,多个时间点是时间间隔均匀的多个时刻,例如,多个时间点可以是8时、9时、10时等连续的整点,也可以是12时10分、12时40分、13时10分等两两间隔均匀的时间点;多个时间点是时间间隔非均匀的多个时刻,例如,多个时间点可以是8时、8时30分、8时50分,9时15分等。
在一些实施例中,各时间点可以根据实际需求自定义设置,例如,各时间点的单位可以是小时,也可以是分钟,还可以是秒等。
在该步骤中,对于多个猪舍的环境温度检测,可以是采集猪舍在多个时间点时对应的环境温度。
在该实施例中,可以通过在猪舍内安装温度传感器来实现对猪舍环境温度的实时监测。
需要说明的是,猪只体温过高会引起环境温度上升,检测环境温度的异常变化,可以用于判断猪只体温变化状况,进而排查猪只的健康状况。
步骤120、基于多个时间点分别对应的温度数据,以及多个时间点分别对应的目标温度数据,得到多个时间点分别对应的第一温差,多个时间点分别对应的目标温度数据是温度预测模型基于多个时间点组成的时间序列预测得到。
在该步骤中,多个时间点分别对应的目标温度数据可以是完全相同的温度数据,也可以部分相同温度数据,还可以是多个完全不同的温度数据。
在该步骤中,目标温度数据可以是一段时间内由机器学习模型或深度学习模型预测的最佳温度范围,例如,通过温度预测模型预测猪舍内的猪只在某一时间段的最佳饲养温度范围是15°-25°。
在该实施例中,该时间段可以是一天或多天,一小时或多小时,也可以是一分钟或多分钟,还可以是一秒或多秒等。
在该步骤中,温度预测模型可以用于预测猪舍内的不同时间点的最佳温度值,也可以用于预测猪舍内的不同时间点的温度变化情况。
在该实施例中,温度预测模型可以是机器学习模型,也可以是深度学习模型。
在该实施例中,由安装在猪舍内的传感器采集猪舍在多个时间点对应的多个温度数据,并分别与温度预测模型输出的目标温度数据进行对比分析,以确定多个温度数据中是否存在异常温度数据。
在一些实施例中,目标温度数据也可以是一段时间内多个时间点对应温度的均值。
步骤130、在多个时间点中至少两个连续时间点分别对应的第一温差均大于第一阈值时,确定至少两个连续时间点对应的温度数据为异常温度数据;和/或,在时间点t对应的第一温差大于第二阈值的情况下,确定时间点t对应的温度数据为异常温度数据,时间点T为多个时间点中的任一项,第二阈值大于第一阈值。
在该步骤中,第一阈值可根据实际需求自定义设置,例如,第一阈值可以是5℃。
在该步骤中,猪舍内的连续两个或多个时间点的温度数据与目标温度数据的差值超过第一阈值时,确定该温度差值对应的温度数据为异常温度数据。
在该实施例中,按时序排列的两个连续时间点分别与目标温度数据的差值超过第一阈值时,可以以第二个时间点对应的温度数据作为异常温度数据。
在该实施例中,猪舍内的目标温度数据为25℃,18时、19时、20时、21时和22时由传感器检测到的猪舍内环境温度分别为29.5℃、30.1℃、30.3℃、30.1℃和29.8℃,则9时、20时、21时对应的猪舍内的温度分别与目标温度数据的差值均超过第一阈值,可以认为该猪舍内的温度异常,并以21时对应的温度数据30.1℃作为异常温度数据。
在该步骤中,猪舍内的多个时间点中任一个时间点对应的温度数据与目标温度数据的差值超过第二阈值时,确定该差值对应的温度数据为异常温度数据。
在该步骤中,第二阈值可根据实际需求自定义设置,例如,第一阈值可以是5℃,第二阈值比第一阈值大。
在该实施例中,另一个猪舍内的目标温度数据为25℃,14时、15时、16时和17时由传感器检测到该猪舍内环境温度分别为32.5℃、35.2℃、33.7℃和29.1℃,则15时对应的猪舍内的温度分别与目标温度数据的差值均超过第二阈值,可以认为该猪舍内的温度异常。
在一些实施例中,由传感器检测到的猪舍内环境温度数据与目标温度数据的差值仅有一次超过第一阈值时,该差值对应的环境温度数据不被视为异常。
本发明提供的一种温度异常检测方法,通过采集的多个温度数据,并将多个温度数据和目标温度数据之间的差值与第一阈值或第二阈值进行对比分析来检测多个温度数据中的异常温度数据,从而实现对环境温度的智能监控,提高了异常温度检测效率,并节约了成本。
在一些实施例中,温度预测模型通过如下步骤得到:获取多个样本温度数据;对样本温度数据进行预处理,得到样本温度序列;以样本温度序列为训练样本,以样本温度序列对应的标签为训练标签进行训练,得到温度预测模型。
在该实施例中,多个样本温度数据可以从猪舍的历史环境温度数据中选择,为了减少不同时间段内环境温度数据的预测误差,可以选择同一时间段内的多种温度数据,例如,可以选择与待检测时间相邻月份数、相邻周数的多个时间点对应的温度数据作为样本数据。
