CN116522261A - 一种基于大数据的风险信息监控方法及系统 - Google Patents
一种基于大数据的风险信息监控方法及系统 Download PDFInfo
- Publication number
- CN116522261A CN116522261A CN202310505991.8A CN202310505991A CN116522261A CN 116522261 A CN116522261 A CN 116522261A CN 202310505991 A CN202310505991 A CN 202310505991A CN 116522261 A CN116522261 A CN 116522261A
- Authority
- CN
- China
- Prior art keywords
- risk
- image
- layer
- matching degree
- features
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000007613 environmental effect Effects 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000009434 installation Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 11
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000004347 surface barrier Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及风险监控技术领域,具体公开了一种基于大数据的风险信息监控方法及系统,所述方法包括实时获取区域内各点位的环境参数,根据所述环境参数定时更新风险表;根据所述风险表随机生成风险图层,叠加所述风险图层和预设的基准图层,得到风险图像;查询监控系统的监控参数,根据所述监控参数生成区域图像;基于风险图像对区域图像进行匹配,得到匹配度数组;根据所述匹配度数组对区域图像进行风险定位。本发明根据传感器实时获取环境参数,由环境参数确定风险参数,并以图层的形式进行定时更新保存;根据保存的图层,确定图像特征,基于图像特征即可快速地判断是否存在风险,再结合现有的匹配技术,可以高效率的定位风险类型及其位置。
Description
技术领域
本发明涉及风险监控技术领域,具体是一种基于大数据的风险信息监控方法及系统。
背景技术
区域监控技术是一项基于物联网技术的具体应用,它可以适用于多种生活生产领域中,因此,其重要性非常高。
区域监控技术的目标是识别风险信息,现在的识别算法大都是针对图像自身的识别算法,通过庞大的数据库,提高对各个图像的识别准确度与识别效率,这一过程中,识别算法处于封装状态,是一种静态算法,更新难度较大,很难根据实际情况实时改变;如何提供一种易于更新且与时俱进的风险识别技术是本发明技术方案想要解决的技术问题。
发明内容
本发明的目的在于提供一种基于大数据的风险信息监控方法及系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于大数据的风险信息监控方法,所述方法包括:
根据传感器实时获取区域内各点位的环境参数,根据所述环境参数定时更新风险表;所述风险表包括风险特征项及其风险概率项;
根据所述风险表随机生成风险图层,叠加所述风险图层和预设的基准图层,得到风险图像;所述基准图层由区域地图确定;所述风险图像的数量至少为一;
查询监控系统的监控参数,根据所述监控参数生成区域图像;所述区域图像与所述风险图像间存在映射关系;
基于风险图像对区域图像进行匹配,得到匹配度数组;所述匹配度数组的元素数量与风险图像的数量相同;
根据所述匹配度数组对区域图像进行风险定位。
作为本发明进一步的方案:所述根据传感器实时获取区域内各点位的环境参数,根据所述环境参数定时更新风险表的步骤包括:
根据预设的备案信息查询传感器的安装点位;
获取传感器的传感数据,根据传感器类型对传感数据进行分类;
根据所述安装点位排列传感数据,得到环境矩阵;所述环境矩阵以传感器类型为标签;
将所述环境矩阵输入训练好的环境识别模型,得到风险特征及其风险概率;所述风险特征为与风险类型对应的图像特征;
统计所述风险特征及其风险概率,得到风险表;
其中,所述环境识别模型基于预统计的大数据样本定时更新;环境识别模型的输入为矩阵,输出为风险特征及其风险概率。
作为本发明进一步的方案:所述根据所述风险表随机生成风险图层,叠加所述风险图层和预设的基准图层,得到风险图像的步骤包括:
根据风险概率对风险表中的风险特征进行排序;
根据预设的概率范围对风险特征进行聚类;
读取基准图层,基于所述基准图层确定聚类后的风险特征的风险图层;
基于所述基准图层叠加所有风险图层,得到风险图像;
其中,不同风险图层的风险特征之间的交集为零。
作为本发明进一步的方案:所述基于风险图像对区域图像进行匹配,得到匹配度数组的步骤包括:
计算风险图像的特征值;所述特征值包括亮度特征值、对比度特征值和结构特征值;
基于同一计算模型实时计算区域图像的特征值;
根据预设的结构相似式公式计算所述风险图像和所述区域图像的匹配度,得到匹配度数组。
作为本发明进一步的方案:所述结构相似式公式为:
s(x,y)=[1(x,y)]α·[d(x,y)]β·[j(x,y)]γ
所述亮度特征值的计算公式为:
所述对比度特征值的计算公式为:
所述结构特征值的计算公式为:
式中,x和y分别为风险图像和区域图像;l(x,y)为亮度特征值,d(x,y)为对比度特征值,j(x,y)为结构特征值,s(x,y)为匹配度;μx为风险图像中各像素点的色值均值,σx为风险图像中各像素点的色值标准差;μy为区域图像中各像素点的色值均值,σy为区域图像中各像素点的色值标准差;σxy为风险图像和区域图像的协方差;C1、C2和C3均为预设的常数;α、β和γ均为预设的常数。
作为本发明进一步的方案:所述根据所述匹配度数组对区域图像进行风险定位的步骤包括:
根据预设的匹配阈值对所述匹配度数组进行数值提取,并定位对应的风险图像;
根据风险图像的匹配度确定随机选取规则,基于所述随机选取规则在风险图像中选取风险特征;所述随机选取规则包含单次选取数量及目标选取数量;
根据所述风险特征遍历所述区域图像,根据遍历结果标记风险特征,获取风险特征的位置并记录标记数量;
当所述标记数量达到所述目标选取数量时,输出风险特征及其位置。
本发明技术方案还提供了一种基于大数据的风险信息监控系统,所述系统包括:
风险表更新模块,用于根据传感器实时获取区域内各点位的环境参数,根据所述环境参数定时更新风险表;所述风险表包括风险特征项及其风险概率项;
风险图像生成模块,用于根据所述风险表随机生成风险图层,叠加所述风险图层和预设的基准图层,得到风险图像;所述基准图层由区域地图确定;所述风险图像的数量至少为一;
区域图像获取模块,用于查询监控系统的监控参数,根据所述监控参数生成区域图像;所述区域图像与所述风险图像间存在映射关系;
匹配度计算模块,用于基于风险图像对区域图像进行匹配,得到匹配度数组;所述匹配度数组的元素数量与风险图像的数量相同;
风险定位模块,用于根据所述匹配度数组对区域图像进行风险定位。
作为本发明进一步的方案:所述风险表更新模块包括:
安装点位查询单元,用于根据预设的备案信息查询传感器的安装点位;
数据分类单元,用于获取传感器的传感数据,根据传感器类型对传感数据进行分类;
环境矩阵生成单元,用于根据所述安装点位排列传感数据,得到环境矩阵;所述环境矩阵以传感器类型为标签;
风险识别单元,用于将所述环境矩阵输入训练好的环境识别模型,得到风险特征及其风险概率;所述风险特征为与风险类型对应的图像特征;
数据统计单元,用于统计所述风险特征及其风险概率,得到风险表;
其中,所述环境识别模型基于预统计的大数据样本定时更新;环境识别模型的输入为矩阵,输出为风险特征及其风险概率。
作为本发明进一步的方案:所述风险图像生成模块包括:
排序单元,用于根据风险概率对风险表中的风险特征进行排序;
聚类单元,用于根据预设的概率范围对风险特征进行聚类;
图层生成单元,用于读取基准图层,基于所述基准图层确定聚类后的风险特征的风险图层;
叠加单元,用于基于所述基准图层叠加所有风险图层,得到风险图像;
其中,不同风险图层的风险特征之间的交集为零。
作为本发明进一步的方案:所述匹配度计算模块包括:
第一计算单元,用于计算风险图像的特征值;所述特征值包括亮度特征值、对比度特征值和结构特征值;
第二计算单元,用于基于同一计算模型实时计算区域图像的特征值;
第三计算单元,用于根据预设的结构相似式公式计算所述风险图像和所述区域图像的匹配度,得到匹配度数组。
与现有技术相比,本发明的有益效果是:本发明根据传感器实时获取环境参数,由环境参数确定风险参数,并以图层的形式进行定时更新保存;根据保存的图层,确定图像特征,计算图像特征的参数,作为默认值,当接收到新的区域图像时,基于所述默认值即可快速地判断是否存在风险,若存在风险,即借助现有的匹配技术匹配风险类型及其位置,识别效率高,更新过程容易。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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。
图1为基于大数据的风险信息监控方法的流程框图。
图2为基于大数据的风险信息监控方法的第一子流程框图。
图3为基于大数据的风险信息监控方法的第二子流程框图。
图4为基于大数据的风险信息监控方法的第三子流程框图。
图5为基于大数据的风险信息监控方法的第四子流程框图。
图6为基于大数据的风险信息监控系统的组成结构框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图1为基于大数据的风险信息监控方法的流程框图,本发明实施例中,一种基于大数据的风险信息监控方法,所述方法包括:
步骤S100:根据传感器实时获取区域内各点位的环境参数,根据所述环境参数定时更新风险表;所述风险表包括风险特征项及其风险概率项;
传感器的类型有很多,包括温度传感器和湿度传感器等,用于获取环境参数;所述环境参数可以是天气信息等;如果条件允许,传感器还可以是视觉传感器,用于获取区域内各点位的图像,对图像进行分析,进而获取更加全面的环境参数,此时,环境参数可以是一些快速移动的物体,比如车辆等,物体在快速移动时,会产生一定的风险。
本方法的其中一个应用领域就是道路检测技术领域,所述区域就是待检测的道路区域;环境参数包括天气参数与一些运动参数,风险特征就是路面裂纹、路面积水或路面障碍物等,不同环境参数下,不同风险特征的出现概率不同。
步骤S200:根据所述风险表随机生成风险图层,叠加所述风险图层和预设的基准图层,得到风险图像;所述基准图层由区域地图确定;所述风险图像的数量至少为一;
根据风险表查询各种风险特征对应的图像特征,结合图像特征可以得到风险图层,图像特征在风险图层中的具体位置不进行限定,一般情况下,同一风险图层中的图像特征之间是分离的,当然,也可以设置为重叠状态,比如积水加裂纹。根据区域本身,确定一个基准图层,以所述基准图层为基准,叠加多个风险图层,即可得到风险图像。
值得一提的是,由于风险表中的风险特征不唯一,其组合方式也不唯一,生成的风险图层不唯一,因此,得到的风险图像数量可以是多个。
步骤S300:查询监控系统的监控参数,根据所述监控参数生成区域图像;所述区域图像与所述风险图像间存在映射关系;
监控系统包括安装在区域中的摄像头,在监控技术领域中属于默认的基础系统,根据监控系统的监控参数,拼接多个摄像头获取到的视频,可以得到区域图像;其中,区域图像与风险图像之间的图幅是匹配的,这样才能保证后续的匹配过程能够顺利进行。
保证两者之间的匹配,还需要对基准图层的生成过程进行修正,所述基准图层由区域地图确定,在区域地图中,截取与区域图像相符的区域,即可得到基准图层。
步骤S400:基于风险图像对区域图像进行匹配,得到匹配度数组;所述匹配度数组的元素数量与风险图像的数量相同;
风险图像定时更新,在一段时间内,风险图像是固定的,对风险图像进行特征值计算,然后根据计算出的结果,对监控系统采集到的区域图像进行实时处理,可以计算到多个匹配度,统计多个匹配度,可以得到匹配度数组,一个匹配度与一个风险图像对应。
在这一过程中,关于风险图像的特征计算过程仅需一次或有限的几次即可,匹配效率极高;由于风险图像中的风险特征较多,而区域图像中大都不存在风险或仅有一两种风险类型,因此,所述匹配度一般都处于低位。
步骤S500:根据所述匹配度数组对区域图像进行风险定位;
对匹配度数组进行统计学分析,可以确定大致的风险类型,基于匹配度数组定位相匹配的风险图像,再由定位到的风险图像对区域图像进行风险定位(重点在于获取风险特征的位置),即可完成对监控系统获取到的区域图像的风险识别过程。
图2为基于大数据的风险信息监控方法的第一子流程框图,所述根据传感器实时获取区域内各点位的环境参数,根据所述环境参数定时更新风险表的步骤包括:
步骤S101:根据预设的备案信息查询传感器的安装点位;
传感器在安装时会进行备案,在后续的使用过程中,根据备案信息即可查询到传感器的安装点位。
步骤S102:获取传感器的传感数据,根据传感器类型对传感数据进行分类;
传感器的类型有很多,不同传感器获取到的传感数据的数据结构不同,对应的分析过程也不同,因此,需要根据传感器类型对传感数据进行分类。
步骤S103:根据所述安装点位排列传感数据,得到环境矩阵;所述环境矩阵以传感器类型为标签;
对同类传感数据,根据其安装点位排列传感数据,可以得到环境矩阵;需要说明的是,所述环境矩阵的行列值由待检区域的地图确定,在没有传感数据的位置处,将矩阵元素设为1或其他默认值。
步骤S104:将所述环境矩阵输入训练好的环境识别模型,得到风险特征及其风险概率;所述风险特征为与风险类型对应的图像特征;
对环境矩阵进行识别,可以得到风险特征;识别过程借助现有的可训练的神经网络识别模型,根据大数据技术实时统计样本及其对应的风险特征,建立训练集,进而训练出一个输入为矩阵,输出为风险特征及其风险概率的环境识别模型;其中,所述环境识别模型基于预统计的大数据样本定时更新。
步骤S105:统计所述风险特征及其风险概率,得到风险表;
以表格的形式统计风险特征及其风险概率,得到风险表。
图3为基于大数据的风险信息监控方法的第二子流程框图,所述根据所述风险表随机生成风险图层,叠加所述风险图层和预设的基准图层,得到风险图像的步骤包括:
步骤S201:根据风险概率对风险表中的风险特征进行排序;
风险表中含有风险概率项,由风险概率对风险特征进行排序。
步骤S202:根据预设的概率范围对风险特征进行聚类;
对排序后的风险表,可以通过概率范围对风险特征进行聚类,使得一个概率范围对应一类风险特征。
步骤S203:读取基准图层,基于所述基准图层确定聚类后的风险特征的风险图层;
读取确定的基准图层,根据基准图层将聚类后的风险特征统计起来,以风险图层的形式进行表示。
步骤S204:基于所述基准图层叠加所有风险图层,得到风险图像;
以所述基准图层为基底,叠加所有风险图层,即可得到风险图像。
值得一提的是,不同风险图层中的风险特征的风险概率不同,因此,在同一环境参数下,不同图层的风险特征之间的交集一般需要单独分析,所以在建立风险图层时,其他图层中已经存在风险特征的位置处,可以主动的避免,也即,不同风险图层的风险特征之间的交集为零。
图4为基于大数据的风险信息监控方法的第三子流程框图,所述基于风险图像对区域图像进行匹配,得到匹配度数组的步骤包括:
步骤S401:计算风险图像的特征值;所述特征值包括亮度特征值、对比度特征值和结构特征值;
步骤S402:基于同一计算模型实时计算区域图像的特征值;
步骤S403:根据预设的结构相似式公式计算所述风险图像和所述区域图像的匹配度,得到匹配度数组。
在本发明技术方案的一个实例中,分别计算风险图像的特征值和区域图像的特征值,然后比对计算出的特征值,即可得到两者之间的匹配度;在这一过程中,由于一段时间内的风险图像是固定的,并且基于大数据技术更新时,更新内容相比已有内容来说,一般不会发生太大变化,因此,风险图像的特征值只需有限的几次计算,就可以作为默认值,用于实时的评价实际获取到的区域图像。这一过程所需的计算资源极少,分析时间极短,实时性高。
具体的,所述结构相似式公式为:
s(x,y)=[l(x,y)]α·[d(x,y)]β·[j(x,y)]γ
所述亮度特征值的计算公式为:
所述对比度特征值的计算公式为:
所述结构特征值的计算公式为:
式中,x和y分别为风险图像和区域图像;l(x,y)为亮度特征值,d(x,y)为对比度特征值,j(x,y)为结构特征值,s(x,y)为匹配度;μx为风险图像中各像素点的色值均值,σx为风险图像中各像素点的色值标准差;μy为区域图像中各像素点的色值均值,σy为区域图像中各像素点的色值标准差;σxy为风险图像和区域图像的协方差;C1、C2和C3均为预设的常数;α、β和γ均为预设的常数。
具体的,其中一种计算方式为:
其中,N为像素点数,xi为风险图像中第i个点,yi为区域图像中第i个点。
上述内容的依据实际上是传统的相关系数计算公式,但是与传统的相关系数计算公式不同的是,对相关系数计算公式进行了优化,直接限定了亮度特征值、对比度特征值和结构特征值的计算公式。
此外,在实际应用中,除了上述计算公式,均值、方差以及协方差还有其他的现有方式计算,比如采用高斯卷积的方式,不一定是遍历的方式。
在本发明技术方案的一个实例中,令α=β=γ=1,C3=C2/2;此时,上述方法从图像组成的角度将结构信息定义为独立于亮度、对比度的反映场景中物体结构的属性,并将匹配度设定为亮度、对比度和结构三个不同因素的组合。用均值作为亮度的估计,标准差作为对比度的估计,协方差作为结构相似程度的度量。
图5为基于大数据的风险信息监控方法的第四子流程框图,所述根据所述匹配度数组对区域图像进行风险定位的步骤包括:
步骤S501:根据预设的匹配阈值对所述匹配度数组进行数值提取,并定位对应的风险图像;
步骤S502:根据风险图像的匹配度确定随机选取规则,基于所述随机选取规则在风险图像中选取风险特征;所述随机选取规则包含单次选取数量及目标选取数量;
步骤S503:根据所述风险特征遍历所述区域图像,根据遍历结果标记风险特征,获取风险特征的位置并记录标记数量;
步骤S504:当所述标记数量达到所述目标选取数量时,输出风险特征及其位置。
在本发明技术方案的一个实例中,选取匹配度达到一定匹配条件的风险图像,查询风险图像中有哪些风险特征,这些风险特征的数量不唯一;在这些风险特征中,随机选取一些数量的风险特征,遍历区域图像,判断该风险特征是否在区域图像中出现;其中,匹配度确定了风险特征的大致数量,比如,如果大概有两个风险特征,那么单次选取三个风险特征进行遍历,当确定有三个风险特征在区域图像中出现时,遍历过程结束;在这一过程中,无须对所有风险特征进行遍历分析,进一步的提高了识别效率。
其中,遍过过程采用现有的遍历匹配技术即可,风险特征相当于卷积核,由卷积核遍历图像,可以实时记录相似度及位置,选取相似度达到相似度阈值的位置,即为风险特征对应的位置;匹配度用于表示区域图像中可能存在哪些风险特征,相似度用于表示区域图像中具体存在哪些风险特征。
需要说明的是,本发明技术方案的思想架构还可以迁移应用至其他领域,只需要具备监控系统即可。
图6为基于大数据的风险信息监控系统的组成结构框图,本发明实施例中,一种基于大数据的风险信息监控系统,所述系统10包括:
风险表更新模块11,用于根据传感器实时获取区域内各点位的环境参数,根据所述环境参数定时更新风险表;所述风险表包括风险特征项及其风险概率项;
风险图像生成模块12,用于根据所述风险表随机生成风险图层,叠加所述风险图层和预设的基准图层,得到风险图像;所述基准图层由区域地图确定;所述风险图像的数量至少为一;
区域图像获取模块13,用于查询监控系统的监控参数,根据所述监控参数生成区域图像;所述区域图像与所述风险图像间存在映射关系;
匹配度计算模块14,用于基于风险图像对区域图像进行匹配,得到匹配度数组;所述匹配度数组的元素数量与风险图像的数量相同;
风险定位模块15,用于根据所述匹配度数组对区域图像进行风险定位。
所述风险表更新模块11包括:
安装点位查询单元,用于根据预设的备案信息查询传感器的安装点位;
数据分类单元,用于获取传感器的传感数据,根据传感器类型对传感数据进行分类;
环境矩阵生成单元,用于根据所述安装点位排列传感数据,得到环境矩阵;所述环境矩阵以传感器类型为标签;
风险识别单元,用于将所述环境矩阵输入训练好的环境识别模型,得到风险特征及其风险概率;所述风险特征为与风险类型对应的图像特征;
数据统计单元,用于统计所述风险特征及其风险概率,得到风险表;
其中,所述环境识别模型基于预统计的大数据样本定时更新;环境识别模型的输入为矩阵,输出为风险特征及其风险概率。
所述风险图像生成模块12包括:
排序单元,用于根据风险概率对风险表中的风险特征进行排序;
聚类单元,用于根据预设的概率范围对风险特征进行聚类;
图层生成单元,用于读取基准图层,基于所述基准图层确定聚类后的风险特征的风险图层;
叠加单元,用于基于所述基准图层叠加所有风险图层,得到风险图像;
其中,不同风险图层的风险特征之间的交集为零。
所述匹配度计算模块14包括:
第一计算单元,用于计算风险图像的特征值;所述特征值包括亮度特征值、对比度特征值和结构特征值;
第二计算单元,用于基于同一计算模型实时计算区域图像的特征值;
第三计算单元,用于根据预设的结构相似式公式计算所述风险图像和所述区域图像的匹配度,得到匹配度数组。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于大数据的风险信息监控方法,其特征在于,所述方法包括:
根据传感器实时获取区域内各点位的环境参数,根据所述环境参数定时更新风险表;所述风险表包括风险特征项及其风险概率项;
根据所述风险表随机生成风险图层,叠加所述风险图层和预设的基准图层,得到风险图像;所述基准图层由区域地图确定;所述风险图像的数量至少为一;
查询监控系统的监控参数,根据所述监控参数生成区域图像;所述区域图像与所述风险图像间存在映射关系;
基于风险图像对区域图像进行匹配,得到匹配度数组;所述匹配度数组的元素数量与风险图像的数量相同;
根据所述匹配度数组对区域图像进行风险定位。
2.根据权利要求1所述的基于大数据的风险信息监控方法,其特征在于,所述根据传感器实时获取区域内各点位的环境参数,根据所述环境参数定时更新风险表的步骤包括:
根据预设的备案信息查询传感器的安装点位;
获取传感器的传感数据,根据传感器类型对传感数据进行分类;
根据所述安装点位排列传感数据,得到环境矩阵;所述环境矩阵以传感器类型为标签;
将所述环境矩阵输入训练好的环境识别模型,得到风险特征及其风险概率;所述风险特征为与风险类型对应的图像特征;
统计所述风险特征及其风险概率,得到风险表;
其中,所述环境识别模型基于预统计的大数据样本定时更新;环境识别模型的输入为矩阵,输出为风险特征及其风险概率。
3.根据权利要求1所述的基于大数据的风险信息监控方法,其特征在于,所述根据所述风险表随机生成风险图层,叠加所述风险图层和预设的基准图层,得到风险图像的步骤包括:
根据风险概率对风险表中的风险特征进行排序;
根据预设的概率范围对风险特征进行聚类;
读取基准图层,基于所述基准图层确定聚类后的风险特征的风险图层;
基于所述基准图层叠加所有风险图层,得到风险图像;
其中,不同风险图层的风险特征之间的交集为零。
4.根据权利要求1所述的基于大数据的风险信息监控方法,其特征在于,所述基于风险图像对区域图像进行匹配,得到匹配度数组的步骤包括:
计算风险图像的特征值;所述特征值包括亮度特征值、对比度特征值和结构特征值;
基于同一计算模型实时计算区域图像的特征值;
根据预设的结构相似式公式计算所述风险图像和所述区域图像的匹配度,得到匹配度数组。
5.根据权利要求4所述的基于大数据的风险信息监控方法,其特征在于,所述结构相似式公式为:
s(x,y)=[I(x,y)]α·[d(x,y)]β·[j(x,y)]γ
所述亮度特征值的计算公式为:
所述对比度特征值的计算公式为:
所述结构特征值的计算公式为:
式中,x和y分别为风险图像和区域图像;l(x,y)为亮度特征值,d(x,y)为对比度特征值,j(x,y)为结构特征值,s(x,y)为匹配度;μx为风险图像中各像素点的色值均值,σx为风险图像中各像素点的色值标准差;μy为区域图像中各像素点的色值均值,σy为区域图像中各像素点的色值标准差;σxy为风险图像和区域图像的协方差;C1、C2和C3均为预设的常数;α、β和γ均为预设的常数。
6.根据权利要求2所述的基于大数据的风险信息监控方法,其特征在于,所述根据所述匹配度数组对区域图像进行风险定位的步骤包括:
根据预设的匹配阈值对所述匹配度数组进行数值提取,并定位对应的风险图像;
根据风险图像的匹配度确定随机选取规则,基于所述随机选取规则在风险图像中选取风险特征;所述随机选取规则包含单次选取数量及目标选取数量;
根据所述风险特征遍历所述区域图像,根据遍历结果标记风险特征,获取风险特征的位置并记录标记数量;
当所述标记数量达到所述目标选取数量时,输出风险特征及其位置。
7.一种基于大数据的风险信息监控系统,其特征在于,所述系统包括:
风险表更新模块,用于根据传感器实时获取区域内各点位的环境参数,根据所述环境参数定时更新风险表;所述风险表包括风险特征项及其风险概率项;
风险图像生成模块,用于根据所述风险表随机生成风险图层,叠加所述风险图层和预设的基准图层,得到风险图像;所述基准图层由区域地图确定;所述风险图像的数量至少为一;
区域图像获取模块,用于查询监控系统的监控参数,根据所述监控参数生成区域图像;所述区域图像与所述风险图像间存在映射关系;
匹配度计算模块,用于基于风险图像对区域图像进行匹配,得到匹配度数组;所述匹配度数组的元素数量与风险图像的数量相同;
风险定位模块,用于根据所述匹配度数组对区域图像进行风险定位。
8.根据权利要求7所述的基于大数据的风险信息监控系统,其特征在于,所述风险表更新模块包括:
安装点位查询单元,用于根据预设的备案信息查询传感器的安装点位;
数据分类单元,用于获取传感器的传感数据,根据传感器类型对传感数据进行分类;
环境矩阵生成单元,用于根据所述安装点位排列传感数据,得到环境矩阵;所述环境矩阵以传感器类型为标签;
风险识别单元,用于将所述环境矩阵输入训练好的环境识别模型,得到风险特征及其风险概率;所述风险特征为与风险类型对应的图像特征;
数据统计单元,用于统计所述风险特征及其风险概率,得到风险表;
其中,所述环境识别模型基于预统计的大数据样本定时更新;环境识别模型的输入为矩阵,输出为风险特征及其风险概率。
9.根据权利要求7所述的基于大数据的风险信息监控系统,其特征在于,所述风险图像生成模块包括:
排序单元,用于根据风险概率对风险表中的风险特征进行排序;
聚类单元,用于根据预设的概率范围对风险特征进行聚类;
图层生成单元,用于读取基准图层,基于所述基准图层确定聚类后的风险特征的风险图层;
叠加单元,用于基于所述基准图层叠加所有风险图层,得到风险图像;
其中,不同风险图层的风险特征之间的交集为零。
10.根据权利要求7所述的基于大数据的风险信息监控系统,其特征在于,所述匹配度计算模块包括:
第一计算单元,用于计算风险图像的特征值;所述特征值包括亮度特征值、对比度特征值和结构特征值;
第二计算单元,用于基于同一计算模型实时计算区域图像的特征值;
第三计算单元,用于根据预设的结构相似式公式计算所述风险图像和所述区域图像的匹配度,得到匹配度数组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310505991.8A CN116522261B (zh) | 2023-05-06 | 2023-05-06 | 一种基于大数据的风险信息监控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310505991.8A CN116522261B (zh) | 2023-05-06 | 2023-05-06 | 一种基于大数据的风险信息监控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116522261A true CN116522261A (zh) | 2023-08-01 |
CN116522261B CN116522261B (zh) | 2023-12-22 |
Family
ID=87391840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310505991.8A Active CN116522261B (zh) | 2023-05-06 | 2023-05-06 | 一种基于大数据的风险信息监控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116522261B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858647A (zh) * | 2018-12-21 | 2019-06-07 | 河海大学 | 一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法 |
CN112860769A (zh) * | 2021-03-10 | 2021-05-28 | 广东电网有限责任公司 | 一种能源规划数据管理系统 |
CN112907157A (zh) * | 2021-05-10 | 2021-06-04 | 广东电网有限责任公司佛山供电局 | 一种基于气象预警的电网风险可视化方法及系统 |
US20210209490A1 (en) * | 2020-01-07 | 2021-07-08 | The Climate Corporation | Using optical remote sensors and machine learning models to predict agronomic field property data |
CN115631449A (zh) * | 2022-12-19 | 2023-01-20 | 南京和电科技有限公司 | 一种视频智能识别管理方法及系统 |
-
2023
- 2023-05-06 CN CN202310505991.8A patent/CN116522261B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858647A (zh) * | 2018-12-21 | 2019-06-07 | 河海大学 | 一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法 |
US20210209490A1 (en) * | 2020-01-07 | 2021-07-08 | The Climate Corporation | Using optical remote sensors and machine learning models to predict agronomic field property data |
CN112860769A (zh) * | 2021-03-10 | 2021-05-28 | 广东电网有限责任公司 | 一种能源规划数据管理系统 |
CN112907157A (zh) * | 2021-05-10 | 2021-06-04 | 广东电网有限责任公司佛山供电局 | 一种基于气象预警的电网风险可视化方法及系统 |
CN115631449A (zh) * | 2022-12-19 | 2023-01-20 | 南京和电科技有限公司 | 一种视频智能识别管理方法及系统 |
Non-Patent Citations (2)
Title |
---|
张宁;姜峰;王大为;陈鹏;张青;: "基于空间数据分析的长江公共安全预测模型构建", 情报杂志, no. 05 * |
徐仕琪;周可法;张晓帆;陈川;赵同阳;: "GIS空间分析在成矿预测中的应用――以西天山为例", 新疆地质, no. 01 * |
Also Published As
Publication number | Publication date |
---|---|
CN116522261B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN110929607B (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
Xu et al. | Wheat ear counting using K-means clustering segmentation and convolutional neural network | |
CN108830285B (zh) | 一种基于Faster-RCNN的加强学习的目标检测方法 | |
CN111325203A (zh) | 一种基于图像校正的美式车牌识别方法及系统 | |
CN111222474A (zh) | 一种任意尺度的高分辨率图像小目标检测方法 | |
CN106897681B (zh) | 一种遥感图像对比分析方法及系统 | |
CN111598098B (zh) | 一种基于全卷积神经网络的水尺水位线检测及有效性识别方法 | |
CN113449594A (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
CN111310756A (zh) | 一种基于深度学习的损伤玉米颗粒检测和分类方法 | |
Kim et al. | Automated classification of thermal defects in the building envelope using thermal and visible images | |
CN113705570A (zh) | 一种基于深度学习的少样本目标检测方法 | |
CN114913498A (zh) | 一种基于关键点估计的并行多尺度特征聚合车道线检测方法 | |
CN110659637A (zh) | 一种结合深度神经网络和sift特征的电能表示数与标签自动识别方法 | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
CN115019294A (zh) | 一种指针式仪表读数识别方法及系统 | |
CN116522261B (zh) | 一种基于大数据的风险信息监控方法及系统 | |
CN117197085A (zh) | 基于改进YOLOv8网络的公路快检图像路面病害检测方法 | |
CN112084941A (zh) | 一种基于遥感图像的目标检测与识别方法 | |
CN114677670B (zh) | 一种身份证篡改自动识别与定位的方法 | |
CN116563205A (zh) | 基于小目标检测和改进YOLOv5的麦穗计数检测方法 | |
CN115620119A (zh) | 一种天气类型图像检测及雾天图像处理方法及装置 | |
CN112001388B (zh) | 一种基于YOLOv3改进模型的用于检测PCB中圆形目标的方法 | |
CN114663760A (zh) | 模型训练的方法、目标检测方法、存储介质及计算设备 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20231129 Address after: Room 2561, Building 2, East Ring Road, Yanqing Garden, Zhongguancun, Yanqing District, Beijing, 100000 Applicant after: Beijing Hanhai Lanshan Intelligent Technology Co.,Ltd. Address before: 970, 9th floor, No. 11 Zhongguancun Street, Haidian District, Beijing, 100000 Applicant before: Beijing Go to Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |