CN116168462A - 基于智能巡检设备的安全隐患识别方法、装置和设备 - Google Patents
基于智能巡检设备的安全隐患识别方法、装置和设备 Download PDFInfo
- Publication number
- CN116168462A CN116168462A CN202211546561.2A CN202211546561A CN116168462A CN 116168462 A CN116168462 A CN 116168462A CN 202211546561 A CN202211546561 A CN 202211546561A CN 116168462 A CN116168462 A CN 116168462A
- Authority
- CN
- China
- Prior art keywords
- data
- target
- inspection data
- target area
- patrol
- 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
- 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
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/20—Checking timed patrols, e.g. of watchman
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Alarm Systems (AREA)
Abstract
本申请涉及一种基于智能巡检设备的安全隐患识别方法、装置和设备。所述方法包括：获取智能巡检设备采集的目标区域的至少两个初始巡检数据；根据各初始巡检数据的数据特征，从各初始巡检数据中选择目标巡检数据；根据目标巡检数据，识别目标区域是否存在安全隐患。采用本方法能够在节省人工巡维成本的同时，提高隐患识别的准确性。
Description
技术领域
本申请涉及电网巡检技术领域，特别是涉及一种基于智能巡检设备的安全隐患识别方法、装置和设备。
背景技术
大多数的电力线路设备地处偏远，环境恶劣，经常遭受人为或自然灾害破坏，严重时甚至会发生杆塔倾倒断线事故，给电力企业带来严重经济损失和极其不良的社会影响。为此，供电企业为确保输配电网的安全可靠运行，每年都要投入大量的人力、物力、财力做支撑保障。
以往的输电线路管理模式是在巡线后由巡线员手工填写巡线记录。然而，由于巡线员对隐患缺陷的认知能力有限，导致安全隐患的识别准确度无法得到保证。
发明内容
基于此，有必要针对上述技术问题，提供一种基于智能巡检设备的安全隐患方法、装置和设备，能够在节省人工巡维成本的同时，提高隐患识别的准确性。
第一方面，本申请提供了一种基于智能巡检设备的安全隐患识别方法。该方法包括：
获取智能巡检设备采集的目标区域的至少两个初始巡检数据；
根据各初始巡检数据的数据特征，从各初始巡检数据中选择目标巡检数据；
根据目标巡检数据，识别目标区域是否存在安全隐患。
在其中一个实施例中，根据各初始巡检数据的数据特征，从各初始巡检数据中选择目标巡检数据，包括：
确定目标区域的区域特征；
根据区域特征，与各初始巡检数据的数据特征之间的匹配度，从各初始巡检数据中选择目标巡检数据。
在其中一个实施例中，根据目标巡检数据，识别目标区域是否存在安全隐患，包括：
获取目标区域的历史巡检数据；
根据历史巡检数据，确定目标巡检数据的标签类型；
根据目标巡检数据的标签类型，识别目标区域是否存在安全隐患。
在其中一个实施例中，历史巡检数据的标签类型为隐患类型；
根据历史巡检数据，确定目标巡检数据的标签类型，包括：
确定每一历史巡检数据与目标巡检数据的相似度；
若各相似度中存在大于预设阈值的相似度，则确定目标巡检数据的标签类型为隐患类型。
在其中一个实施例中，根据目标巡检数据，识别目标区域是否存在安全隐患，包括：
基于预设隐患查询条件，根据目标巡检数据，确定目标巡检数据的标签类型；
根据目标巡检数据的标签类型，识别目标区域是否存在安全隐患。
在其中一个实施例中，该方法还包括：
根据对目标区域是否存在安全隐患的识别结果，确定管控策略；
采用管控策略，对目标区域进行管控。
第二方面，本申请还提供了一种基于智能巡检设备的安全隐患识别装置。
该装置包括：
数据获取模块，用于获取智能巡检设备采集的目标区域的至少两个初始巡检数据；
数据选择模块，用于根据各初始巡检数据的数据特征，从各初始巡检数据中选择目标巡检数据；
隐患识别模块，用于根据目标巡检数据，识别目标区域是否存在安全隐患。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取智能巡检设备采集的目标区域的至少两个初始巡检数据；
根据各初始巡检数据的数据特征，从各初始巡检数据中选择目标巡检数据；
根据目标巡检数据，识别目标区域是否存在安全隐患。
第四方面，本申请还提供了一种计算机可读存储介质。所述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以下步骤：
获取智能巡检设备采集的目标区域的至少两个初始巡检数据；
根据各初始巡检数据的数据特征，从各初始巡检数据中选择目标巡检数据；
根据目标巡检数据，识别目标区域是否存在安全隐患。
第五方面，本申请还提供了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，该计算机程序被处理器执行时实现以下步骤：
获取智能巡检设备采集的目标区域的至少两个初始巡检数据；
根据各初始巡检数据的数据特征，从各初始巡检数据中选择目标巡检数据；
根据目标巡检数据，识别目标区域是否存在安全隐患。
上述基于智能巡检设备的安全隐患识别方法、装置和设备，通过获取智能巡检设备在巡检过程中对目标区域采集到的初始巡检数据，对初始巡检设备进行分析，得到初始巡检设备的数据特征；根据初始巡检数据的数据特征，选取目标巡检数据；进一步的，基于目标巡检数据，来识别目标区域是否存在隐患，能够在节省人工巡维成本的同时，提高隐患识别的准确性。
附图说明
图1为一个实施例中基于智能巡检设备的安全隐患识别方法的应用环境图；
图2为一个实施例中基于智能巡检设备的安全隐患识别方法的流程示意图；
图3为一个实施例中选择目标巡检数据的流程示意图；
图4为一个实施例中识别目标区域是否存在安全隐患的流程示意图；
图5为另一个实施例中识别目标区域是否存在安全隐患的流程示意图；
图6为一个实施例中对目标区域进行管控的流程示意图；
图7为另一个实施例中基于智能巡检设备的安全隐患识别方法的流程示意图；
图8为一个实施例中基于智能巡检设备的安全隐患识别装置的结构框图；
图9为另一个实施例中基于智能巡检设备的安全隐患识别装置的结构框图；
图10为又一个实施例中基于智能巡检设备的安全隐患识别装置的结构框图；
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的基于智能巡检设备的安全隐患识别方法，可以应用于如图1所示的应用环境中。其中，智能巡检设备102通过网络与服务器104进行通信。具体的，智能巡检设备通过在目标区域进行巡查，采集目标区域的初始巡检数据，将采集到的初始巡检数据传输至服务器104；服务器104获取到初始巡检数据后，对初始巡检数据进行分析，根据分析得到的初始巡检数据的数据特征，从初始巡检数据中选择目标巡检数据；对目标巡检数据进行进一步分析，来识别目标区域是否存在安全隐患；进而根据识别结果，对目标区域进行管控。
其中，智能巡检设备102可以但不限于是智能航测无人机、智能巡检机器人、智能巡检监控等监测装备。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种基于智能巡检设备的安全隐患识别方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
S201，获取智能巡检设备采集的目标区域的至少两个初始巡检数据。
在本实施例中，目标区域即为有巡检需求的区域。初始巡检数据可以包括智能巡检设备采集到的图片数据、视频数据等。
具体的，智能巡检设备通过在目标区域进行巡检，对目标区域的初始巡检数据进行采集，并将采集到的至少两个初始巡检数据传输至服务器；进一步的，服务器对智能巡检设备对目标区域采集的初始巡检数据进行获取。
S202，根据各初始巡检数据的数据特征，从各初始巡检数据中选择目标巡检数据。
在本实施例中，对于每一初始巡检数据，该初始巡检数据的数据特征可以包括从初始巡检数据中所抽取出来的区域特征，例如区域的位置、检测角度等。
具体的，对初始巡检数据进行分析，得到初始巡检数据中所包含的数据特征；根据初始巡检数据的数据特征，结合目标区域的数据特征，从初始巡检数据中确定目标巡检数据。
S203，根据目标巡检数据，识别目标区域是否存在安全隐患。
在本实施例中，安全隐患即为对目标区域可能存在威胁的情况，例如存在漂浮物等情况。
具体的，确定目标巡检数据后，基于预先设定的逻辑，对目标巡检数据进行分析，进而识别目标区域是否存在安全隐患。
上述基于智能巡检设备的安全隐患识别方法，通过获取智能巡检设备在巡检过程中对目标区域采集到的初始巡检数据，对初始巡检设备进行分析，得到初始巡检设备的数据特征；根据初始巡检数据的数据特征，选取目标巡检数据；进一步的，对目标巡检数据进行分析，来识别目标区域是否存在隐患，能够在节省人工巡维成本的同时，提高隐患识别的准确性。
在上述实施例的基础上，在一个实施例中，如图3所示，进一步的对上述S202进行细化，具体可以包括以下步骤：
S301，确定目标区域的区域特征。
在本实施例中，区域特征即为目标区域的数据特征，例如目标区域的位置，检测角度等。
具体的，在确定需要进行巡检的目标区域后，可以采集目标区域的全景图像，进而基于所采集的全景图像，来确定目标区域的区域特征。例如，可以将所采集的全景图像输入至特征提取网络中，由特征提取网络来提取目标区域的区域特征。
S302，根据区域特征，与各初始巡检数据的数据特征之间的匹配度，从各初始巡检数据中选择目标巡检数据。
具体的，确定目标区域的区域特征，和各初始巡检数据的数据特征后，将区域特征与各初始巡检数据的数据特征输入至预先设定的模型中，得到区域特征与各初始巡检数据之间的匹配度；进一步的，将各匹配度与预设的匹配度阈值进行比较，若任一初始巡检数据的数据特征，与目标区域的区域特征的匹配度大于匹配度阈值，则将该初始巡检数据确定为目标巡检数据。
进一步的，目标巡检数据的数量可以为一个或多个。
在本实施例中，通过初始巡检数据的数据特征，结合目标区域的区域特征，计算得出初始巡检数据的数据特征与目标区域的区域特征的匹配度；根据初始巡检数据的数据特征与目标区域的区域特征的匹配度，从各初始巡检数据中选择目标巡检数据，使目标巡检数据的选择更加准确，进而提高了判断目标区域是否存在安全隐患的准确性。
在上述实施例的基础上，在一个实施例中，提供了一种上述S203的可实现方式，具体可以包括以下步骤：
S401，获取目标区域的历史巡检数据。
在本实施例中，历史巡检数据即为在历史时段对目标区域进行采集，获取到的巡检数据。具体的，针对目标区域，从历史数据中查找目标区域的历史巡检数据，并对历史巡检数据进行获取。
S402，根据历史巡检数据，确定目标巡检数据的标签类型。
在本实施例中，标签类型可以分为常规类型和隐患类型，常规类型的目标巡检数据即代表该目标巡检数据对应的目标区域不存在安全隐患，隐患类型的目标巡检数据即代表该目标巡检数据对应的目标区域存在安全隐患。
示例性的，一种可实现方式为，获取到历史巡检数据后，将各历史巡检数据与各目标巡检数据输入至预先设定的模型中，确定各历史巡检数据与各目标巡检数据的相似度；将各历史巡检数据与各目标巡检数据的相似度，与预设的相似度阈值进行比较，若某一历史巡检数据与某一目标巡检数据的相似度高于预设的相似度阈值，则将该历史巡检数据作为该目标巡检数据的匹配巡检数据；进一步的，对匹配巡检数据进行分析，确定各匹配巡检数据的标签类型，进而确定与之对应的目标巡检数据的标签类型。可选的，若匹配巡检数据的标签类型为常规类型，则确定与该匹配巡检数据对应的目标巡检数据的标签类型也为常规类型；若匹配巡检数据的标签类型为隐患类型，则确定与该匹配巡检数据对应的目标巡检数据的标签类型也为隐患类型。
可选的，另一种可实现方式为，获取到历史巡检数据后，对各历史巡检数据进行分析，确定各历史巡检数据的标签类型，并筛选出标签类型为隐患类型的历史巡检数据。进一步的，确定每一历史巡检数据与目标巡检数据的相似度；若各相似度中存在大于预设阈值的相似度，则确定目标巡检数据的标签类型为隐患类型。
具体的，获取到标签类型为隐患类型的历史巡检数据后，将各历史巡检数据与各目标巡检数据输入至预先设定的模型中，确定各历史巡检数据与各目标巡检数据的相似度；进一步的，将各历史巡检数据与各目标巡检数据的相似度与预设的相似度阈值进行比较，若某一历史巡检数据与某一目标巡检数据的相似度高于预设的相似度阈值，则确定该目标巡检数据的标签类型也为隐患类型。可以理解的是，这种可实现方式相较上一可实现方式而言，计算量更小，效率更高。
S403，根据目标巡检数据的标签类型，识别目标区域是否存在安全隐患。
具体的，在确定目标巡检数据的标签类型后，根据目标巡检数据的标签类型，识别目标区域是否存在安全隐患。可选的，若确定目标巡检数据的标签类型为常规类型，则确定目标区域不存在安全隐患；若确定目标巡检数据的标签类型为隐患类型，则确定目标区域存在安全隐患。
在本实施例中，通过引入历史巡检数据，并基于历史巡检数据来确定目标巡检数据的标签类型，使判断目标巡检数据的标签类型更加准确；进一步的，根据目标巡检数据的标签类型，来识别目标区域是否存在安全隐患，进而提高了判断目标区域是否存在安全隐患的准确性。
在一个实施例中，如图5所示，提供了另一种上述S203的可实现方式，具体可以包括以下步骤：
S501，基于预设隐患查询条件，根据目标巡检数据，确定目标巡检数据的标签类型。
在本实施例中，预设隐患查询条件即为预先设定的能够确定目标区域出现安全隐患的条件，包括目标区域中的防震锤出现损坏、目标区域中出现漂浮物等情况。
具体的，确定目标巡检数据后，将目标巡检数据输入至预先设定的模型中，其中，预先设定的模型中包括了预设隐患查询条件。预先设定的模型会基于预设隐患查询条件，确定目标巡检数据的标签类型。可选的，若目标巡检数据不满足预设隐患查询条件，则确定目标巡检数据的标签类型为常规类型；若目标巡检数据满足至少一条预设隐患查询条件，及确定目标巡检数据的标签类型为隐患类型。
S502，根据目标巡检数据的标签类型，识别目标区域是否存在安全隐患。
具体的，在确定目标巡检数据的标签类型后，根据目标巡检数据的标签类型，来识别目标区域是否存在安全隐患。可选的，若确定目标巡检数据的标签类型为常规类型，则确定目标区域不存在安全隐患；若确定目标巡检数据的标签类型为隐患类型，则确定目标区域存在安全隐患。
在本实施例中，通过将目标巡检数据输入至包含预设隐患查询条件的模型中，确定目标巡检数据的标签类型；进一步的，根据目标巡检数据的标签类型，来识别目标区域是否存在安全隐患，使判断目标巡检数据的标签类型更加准确，进而提高了判断目标区域是否存在安全隐患的准确性。
在一个实施例中，如图6所示，本发明提供的方法具体还包括以下步骤：
S601，根据对目标区域是否存在安全隐患的识别结果，确定管控策略。
在本实施例中，针对目标区域是否存在安全隐患的情况，为目标区域制定不同的管控策略。
可选的，若识别结果为目标区域不存在安全隐患，则针对目标区域，制定相应的常规管控策略，例如，控制智能巡检设备在一段时间内取消对目标区域的巡检操作；若识别结果为目标区域存在安全隐患，则针对目标区域，制定相应的隐患管控策略，例如，生成对目标区域的告警提示，并控制智能巡检设备在一段时间内提高对目标区域的巡检频率。
S602，采用管控策略，对目标区域进行管控。
具体的，针对目标区域是否存在安全隐患的识别结果，确定不同的管控策略后，采用不同的管控策略，对目标区域进行管控。例如，若目标区域存在隐患，相应的管控策略为隐患管控策略，此时对目标区域生成告警提示，并控制智能巡查设备在一段时间内提高对目标区域的巡检频率。
在本实施例中，根据对目标区域是否存在安全隐患的识别结果，确定针对目标区域的不同管控策略，并根据不同的管控策略，对目标区域进行管控，减少了利用智能巡检设备进行巡检的成本，并能够对目标区域存在的安全隐患快速处理，避免出现更严重的事故。
在一个实施例中，如图7所示，提供了一种基于智能巡检设备的安全隐患识别方法的可选实例。具体过程如下：
S701，获取智能巡检设备采集的目标区域的至少两个初始巡检数据。
S702，确定目标区域的区域特征。
S703，根据区域特征，与各初始巡检数据的数据特征之间的匹配度，从各初始巡检数据中选择目标巡检数据。可选的，可以执行步骤S704，或S707。
S704，获取目标区域的历史巡检数据；其中，历史巡检数据的标签类型为隐患类型。
S705，确定每一历史巡检数据与目标巡检数据的相似度。
S706，若各相似度中存在大于预设阈值的相似度，则确定目标巡检数据的标签类型为隐患类型；进一步的，执行步骤S708。
S707，基于预设隐患查询条件，根据目标巡检数据，确定目标巡检数据的标签类型；进一步的，执行步骤S708。
S708，根据目标巡检数据的标签类型，识别目标区域是否存在安全隐患。
S709，根据对目标区域是否存在安全隐患的识别结果，确定管控策略；
S710，采用管控策略，对目标区域进行管控。
上述S701-S710的具体过程可以参见上述方法实施例的描述，其实现原理和技术效果类似，在此不再赘述。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的基于智能巡检设备的安全隐患识别方法的基于智能巡检设备的安全隐患识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个基于智能巡检设备的安全隐患识别装置实施例中的具体限定可以参见上文中对于基于智能巡检设备的安全隐患识别方法的限定，在此不再赘述。
在一个实施例中，如图8所示，提供了一种基于智能巡检设备的安全隐患识别装置1，包括：数据获取模块10、数据选择模块20和隐患识别模块30，其中：
数据获取模块10，用于获取智能巡检设备采集的目标区域的至少两个初始巡检数据；
数据选择模块20，用于根据各初始巡检数据的数据特征，从各初始巡检数据中选择目标巡检数据；
隐患识别模块30，用于根据目标巡检数据，识别目标区域是否存在安全隐患。
在一个实施例中，如图9所示，上述图8中的数据选择模块20可以包括：
特征确定单元21，用于确定目标区域的区域特征；
数据选择单元22，用于根据区域特征，与各初始巡检数据的数据特征之间的匹配度，从各初始巡检数据中选择目标巡检数据。
在一个实施例中，如图10所示，上述图8中的隐患识别模块30可以包括：
数据获取单元31，用于获取目标区域的历史巡检数据；
标签确定单元32，用于根据历史巡检数据，确定目标巡检数据的标签类型；
隐患识别单元33，用于根据目标巡检数据的标签类型，识别目标区域是否存在安全隐患。
在一个实施例中，历史巡检数据的标签类型为隐患类型；上述图10中的标签确定单元32具体可以用于：
确定每一历史巡检数据与目标巡检数据的相似度；若各相似度中存在大于预设阈值的相似度，则确定目标巡检数据的标签类型为隐患类型。
在另一个实施例中，上述图8中的隐患识别模块30具体还可以用于：
基于预设隐患查询条件，根据目标巡检数据，确定目标巡检数据的标签类型；根据目标巡检数据的标签类型，识别目标区域是否存在安全隐患。
示例性的，上述装置还包括：区域管控模块，该区域管控模块具体用于：
根据对目标区域是否存在安全隐患的识别结果，确定管控策略；采用管控策略，对目标区域进行管控。
上述基于智能巡检设备的安全隐患识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史巡检数据等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于智能巡检设备的安全隐患识别方法。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取智能巡检设备采集的目标区域的至少两个初始巡检数据；
根据各初始巡检数据的数据特征，从各初始巡检数据中选择目标巡检数据；
根据目标巡检数据，识别目标区域是否存在安全隐患。
在一个实施例中，处理器执行计算机程序根据各初始巡检数据的数据特征，从各初始巡检数据中选择目标巡检数据的逻辑时，还实现以下步骤：
确定目标区域的区域特征；根据区域特征，与各初始巡检数据的数据特征之间的匹配度，从各初始巡检数据中选择目标巡检数据。
在一个实施例中，处理器执行计算机程序根据目标巡检数据，识别目标区域是否存在安全隐患的逻辑时，还实现以下步骤：
获取目标区域的历史巡检数据；根据历史巡检数据，确定目标巡检数据的标签类型；根据目标巡检数据的标签类型，识别目标区域是否存在安全隐患。
在一个实施例中，历史巡检数据的标签类型为隐患类型；处理器执行计算机程序根据历史巡检数据，确定目标巡检数据的标签类型的逻辑时，还实现以下步骤：
确定每一历史巡检数据与目标巡检数据的相似度；若各相似度中存在大于预设阈值的相似度，则确定目标巡检数据的标签类型为隐患类型。
在一个实施例中，处理器执行计算机程序根据目标巡检数据，识别目标区域是否存在安全隐患的逻辑时，还实现以下步骤：
基于预设隐患查询条件，根据目标巡检数据，确定目标巡检数据的标签类型；根据目标巡检数据的标签类型，识别目标区域是否存在安全隐患。
在一个实施例中，处理器执行计算机程序时，还实现以下步骤：
根据对目标区域是否存在安全隐患的识别结果，确定管控策略；采用管控策略，对目标区域进行管控。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取智能巡检设备采集的目标区域的至少两个初始巡检数据；
根据各初始巡检数据的数据特征，从各初始巡检数据中选择目标巡检数据；
根据目标巡检数据，识别目标区域是否存在安全隐患。
在一个实施例中，计算机程序根据各初始巡检数据的数据特征，从各初始巡检数据中选择目标巡检数据被处理器执行时还实现以下步骤：
确定目标区域的区域特征；根据区域特征，与各初始巡检数据的数据特征之间的匹配度，从各初始巡检数据中选择目标巡检数据。
在一个实施例中，计算机程序根据目标巡检数据，识别目标区域是否存在安全隐患被处理器执行时还实现以下步骤：
获取目标区域的历史巡检数据；根据历史巡检数据，确定目标巡检数据的标签类型；根据目标巡检数据的标签类型，识别目标区域是否存在安全隐患。
在一个实施例中，历史巡检数据的标签类型为隐患类型；计算机程序根据历史巡检数据，确定目标巡检数据的标签类型被处理器执行时还实现以下步骤：
确定每一历史巡检数据与目标巡检数据的相似度；若各相似度中存在大于预设阈值的相似度，则确定目标巡检数据的标签类型为隐患类型。
在一个实施例中，计算机程序根据目标巡检数据，识别目标区域是否存在安全隐患被处理器执行时还实现以下步骤：
基于预设隐患查询条件，根据目标巡检数据，确定目标巡检数据的标签类型；根据目标巡检数据的标签类型，识别目标区域是否存在安全隐患。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据对目标区域是否存在安全隐患的识别结果，确定管控策略；采用管控策略，对目标区域进行管控。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取智能巡检设备采集的目标区域的至少两个初始巡检数据；
根据各初始巡检数据的数据特征，从各初始巡检数据中选择目标巡检数据；
根据目标巡检数据，识别目标区域是否存在安全隐患。
在一个实施例中，计算机程序根据各初始巡检数据的数据特征，从各初始巡检数据中选择目标巡检数据被处理器执行时还实现以下步骤：
确定目标区域的区域特征；根据区域特征，与各初始巡检数据的数据特征之间的匹配度，从各初始巡检数据中选择目标巡检数据。
在一个实施例中，计算机程序根据目标巡检数据，识别目标区域是否存在安全隐患被处理器执行时还实现以下步骤：
获取目标区域的历史巡检数据；根据历史巡检数据，确定目标巡检数据的标签类型；根据目标巡检数据的标签类型，识别目标区域是否存在安全隐患。
在一个实施例中，历史巡检数据的标签类型为隐患类型；计算机程序根据历史巡检数据，确定目标巡检数据的标签类型被处理器执行时还实现以下步骤：
确定每一历史巡检数据与目标巡检数据的相似度；若各相似度中存在大于预设阈值的相似度，则确定目标巡检数据的标签类型为隐患类型。
在一个实施例中，计算机程序根据目标巡检数据，识别目标区域是否存在安全隐患被处理器执行时还实现以下步骤：
基于预设隐患查询条件，根据目标巡检数据，确定目标巡检数据的标签类型；根据目标巡检数据的标签类型，识别目标区域是否存在安全隐患。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据对目标区域是否存在安全隐患的识别结果，确定管控策略；采用管控策略，对目标区域进行管控。
需要说明的是，本申请所涉及的数据(包括但不限于用于分析的初始巡检数据、存储的历史巡检数据等)，均为经授权或者经过各方充分授权的数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于智能巡检设备的安全隐患识别方法，其特征在于，所述方法包括：
获取智能巡检设备采集的目标区域的至少两个初始巡检数据；
根据各初始巡检数据的数据特征，从各初始巡检数据中选择目标巡检数据；
根据所述目标巡检数据，识别所述目标区域是否存在安全隐患。
2.根据权利要求1所述的方法，其特征在于，所述根据各初始巡检数据的数据特征，从各初始巡检数据中选择目标巡检数据，包括：
确定所述目标区域的区域特征；
根据所述区域特征，与各初始巡检数据的数据特征之间的匹配度，从各初始巡检数据中选择目标巡检数据。
3.根据权利要求1所述的方法，其特征在于，所述根据所述目标巡检数据，识别所述目标区域是否存在安全隐患，包括：
获取所述目标区域的历史巡检数据；
根据所述历史巡检数据，确定所述目标巡检数据的标签类型；
根据所述目标巡检数据的标签类型，识别所述目标区域是否存在安全隐患。
4.根据权利要求3所述的方法，其特征在于，所述历史巡检数据的标签类型为隐患类型；
所述根据所述历史巡检数据，确定所述目标巡检数据的标签类型，包括：
确定每一历史巡检数据与所述目标巡检数据的相似度；
若各相似度中存在大于预设阈值的相似度，则确定所述目标巡检数据的标签类型为隐患类型。
5.根据权利要求1所述的方法，其特征在于，所述根据所述目标巡检数据，识别所述目标区域是否存在安全隐患，包括：
基于预设隐患查询条件，根据所述目标巡检数据，确定所述目标巡检数据的标签类型；
根据所述目标巡检数据的标签类型，识别所述目标区域是否存在安全隐患。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据对目标区域是否存在安全隐患的识别结果，确定管控策略；
采用所述管控策略，对所述目标区域进行管控。
7.一种基于智能巡检设备的安全隐患识别装置，其特征在于，所述装置包括：
数据获取模块，用于获取智能巡检设备采集的目标区域的至少两个初始巡检数据；
数据选择模块，用于根据各初始巡检数据的数据特征，从各初始巡检数据中选择目标巡检数据；
隐患识别模块，用于根据所述目标巡检数据，识别所述目标区域是否存在安全隐患。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，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6中任一项所述的方法的步骤。
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至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211546561.2A CN116168462A (zh) | 2022-12-05 | 2022-12-05 | 基于智能巡检设备的安全隐患识别方法、装置和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211546561.2A CN116168462A (zh) | 2022-12-05 | 2022-12-05 | 基于智能巡检设备的安全隐患识别方法、装置和设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116168462A true CN116168462A (zh) | 2023-05-26 |
Family
ID=86412068
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211546561.2A Pending CN116168462A (zh) | 2022-12-05 | 2022-12-05 | 基于智能巡检设备的安全隐患识别方法、装置和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116168462A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116503975A (zh) * | 2023-06-29 | 2023-07-28 | 成都秦川物联网科技股份有限公司 | 基于智慧燃气gis的安全隐患处置方法和物联网系统 |
-
2022
- 2022-12-05 CN CN202211546561.2A patent/CN116168462A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116503975A (zh) * | 2023-06-29 | 2023-07-28 | 成都秦川物联网科技股份有限公司 | 基于智慧燃气gis的安全隐患处置方法和物联网系统 |
| CN116503975B (zh) * | 2023-06-29 | 2023-09-12 | 成都秦川物联网科技股份有限公司 | 基于智慧燃气gis的安全隐患处置方法和物联网系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10417072B2 (en) | Scalable predictive early warning system for data backup event log | |
| EP2742442B1 (en) | A method for detecting a copy of a reference video, corresponding apparatus for extracting a spatio-temporal signature from video data and corresponding computer readable storage medium | |
| WO2020062702A1 (zh) | 短信发送的方法、装置、计算机设备和存储介质 | |
| US20160275526A1 (en) | Time Based Anomaly Analysis in Digital Documents | |
| CN111444072B (zh) | 客户端的异常识别方法、装置、计算机设备和存储介质 | |
| CN115660262B (zh) | 一种基于数据库应用的工程智慧质检方法、系统及介质 | |
| CN116168462A (zh) | 基于智能巡检设备的安全隐患识别方法、装置和设备 | |
| CN115793990B (zh) | 存储器健康状态确定方法、装置、电子设备及存储介质 | |
| CN112581027A (zh) | 一种风险信息管理方法、装置、电子设备及存储介质 | |
| CN110489416B (zh) | 一种基于数据处理的信息存储方法及相关设备 | |
| CN114629690B (zh) | 设备安全基线合规检测方法、装置和计算机设备 | |
| CN116524691A (zh) | 输电线路隐患告警方法、装置、存储介质及计算机设备 | |
| CN116561607A (zh) | 资源交互数据异常检测方法、装置和计算机设备 | |
| CN115980585A (zh) | 电池故障的检测方法、装置、计算机设备和存储介质 | |
| CN111444093B (zh) | 项目开发过程质量的确定方法、装置、计算机设备 | |
| CN113626807A (zh) | 基于大数据的计算机信息安全处理方法及系统 | |
| CN112131418A (zh) | 目标标注方法、目标标注装置和计算机可读存储介质 | |
| CN117455324B (zh) | 一种基于物理模型的大型港口运营管理方法及系统 | |
| CN111709619B (zh) | 海关查验异常处理方法、装置、计算机设备和存储介质 | |
| CN117149481A (zh) | 异常修复方法、装置、计算机设备和存储介质 | |
| CN116863312A (zh) | 电力设备缺陷检测算法评测方法、装置和计算机设备 | |
| CN118038375A (zh) | 违规设备检测方法、装置、设备、存储介质和程序产品 | |
| CN117629304A (zh) | 架空输电线路导线覆冰的监测方法、装置、设备和介质 | |
| CN114996599A (zh) | 动态资产的安全管理预警方法、系统及装置 | |
| CN116091097A (zh) | 产废用户筛选方法、装置、设备、存储介质和程序产品 |
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 |