在该实施例中,为了提高模型预测效果,可以对样本温度数据进行归一化、去异常值等预处理步骤,得到可用于作为训练样本的样本温度序列。
在该实施例中,将样本温度序列输入至循环神经网络(Recurrent NeuralNetwork,RNN)进行训练,并将收敛后的RNN模型作为温度预测模型,并通过温度预测模型得到对猪舍内各时间点对应的目标温度数据进行预测。
在一些实施例中,目标温度数据也可以是一段时间内多个时间点对应温度的均值。
在该实施例中,计算每小时内的平均温度,如6点至7点的温度数据包括多个,分别为T={T1,T2,…,Tn},n>2则7点的平均温度为:
本发明提供的一种温度异常检测方法,通过温度预测模型预测猪舍内不同时间点对应给的目标温度数据,有助于结合环境温度数据判断猪舍内环境温度的异常,且基于机器学习获取目标温度数据的方法能够减少由人工设置阈值带来的检测误差,提高了温度异常检测的准确性。
在一些实施例中,在确定时间点t对应的温度数据为异常温度数据之后,还包括:基于异常温度数据生成告警信息;将告警信息发送至应用服务器,应用服务器用于基于告警信息指示终端进行应急处理。
在该实施例中,在确认温度数据异常时,云端服务器产生告警信息,并将告警信息发送至应用服务器,应用服务器根据告警信息中的告警温度和告警位置,给发送给客户端和移动端发送指令,客户端和移动端中任一处的巡检人员收到指令后,前往发生扎堆行为的区域进行应急处理。
在一些实施例中,终端包括客户终端和移动终端。
在该实施例中,客户终端和移动终端均用于显示根据告警信息生成的指令,便于提醒上述终端处的巡检人员查看指令并进行应急处理。
在一些实施例中,告警信息可以包括告警时间、告警温度和告警位置。
在图2所示的实施例中,云端服务器通过对温度传感器发送的温度数据与目标温度数据进行对比分析后,在确认温度数据为异常温度数据时,产生告警信息,并将告警信息发送至应用服务器,应用服务器根据告警信息给客户端和移动端发送操作指令,客户端和移动端可根据操作指令执行相应的应急处理。
在该实施例中,客户终端可以是电脑,移动终端可以是智能手机或智能手环等。
本发明提供的温度异常检测方法,通过在猪舍温度异常时产生告警,并将告警信息发送给应用服务器,使得应用服务器将告警指令发送给终端,来提醒巡检人员及时发现并处理对应猪舍内的温度异常,减少了养殖生产损失。
在一些实施例中,告警信息的触发次数不超过触发次数阈值。
在该实施例中,对多个猪舍的温度进行检测时,当任一个猪舍在一段时间内的多个温度数据中存在异常温度数据,则认为该猪舍环境温度异常,由此触发告警并生成告警信息,对各个猪舍的异常温度进行告警的次数不应超过触发次数阈值。
在该实施例中,触发次数阈值可以根据实际需求自定义设置,例如,告警信息的触发次数可以设置为1次或2次。
需要说明的是,告警次数增多表示付出的巡检成本(人力、物力)会增多,因此,一个猪舍在单日内的告警次数通常设置为1。
在该实施例中,检测到猪舍内存温度异常时,触发本日告警并提醒巡检人员根据告警信息前往对应告警区域进行应急处理,处理完成后,可以于本日内不再接收该猪舍的告警并对其进行应急处理。
本发明提供的温度异常检测方法,通过设置各猪舍在单日内的告警频率,能够实现对猪舍环境的温度进行监控的同时,又能有效减少人力和物力的消耗。
在一些实施例中,在生成告警信息之后,该方法还包括:将告警信息保存在本地数据库。
在该实施例中,告警信息包含了猪舍内各时间点的告警温度和告警时间,每次第一温差对应温度数据为异常温度数据时,记录一次告警信息,并将告警信息保存至本地数据库,有助于对告警信息进行后续分析。
在一些实施例中,可以采用本地数据库保存的告警信息中包含的温度信息作为训练样本,构建温度预测模型,以实现对猪舍环境中不同时间点温度的预测。
在一些实施例中,当本地数据库记录的温度数据在目标时间段内持续超过第一阈值或第二阈值,则在目标时间段结束时基于告警信息提示客户终端和/或移动终端处的巡检人员进行应急处理。
在该实施例中,温度异常类型可分为三种:轻度异常(第一温差未超出第一阈值),中度异常(第一温差在第一阈值及第二阈值之间),重度异常(第一温差超出第二阈值)。且轻度异常属于中度异常,中度异常属于中度异常。最后根据异常程度以及持续时间及时通知巡检人员进行应急处理。
在该实施例中,在14时以及14时10分对应温度数据与目标温度数据的第一温差均未超过5℃(第一阈值)时,且在16时第一温差还是未超过5℃,则在16时进行告警并通知巡检人员进行应急处理;或者,14时及14时10分对应的温度数据与目标温度数据的第一温差连续超过10℃(第二阈值)时,且在14时30分时第一温还是超过10℃(第二阈值)时,则在14时30分进行告警并通知巡检人员进行应急处理。
