CN116521940A - 一种工业视频云存储实时监管方法及系统 - Google Patents
一种工业视频云存储实时监管方法及系统 Download PDFInfo
- Publication number
- CN116521940A CN116521940A CN202310728030.3A CN202310728030A CN116521940A CN 116521940 A CN116521940 A CN 116521940A CN 202310728030 A CN202310728030 A CN 202310728030A CN 116521940 A CN116521940 A CN 116521940A
- Authority
- CN
- China
- Prior art keywords
- video
- industrial
- real
- storage
- videos
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims description 27
- 210000004027 cell Anatomy 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 14
- 238000009776 industrial production Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 230000006835 compression Effects 0.000 claims description 9
- 238000007906 compression Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 claims description 2
- 238000010223 real-time analysis Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 241001494479 Pecora Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/75—Clustering; Classification
-
- 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
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Library & Information Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种工业视频云存储实时监管方法及系统包括，获取工业视频，对获取到的工业视频进行预处理；将预处理后的视频传输到云端服务器；云端服务器对视频信息数据进行标记并分类存储；构建视频索引库，根据用户需求进行视频检索；对视频进行实时解析，提取视频特征点并进行视频识别、分析和监管。本方法可以解决现有存储方法“存不下、找不到”的技术难题，避免了工业视频存储困难、监管困难以及由存调困难导致的无法实时监管的问题。
Description
技术领域
本发明涉及工业视频实时监管技术领域，尤其涉及一种工业视频云存储实时监管方法及系统。
背景技术
工业厂区因为占地面积大、流动人员多、技术环境复杂等问题，是故障及危险频发地带。目前的工业视频监管技术仍未大量普及，其主要原因一是监管技术成本高，导致部分监管技术只能在高精尖技术区使用；二是技术复杂，厂区工作人员在实际操作中误操作、漏操作情况频繁；三是现有监管技术仍存在较大的技术障碍，具体体现在视频存储困难，视频筛选困难、视频调取困难以及监管误差大等方面。
因此，目前工业厂区的视频监管仍处在依靠人力资源实现的阶段，工业视频仅作为“被动监控”存在，主要用于事后参考，是一种“亡羊补牢”式的监管方法，显而易见的，提供一种优化改进的工业视频云存储实时监管方法对工业厂区的监管尤为重要。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种工业视频云存储实时监管方法及系统，能够解决传统的工业视频监管方法不能适应厂区使用的现实问题。
为解决上述技术问题，本发明提供如下技术方案，一种工业视频云存储实时监管方法，包括：获取工业视频，对获取到的工业视频进行预处理；将预处理后的视频传输到云端服务器；云端服务器对视频信息数据进行标记并分类存储；构建视频索引库，根据用户需求进行视频检索；对视频进行实时解析，提取视频特征点并进行视频识别、分析和监管；所述分类存储是指通过标记内容按时间戳、位置信息和物体信息类型进行分组存储；所述分类存储包括，依据历史数据信息对标记进行分区管理，将时间划分为I1、I2、I3、I4，位置信息划分为T1、T2、T3，物体信息类型划分为K1、K2、K3、K4，存储分类依据I1>I2>I3>I4，T1>T2>T3，K1>K2>K3>K4等级优先级进行存储操作；当视频标记为I1、T1、K1的集合时，判定所述视频为最高优先级，在云端服务器的所有分类存储单元中进行存储操作，保证工作人员可以通过任一视频关键词进行检索和调取操作，并将视频投放至主系统监控主屏上，确保系统不会误操作、漏操作影响工业视频实时监管；所述视频标记中包含I1、T1、K1标记中任意两项时，存储分类依据为：若同时包括I1、T1，则优先选择I1对应的存储单元；若同时包括T1、K1，则优先选择T1对应的存储单元；若同时包括I1、K1，则在I1、K1对应的存储单元中进行同步存储；当视频标记中不含有I1、T1、K1标记时，工业视频不被投放至主系统监控主屏，但存储分类参考含I1或T1或K1标记的存储方法进行存放；若视频标记由原标记等级向上提升至I1、T1、K1时，需在主系统监控主屏上进行投放，并在主系统其他监控屏上弹出2~3分钟，确保工作人员可以完成关于弹出视频信息的检索、调取及监管；所述物体信息类型包括，依据移动的主体进行划分或依据不可移动的设备主体进行划分。
作为本发明所述的工业视频云存储实时监管方法的一种优选方案，其中：所述构建视频索引库包括，建立包含时间、地点、物体信息类型信息的视频索引库，采用关系型数据库进行管理。
作为本发明所述的工业视频云存储实时监管方法的一种优选方案，其中：所述预处理包括，获取的工业生产现场监控视频转化为视频数据信号，通过视频编码模块对视频数据信号进行无损压缩。
作为本发明所述的工业视频云存储实时监管方法的一种优选方案，其中：所述视频传输是指通过TCP/IP协议进行信息传输；云端服务器对视频信息数据进行标记是通过工业视频中信息进行时间戳、位置信息和物体信息类型的划分打标。
作为本发明所述的工业视频云存储实时监管方法的一种优选方案，其中：所述实时解析是指通过流式计算技术对视频进行解析；所述提取视频特征点包括，通过深度学习算法对已分类视频进行图像的逐帧分析并提取特征点；所述深度学习算法通过历史工业视频数据进行训练学习。
作为本发明所述的工业视频云存储实时监管方法的一种优选方案，其中：所述视频检索包括，通过人工神经网络对视频进行分类检索，具体过程如下：
其中，表示第i层的神经元输出向量，是第i层的所有神经元的输出值的一维向量，/>表示激活函数，/>表示第i层的连接权重矩阵，是每个神经元与前一层所有神经元的连接权重，/>表示第i个输入向量，是包含多个输入特征的一维向量。
作为本发明所述的工业视频云存储实时监管方法的一种优选方案，其中：所述视频检索还包括，计算分类检索的损失函数：
其中，D表示第i层的样本预测输出值，n表示总层数。
作为本发明所述的工业视频云存储实时监管方法的一种优选方案，其中：所述视频检索还包括，获取损失函数后，通过反向传播算法的求导链式法则计算每层的delta值，从而更新权值。
本发明的另外一个目的是提供一种工业视频云存储实时监管系统，其能通过实现工业视频云存储实时监管方法，解决了现有工业视频监管成本高、操作复杂、误差大的问题。
为解决上述技术问题，本发明提供如下技术方案，一种工业视频云存储实时监管系统，包括主系统和云端服务器；所述主系统包括历史数据库、采集模块、视频编码模块、数据处理模块和系统逻辑单元；所述历史数据库用于存储历史工业视频，可以实现信息溯源、信息记录以及深度学习算法和人工神经网络的训练；所述采集模块用于获取工业生产现场监控视频；视频编码模块用于对工业视频进行无损压缩；数据处理模块用于对已标记和分类的工业视频进行检验；系统逻辑单元用于实现系统对工业视频的实时监督；所述云端服务器用于对工业视频进行标记、分类、存储和调取。
作为本发明所述的工业视频云存储实时监管系统的一种优选方案，其中：所述系统还包括，采集模块获取工业生产现场监控视频后传输至视频编码模块，视频编码模块对视频进行无损压缩，并将压缩后的视频数据信号上传至云端服务器，云端服务器依据系统逻辑单元预设的规则视频信息数据进行标记并分类存储，数据处理模块对云端服务器操作进行监管，同时系统逻辑单元通过工业视频对厂区进行实时监管。
本发明的有益效果：本发明方法基于深度学习算法及人工神经网络技术，得到了一种工业视频云存储实时监管方法，该方法表明，可以通过建立科学合理的视频数据检索库以及制定明确的识别、分析、分类、调取规则实现工业视频的实时高效监管，该方法还通过预设可监管的存储方案，解决了现有存储方法“存不下、找不到”的技术难题，避免了工业视频存储困难、监管困难以及由存调困难导致的无法实时监管的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例提供的一种工业视频云存储实时监管方法流程示意图；
图2为本发明一个实施例提供的一种工业视频云存储实时监管系统的流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”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。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1，为本发明的第一个实施例，该实施例提供了一种工业视频云存储实时监管方法，包括：
S1：获取工业视频，对获取到的工业视频进行预处理。
更进一步的，所述预处理包括，获取的工业生产现场监控视频转化为视频数据信号，通过视频编码模块对视频数据信号进行无损压缩。
应说明的是，所述视频编码模块采用的编码方案为H .265视频编码方案，能够实现利用1～2Mbps的传输速度传送分辨率为1280*720的普通高清视频，也同时支持4K（4096×2160）和8K（8192×4320）超高清视频传输。
S2：将预处理后的视频传输到云端服务器。
更进一步的，所述视频传输是指通过TCP/IP协议进行信息传输。
S3：云端服务器对视频信息数据进行标记并分类存储。
更进一步的，云端服务器对视频信息数据进行标记是通过工业视频中信息进行时间戳、位置信息和物体信息类型的划分打标。
更进一步的，所述分类存储是指通过标记内容按时间戳、位置信息和物体信息类型进行分组存储。
应说明的是，所述物体信息类型包括，依据移动的主体进行划分或依据不可移动的设备主体进行划分。
还应说明的是，通过标记进行分类存储包括，依据历史数据信息预设视频时间分区为：I1，当日视频；I2，三天内视频；I3，7天内视频；I4，7天以上视频；位置信息，即工业厂区分区为：T1，事故频发区；T2，非事故频发区，但处于高危险系数区；T3，非事故频发区、非高危险系数区；物体信息类型分区为：K1，移动物体信息分区；K2，T1内不可移动物体；K3，T2内不可移动物体；K4，T3内不可移动物体。
更进一步的，存储分类依据I1>I2>I3>I4，T1>T2>T3，K1>K2>K3>K4等级优先级进行存储操作。
应说明的是，当视频标记为I1、T1、K1的集合时，判定所述视频为最高优先级，在云端服务器的所有分类存储单元中进行存储操作，保证工作人员可以通过任一视频关键词进行检索和调取操作，并将视频投放至主系统监控主屏上，确保系统不会误操作、漏操作影响工业视频实时监管。
更进一步的，所述视频标记中包含I1、T1、K1标记中任意两项时，存储分类依据为：若同时包括I1、T1，则优先选择I1对应的存储单元；若同时包括T1、K1，则优先选择T1对应的存储单元；若同时包括I1、K1，则在I1、K1对应的存储单元中进行同步存储。
应说明的是，当所述视频标记中仅有I1或T1或K1标记时，存储分类依据为：若标记中包含I1时，则优先选择I1对应的存储单元；若标记中包含T1时，则优先选择T1对应的存储单元；若标记中包含K1时，则优先选择K1对应的存储单元。
当视频标记中不含有I1、T1、K1标记时，工业视频不被投放至主系统监控主屏，但存储分类参考含I1或T1或K1标记的存储方法进行存放。
更进一步的，若视频标记由原标记等级向上提升至I1、T1、K1时，需在主系统监控主屏上进行投放，并在主系统其他监控屏上弹出2~3分钟，确保工作人员可以完成关于弹出视频信息的检索、调取及监管。
S4：构建视频索引库，根据用户需求进行视频检索。
更进一步的，所述构建视频索引库包括，建立包含时间、地点、物体信息类型信息的视频索引库，采用关系型数据库进行管理。
应说明的是，所述视频检索包括，通过人工神经网络对视频进行分类检索，具体过程如下：
其中，表示第i层的神经元输出向量，是第i层的所有神经元的输出值的一维向量，/>表示激活函数，/>表示第i层的连接权重矩阵，是每个神经元与前一层所有神经元的连接权重，/>表示第i个输入向量，是包含多个输入特征的一维向量。
更进一步的，所述视频检索还包括，计算分类检索的损失函数：
其中，D表示第i层的样本预测输出值，n表示总层数。
应说明的是，所述视频检索还包括，获取损失函数后，通过反向传播算法的求导链式法则计算每层的delta值，从而更新权值。
S5：对视频进行实时解析，提取视频特征点并进行视频识别、分析和监管。
应说明的是，所述实时解析是指通过流式计算技术对视频进行解析。
更进一步的，所述提取视频特征点包括，通过深度学习算法对已分类视频进行图像的逐帧分析并提取特征点。
应说明的是，所述深度学习算法通过历史工业视频数据进行训练学习。
实施例2
参照图2，为本发明的一个实施例，提供了一种工业视频云存储实时监管系统，为了验证本发明的有益效果。
所述系统包括，主系统和云端服务器；所述主系统包括，历史数据库、采集模块、视频编码模块、数据处理模块、系统逻辑单元；所述历史数据库用于存储历史工业视频，可以实现信息溯源、信息记录以及深度学习算法和人工神经网络的训练；所述采集模块用于获取工业生产现场监控视频；视频编码模块用于对工业视频进行无损压缩；数据处理模块用于对已标记和分类的工业视频进行检验；系统逻辑单元用于实现系统对工业视频的实时监督；所述云端服务器用于对工业视频进行标记、分类、存储和调取。
所述系统还包括，采集模块获取工业生产现场监控视频后传输至视频编码模块，视频编码模块对视频进行无损压缩，并将压缩后的视频数据信号上传至云端服务器，云端服务器依据系统逻辑单元预设的规则视频信息数据进行标记并分类存储，数据处理模块对云端服务器操作进行监管，同时系统逻辑单元通过工业视频对厂区进行实时监管。
本实验共选取1000小时工业厂区生产监控视频，分别采用本发明与传统技术进行实验操作，操作结果对比演示如下所示：
由表可知，在本发明技术中，通过优化存储方法，实现分类存储、分类检索、依据关键词检索和调取视频，增加了视频数据的可读性和可操作性，提高了视频检索、查询效率和精度，并提高了检索准确率，降低了视频处理的延迟率，因此本发明相对于传统方案具有存储效率高、视频监管延时更小、检索效率更高等优点。
本发明是一种工业视频云存储实时监管技术，主要用于工业生产厂区的实时监管。本方法首先获取工业视频，对获取到的工业视频进行预处理，并将预处理后的视频传输到云端服务器，通过云端服务器对视频信息数据进行标记并分类存储，构建视频索引库，根据用户需求进行视频检索，对视频进行实时解析，提取视频特征点并进行视频识别、分析和监管。
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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例，或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备（系统）和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框，以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (9)
1.一种工业视频云存储实时监管方法，其特征在于：包括，
获取工业视频，对获取到的工业视频进行预处理；
将预处理后的视频传输到云端服务器；
云端服务器对视频信息数据进行标记并分类存储；
构建视频索引库，根据用户需求进行视频检索；
对视频进行实时解析，提取视频特征点并进行视频识别、分析和监管；
所述分类存储是指通过标记内容按时间戳、位置信息和物体信息类型进行分组存储；
所述分类存储包括依据历史数据信息对标记进行分区管理，将时间划分为I1、I2、I3、I4，位置信息划分为T1、T2、T3，物体信息类型划分为K1、K2、K3、K4，存储分类依据I1>I2>I3>I4，T1>T2>T3，K1>K2>K3>K4等级优先级进行存储操作；
所述物体信息类型包括，依据移动的主体进行划分或依据不可移动的设备主体进行划分；
所述视频检索包括，通过人工神经网络对视频进行分类检索，具体过程如下：
其中，表示第i层的神经元输出向量，是第i层的所有神经元的输出值的一维向量，表示激活函数，/>表示第i层的连接权重矩阵，是每个神经元与前一层所有神经元的连接权重，/>表示第i个输入向量，是包含多个输入特征的一维向量；
所述视频检索还包括，计算分类检索的损失函数：
其中，D表示第i层的样本预测输出值，n表示总层数。
2.如权利要求1所述的一种工业视频云存储实时监管方法，其特征在于：当视频标记为I1、T1、K1的集合时，判定所述视频为最高优先级，在云端服务器的所有分类存储单元中进行存储操作，保证工作人员可以通过任一视频关键词进行检索和调取操作，并将视频投放至主系统监控主屏上，确保系统不会误操作、漏操作影响工业视频实时监管；
所述视频标记中包含I1、T1、K1标记中任意两项时，存储分类依据为：若同时包括I1、T1，则优先选择I1对应的存储单元；若同时包括T1、K1，则优先选择T1对应的存储单元；若同时包括I1、K1，则在I1、K1对应的存储单元中进行同步存储；
当视频标记中不含有I1、T1、K1标记时，工业视频不被投放至主系统监控主屏，但存储分类参考含I1或T1或K1标记的存储方法进行存放；
若视频标记由原标记等级向上提升至I1、T1、K1时，需在主系统监控主屏上进行投放，并在主系统其他监控屏上弹出2~3分钟，确保工作人员可以完成关于弹出视频信息的检索、调取及监管。
3.如权利要求2所述的一种工业视频云存储实时监管方法，其特征在于：所述预处理包括，获取的工业生产现场监控视频转化为视频数据信号，通过视频编码模块对视频数据信号进行无损压缩。
4.如权利要求3所述的一种工业视频云存储实时监管方法，其特征在于：所述视频传输是指通过TCP/IP协议进行信息传输；
云端服务器对视频信息数据进行标记是通过工业视频中信息进行时间戳、位置信息和物体信息类型的划分打标。
5.如权利要求4所述的一种工业视频云存储实时监管方法，其特征在于：所述构建视频索引库包括，建立包含时间、地点、物体信息类型信息的视频索引库，采用关系型数据库进行管理。
6.如权利要求5所述的一种工业视频云存储实时监管方法，其特征在于：所述实时解析是指通过流式计算技术对视频进行解析；
所述提取视频特征点包括，通过深度学习算法对已分类视频进行图像的逐帧分析并提取特征点；
所述深度学习算法通过历史工业视频数据进行训练学习。
7.如权利要求6所述的一种工业视频云存储实时监管方法，其特征在于：所述视频检索还包括，获取损失函数后，通过反向传播算法的求导链式法则计算每层的delta值，从而更新权值。
8.一种采用如权利要求1~7任一所述的工业视频云存储实时监管方法的实时监管系统，其特征在于：所述系统包括，主系统和云端服务器；
所述主系统包括，历史数据库、采集模块、视频编码模块、数据处理模块、系统逻辑单元；
所述历史数据库用于存储历史工业视频，可以实现信息溯源、信息记录以及深度学习算法和人工神经网络的训练；
所述采集模块用于获取工业生产现场监控视频；
视频编码模块用于对工业视频进行无损压缩；
数据处理模块用于对已标记和分类的工业视频进行检验；
系统逻辑单元用于实现系统对工业视频的实时监督；
所述云端服务器用于对工业视频进行标记、分类、存储和调取。
9.如权利要求8所述的一种工业视频云存储实时监管系统，其特征在于：所述系统还包括，采集模块获取工业生产现场监控视频后传输至视频编码模块，视频编码模块对视频进行无损压缩，并将压缩后的视频数据信号上传至云端服务器，云端服务器依据系统逻辑单元预设的规则视频信息数据进行标记并分类存储，数据处理模块对云端服务器操作进行监管，同时系统逻辑单元通过工业视频对厂区进行实时监管。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310728030.3A CN116521940A (zh) | 2023-06-20 | 2023-06-20 | 一种工业视频云存储实时监管方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310728030.3A CN116521940A (zh) | 2023-06-20 | 2023-06-20 | 一种工业视频云存储实时监管方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116521940A true CN116521940A (zh) | 2023-08-01 |
Family
ID=87396114
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310728030.3A Pending CN116521940A (zh) | 2023-06-20 | 2023-06-20 | 一种工业视频云存储实时监管方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116521940A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101808187A (zh) * | 2010-03-26 | 2010-08-18 | 深圳创维数字技术股份有限公司 | 一种建立本地视频库的方法和机顶盒 |
| CN102012946A (zh) * | 2010-12-22 | 2011-04-13 | 武汉上博科技有限公司 | 一种高效的安全监控视频/图像数据存储方法 |
| CN105469107A (zh) * | 2015-11-17 | 2016-04-06 | 小米科技有限责任公司 | 图像分类方法及装置 |
| CN108932314A (zh) * | 2018-06-21 | 2018-12-04 | 南京农业大学 | 一种基于深度哈希学习的菊花图像内容检索方法 |
| CN113032622A (zh) * | 2021-04-07 | 2021-06-25 | 吴统明 | 一种新型医学视频图像采集和数据管理系统 |
| EP3920093A1 (en) * | 2020-06-03 | 2021-12-08 | Netskope, Inc. | Detecting image-borne identification documents for protecting sensitive information |
| CN114329029A (zh) * | 2021-10-28 | 2022-04-12 | 腾讯科技（深圳）有限公司 | 对象检索方法、装置、设备及计算机存储介质 |
-
2023
- 2023-06-20 CN CN202310728030.3A patent/CN116521940A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101808187A (zh) * | 2010-03-26 | 2010-08-18 | 深圳创维数字技术股份有限公司 | 一种建立本地视频库的方法和机顶盒 |
| CN102012946A (zh) * | 2010-12-22 | 2011-04-13 | 武汉上博科技有限公司 | 一种高效的安全监控视频/图像数据存储方法 |
| CN105469107A (zh) * | 2015-11-17 | 2016-04-06 | 小米科技有限责任公司 | 图像分类方法及装置 |
| CN108932314A (zh) * | 2018-06-21 | 2018-12-04 | 南京农业大学 | 一种基于深度哈希学习的菊花图像内容检索方法 |
| EP3920093A1 (en) * | 2020-06-03 | 2021-12-08 | Netskope, Inc. | Detecting image-borne identification documents for protecting sensitive information |
| CN113032622A (zh) * | 2021-04-07 | 2021-06-25 | 吴统明 | 一种新型医学视频图像采集和数据管理系统 |
| CN114329029A (zh) * | 2021-10-28 | 2022-04-12 | 腾讯科技（深圳）有限公司 | 对象检索方法、装置、设备及计算机存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107256219B (zh) | 应用于自动列车控制系统海量日志的大数据融合分析方法 | |
| CN107808139B (zh) | 一种基于深度学习的实时监控威胁分析方法及系统 | |
| CN107908175A (zh) | 一种电力系统现场智能化运维系统 | |
| CN112183379A (zh) | 一种面向报表的多维度管理分析方法及系统 | |
| CN111064620A (zh) | 基于运维知识库的电网多媒体会议室设备维护方法和系统 | |
| CN108470022A (zh) | 一种基于运维管理的智能工单质检方法 | |
| CN106383916A (zh) | 基于工业设备预测性维护的数据处理方法 | |
| CN115809833A (zh) | 基于画像技术的基建项目智能监督方法、装置 | |
| CN117391625B (zh) | 一种基于数字孪生的智能制造管理系统及方法 | |
| CN116094174A (zh) | 基于知识图谱的电网运维监控方法、系统、设备及介质 | |
| CN107798059A (zh) | 一种nco气象数据结构化存储方法和装置 | |
| CN113672643B (zh) | 一种业务数字化的分析方法、装置、存储介质及终端 | |
| CN110661999A (zh) | 一种基于大数据的视频监控系统 | |
| CN113282433A (zh) | 集群异常检测方法、装置和相关设备 | |
| CN117633592A (zh) | 一种新能源电站智能监盘系统 | |
| CN116521940A (zh) | 一种工业视频云存储实时监管方法及系统 | |
| CN113222109A (zh) | 一种基于多源异构数据聚合技术的物联网边缘算法 | |
| CN117171244A (zh) | 基于数据中台构建的企业数据管理系统及其数据分析方法 | |
| CN117172984A (zh) | 基于设备检修数字孪生场景的安全风险识别方法及系统 | |
| CN116842174A (zh) | 基于网络数据的农业资源数据库平台搭建方法 | |
| CN116775400A (zh) | 一种日志分析方法、装置、设备及存储介质 | |
| CN118057327A (zh) | 基于知识图谱的it系统告警数据处理方法及装置 | |
| CN114330239A (zh) | 文本处理方法及装置、存储介质及电子设备 | |
| CN112016515A (zh) | 一种档案柜空位检测方法及装置 | |
| CN114021788B (zh) | 预测方法、装置、电子设备和存储介质 |
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 |