CN116310521A - 异常检测方法、装置、存储介质、电子设备及系统 - Google Patents
异常检测方法、装置、存储介质、电子设备及系统 Download PDFInfo
- Publication number
- CN116310521A CN116310521A CN202310190511.3A CN202310190511A CN116310521A CN 116310521 A CN116310521 A CN 116310521A CN 202310190511 A CN202310190511 A CN 202310190511A CN 116310521 A CN116310521 A CN 116310521A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- detection
- abnormality
- data
- target detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 337
- 230000005856 abnormality Effects 0.000 title claims abstract description 114
- 238000003860 storage Methods 0.000 title claims abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims description 167
- 238000012549 training Methods 0.000 claims description 28
- 238000011217 control strategy Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 231100000206 health hazard Toxicity 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Alarm Systems (AREA)
Abstract
本公开涉及一种异常检测方法、装置、存储介质、电子设备及系统,该方法包括:确定目标检测区域对应的目标检测数据,其中,所述目标检测数据包括所述目标检测区域内的设备数据和人员数据;将所述目标检测数据输入到预先训练好的异常检测模型中,得到所述异常检测结果,所述异常检测结果包括所述异常设备检测结果和异常人员检测结果;其中,所述异常检测模型包括第一检测模型和第二检测模型,所述第一检测模型用于对所述目标检测数据中的图像数据进行异常检测,所述第二检测模型用于对所述目标检测数据中的文本数据进行异常检测。
Description
技术领域
本公开涉及数据处理领域,具体地,涉及一种异常检测方法、装置、存储介质、电子设备及系统。
背景技术
生产安全是电力生产中的重要领域,目前电力生产现场区域的作业管控方案已经逐步趋向于电子化,但由于各个生产环节的差异性,导致其哥哥环节的风险防范和预控措施的各不相同,因此,在生产安全方面,工现场作业安全风险的监控仍然采用人工确认作业。
但是,人工确认的方式必然存在工作疏忽、执行不到位的情况,事故事件发生率较高,较大程度上影响现场区域作业安全风险主动预控的预期完成效果,进而导致生产现场区域作业安全风险防范措施的落实效率大大降低。
发明内容
为了实现相关技术中存在的技术问题,本公开提供一种异常检测方法、装置、存储介质、电子设备及系统。
根据本公开实施例的第一方面,提供一种异常检测方法,包括:
确定目标检测区域对应的目标检测数据,其中,所述目标检测数据包括所述目标检测区域内的设备数据和人员数据;
将所述目标检测数据输入到预先训练好的异常检测模型中,得到所述异常检测结果,所述异常检测结果包括所述异常设备检测结果和异常人员检测结果;
其中,所述异常检测模型包括第一检测模型和第二检测模型,所述第一检测模型用于对所述目标检测数据中的图像数据进行异常检测,所述第二检测模型用于对所述目标检测数据中的文本数据进行异常检测。
可选地,所述确定目标检测区域对应的目标检测数据,包括:
获取作业现场的数据信息,所述数据信息包括所述作业现场配置的设备信息和人员信息;
根据所述数据信息和预设的数据库,确定目标检测区域对应的目标检测数据,所述数据库存储有所述作业现场的历史异常情况以及所述历史异常情况对应的历史数据信息。
可选地,还包括:
根据所述异常检测结果,确定所述目标检测区域是否存在异常;
在所述目标检测区域存在异常的情况下,基于所述异常设备检测结果,确定异常设备;
根据预设的所述异常设备的设备配置信息,对所述异常设备进行设备调整;和/或
基于所述异常人员检测结果,确定异常人员所在的异常区域;
根据预设的所述异常区域的人员配置信息,生成人员管控策略,所述人员管控策略用于对所述异常区域内的人员进行管控。
可选地,还包括:
在所述目标检测区域存在异常的情况下进行报警提示。
可选地,所述异常检测模型的训练过程包括:
获取包括异常设备信息的第一样本图像和包括异常人员信息的第二样本图像;
基于所述第一样本图像和所述第二样本图像训练所述第一检测模型;并
获取包括异常设备信息的第一样本文本和包括异常人员信息的第二样本文本;
基于所述第一样本文本和所述第二样本文本训练所述第二检测模型。
可选地,还包括
根据所述异常检测结果,确定所述目标检测区域是否存在异常;
在所述目标检测区域存在异常的情况下,确定所述异常检测模型的训练样本是否包括所述异常检测结果对应的异常数据;
在所述训练样本不包括所述异常检测结果对应的异常数据的情况下,基于所述异常检测结果对应的异常数据更新所述异常检测模型。
根据本公开实施例的第二方面,提供一种异常检测装置,包括:
确定模块,用于确定目标检测区域对应的目标检测数据,其中,所述目标检测数据包括所述目标检测区域内的设备数据和人员数据;
检测模块,用于将所述目标检测数据输入到预先训练好的异常检测模型中,得到所述异常检测结果,所述异常检测结果包括所述异常设备检测结果和异常人员检测结果;
其中,所述异常检测模型包括第一检测模型和第二检测模型,所述第一检测模型用于对所述目标检测数据中的图像数据进行异常检测,所述第二检测模型用于对所述目标检测数据中的文本数据进行异常检测。
根据本公开实施例的第三方面,提供一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面中任一项所述方法的步骤。
根据本公开实施例的第四方面,提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现第一方面中任一项所述方法的步骤。
根据本公开实施例的第五方面,提供一种异常检测系统,
异常检测装置,用于确定作业现场是否存在异常;
报警装置,用于在确定作业现场存在异常的情况下进行报警提示;
控制装置,用于在确定作业现场存在异常的情况下,对所述作业现场内的存在异常的设备进行设备控制和/或生成所述异常区域的人员管控策略,所述人员管控策略用于对所述异常区域内的人员进行管控。
通过上述技术方案,将实时获取的目标检测区域对应的设备数据和人员数据输入到预先训练好的异常检测模型中,得到设备检测结果和异常人员检测结果。可以全面、实时掌握对电力生产现场区域内的人员、设备的状态进行监测,并对其异常情况进行识别,从而实现生产现场区域作业安全风险的识别管控,极大提升了现场区域作业的安全可靠度和预警防范措施的及时准确性,进而可以有效提升生产现场区域作业安全风险防范措施的落实效率,减少因人员工作疏忽、管理不到位等情况造成的事故事件,进一步提高智慧安全管控水平。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据一示例性实施例示出的一种异常检测方法的流程图。
图2是根据另一示例性实施例示出的一种异常检测方法的流程图。
图3是根据一示例性实施例示出的一种异常检测装置的框图。
图4是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
图1是根据一示例性实施例示出的一种异常检测方法,应用于电子设备,包括以下步骤:
在步骤S101中,确定目标检测区域对应的目标检测数据,其中,目标检测数据包括目标检测区域内的设备数据和人员数据。
在步骤S102中,将目标检测数据输入到预先训练好的异常检测模型中,得到异常检测结果,异常检测结果包括异常设备检测结果和异常人员检测结果。
其中,异常检测模型包括第一检测模型和第二检测模型,第一检测模型用于对目标检测数据中的图像数据进行异常检测,第二检测模型用于对目标检测数据中的文本数据进行异常检测。
应当理解的是,目标检测区域可以是现场区域作业中可能带来安全风险的设备所在的区域,和/或工作人员可能出现操作失误的区域,和/或可能带来安全风险和职业健康损害的环境因素。目标检测区域内的设备数据可以是该目标检测区域内的设备在运行过程中的实时产生的运行数据和设备的相关参数信息,以及设备的实时监控画面数据等,用以判断是否发生例如管道失压、危险气体泄漏的异常情况。目标检测区域内的人员数据可以是该目标检测区域内,针对工作人员的操作监控视频和区域内实时监控画面数据,用以判断是否发生人员身体越界、操作失误以及动作危险等异常情况。
示例地,异常设备检测结果可以包括异常设备的异常运行数据、发生异常时间点或时间段、与该异常时间点或时间段对应的正在运行的其他相关设备,以及相关人员信息。异常人员检测结果可以包括异常人员的身份信息、行为轨迹、发生异常时间点或时间段,以及与该异常时间点或时间段对应的正在运行的其他相关设备和其他相关人员信息。
目标检测数据中的图像数据可以通过设置在目标检测区域内的视频采集装置获取,该视频采集装置比如可以是摄像头。用以采集目标检测区域内的各种设备的外观图像、各种设备的周边环境图像以及人员对设备进行操作的过程中行动边界、人员数量以及操作行为的图像。目标检测数据中的文本数据可以通过目标检测区域内的各个设备对应的传感器和设置在目标检测区域内的其他传感器获取。当然,也可以通过其他方式获取目标检测数据中的图像数据和文本数据,本公开实施例对此不作限定。
通过上述技术方案,将实时获取的目标检测区域对应的设备数据和人员数据输入到预先训练好的异常检测模型中,得到设备检测结果和异常人员检测结果。可以全面、实时掌握对电力生产现场区域内的人员、设备的状态进行监测,并对其异常情况进行识别,从而实现生产现场区域作业安全风险的识别管控,极大提升了现场区域作业的安全可靠度和预警防范措施的及时准确性,进而可以有效提升生产现场区域作业安全风险防范措施的落实效率,减少因人员工作疏忽、管理不到位等情况造成的事故事件,进一步提高智慧安全管控水平。
在可能的方式中,确定目标检测区域对应的目标检测数据可以是:
获取作业现场的数据信息,数据信息包括作业现场配置的设备信息和人员信息;
根据数据信息和预设的数据库,确定目标检测区域对应的目标检测数据,数据库存储有作业现场的历史异常情况以及历史异常情况对应的历史数据信息。
示例地,预设的数据库可以存储有作业现场相关设备的历史异常情况以及对应的异常数据,在获取作业现场的数据信息后,可以将实时获取的数据信息与数据库中存储的历史异常情况以及历史异常情况对应的历史数据信息进行数据比对,得到数据比对结果,以根据数据比对结果确定目标检测区域。其中,可以采用提取关键词并进行关键词比对的方法确定目标检测区域,本公开实施例对此不作限定。另外,还可以从网页或其他文件中抓取异常情况和异常数据,以对数据库进行数据更新,本公开实施例对此也不作限定。
在确定目标检测区域后,再根据预设的数据库中的历史异常情况以及历史异常情况对应的历史数据信息,确定针对该目标检测区域进行异常检测所需要的目标检测数据。
应当理解的是,预设的数据库可以是包括已有信息系统的数据库、Excel形式的业务表单、纸质文件。针对设备要素,数据库可以预存有所安装各类传感器的预警阈值、设备发生异常时的外观图像。针对人员行为要素,数据库可以预存有人员行动边界,区域内人员数量的预警阈值、异常行为的外观图像,例如人员身体越界、操作失误、危险动作等)。针对环境要素,数据库可以预存有所安装的各类环境传感器的预警阈值,例如空气成份、排放水等、环境发生异常时的外观图像例如火灾、溢水等。
在可能的方式中,还可以:
根据异常检测结果,确定目标检测区域是否存在异常;
在目标检测区域存在异常的情况下,基于异常设备检测结果,确定异常设备;
根据预设的异常设备的设备配置信息,对异常设备进行设备调整;和/或
基于异常人员检测结果,确定异常人员所在的异常区域;
根据预设的异常区域的人员配置信息,生成人员管控策略,人员管控策略用于对异常区域内的人员进行管控。
示例地,在确定目标检测区域存在异常的情况下,可以再进一步根据异常设备检测结果确定异常设备,以及异常设备的异常运行数据、发生异常时间点或时间段、与该异常时间点或时间段对应的正在运行的其他相关设备、相关人员信息等,并根据预设的异常设备的设备配置信息,对异常设备进行设备调整。
同时,再进一步基于异常人员检测结果确定异常人员所在的异常区域、该异常区域内的异常人员的身份信息、行为轨迹、发生异常时间点或时间段,以及与该异常时间点或时间段对应的正在运行的其他相关设备和其他相关人员信息。根据预设的异常区域的人员配置信息,生成人员管控策略,以便工作人员可以根据人员管控策略对该异常区域进行人员调整或人员重新分配。
其中,设备的设备配置信息和每一区域的人员配置信息均可以存储在预设的数据库中,本公开实施例对此不作限定。
在可能的方式中,还可以在目标检测区域存在异常的情况下进行报警提示。
示例地,可以在目标检测区域设置声光报警器进行报警提示,声光报警器的报警方式为同时发出声、光两种警报信号,以便工作人员根据报警信号对异常情况进行处理。也可以向设置在谁被控制室发送报警提示信息,还可以与工作人员所携带的移动设备远程通讯,在目标检测区域存在异常的情况下向移动设备上发送警报信号。其中,警报信号可以包括异常设备,以及异常设备的异常运行数据、发生异常时间点或时间段、与该异常时间点或时间段对应的正在运行的其他相关设备、相关人员信息等。和/或异常区域内的异常人员的身份信息、行为轨迹、发生异常时间点或时间段,以及与该异常时间点或时间段对应的正在运行的其他相关设备和其他相关人员信息。本公开实施例对进行报警提示的方法不作具体限定。
在可能的方式中,异常检测模型的训练过程包括:
获取包括异常设备信息的第一样本图像和包括异常人员信息的第二样本图像;
基于第一样本图像和第二样本图像训练第一检测模型;并
获取包括异常设备信息的第一样本文本和包括异常人员信息的第二样本文本;
基于第一样本文本和第二样本文本训练第二检测模型。
示例地,第一检测模型可以是图像检测模型,第一样本图像可以包括异常情况下各种设备典型外观图像或特征描述,第一样本图像可以标记有异常设备的位置,第二样本图像可以包括人员的行动边界、异常行为的典型外观图像或特征描述,第二样本图像可以标记有异常人员的位置,基于第一样本图像和第二样本图像训练得到的第一检测模型可以确定实时获取的图像数据中的异常设备或异常人员的位置信息。第二检测模型可以是文字特征检测模型,第一样本文本可以将异常设备的数据标出,第二样本文本可以将异常人员的数据标出,基于第一样本文本和第二样本文本训练得到的第二检测模型可以确定实时获取的文本数据中的异常设备或异常人员的数据信息。针对第一检测模型和第二检测模型的训练方法,实施例不作具体阐述。
应当理解的是,异常检测模型的训练样本可以来源于预设的数据库,可以基于数据库中的各类基础数据,参照初始的异常检测模型进行数据的归集、抽取和挖掘,参照应用模型,引用抽取已有信息化系统中的数据库记录,或依据数据结构及模型完成数据整理和数据导入的准备工作。
在可能的方式中,还可以:
根据异常检测结果,确定目标检测区域是否存在异常;
在目标检测区域存在异常的情况下,确定异常检测模型的训练样本是否包括异常检测结果对应的异常数据;
在训练样本不包括异常检测结果对应的异常数据的情况下,基于异常检测结果对应的异常数据更新异常检测模型。
应当理解的是,训练样本可以存储于某一存储器或数据库中,因此可以在对设备现场进行异常检测的过程中,基于异常检测结果,更新或丰富训练样本,然后基于更新后的更加丰富的训练样本再次对已有的异常检测模型进行训练,进而使得异常检测模型更加完善,可以识别的更多的异常情况。
示例地,可以在目标检测区域存在异常的情况下,确定异常检测模型的训练样本是否包括异常检测结果对应的异常数据,在训练样本不包括异常检测结果对应的异常数据的情况下,将异常检测结果以及其对应的异常数据添加至已有的训练样本中,得到新的训练样本,再基于新的训练样本更新异常检测模型。
在可能的方式中,还可以基于采集装置采集到的待检测区域的全景数据,对待检测区域进行3D建模,得到目标检测区域的三维模拟场景,同时通过智能图像识别平台进行识别,对设备、巡检点、缺陷、隐患、危险点及工作人员位置的全景信息精确定位,然后可以根据三维模拟场景确定目标检测区域。
图2是根据另一示例性实施例示出的一种异常检测方法,应用于电子设备,包括以下步骤:
步骤S201,获取作业现场的数据信息,数据信息包括作业现场配置的设备信息和人员信息。
步骤S202,根据数据信息和预设的数据库,确定目标检测区域对应的目标检测数据,数据库存储有作业现场的历史异常情况以及历史异常情况对应的历史数据信息。
步骤S203,将目标检测数据输入到预先训练好的异常检测模型中,得到异常检测结果,异常检测结果包括异常设备检测结果和异常人员检测结果。其中,异常检测模型包括第一检测模型和第二检测模型,第一检测模型用于对目标检测数据中的图像数据进行异常检测,第二检测模型用于对目标检测数据中的文本数据进行异常检测。
步骤S204,根据异常检测结果,确定目标检测区域是否存在异常。若目标检测区域存在异常,执行步骤S205,并执行步骤S209,否则返回步骤S201。
步骤S205,基于异常设备检测结果,确定异常设备。
步骤S206,根据预设的异常设备的设备配置信息,对异常设备进行设备调整。并执行步骤S207。
步骤S207,基于异常人员检测结果,确定异常人员所在的异常区域。
步骤S208,根据预设的异常区域的人员配置信息,生成人员管控策略,人员管控策略用于对异常区域内的人员进行管控。
步骤S209,在目标检测区域存在异常的情况下进行报警提示。
通过上述技术方案,将实时获取的目标检测区域对应的设备数据和人员数据输入到预先训练好的异常检测模型中,得到设备检测结果和异常人员检测结果。可以全面、实时掌握对电力生产现场区域内的人员、设备的状态进行监测,并对其异常情况进行识别,从而实现生产现场区域作业安全风险的识别管控,极大提升了现场区域作业的安全可靠度和预警防范措施的及时准确性,进而可以有效提升生产现场区域作业安全风险防范措施的落实效率,减少因人员工作疏忽、管理不到位等情况造成的事故事件。进一步的,根据预设的异常设备的设备配置信息,对异常设备进行设备调整,以及根据预设的异常区域的人员配置信息,生成用于对异常区域内的人员进行管控的人员管控策略,提高了智慧安全管控水平。
基于同一发明构思,本公开实施例还提供一种异常检测系统,该异常检测系统包括:
异常检测装置,用于确定作业现场是否存在异常;
报警装置,用于在确定作业现场存在异常的情况下进行报警提示;
控制装置,用于在确定作业现场存在异常的情况下,对作业现场内的存在异常的设备进行设备控制和/或生成异常区域的人员管控策略,人员管控策略用于对异常区域内的人员进行管控。
图3是根据一示例性实施例示出的一种异常检测装置的框图。参照图3该异常检测装置300包括确定模块301和检测模块302。
确定模块301,用于确定目标检测区域对应的目标检测数据,其中,目标检测数据包括目标检测区域内的设备数据和人员数据;
检测模块302,用于将目标检测数据输入到预先训练好的异常检测模型中,得到异常检测结果,异常检测结果包括异常设备检测结果和异常人员检测结果;
其中,异常检测模型包括第一检测模型和第二检测模型,第一检测模型用于对目标检测数据中的图像数据进行异常检测,第二检测模型用于对目标检测数据中的文本数据进行异常检测。
可选地,所述确定模块301用于:
获取作业现场的数据信息,所述数据信息包括所述作业现场配置的设备信息和人员信息;
根据所述数据信息和预设的数据库,确定目标检测区域对应的目标检测数据,所述数据库存储有所述作业现场的历史异常情况以及所述历史异常情况对应的历史数据信息。
可选地,所述异常检测装置300还包括:
第一确定子模块,用于根据所述异常检测结果,确定所述目标检测区域是否存在异常;
第二确定子模块,用于在所述目标检测区域存在异常的情况下,基于所述异常设备检测结果,确定异常设备;
调整模块,用于根据预设的所述异常设备的设备配置信息,对所述异常设备进行设备调整;和/或
第三确定子模块,用于基于所述异常人员检测结果,确定异常人员所在的异常区域;
生成模块,用于根据预设的所述异常区域的人员配置信息,生成人员管控策略,所述人员管控策略用于对所述异常区域内的人员进行管控。
可选地,所述异常检测装置300还包括:
在所述目标检测区域存在异常的情况下进行报警提示。
选地,所述异常检测模型的训练过程包括:
获取包括异常设备信息的第一样本图像和包括异常人员信息的第二样本图像;
基于所述第一样本图像和所述第二样本图像训练所述第一检测模型;并
获取包括异常设备信息的第一样本文本和包括异常人员信息的第二样本文本;
基于所述第一样本文本和所述第二样本文本训练所述第二检测模型。
可选地,所述异常检测模型的训练过程还包括:
根据所述异常检测结果,确定所述目标检测区域是否存在异常;
在所述目标检测区域存在异常的情况下,确定所述异常检测模型的训练样本是否包括所述异常检测结果对应的异常数据;
在所述训练样本不包括所述异常检测结果对应的异常数据的情况下,基于所述异常检测结果对应的异常数据更新所述异常检测模型。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
基于同一发明构思,本公开实施例还提供一种非临时性计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现本公开提供的异常检测方法的步骤。
图4是根据一示例性实施例示出的一种电子设备的框图。如图4所示,该电子设备400可以包括:处理器401,存储器402。该电子设备400还可以包括多媒体组件403,输入/输出(I/O)接口404,以及通信组件405中的一者或多者。
其中,处理器401用于控制该电子设备400的整体操作,以完成上述的异常检测方法中的全部或部分步骤。存储器402用于存储各种类型的数据以支持在该电子设备400的操作,这些数据例如可以包括用于在该电子设备400上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器402可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件403可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器402或通过通信组件405发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口404为处理器401和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件405用于该电子设备400与其他电子设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件405可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备400可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的异常检测方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读介质,该程序指令被处理器执行时实现上述的异常检测方法的步骤。例如,该计算机可读介质可以为上述包括程序指令的存储器402,上述程序指令可由电子设备400的处理器401执行以完成上述的异常检测方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的异常检测方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (10)
1.一种异常检测方法,其特征在于,包括:
确定目标检测区域对应的目标检测数据,其中,所述目标检测数据包括所述目标检测区域内的设备数据和人员数据;
将所述目标检测数据输入到预先训练好的异常检测模型中,得到所述目标检测区域的异常检测结果,所述异常检测结果包括异常设备检测结果和异常人员检测结果;
其中,所述异常检测模型包括第一检测模型和第二检测模型,所述第一检测模型用于对所述目标检测数据中的图像数据进行异常检测,所述第二检测模型用于对所述目标检测数据中的文本数据进行异常检测。
2.根据权利要求1所述的方法,其特征在于,所述确定目标检测区域对应的目标检测数据,包括:
获取作业现场的数据信息,所述数据信息包括所述作业现场配置的设备信息和人员信息;
根据所述数据信息和预设的数据库,确定目标检测区域对应的目标检测数据,所述数据库存储有所述作业现场的历史异常情况以及所述历史异常情况对应的历史数据信息。
3.根据权利要求1所述的方法,其特征在于,还包括:
根据所述异常检测结果,确定所述目标检测区域是否存在异常;
在所述目标检测区域存在异常的情况下,基于所述异常设备检测结果,确定异常设备;
根据预设的所述异常设备的设备配置信息,对所述异常设备进行设备调整;和/或
基于所述异常人员检测结果,确定异常人员所在的异常区域;
根据预设的所述异常区域的人员配置信息,生成人员管控策略,所述人员管控策略用于对所述异常区域内的人员进行管控。
4.根据权利要求3所述的方法,其特征在于,还包括:
在所述目标检测区域存在异常的情况下进行报警提示。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述异常检测模型的训练过程包括:
获取包括异常设备信息的第一样本图像和包括异常人员信息的第二样本图像;
基于所述第一样本图像和所述第二样本图像训练所述第一检测模型;并
获取包括异常设备信息的第一样本文本和包括异常人员信息的第二样本文本;
基于所述第一样本文本和所述第二样本文本训练所述第二检测模型。
6.根据权利要求5所述的方法,其特征在于,还包括:
根据所述异常检测结果,确定所述目标检测区域是否存在异常;
在所述目标检测区域存在异常的情况下,确定所述异常检测模型的训练样本是否包括所述异常检测结果对应的异常数据;
在所述训练样本不包括所述异常检测结果对应的异常数据的情况下,基于所述异常检测结果对应的异常数据更新所述异常检测模型。
7.一种异常检测装置,其特征在于,包括:
确定模块,用于确定目标检测区域对应的目标检测数据,其中,所述目标检测数据包括所述目标检测区域内的设备数据和人员数据;
检测模块,用于将所述目标检测数据输入到预先训练好的异常检测模型中,得到所述目标检测区域的异常检测结果,所述异常检测结果包括异常设备检测结果和异常人员检测结果;
其中,所述异常检测模型包括第一检测模型和第二检测模型,所述第一检测模型用于对所述目标检测数据中的图像数据进行异常检测,所述第二检测模型用于对所述目标检测数据中的文本数据进行异常检测。
8.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-6中任一项所述方法的步骤。
9.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-6中任一项所述方法的步骤。
10.一种异常检测系统,其特征在于,所述异常检测系统包括:
异常检测装置,用于确定作业现场是否存在异常;
报警装置,用于在确定作业现场存在异常的情况下进行报警提示;
控制装置,用于在确定作业现场存在异常的情况下,对所述作业现场内的存在异常的设备进行设备控制和/或生成所述异常区域的人员管控策略,所述人员管控策略用于对所述异常区域内的人员进行管控。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310190511.3A CN116310521A (zh) | 2023-03-01 | 2023-03-01 | 异常检测方法、装置、存储介质、电子设备及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310190511.3A CN116310521A (zh) | 2023-03-01 | 2023-03-01 | 异常检测方法、装置、存储介质、电子设备及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116310521A true CN116310521A (zh) | 2023-06-23 |
Family
ID=86800709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310190511.3A Pending CN116310521A (zh) | 2023-03-01 | 2023-03-01 | 异常检测方法、装置、存储介质、电子设备及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116310521A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117421688A (zh) * | 2023-12-18 | 2024-01-19 | 金品计算机科技(天津)有限公司 | 基于机器学习的智能预警方法、装置、设备及介质 |
-
2023
- 2023-03-01 CN CN202310190511.3A patent/CN116310521A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117421688A (zh) * | 2023-12-18 | 2024-01-19 | 金品计算机科技(天津)有限公司 | 基于机器学习的智能预警方法、装置、设备及介质 |
CN117421688B (zh) * | 2023-12-18 | 2024-03-22 | 金品计算机科技(天津)有限公司 | 基于机器学习的智能预警方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113095132B (zh) | 基于神经网络燃气现场识别方法、系统、终端及存储介质 | |
CN105551549A (zh) | 一种核电设备运行状况在线监测方法及系统 | |
US20160291577A1 (en) | Work support device and work support method | |
CN112185050B (zh) | 安全等级确认方法、装置和消防系统 | |
CN111160701A (zh) | 工程项目风险监控方法、系统、计算机设备和存储介质 | |
CN114237087A (zh) | 监控系统预警方法、装置及计算机可读存储介质 | |
CN110675587B (zh) | 火灾预警方法、装置、终端及可读存储介质 | |
CN116310521A (zh) | 异常检测方法、装置、存储介质、电子设备及系统 | |
CN111339074A (zh) | 阈值生成方法、装置、设备和存储介质 | |
CN113066254A (zh) | 核电设备工作环境异常预警方法、装置、设备和存储介质 | |
CN111723646A (zh) | 一种远程辅助维护设备的方法和装置 | |
Piao et al. | Dynamic fall risk assessment framework for construction workers based on dynamic Bayesian network and computer vision | |
CN115059634B (zh) | 鼓风设备的故障诊断方法及装置、电子设备 | |
CN115393142A (zh) | 智慧园区管理方法及管理平台 | |
WO2021064144A1 (en) | Method and system for continuous estimation and representation of risk | |
CN111860187A (zh) | 一种高精度的佩戴口罩识别方法及系统 | |
KR20230083919A (ko) | 건설 현장의 동적 안전 관제 방법 및 시스템 | |
CN113554364A (zh) | 灾害应急管理方法、装置、设备及计算机存储介质 | |
CN112666911A (zh) | 协同控制系统 | |
CN113643508B (zh) | 防灾紧急通道监控方法、系统、设备及存储介质 | |
CN116484428B (zh) | 数据安全性检测系统、方法、装置及相关设备 | |
CN111679926A (zh) | 内存溢出检测方法及系统 | |
KR101686940B1 (ko) | 분리수리 수행 후 조기경보 기준값 제공 시스템 및 그 제공 방법 | |
CN116128169B (zh) | 一种用于智能交通的多系统联动控制方法及装置 | |
CN113743249B (zh) | 一种违章识别方法、装置、设备及可读存储介质 |
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 |