本发明提供的温度异常检测方法,通过将每次记录的告警信息保存在本地数据库,有助于对告警信息进行后续分析,并且为构建温度预测模型提供了训练样本。
在一些实施例中,温度预测模型包括循环神经网络RNN或图神经网络GNN,温度预测模型可以是用于进行学习和预测时间的神经网络。
在一些实施例中,温度预测模型是如上述神经网络的深度模型时,可以现有的公开数据集对待训练网络(对应RNN或GNN)进行预训练,得到预训练后的网络参数,并作为待训练的初始参数,在经过较少次数的训练后,可得到温度预测模型,有效减少了训练时间,同时也保证了温度预测模型的预测性能。
在一些实施例中,可以通过数据增强等方式扩充样本温度数据,以提高对温度预测模型的预测性能。
本发明提供的温度异常检测方法,通过将RNN或GNN等神经网络作为用于环境温度预测的温度预测模型,能够提高温度预测的准确性,进而提高异常温度检测的准确性。
下面对本发明提供的温度异常检测装置进行描述,下文描述的温度异常检测装置与上文描述的温度异常检测方法可相互对应参照。
如图3所示,本发明提供一种温度异常检测装置,包括:获取模块310、第一处理模块320以及第二处理模块330。
获取模块310,用于获取多个时间点分别对应的温度数据;
第一处理模块320,用于基于多个时间点分别对应的温度数据,以及多个时间点分别对应的目标温度数据,得到多个时间点分别对应的第一温差,多个时间点分别对应的目标温度数据是温度预测模型基于多个时间点组成的时间序列预测得到;
第二处理模块330,用于在多个时间点中至少两个连续时间点分别对应的第一温差均大于第一阈值时,确定至少两个连续时间点对应的温度数据为异常温度数据;和/或,在时间点t对应的第一温差大于第二阈值的情况下,确定时间点t对应的温度数据为异常温度数据,时间点t为多个时间点中的任一项,第二阈值大于第一阈值。
本发明提供的一种温度异常检测装置,通过获取模块310获取多个时间点分别对应的温度数据,并通过第一处理模块320获取多个温度数据和目标温度数据之间的差值,最后通过第二处理模块330将第一温差与第一阈值或第二阈值进行对比分析来检测多个温度数据中的异常温度数据,从而实现对环境温度的智能监控,提高了异常温度检测效率,并节约了成本。
在一些实施例中,该温度异常检测装置,还包括:
第三处理模块,用于在确定时间点t对应的温度数据为异常温度数据之后,基于异常温度数据生成告警信息;
发送模块,用于将告警信息发送至应用服务器,应用服务器基于告警信息指示终端进行应急处理。
本发明提供的一种温度异常检测装置,通过在猪舍温度异常时产生告警,并将告警信息发送给应用服务器,使得应用服务器将告警指令发送给终端,来提醒巡检人员及时发现并处理对应猪舍内的温度异常,减少了养殖生产损失。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行温度异常检测方法,该方法包括:获取多个时间点分别对应的温度数据;基于多个时间点分别对应的温度数据,以及多个时间点分别对应的目标温度数据,得到多个时间点分别对应的第一温差,多个时间点分别对应的目标温度数据是温度预测模型基于多个时间点组成的时间序列预测得到;在多个时间点中至少两个连续时间点分别对应的第一温差均大于第一阈值时,确定至少两个连续时间点对应的温度数据为异常温度数据;和/或,在时间点t对应的第一温差大于第二阈值的情况下,确定时间点t对应的温度数据为异常温度数据,时间点t为多个时间点中的任一项,第二阈值大于第一阈值。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明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,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的温度异常检测方法,该方法包括:获取多个时间点分别对应的温度数据;基于多个时间点分别对应的温度数据,以及多个时间点分别对应的目标温度数据,得到多个时间点分别对应的第一温差,多个时间点分别对应的目标温度数据是温度预测模型基于多个时间点组成的时间序列预测得到;在多个时间点中至少两个连续时间点分别对应的第一温差均大于第一阈值时,确定至少两个连续时间点对应的温度数据为异常温度数据;和/或,在时间点t对应的第一温差大于第二阈值的情况下,确定时间点t对应的温度数据为异常温度数据,时间点t为多个时间点中的任一项,第二阈值大于第一阈值。