CN116432078A - 建筑楼宇机电设备监测系统 - Google Patents
建筑楼宇机电设备监测系统 Download PDFInfo
- Publication number
- CN116432078A CN116432078A CN202310253019.6A CN202310253019A CN116432078A CN 116432078 A CN116432078 A CN 116432078A CN 202310253019 A CN202310253019 A CN 202310253019A CN 116432078 A CN116432078 A CN 116432078A
- Authority
- CN
- China
- Prior art keywords
- module
- image
- data
- electromechanical equipment
- neural network
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000000007 visual effect Effects 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 10
- 238000012800 visualization Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 10
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000013329 compounding Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种建筑楼宇机电设备监测系统，包括依次连接的：数据采集模块，设置为采集机电设备物理参数数据和图像数据；图像预处理模块，设置为对数据采集模块采集的图像数据进行处理以生成图像训练数据集；神经网络模块，设置为内置有训练好的改进Yolov5神经网络，输入机电设备物理参数数据和图像数据，输出机电设备运行状态分类结果；报警模块，设置为根据机电设备运行状态分类结果判断是否需要报警。本发明利用机器学习算法对数据进行了训练识别处理，能够自动的识别出运维阶段所存在的风险，如机电管道、风管等裂纹，环境与水流、水压等数据造成的风险误差等。在减少人工成本的同时，实现了对机电设备运维的高效管理和高质量调控。
Description
技术领域
本发明涉及机电设备监控领域，尤其涉及建筑楼宇机电设备监测系统。
背景技术
在建筑楼宇运维行业中，机电运行状态是至关重要的，现有技术中本领域的技术人员只能通过现场勘察的方式对管道压力、水流状态、气压状态等物理参数进行读取记录，由于人工勘察此类参数往往需要花费大量的时间和精力，稍不仔细容易遗漏相关专业问题，并且不同建筑楼层，机电运维的物理参数多，统计时间慢、采样成本高，因此机电工程师对于机电设备的校验效率低下。与此同时建筑行业正在经历数字化变革，机电工程师渴望快速且高质量的完成机电管道等参数的复核，而将更多时间和精力花费在优化设计上
发明内容
为了解决上述技术问题，本发明提供了一种建筑楼宇机电设备监测系统，能够弥补传统机电系统校验、复合、运维过程中的缺点，有着高效、人工成本低、智能的、可视化、人工智能的优点。
为了实现上述技术目的，本发明提供的技术方案包括：
建筑楼宇机电设备监测系统，包括依次连接的：
数据采集模块，设置为采集机电设备物理参数数据和图像数据；
图像预处理模块，设置为对所述数据采集模块采集的图像数据进行处理以生成图像训练数据集；
神经网络模块，设置为内置有训练好的改进Yolov5神经网络，输入机电设备物理参数数据和图像数据，输出机电设备运行状态分类结果；
报警模块，设置为根据所述机电设备运行状态分类结果判断是否需要报警。
在一些较优的实施例中，所述数据采集模块包括物理参数采集单元和图像采集单元；
所述物理参数采集单元设置为用于获取机电设备运行过程中的物理参数数据；
所述图像采集单元设置为用于获取机电设备运行过程中的图像数据。
在一些较优的实施例中，所述图像预处理模块与图像采集单元连接，内置有图像增强、图像旋转和图像平移算法，用以对图像数据进行处理，得到图像训练数据集。
在一些较优的实施例中，所述图像预处理模块包括标记单元，设置为根据所述图像数据对机电设备进行识别和标记。
在一些较优的实施例中，还包括分别与数据采集模块、图像预处理模块、神经网络模块和报警模块连接的数据库模块；所述数据库模块设置为分类存储前述各模块的历史输入和输出数据，并提供第三方访问接口。
在一些较优的实施例中，还包括分别与报警模块和数据库模块连接的可视化模块；所述可视化模块包括终端和显示器；所述终端内置有建筑楼宇机电设备的BIM模型；从数据库模块读取机电设备的物理参数数据和运行状态分类结果，与所述BIM模型融合生成可视化模型，通过显示器展示。
在一些较优的实施例中，所述改进Yolov5神经网络设置为：在Yolov5神经网络的输入端依次设置有双重卷积层和双重池化层，用以提取机电设备图像数据中物体的复杂特征；在Yolov5神经网络的输出端设置有特征分类器，用于对输出的特征向量进行分类，避免神经网络出现过拟合或欠拟合。
有益效果
1、本发明基于集成视觉的和物理参数、几何参数于一体的校验、存储、统计和可视化模式，自动提取出需要校验、复合重新设计或者运维安全的部位及其构件，在运维阶段利用机器学习算法对数据进行了训练识别处理，能够自动的识别出运维阶段所存在的风险，如机电管道、风管等裂纹，环境与水流、水压等数据造成的风险误差等。在减少人工成本的同时，实现了对机电设备运维的高效管理和高质量调控。2、具有多方位、全周期的优点，从施工到运维阶段均可使用本发明装置对建筑物机电楼宇系统进行可视化监测和运维分析，极大的提高了运维效率和安全生产的质量。
附图说明
图1为本发明一种较优实施例中的系统结构示意图；
图2为本发明另一种较优实施例中的系统结构示意图；
图3为本发明另一种较优实施例中的系统结构示意图；
图4为本发明另一种较优实施例中的可视化效果图；
图5为本发明一种较优实施例中的改进Yolov5神经网络的结构示意图；
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
如图1-图3所示，本实施例提供了一种建筑楼宇机电设备监测系统，其特征在于，包括依次连接的数据采集模块、图像预处理模块、神经网络模块和报警模块；
数据采集模块，设置为采集机电设备物理参数数据和图像数据；在一些较优的实施例中，所述数据采集模块包括用于采集图像数据的图像采集单元，优选的为工业级高清摄像头，如分别率不低于2560x1280的高清双目摄像头模块。还包括用于获取机电设备运行过程中的物理参数数据的物理参数采集单元，优选的为安装在各机电设备输入输出端的物理传感器，用于采集各机电设备的水压、水流、温度、电压、电流等物理数据。
图像预处理模块，设置为对所述数据采集模块采集的图像数据进行处理以生成图像训练数据集。本领域技术人员应当知晓，对于一栋建筑楼宇中的机电设备所能获取的图像数据是非常有限的，而在后续的神经网络训练时，需要大量的图像数据作为训练集来对神经网络进行训练。因此，本申请考虑采用设置图像预处理模块来对原始获得的图像数据进行扩容，优选的，所述图像预处理模块内置有图像增强、图像旋转和图像平移算法，用以对图像数据进行处理，也即进行缩放、剪切、模糊、旋转和平移等操作，将处理结果和原始图像一起，作为神经网络训练的图像训练数据集。在一些较优的实施例中，所述图像预处理模块还包括标记单元，用于根据所述图像数据对机电设备进行识别和标记，优选的，可以采用内嵌的lableme算法，来对图像中的管道、风管、水泵等机电设备进行识别和自动标记。
神经网络模块，设置为内置有训练好的改进Yolov5神经网络，输入机电设备物理参数数据和图像数据，输出机电设备运行状态分类结果。应当理解的是，输入改进Yolov5神经网络的机电设备物理参数数据和图像数据需要经过处理以使其能被改进Yolov5神经网络识别和学习，例如将图像数据进行矩阵化处理得到图像矩阵流，对物理参数数据进行数字流转换得到物理参数数字流。所述机电设备运行状态分类结果是表征机电设备运行状态，例如正常、异常、故障、危险、待检修等运行状态。
报警模块，设置为根据所述机电设备运行状态分类结果判断是否需要报警。当机电设备运行状态分类结果为非正常状态时，所述报警模块可根据预设的规则进行报警。在一些较优的实施例中，在异常、待检修等较为轻微的非正常状态下，报警模块可以对工作人员进行提示，在故障、危险等较为严重的非正常状态下，报警模块可以启动外置报警器(声源的、光源的)，并对工作人员和负责人员进行高强度报警。
在另一些较优的实施例中，为了方便对建筑楼宇机电设备监测系统的历史数据进行存储和利用，考虑设置数据库模块，所述数据库模块分别与数据采集模块、图像预处理模块、神经网络模块和报警模块连接，用于存储各模块的历史输入和输出数据，并提供第三方访问接口。应当理解的是，所述数据库模块可以是设置在本地的数据存储服务器，也可以是设置在云端的数据存储服务器，本发明不做进一步的限定。
在另一些较优的实施例中，还包括分别与报警模块和数据库模块连接的可视化模块；如图4所示，所述可视化模块包括终端和显示器；所述终端内置有建筑楼宇机电设备的BIM模型；从数据库模块读取机电设备的物理参数数据和运行状态分类结果，与所述BIM模型融合生成可视化模型，通过显示器展示。还可以为工作人员能提供与BIM模型及各机电设备的交互操作，并且使报警模块的报警信息可视化。
本发明的技术方案相比之前传统的人工现场排查、校验、复合、运维的方法，本发明后来的机器视觉识别的方法，基于集成视觉的和物理参数、几何参数于一体的校验、存储、统计和可视化模式，自动提取出需要校验、复合重新设计或者运维安全的部位及其构件，在运维阶段利用了人工智能的机器学习算法对数据进行了训练识别处理，能够自动的识别出运维阶段所存在的风险，如机电管道、风管等裂纹，环境与水流、水压等数据造成的风险误差等。这在减少人工成本的同时一定程度上反映了机电运维数字化的高效和高质量调控的优点。与现有的校验、复合统计以及监测系统来讲，本发明继承了多方位、全周期的优点，从施工到运维阶段均可使用本发明装置对建筑物机电楼宇系统进行可视化监测和运维分析，极大的提高了运维效率和安全生成的质量。克服了传统依赖人为进行复合校验的缺点，有着高效、人工成本低、智能化、人工智能的优点。
所述Yolov5神经网络是一种单阶段目标检测模型，相比其他常用的目标检测模型如Faster RCNN等，其具有较为明显的运行速度优势，在检测较小的目标时具有更好的性能。但是对于本申请所涉及的机电领域，由于检测的物体通常具有复杂的几何形状和纹理特征，直接使用Yolov5神经网络的准确率较低，检测能力也较弱。因此，如图5所示，本发明考虑对现有Yolov5神经网络进行改进以使其更符合本领域的应用场景。
首先，由于机电设备中的物体具有复杂的几何形状和纹理特征，因此需要更好的提取这些复杂的特征，考虑在现有Yolov5神经网络的输入端依次设置有双重卷积层和双重池化层，增加模型的深度和感受视野，使模型能够提取更丰富的特征，从而提高模型对机电设备中各个部位的识别准确率。
其次，一方面机电设备所包含的分类较多，输入图像中类似的物体通常需要被分为不同的类别，如同属管道类的对象包含了消防管道、风管等分类；另一方面，在加入双重卷积层和双重池化层后，由于提取的特征向量较为丰富，模型可能出现过拟合或欠拟合的情况，因此考虑在现有Yolov5神经网络的输出端设置有特征分类器，用于对输出的特征向量进行分类，提高模型对不同物体类别的识别准确率，避免神经网络出现过拟合或欠拟合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.建筑楼宇机电设备监测系统，其特征在于，包括依次连接的：
数据采集模块，设置为采集机电设备物理参数数据和图像数据；
图像预处理模块，设置为对所述数据采集模块采集的图像数据进行处理以生成图像训练数据集；
神经网络模块，设置为内置有训练好的改进Yolov5神经网络，输入机电设备物理参数数据和图像数据，输出机电设备运行状态分类结果；
报警模块，设置为根据所述机电设备运行状态分类结果判断是否需要报警。
2.如权利要求1所述的建筑楼宇机电设备监测系统，其特征在于：
所述数据采集模块包括物理参数采集单元和图像采集单元；
所述物理参数采集单元设置为用于获取机电设备运行过程中的物理参数数据；
所述图像采集单元设置为用于获取机电设备运行过程中的图像数据。
3.如权利要求2所述的建筑楼宇机电设备监测系统，其特征在于：
所述图像预处理模块与图像采集单元连接，内置有图像增强、图像旋转和图像平移算法，用以对图像数据进行处理，得到图像训练数据集。
4.如权利要求3所述的建筑楼宇机电设备监测系统，其特征在于：所述图像预处理模块包括标记单元，设置为根据所述图像数据对机电设备进行识别和标记。
5.如权利要求1所述的建筑楼宇机电设备监测系统，其特征在于：还包括分别与数据采集模块、图像预处理模块、神经网络模块和报警模块连接的数据库模块；所述数据库模块设置为分类存储前述各模块的历史输入和输出数据，并提供第三方访问接口。
6.如权利要求5所述的建筑楼宇机电设备监测系统，其特征在于：还包括分别与报警模块和数据库模块连接的可视化模块；所述可视化模块包括终端和显示器；所述终端内置有建筑楼宇机电设备的BIM模型；从数据库模块读取机电设备的物理参数数据和运行状态分类结果，与所述BIM模型融合生成可视化模型，通过显示器展示。
7.如权利要求1所述的建筑楼宇机电设备监测系统，其特征在于：
所述改进Yolov5神经网络设置为：在Yolov5神经网络的输入端依次设置有双重卷积层和双重池化层，用以提取机电设备图像数据中物体的复杂特征；在Yolov5神经网络的输出端设置有特征分类器，用于对输出的特征向量进行分类，避免神经网络出现过拟合或欠拟合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310253019.6A CN116432078A (zh) | 2023-03-16 | 2023-03-16 | 建筑楼宇机电设备监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310253019.6A CN116432078A (zh) | 2023-03-16 | 2023-03-16 | 建筑楼宇机电设备监测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116432078A true CN116432078A (zh) | 2023-07-14 |
Family
ID=87078772
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310253019.6A Pending CN116432078A (zh) | 2023-03-16 | 2023-03-16 | 建筑楼宇机电设备监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116432078A (zh) |
-
2023
- 2023-03-16 CN CN202310253019.6A patent/CN116432078A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109858367B (zh) | 工人通过支撑不安全行为的视觉自动化检测方法及系统 | |
| CN111047554A (zh) | 一种基于实例分割的复合绝缘子过热缺陷检测方法 | |
| CN110264440B (zh) | 基于深度学习的大规模列车移位故障检测方法及系统 | |
| CN111401419A (zh) | 基于改进RetinaNet的员工着装规范检测方法 | |
| CN112766110A (zh) | 物体缺陷识别模型的训练方法、物体缺陷识别方法及装置 | |
| CN111044149A (zh) | 电压互感器的温度异常点检测方法、装置及可读存储介质 | |
| CN114170144A (zh) | 一种输电线路销钉缺陷检测方法、设备及介质 | |
| CN115861210B (zh) | 一种基于孪生网络的变电站设备异常检测方法和系统 | |
| CN113343998A (zh) | 电力机械表计读数监测系统、方法、计算机设备及应用 | |
| CN117523177A (zh) | 一种基于人工智能混合大模型的燃气管道监测系统和方法 | |
| CN113688817A (zh) | 一种自动巡检的仪表识别方法及识别系统 | |
| CN115171045A (zh) | 一种基于yolo的电网作业现场违章识别方法及终端 | |
| CN113469938B (zh) | 基于嵌入式前端处理服务器的管廊视频分析方法及系统 | |
| CN115965625B (zh) | 一种基于视觉识别的仪表检测装置及其检测方法 | |
| CN116977909A (zh) | 一种基于多模态数据的深度学习火灾强度识别方法及系统 | |
| CN113034359A (zh) | 发电机组定转子缺陷智能诊断方法、装置、计算机设备及存储介质 | |
| CN116432078A (zh) | 建筑楼宇机电设备监测系统 | |
| CN115761268A (zh) | 一种基于局部纹理增强网络的杆塔关键部件缺陷识别方法 | |
| CN115082650A (zh) | 一种基于卷积神经网络的管道缺陷自动标注工具的实现方法 | |
| CN112529881B (zh) | 一种电力控制柜线缆异常识别方法及装置 | |
| CN114821187A (zh) | 一种基于判别学习的图像异常检测和定位方法及系统 | |
| Wang et al. | Visual defect detection for substation equipment based on joint inspection data of camera and robot | |
| CN113837178A (zh) | 一种基于深度学习的变电站表计自动定位与统一分割方法 | |
| CN112329863B (zh) | 一种牵引变电所内隔离开关状态识别方法 | |
| CN114004963B (zh) | 目标类别识别方法、装置及可读存储介质 |
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 |