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的温度异常检测方法,该方法包括:获取多个时间点分别对应的温度数据;基于多个时间点分别对应的温度数据,以及多个时间点分别对应的目标温度数据,得到多个时间点分别对应的第一温差,多个时间点分别对应的目标温度数据是温度预测模型基于多个时间点组成的时间序列预测得到;在多个时间点中至少两个连续时间点分别对应的第一温差均大于第一阈值时,确定至少两个连续时间点对应的温度数据为异常温度数据;和/或,在时间点t对应的第一温差大于第二阈值的情况下,确定时间点t对应的温度数据为异常温度数据,时间点t为多个时间点中的任一项,第二阈值大于第一阈值。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种温度异常检测方法,其特征在于,包括:
获取多个时间点分别对应的温度数据;
基于所述多个时间点分别对应的温度数据,以及所述多个时间点分别对应的目标温度数据,得到所述多个时间点分别对应的第一温差,所述多个时间点分别对应的目标温度数据是温度预测模型基于所述多个时间点组成的时间序列预测得到;
所述第一温差为同一时间点对应的温度数据与所述同一时间点对应的目标温度数据的差值;
在所述多个时间点中至少两个连续时间点分别对应的第一温差均大于第一阈值时,确定所述至少两个连续时间点对应的温度数据为异常温度数据;和/或,在时间点t对应的第一温差大于第二阈值的情况下,确定所述时间点t对应的温度数据为异常温度数据,所述时间点t为所述多个时间点中的任一项,所述第二阈值大于所述第一阈值。
2.根据权利要求1所述的温度异常检测方法,其特征在于,所述温度预测模型通过如下步骤得到:
获取多个样本温度数据;
对所述样本温度数据进行预处理,得到样本温度序列;
以所述样本温度序列为训练样本,以所述样本温度序列对应的标签为训练标签进行训练,得到所述温度预测模型。
3.根据权利要求1所述的温度异常检测方法,其特征在于,在所述确定所述时间点t对应的温度数据为异常温度数据之后,所述方法还包括:
基于所述异常温度数据,生成告警信息;
将所述告警信息发送至应用服务器,所述应用服务器用于基于所述告警信息指示终端进行应急处理。
4.根据权利要求3所述的温度异常检测方法,其特征在于,所述告警信息的触发次数不超过触发次数阈值。
5.根据权利要求3所述的温度异常检测方法,其特征在于,在所述生成告警信息之后,所述方法还包括:将所述告警信息保存在本地数据库。
6.根据权利要求1所述的温度异常检测方法,其特征在于,所述温度预测模型包括循环神经网络RNN或图神经网络GNN。
7.一种温度异常检测装置,其特征在于,包括:
获取模块,用于获取多个时间点分别对应的温度数据;
第一处理模块,用于基于所述多个时间点分别对应的温度数据,以及所述多个时间点分别对应的目标温度数据,得到所述多个时间点分别对应的第一温差,所述多个时间点分别对应的目标温度数据是温度预测模型基于所述多个时间点组成的时间序列预测得到;所述第一温差为同一时间点对应的温度数据与所述同一时间点对应的目标温度数据的差值;
第二处理模块,用于在所述多个时间点中至少两个连续时间点分别对应的第一温差均大于第一阈值时,确定所述至少两个连续时间点对应的温度数据为异常温度数据;和/或,在时间点t对应的第一温差大于第二阈值的情况下,确定所述时间点t对应的温度数据为异常温度数据,所述时间点t为所述多个时间点中的任一项,所述第二阈值大于所述第一阈值。
8.根据权利要求7所述的温度异常检测装置,其特征在于,所述装置还包括:
第三处理模块,用于在所述确定所述时间点t对应的温度数据为异常温度数据之后,基于所述异常温度数据,生成告警信息;
发送模块,用于将所述告警信息发送至应用服务器,所述应用服务器用于基于所述告警信息指示终端进行应急处理。
9.一种电子设备,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计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述温度异常检测方法。
10.一种非暂态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如权利要求1至6任一项所述温度异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211284146.4A CN115342937B (zh) | 2022-10-20 | 2022-10-20 | 温度异常检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211284146.4A CN115342937B (zh) | 2022-10-20 | 2022-10-20 | 温度异常检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115342937A true CN115342937A (zh) | 2022-11-15 |
CN115342937B CN115342937B (zh) | 2023-05-05 |
Family
ID=83957433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211284146.4A Active CN115342937B (zh) | 2022-10-20 | 2022-10-20 | 温度异常检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115342937B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116989897A (zh) * | 2023-09-26 | 2023-11-03 | 山东聚亨源环保科技有限公司 | 一种低功耗的可车载式危废库远程异常监测系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107289998A (zh) * | 2017-05-12 | 2017-10-24 | 淮阴工学院 | 基于can总线的猪舍环境温度智能监测系统 |
CN112568141A (zh) * | 2020-12-09 | 2021-03-30 | 东莞中融数字科技有限公司 | 对猪进行疾病预防的监管系统 |
CN112734731A (zh) * | 2021-01-11 | 2021-04-30 | 牧原食品股份有限公司 | 一种牲畜温度检测方法、装置、设备和存储介质 |
CN113108945A (zh) * | 2021-03-23 | 2021-07-13 | 杭州海康威视数字技术股份有限公司 | 温度异常检测方法及装置 |
US20210349897A1 (en) * | 2020-05-05 | 2021-11-11 | International Business Machines Corporation | Anomaly detection system |
WO2022004035A1 (ja) * | 2020-06-30 | 2022-01-06 | 三菱電機株式会社 | 家畜管理システム、学習装置および推論装置並びに生体見守りシステム |
CN114690706A (zh) * | 2022-05-30 | 2022-07-01 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床主轴误差预测补偿方法及系统 |
-
2022
- 2022-10-20 CN CN202211284146.4A patent/CN115342937B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107289998A (zh) * | 2017-05-12 | 2017-10-24 | 淮阴工学院 | 基于can总线的猪舍环境温度智能监测系统 |
US20210349897A1 (en) * | 2020-05-05 | 2021-11-11 | International Business Machines Corporation | Anomaly detection system |
WO2022004035A1 (ja) * | 2020-06-30 | 2022-01-06 | 三菱電機株式会社 | 家畜管理システム、学習装置および推論装置並びに生体見守りシステム |
CN112568141A (zh) * | 2020-12-09 | 2021-03-30 | 东莞中融数字科技有限公司 | 对猪进行疾病预防的监管系统 |
CN112734731A (zh) * | 2021-01-11 | 2021-04-30 | 牧原食品股份有限公司 | 一种牲畜温度检测方法、装置、设备和存储介质 |
CN113108945A (zh) * | 2021-03-23 | 2021-07-13 | 杭州海康威视数字技术股份有限公司 | 温度异常检测方法及装置 |
CN114690706A (zh) * | 2022-05-30 | 2022-07-01 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床主轴误差预测补偿方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116989897A (zh) * | 2023-09-26 | 2023-11-03 | 山东聚亨源环保科技有限公司 | 一种低功耗的可车载式危废库远程异常监测系统 |
CN116989897B (zh) * | 2023-09-26 | 2023-12-22 | 山东聚亨源环保科技有限公司 | 一种低功耗的可车载式危废库远程异常监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115342937B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110275814A (zh) | 一种业务系统的监控方法及装置 | |
CN109637549A (zh) | 一种对猪只进行声音检测的方法、装置和检测系统 | |
US11432531B2 (en) | Systems, methods, and apparatuses for implementing real time beef cattle monitoring utilizing radio-frequency identification (RFID) based technologies | |
CN112385569B (zh) | 使用健康图网络检测和管理牲畜中的疾病爆发 | |
Feiyang et al. | Monitoring behavior of poultry based on RFID radio frequency network | |
CN203480284U (zh) | 基于物联网的果园环境信息监控系统 | |
CN108053627A (zh) | 一种火灾报警方法、装置及设备 | |
CN112532435B (zh) | 一种运维方法、运维管理平台、设备及介质 | |
CN115342937B (zh) | 温度异常检测方法及装置 | |
CN117115637A (zh) | 一种基于大数据技术的水质监测预警方法及系统 | |
CN111028862A (zh) | 处理语音数据的方法、装置、计算机设备和存储介质 | |
CN117473446B (zh) | 基于深度学习的异常检测和处理方法及系统 | |
CN110427872A (zh) | 一种牲畜监控方法、装置及设备 | |
CN118094417A (zh) | 一种ctd数据质量监测方法、装置、电子设备和介质 | |
CN117350435A (zh) | 一种对虾工厂化养殖设备管理方法及系统 | |
EP3679787B1 (en) | Method and system for monitoring epidemic disease in piggery | |
Liberati et al. | Improving the automated monitoring of dairy cows by integrating various data acquisition systems | |
CN115359050B (zh) | 家畜采食量异常检测方法及装置 | |
CN116343018A (zh) | 一种基于图像处理的渔业捕捞智能识别方法、系统及介质 | |
CN113792702A (zh) | 一种基于计算机视觉的视频流家畜监测方法及系统 | |
Mamatha et al. | Remotely monitored web based smart hydroponics system for crop yield prediction using IoT | |
Chan et al. | Comparison of manual, machine learning, and hybrid methods for video annotation to extract parental care data | |
CN114095337A (zh) | Kpi异常检测方法、装置、计算设备及计算机存储介质 | |
CN110852517A (zh) | 非正常行为预警方法、装置、数据处理设备及存储介质 | |
CN106993270B (zh) | 环境状况异常通知系统及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |