CN116797973A - 应用于环卫智慧管理平台的数据挖掘方法及系统 - Google Patents

Abstract

本申请提供一种应用于环卫智慧管理平台的数据挖掘方法及系统，通过初始环卫异常事件检测网络识别不均衡异常事件标签对应的各个训练用环卫监控视频流的视频语义特征序列，由此确定不均衡异常事件标签的标签权重信息，依据不均衡异常事件标签的标签权重信息作为初始环卫异常事件检测网络中的不均衡异常事件标签的网络权重参数，然后进一步进行迭代更新得到第一目标环卫异常事件检测网络，能够使不均衡异常事件标签对应的训练用环卫监控视频流对异常事件标签的激励更强，从而使不均衡异常事件标签对应的训练用环卫监控视频流可以获得有效地训练，获得更好的对不均衡异常事件标签分析的精度，并且不影响其它丰富样本数量的异常事件标签的分析性能。

Description

应用于环卫智慧管理平台的数据挖掘方法及系统

技术领域

本申请涉及人工智能技术领域，具体而言，涉及一种应用于环卫智慧管理平台的数据挖掘方法及系统。

背景技术

对于环卫状态监控而言，视频图像监控系统最为直观，所以建设环卫智慧管理平台的视频监控系统非常必要。相关技术中，通常通过结合AI算法配置环卫异常事件检测网络，依据环卫异常事件检测网络进行异常事件检测，然而在AI算法的训练过程中，通常需要搜集大量携带异常事件标签的训练用环卫监控视频流。对于实际情况而言，不同的异常事件标签的训练用环卫监控视频流的数量分布通常不均衡，也即可能会存在部分异常事件标签的训练用环卫监控视频流的数量非常多，部分异常事件标签的训练用环卫监控视频流的数量非常少的情况，导致针对不均衡异常事件标签的检测无法获得较好的学习效果，进而会影响后续在实际网络部署后针对不均衡异常事件标签分析的精度。

发明内容

有鉴于此，本申请的目的在于提供一种应用于环卫智慧管理平台的数据挖掘方法及系统。

依据本申请的第一方面，提供一种应用于环卫智慧管理平台的数据挖掘方法，应用于环卫远程监控系统，所述方法包括：

获取初始环卫异常事件检测网络，并获取环卫监控视频流训练数据，所述环卫监控视频流训练数据包括不均衡异常事件标签对应的各个训练用环卫监控视频流；

将所述不均衡异常事件标签对应的各个训练用环卫监控视频流加载到所述初始环卫异常事件检测网络中进行视频语义特征提取，生成各个视频语义特征序列，依据所述各个视频语义特征序列确定不均衡异常事件标签的标签权重信息；

依据所述不均衡异常事件标签的标签权重信息覆盖所述初始环卫异常事件检测网络中对应的不均衡异常事件标签的网络权重参数，生成当前环卫异常事件检测网络；

依据所述环卫监控视频流训练数据对所述当前环卫异常事件检测网络进行迭代更新，直到所述当前环卫异常事件检测网络收敛时，生成第一目标环卫异常事件检测网络。

在第一方面的一种可能的实施方式中，在所述依据所述环卫监控视频流训练数据对所述当前环卫异常事件检测网络进行迭代更新，直到所述当前环卫异常事件检测网络收敛时，生成第一目标环卫异常事件检测网络之后，还包括：

将所述第一目标环卫异常事件检测网络作为初始环卫异常事件检测网络，并返回将所述不均衡异常事件标签对应的各个训练用环卫监控视频流加载到所述初始环卫异常事件检测网络中进行视频语义特征提取，生成各个视频语义特征序列，依据所述各个视频语义特征序列确定不均衡异常事件标签的标签权重信息的步骤执行，直到符合迭代终止要求时，生成第二目标环卫异常事件检测网络。

在第一方面的一种可能的实施方式中，在所述生成第二目标环卫异常事件检测网络之后，还包括：

将所述第二目标环卫异常事件检测网络加载到环卫远程监控系统中，并生成API配置信息，所述API配置信息用于激活所述第二目标环卫异常事件检测网络对目标环卫监控视频流数据进行异常事件检测。

在第一方面的一种可能的实施方式中，所述初始环卫异常事件检测网络的生成包括以下步骤：

获取所述环卫监控视频流训练数据，将所述环卫监控视频流训练数据加载到基于蒙特卡洛神经网络的不平衡数据分类网络中进行迭代更新，在所述当前环卫异常事件检测网络收敛时，生成所述初始环卫异常事件检测网络。

在第一方面的一种可能的实施方式中，所述获取所述环卫监控视频流训练数据，将所述环卫监控视频流训练数据加载到基于蒙特卡洛神经网络的不平衡数据分类网络中进行迭代更新，在所述当前环卫异常事件检测网络收敛时，生成所述初始环卫异常事件检测网络，包括：

从所述环卫监控视频流训练数据中选取当前参考环卫监控视频段；

将所述当前参考环卫监控视频段加载到所述基于蒙特卡洛神经网络的不平衡数据分类网络中进行异常事件分析，生成当前估计异常事件数据；

获取所述当前参考环卫监控视频段对应的先验异常事件标注数据，依据所述当前估计异常事件数据和对应的所述先验异常事件标注数据计算当前训练误差值；

依据所述当前训练误差值对所述基于蒙特卡洛神经网络的不平衡数据分类网络进行更新，生成更新后的基于蒙特卡洛神经网络的不平衡数据分类网络，将所述更新后的基于蒙特卡洛神经网络的不平衡数据分类网络作为基于蒙特卡洛神经网络的不平衡数据分类网络，并返回从所述环卫监控视频流训练数据中选取当前参考环卫监控视频段的步骤执行，直到所述当前环卫异常事件检测网络收敛，生成所述初始环卫异常事件检测网络。

在第一方面的一种可能的实施方式中，依据所述各个视频语义特征序列确定不均衡异常事件标签的标签权重信息，包括：

从所述各个视频语义特征序列中确定各个不均衡异常事件标签对应的目标视频语义特征序列；

分别计算所述各个不均衡异常事件标签对应的目标视频语义特征序列的均值特征向量，生成所述各个不均衡异常事件标签对应的均值特征向量；

将所述各个不均衡异常事件标签对应的均值特征向量作为所述各个不均衡异常事件标签对应的不均衡异常事件标签的标签权重信息。

在第一方面的一种可能的实施方式中，所述依据所述不均衡异常事件标签的标签权重信息覆盖所述初始环卫异常事件检测网络中对应的不均衡异常事件标签的网络权重参数，生成当前环卫异常事件检测网络，包括：

获取到各个不均衡异常事件标签对应的不均衡异常事件标签的标签权重信息，并从所述初始环卫异常事件检测网络的全连接输出单元中确定所述各个不均衡异常事件标签对应的不均衡异常事件标签的网络权重参数；

依据所述各个不均衡异常事件标签对应的不均衡异常事件标签的标签权重信息覆盖对应的不均衡异常事件标签的网络权重参数，生成当前环卫异常事件检测网络。

在第一方面的一种可能的实施方式中，所述依据所述环卫监控视频流训练数据对所述当前环卫异常事件检测网络进行迭代更新，直到所述当前环卫异常事件检测网络收敛时，生成第一目标环卫异常事件检测网络，包括：

从所述环卫监控视频流训练数据中确定目标训练用环卫监控视频流，将所述目标训练用环卫监控视频流加载到所述当前环卫异常事件检测网络进行异常事件分析，生成训练异常事件数据；

获取所述目标训练用环卫监控视频流对应的目标异常事件标定数据，基于所述训练异常事件数据和所述目标异常事件标定数据计算初始训练误差值；

从所述环卫监控视频流训练数据中确定所述目标异常事件标定数据对应的训练数量，依据所述目标异常事件标定数据对应的训练数量计算所述目标异常事件标定数据对应的目标注意力系数，基于所述目标注意力系数和所述初始训练误差值计算目标训练误差值；

依据所述目标训练误差值对所述当前环卫异常事件检测网络进行更新，生成更新后的环卫异常事件检测网络，将所述更新后的环卫异常事件检测网络作为当前环卫异常事件检测网络，并返回从所述环卫监控视频流训练数据中确定目标训练用环卫监控视频流，将所述目标训练用环卫监控视频流加载到所述当前环卫异常事件检测网络进行异常事件分析，生成训练异常事件数据的步骤执行，直到所述当前环卫异常事件检测网络收敛时，生成所述第一目标环卫异常事件检测网络；

所述依据所述目标异常事件标定数据对应的训练数量计算所述目标异常事件标定数据对应的目标注意力系数，包括：

获取设定目标数值，计算所述设定目标数值与所述目标异常事件标定数据对应的训练数量的比值，生成所述目标异常事件标定数据对应的目标注意力系数；

所述依据所述目标异常事件标定数据对应的训练数量计算所述目标异常事件标定数据对应的目标注意力系数，包括：

获取全局训练样本数量，计算所述全局训练样本数量与所述目标异常事件标定数据对应的训练数量的比值，生成所述目标异常事件标定数据对应的目标注意力系数。

在第一方面的一种可能的实施方式中，所述方法还包括：

获取目标环卫监控视频流数据；

将所述目标环卫监控视频流数据加载到第一目标环卫异常事件检测网络中进行异常事件检测，生成对应的异常事件数据；

其中，所述第一目标环卫异常事件检测网络是使用不均衡异常事件标签的标签权重信息覆盖初始环卫异常事件检测网络的全连接输出单元对应的不均衡异常事件标签的网络权重参数，生成当前环卫异常事件检测网络，并使用环卫监控视频流训练数据对所述当前环卫异常事件检测网络进行迭代更新后得到，所述不均衡异常事件标签的标签权重信息是将环卫监控视频流训练数据中不均衡异常事件标签对应的各个训练用环卫监控视频流加载到所述初始环卫异常事件检测网络中进行视频语义特征提取，生成各个视频语义特征序列，依据所述各个视频语义特征序列确定的。

依据本申请的第二方面，提供一种环卫远程监控系统，所述环卫远程监控系统包括机器可读存储介质及处理器，所述机器可读存储介质存储有机器可执行指令，所述处理器在执行所述机器可执行指令时，该环卫远程监控系统实现前述的应用于环卫智慧管理平台的数据挖掘方法。

依据本申请的第三方面，提供提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，当所述计算机可执行指令被执行时，实现前述的应用于环卫智慧管理平台的数据挖掘方法。

依据上述任一方面，本申请中，通过初始环卫异常事件检测网络识别不均衡异常事件标签对应的各个训练用环卫监控视频流的视频语义特征序列，由此确定不均衡异常事件标签的标签权重信息，依据不均衡异常事件标签的标签权重信息作为初始环卫异常事件检测网络中的不均衡异常事件标签的网络权重参数，然后进一步进行迭代更新得到第一目标环卫异常事件检测网络，能够使不均衡异常事件标签对应的训练用环卫监控视频流对异常事件标签的激励更强，从而使不均衡异常事件标签对应的训练用环卫监控视频流可以获得有效地训练，使得生成的第一目标环卫异常事件检测网络可以获得更好的对不均衡异常事件标签分析的精度，同时由于只对不均衡异常事件标签的网络权重参数进行了覆盖，未对其它网络权重参数进行覆盖，从而不影响其它丰富样本数量的异常事件标签的分析性能。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以依据这些附图获得其它相关的附图。

图1本申请实施例所提供的应用于环卫智慧管理平台的数据挖掘方法的流程示意图；

图2示出了本申请实施例所提供的用于实现上述的应用于环卫智慧管理平台的数据挖掘方法的环卫远程监控系统的组件结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将依据本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了依据本申请实施例的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其它操作，也可以从流程图中销毁一个或多个操作。

另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。依据本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本申请保护的范围。

图1示出了本申请实施例提供的应用于环卫智慧管理平台的数据挖掘方法的流程示意图，应当理解，在其它实施例中，本实施例的应用于环卫智慧管理平台的数据挖掘方法其中部分步骤的顺序可以依据实际需要相互共享，或者其中的部分步骤也可以省略或维持。该应用于环卫智慧管理平台的数据挖掘方法的详细包括：

步骤S102，获取初始环卫异常事件检测网络，并获取环卫监控视频流训练数据，环卫监控视频流训练数据包括不均衡异常事件标签对应的各个训练用环卫监控视频流。

其中，初始环卫异常事件检测网络是指预先基于训练用环卫监控视频流使用AI模型策略进行迭代更新得到的环卫异常事件检测网络，初始环卫异常事件检测网络用于分析环卫监控视频流的异常事件标签。训练用环卫监控视频流是指搜集的具有先验异常事件标注数据的环卫监控视频流，先验异常事件标注数据用于指示环卫监控视频流对应的异常事件标签。AI模型策略可以是指基于蒙特卡洛神经网络的不平衡数据分类网络。环卫监控视频流训练数据是指具备不均衡异常事件标签的训练用环卫监控视频流，不均衡异常事件标签是指异常事件标签序列中样本数量较少的训练用环卫监控视频流对应的异常事件标签。

步骤S104，将不均衡异常事件标签对应的各个训练用环卫监控视频流加载到初始环卫异常事件检测网络中进行视频语义特征提取，生成各个视频语义特征序列，依据各个视频语义特征序列确定不均衡异常事件标签的标签权重信息。

其中，视频语义特征提取是指使用初始环卫异常事件检测网络进行异常事件检测得到的训练用环卫监控视频流对应的视频语义特征，比如，通过环卫异常事件检测网络中的池化层输出的深度特征。视频语义特征序列用于表征环卫监控视频流对应的视频语义特征，每一个不均衡异常事件标签对应的训练用环卫监控视频流都有对应的视频语义特征序列。不均衡异常事件标签的标签权重信息是基于不均衡异常事件标签对应的视频语义特征序列得到的，用于表征初始环卫异常事件检测网络对该不均衡异常事件标签的学习能力，每个不均衡异常事件标签都有对应的不均衡异常事件标签的标签权重信息。

示例性地，将每个不均衡异常事件标签对应的各个训练用环卫监控视频流加载到初始环卫异常事件检测网络中进行视频语义特征提取，生成每个不均衡异常事件标签对应的各个视频语义特征序列，然后对每个不均衡异常事件标签对应的各个视频语义特征序列进行特征间计算，生成特征间计算结果，将特征间计算结果作为不均衡异常事件标签的标签权重信息，其中，特征间计算可以是计算各个视频语义特征序列的均值特征向量，将均值特征向量作为不均衡异常事件标签的标签权重信息。也可以对各个视频语义特征序列进行组合，将组合语义特征序列作为不均衡异常事件标签的标签权重信息。

步骤S106，依据不均衡异常事件标签的标签权重信息覆盖初始环卫异常事件检测网络中对应的不均衡异常事件标签的网络权重参数，生成当前环卫异常事件检测网络。

其中，网络权重参数进是指初始环卫异常事件检测网络内部的函数配置变量，是初始环卫异常事件检测网络训练完成时得到的。不均衡异常事件标签的网络权重参数是指初始环卫异常事件检测网络内部该不均衡异常事件标签对应的网络权重参数进。当前环卫异常事件检测网络是指使用所有的不均衡异常事件标签的标签权重信息覆盖初始环卫异常事件检测网络中对应的不均衡异常事件标签的网络权重参数后得到的神经网络。

示例性地，得到不均衡异常事件标签的标签权重信息时，先确定初始环卫异常事件检测网络中对应的不均衡异常事件标签的网络权重参数，然后将该不均衡异常事件标签的网络权重参数进行删除，并将不均衡异常事件标签的标签权重信息加载进去，则该不均衡异常事件标签的标签权重信息覆盖完成，当所有不均衡异常事件标签对应的不均衡异常事件标签都覆盖完成时，生成当前环卫异常事件检测网络。

步骤S108，依据环卫监控视频流训练数据对当前环卫异常事件检测网络进行迭代更新，直到所述当前环卫异常事件检测网络收敛时，生成第一目标环卫异常事件检测网络。

其中，预所述当前环卫异常事件检测网络收敛可以是指训练次数大于设定次数、训练误差值小于设定误差值和当前环卫异常事件检测网络的检测准确度大于设定准确度。第一目标环卫异常事件检测网络是指收敛的目标环卫异常事件检测网络，该目标环卫异常事件检测网络能够提升识别不均衡异常事件标签的可靠性。

本实施例还可以将得到的第一目标环卫异常事件检测网络加载到环卫远程监控系统中，并生成第一目标环卫异常事件检测网络的API配置信息，由此可以便于后续使用该API配置信息从环卫远程监控系统中激活第一目标环卫异常事件检测网络对需要检测的环卫监控视频流进行异常事件检测。

基于以上步骤，通过初始环卫异常事件检测网络识别不均衡异常事件标签对应的各个训练用环卫监控视频流的视频语义特征序列，由此确定不均衡异常事件标签的标签权重信息，依据不均衡异常事件标签的标签权重信息作为初始环卫异常事件检测网络中的不均衡异常事件标签的网络权重参数，然后进一步进行迭代更新得到第一目标环卫异常事件检测网络，能够使不均衡异常事件标签对应的训练用环卫监控视频流对异常事件标签的激励更强，从而使不均衡异常事件标签对应的训练用环卫监控视频流可以获得有效地训练，使得生成的第一目标环卫异常事件检测网络可以获得更好的对不均衡异常事件标签分析的精度，同时由于只对不均衡异常事件标签的网络权重参数进行了覆盖，未对其它网络权重参数进行覆盖，从而不影响其它丰富样本数量的异常事件标签的分析性能。

在一种可替代的实施方式中，在步骤S108之后，即在使用环卫监控视频流训练数据对当前环卫异常事件检测网络进行迭代更新，直到所述当前环卫异常事件检测网络收敛时，生成第一目标环卫异常事件检测网络之后，还包括：

步骤S202，判断是否符合迭代终止要求，当符合迭代终止要求时，执行步骤S204a，当未符合迭代终止要求时，执行步骤S204b并返回步骤S104执行。步骤S204a，生成第二目标环卫异常事件检测网络。步骤S204b，将第一目标环卫异常事件检测网络作为初始环卫异常事件检测网络，并返回将不均衡异常事件标签对应的各个训练用环卫监控视频流加载到初始环卫异常事件检测网络中进行视频语义特征提取，生成各个视频语义特征序列，依据各个视频语义特征序列确定不均衡异常事件标签的标签权重信息的步骤执行。

在一种可替代的实施方式中，在生成第二目标环卫异常事件检测网络之后，还包括：

将第二目标环卫异常事件检测网络加载到环卫远程监控系统中，并生成API配置信息，API配置信息用于激活第二目标环卫异常事件检测网络对目标环卫监控视频流数据进行异常事件检测。

在一种可替代的实施方式中，初始环卫异常事件检测网络的生成包括以下步骤：

获取环卫监控视频流训练数据，将环卫监控视频流训练数据加载到基于蒙特卡洛神经网络的不平衡数据分类网络中进行迭代更新，在所述当前环卫异常事件检测网络收敛时，生成初始环卫异常事件检测网络。

示例性地，获取到环卫监控视频流训练数据，依据环卫监控视频流训练数据对基于蒙特卡洛神经网络的不平衡数据分类网络进行迭代更新，在所述当前环卫异常事件检测网络收敛时，将最后一次得到的环卫异常事件检测网络作为初始环卫异常事件检测网络。

在一种可替代的实施方式中，获取环卫监控视频流训练数据，将环卫监控视频流训练数据加载到基于蒙特卡洛神经网络的不平衡数据分类网络中进行迭代更新，在所述当前环卫异常事件检测网络收敛时，生成初始环卫异常事件检测网络，包括：

步骤S302，从环卫监控视频流训练数据中选取当前参考环卫监控视频段。

步骤S304，将当前参考环卫监控视频段加载到基于蒙特卡洛神经网络的不平衡数据分类网络中进行异常事件分析，生成当前估计异常事件数据。

当前估计异常事件数据是指当前参考环卫监控视频段经过基于蒙特卡洛神经网络的不平衡数据分类网络的检测生成的异常事件标签。

示例性地，从环卫监控视频流训练数据中选取当前参考环卫监控视频段，将当前参考环卫监控视频段加载到基于蒙特卡洛神经网络的不平衡数据分类网络中进行异常事件分析，生成对应的当前估计异常事件数据。

步骤S306，获取当前参考环卫监控视频段对应的先验异常事件标注数据，依据当前估计异常事件数据和对应的先验异常事件标注数据计算当前训练误差值。

其中，先验异常事件标注数据是指当前参考环卫监控视频段对应的实际异常事件标签。

示例性地，获取到当前参考环卫监控视频段对应的先验异常事件标注数据，基于当前估计异常事件数据和对应的先验异常事件标注数据使用损失函数计算训练误差值。

步骤S308，依据当前训练误差值对基于蒙特卡洛神经网络的不平衡数据分类网络进行更新，生成更新后的基于蒙特卡洛神经网络的不平衡数据分类网络。

示例性地，依据当前训练误差值对基于蒙特卡洛神经网络的不平衡数据分类网络进行更新，即对基于蒙特卡洛神经网络的不平衡数据分类网络中的网络权重参数进行更新，当计算完成时，生成更新后的基于蒙特卡洛神经网络的不平衡数据分类网络。

步骤S310，判断所述当前环卫异常事件检测网络是否收敛，在所述当前环卫异常事件检测网络收敛时，执行步骤S312a，当所述当前环卫异常事件检测网络未收敛时，执行步骤S312b并返回步骤S302执行。

步骤S312a，生成初始环卫异常事件检测网络。

步骤S312b，将更新后的基于蒙特卡洛神经网络的不平衡数据分类网络作为基于蒙特卡洛神经网络的不平衡数据分类网络，并返回从环卫监控视频流训练数据中选取当前参考环卫监控视频段的步骤执行。

在一种可替代的实施方式中，依据各个视频语义特征序列确定不均衡异常事件标签的标签权重信息，包括步骤：从各个视频语义特征序列中确定各个不均衡异常事件标签对应的目标视频语义特征序列；分别计算各个不均衡异常事件标签对应的目标视频语义特征序列的均值特征向量，生成各个不均衡异常事件标签对应的均值特征向量；将各个不均衡异常事件标签对应的均值特征向量作为各个不均衡异常事件标签对应的不均衡异常事件标签的标签权重信息。

其中，目标视频语义特征序列是指不均衡异常事件标签对应的视频语义特征序列，不同的不均衡异常事件标签有不同的视频语义特征序列。均值特征向量是指计算不均衡异常事件标签对应所有的目标视频语义特征序列之和，然后在得到所有的目标视频语义特征序列的数量，计算所有的目标视频语义特征序列之和与所有的目标视频语义特征序列的数量的比值得到的，比如，不均衡异常事件标签对应所有的目标视频语义特征序列包括（3，3，3），（3，3，3）和（6，6，6），进行向量的加法确定的特征为（12，12，12）。目标视频语义特征序列的数量为3，则得到均值特征向量为（4，4，4）。

示例性地，将从各个视频语义特征序列中确定每个不均衡异常事件标签对应的所有目标视频语义特征序列，分别基于每个不均衡异常事件标签对应的所有目标视频语义特征序列计算每个不均衡异常事件标签对应的均值特征向量，然后将确定的每个不均衡异常事件标签对应的均值特征向量作为每个异常事件标签对应的不均衡异常事件标签的标签权重信息。比如，当有10个不均衡异常事件标签对应的所有目标视频语义特征序列，分别计算10个不均衡异常事件标签对应的所有目标视频语义特征序列的均值特征向量，由此获得10个不均衡异常事件标签对应的不均衡异常事件标签的标签权重信息。

通过从各个视频语义特征序列中确定各个不均衡异常事件标签对应的目标视频语义特征序列，然后分别计算各个不均衡异常事件标签对应的目标视频语义特征序列的均值特征向量，生成各个不均衡异常事件标签对应的不均衡异常事件标签的标签权重信息，能够使得到的不均衡异常事件标签的标签权重信息的精准度更高。

在一种可替代的实施方式中，步骤S106，依据不均衡异常事件标签的标签权重信息覆盖初始环卫异常事件检测网络中对应的不均衡异常事件标签的网络权重参数，生成当前环卫异常事件检测网络，包括：

获取到各个不均衡异常事件标签对应的不均衡异常事件标签的标签权重信息，并从初始环卫异常事件检测网络的全连接输出单元中确定各个不均衡异常事件标签对应的不均衡异常事件标签的网络权重参数。使用各个不均衡异常事件标签对应的不均衡异常事件标签的标签权重信息覆盖对应的不均衡异常事件标签的网络权重参数，生成当前环卫异常事件检测网络。

其中，初始环卫异常事件检测网络的全连接输出单元用于基于输入特征确定异常事件标定数据的置信度。不均衡异常事件标签的网络权重参数是指初始环卫异常事件检测网络的全连接输出单元中计算不均衡异常事件标签的置信度时使用的网络权重参数进。

示例性的，获取到每个不均衡异常事件标签对应的不均衡异常事件标签的标签权重信息，并从初始环卫异常事件检测网络的全连接输出单元中确定每个不均衡异常事件标签对应的不均衡异常事件标签的网络权重参数。然后分别使用每个不均衡异常事件标签对应的不均衡异常事件标签的标签权重信息覆盖对应的不均衡异常事件标签的网络权重参数，当覆盖完成时，生成当前环卫异常事件检测网络。比如，初始环卫异常事件检测网络能够识别的异常事件标签数量为100，其中有25个为不均衡异常事件标签，则获取到25个为不均衡异常事件标签的不均衡异常事件标签的标签权重信息，然后从初始环卫异常事件检测网络的全连接输出单元中确定25个不均衡异常事件标签的网络权重参数，然后将一致不均衡异常事件标签的不均衡异常事件标签的网络权重参数覆盖为不均衡异常事件标签的标签权重信息，生成当前环卫异常事件检测网络。

下面介绍不均衡异常事件标签的标签权重信息覆盖的流程，包括以下步骤：

步骤S402，获取不均衡异常事件标签I的环卫监控视频流训练数据。

步骤S404，将不均衡异常事件标签I的环卫监控视频流训练数据加载到初始环卫异常事件检测网络中进行视频语义特征提取，生成不均衡异常事件标签I对应的各个视频语义特征序列。

步骤S406，依据不均衡异常事件标签I对应的各个视频语义特征序列确定不均衡异常事件标签的标签权重信息。

步骤S408，依据不均衡异常事件标签的标签权重信息覆盖初始环卫异常事件检测网络的全连接输出单元对应的不均衡异常事件标签的网络权重参数。

步骤S410，判断不均衡异常事件标签是否处理结束，当处理结束时执行步骤S412，当未处理结束时执行步骤S402。

步骤S412，生成当前环卫异常事件检测网络。

示例性地，先获取到一个不均衡异常事件标签的所有环卫监控视频流训练数据，通过初始环卫异常事件检测网络识别得到该不均衡异常事件标签的所有环卫监控视频流训练数据对应的视频语义特征序列，然后计算该各个视频语义特征序列的均值特征向量，生成该不均衡异常事件标签的标签权重信息，直接使用不均衡异常事件标签的标签权重信息覆盖初始环卫异常事件检测网络的全连接输出单元对应的不均衡异常事件标签的网络权重参数，然后判断不均衡异常事件标签对应的不均衡异常事件标签的网络权重参数是否全部覆盖完成，当全部覆盖完成时，说明不均衡异常事件标签处理结束，生成当前环卫异常事件检测网络。当未全部覆盖完成时，获取到下一个不均衡异常事件标签的所有环卫监控视频流训练数据的步骤继续进行执行，直到所有的不均衡异常事件标签处理结束。

在一种可替代的实施方式中，步骤S108，依据环卫监控视频流训练数据对当前环卫异常事件检测网络进行迭代更新，直到所述当前环卫异常事件检测网络收敛时，生成第一目标环卫异常事件检测网络，包括：

步骤S502，从环卫监控视频流训练数据中确定目标训练用环卫监控视频流，将目标训练用环卫监控视频流加载到当前环卫异常事件检测网络进行异常事件分析，生成训练异常事件数据；

步骤S504，获取目标训练用环卫监控视频流对应的目标异常事件标定数据，基于训练异常事件数据和目标异常事件标定数据计算初始训练误差值。

其中，目标训练用环卫监控视频流是指随机从环卫监控视频流训练数据中确定的训练用环卫监控视频流，该训练用环卫监控视频流可以是不均衡异常事件标签对应的训练用环卫监控视频流，也可以是正常异常事件标签对应的训练用环卫监控视频流。训练异常事件数据是指对目标训练用环卫监控视频流进行异常事件检测得到的异常事件标签。目标异常事件标定数据是指目标训练用环卫监控视频流对应的实际异常事件标定数据。

示例性地，从环卫监控视频流训练数据中任意选取目标训练用环卫监控视频流，将目标训练用环卫监控视频流加载到当前环卫异常事件检测网络进行异常事件分析，生成训练异常事件数据，获取选取的目标训练用环卫监控视频流对应的目标异常事件标定数据，然后损失函数计算训练异常事件数据和目标异常事件标定数据之间的初始训练误差值。

步骤S506，从环卫监控视频流训练数据中确定目标异常事件标定数据对应的训练数量，依据目标异常事件标定数据对应的训练数量计算目标异常事件标定数据对应的目标注意力系数，基于目标注意力系数和初始训练误差值计算目标训练误差值。

其中，训练数量是指环卫监控视频流训练数据中包括的目标异常事件标定数据对应的训练用环卫监控视频流的数量。环卫监控视频流训练数据中每个训练用环卫监控视频流都预先设置好对应的异常事件标定数据。目标注意力系数是指目标异常事件标定数据对应的权重信息。每个异常事件标定数据对应的权重信息是不同的。

示例性地，从在环卫监控视频流训练数据中查找到目标异常事件标定数据对应的所有训练用环卫监控视频流，并进行数量统计得到训练数量，依据该训练数量确定该目标异常事件标定数据对应的目标注意力系数，依据目标注意力系数对初始训练误差值进行加权确定目标训练误差值。

在一种可替代的实施方式中，依据目标异常事件标定数据对应的训练数量计算目标异常事件标定数据对应的目标注意力系数，包括步骤：

获取设定目标数值，计算设定目标数值与目标异常事件标定数据对应的训练数量的比值，生成目标异常事件标定数据对应的目标注意力系数。

在一种可替代的实施方式中，依据目标异常事件标定数据对应的训练数量计算目标异常事件标定数据对应的目标注意力系数，包括步骤：

获取全局训练样本数量，计算全局训练样本数量与目标异常事件标定数据对应的训练数量的比值，生成目标异常事件标定数据对应的目标注意力系数。

其中，全局训练样本数量是指环卫监控视频流训练数据中所有的训练数量。

示例性地，统计得到全局训练样本数量，计算全局训练样本数量与目标异常事件标定数据对应的训练数量的比值，生成目标异常事件标定数据对应的目标注意力系数。

步骤S508，依据目标训练误差值对当前环卫异常事件检测网络进行更新，生成更新后的环卫异常事件检测网络。

步骤S510，判断所述当前环卫异常事件检测网络是否收敛，直到所述当前环卫异常事件检测网络收敛时，执行步骤S512a，当所述当前环卫异常事件检测网络未收敛时，执行步骤S512b。

步骤S512b，将更新后的环卫异常事件检测网络作为当前环卫异常事件检测网络，并返回从环卫监控视频流训练数据中确定目标训练用环卫监控视频流，将目标训练用环卫监控视频流加载到当前环卫异常事件检测网络进行异常事件分析，生成训练异常事件数据的步骤执行。

步骤S512a，生成第一目标环卫异常事件检测网络。

当得到目标训练误差值时，依据目标训练误差值对当前环卫异常事件检测网络进行更新，生成更新后的环卫异常事件检测网络。当所述当前环卫异常事件检测网络未收敛时将更新后的环卫异常事件检测网络作为当前环卫异常事件检测网络，并返回步骤S502进行执行。

由此，通过基于训练异常事件数据和目标异常事件标定数据计算初始训练误差值，然后从环卫监控视频流训练数据中确定目标异常事件标定数据对应的训练数量，依据目标异常事件标定数据对应的训练数量计算目标异常事件标定数据对应的目标注意力系数，基于目标注意力系数和初始训练误差值计算目标训练误差值，依据目标训练误差值对当前环卫异常事件检测网络进行更新，生成更新后的环卫异常事件检测网络，直到所述当前环卫异常事件检测网络收敛时，生成第一目标环卫异常事件检测网络，提高检测环卫监控视频流的不均衡异常事件标签的精准度。

一种示例性的设计思路中，第二目标环卫异常事件检测网络的生成实施例，具体包括以下步骤：

步骤S602，获取初始环卫异常事件检测网络，并获取环卫监控视频流训练数据，环卫监控视频流训练数据包括不均衡异常事件标签对应的各个训练用环卫监控视频流。

步骤S604，从环卫监控视频流训练数据中得到不均衡异常事件标签I对应的各个训练用环卫监控视频流，将不均衡异常事件标签I对应的各个训练用环卫监控视频流加载到初始环卫异常事件检测网络中进行视频语义特征提取，生成不均衡异常事件标签I对应的各个视频语义特征序列，

步骤S606，依据不均衡异常事件标签I对应的各个视频语义特征序列计算均值特征向量，将均值特征向量作为不均衡异常事件标签I对应的不均衡异常事件标签的标签权重信息。

步骤S608，依据不均衡异常事件标签的标签权重信息覆盖初始环卫异常事件检测网络的全连接输出单元对应的不均衡异常事件标签的网络权重参数。

步骤S610，判断不均衡异常事件标签是否处理结束，当处理结束时执行步骤S612，当未处理结束时返回步骤S604执行。

步骤S612，生成当前环卫异常事件检测网络，

步骤S614，依据所述环卫监控视频流训练数据对所述当前环卫异常事件检测网络进行迭代更新，直到所述当前环卫异常事件检测网络收敛时，生成第一目标环卫异常事件检测网络。

步骤S616，判断是否符合迭代终止要求，当符合迭代终止要求时，执行步骤S618a，当未符合迭代终止要求时，执行步骤S618b并返回步骤S604执行。

步骤S618b，将第一目标环卫异常事件检测网络作为初始环卫异常事件检测网络，并返回步骤S604执行。

步骤S618a，生成第二目标环卫异常事件检测网络。

在一种可替代的实施方式中，提供进一步的实施例，包括以下步骤：

步骤S702，获取目标环卫监控视频流数据。

步骤S704，将目标环卫监控视频流数据加载到第一目标环卫异常事件检测网络中进行异常事件检测，生成对应的异常事件数据，其中，第一目标环卫异常事件检测网络是使用不均衡异常事件标签的标签权重信息覆盖初始环卫异常事件检测网络的全连接输出单元对应的不均衡异常事件标签的网络权重参数，生成当前环卫异常事件检测网络，并使用环卫监控视频流训练数据对当前环卫异常事件检测网络进行迭代更新后得到，不均衡异常事件标签的标签权重信息是将环卫监控视频流训练数据中不均衡异常事件标签对应的各个训练用环卫监控视频流加载到初始环卫异常事件检测网络中进行视频语义特征提取，生成各个视频语义特征序列，依据各个视频语义特征序列确定的。

其中，目标环卫监控视频流数据是指需要进行异常事件标签识别的图像。异常事件标定数据是指检测生成的目标环卫监控视频流数据的异常事件标签。

图2示意性地示出了可被用于实现本申请中所述的各个实施例的环卫远程监控系统100。

对于一个实施例，图2示出了环卫远程监控系统100，该环卫远程监控系统100具有一个或多个处理器102、被耦合到(一个或多个)处理器102中的一个或多个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的一个或多个输入/输出设备110，和被耦合到控制模块106的网络接口112。

处理器102可包括一个或多个单核或多核处理器，处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一些示例性的设计思路中，环卫远程监控系统100能够作为本申请实施例中所述网关等服务器设备。

一些示例性的设计思路中，环卫远程监控系统100可包括具有指令114的一个或多个计算机可读介质(例如，存储器106或NVM/存储设备108)和与该一个或多个计算机可读介质相融合被配置为执行指令114以实现模块从而执行本公开中所述的动作的一个或多个处理器102。

对于一个实施例，控制模块104可包括任意适当的接口控制器，以向(一个或多个)处理器102中的一个或多个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。

控制模块104可包括存储器控制器模块，以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。

存储器106可被用于例如为环卫远程监控系统100加载和存储数据和/或指令114。对于一个实施例，存储器106可包括任意适当的易失性存储器，例如，适当的DRAM。一些示例性的设计思路中，存储器106可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。

对于一个实施例，控制模块104可包括一个或多个输入/输出控制器，以向NVM/存储设备108及(一个或多个)输入/输出设备110提供接口。

例如，NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如，一个或多个硬盘驱动器(HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD)驱动器)。

NVM/存储设备108可包括在物理上作为环卫远程监控系统100被安装在其上的设备的一部分的存储资源，或者其可被该设备访问可不必作为该设备的一部分。例如，NVM/存储设备108可依据网络经由(一个或多个)输入/输出设备110进行访问。

(一个或多个)输入/输出设备110可为环卫远程监控系统100提供接口以与任意其它适当的设备通信，输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为环卫远程监控系统100提供接口以依据一个或多个网络通信，环卫远程监控系统100可依据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信，例如接入依据通信标准的无线网络，如WwFw、2G、3G、4G、5G等，或它们的组合进行无线通信。

对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器(例如，存储器控制器模块)的逻辑加载在一起。对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑加载在一起以形成系统级加载(SwP)。对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。

在各个实施例中，环卫远程监控系统100可以但不限于是：环卫远程监控系统、台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中，环卫远程监控系统100可具有更多或更少的组件和/或不同的架构。例如，一些示例性的设计思路中，环卫远程监控系统100包括一个或多个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。

以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种应用于环卫智慧管理平台的数据挖掘方法，其特征在于，应用于所述环卫远程监控系统，所述方法包括：

获取初始环卫异常事件检测网络，并获取环卫监控视频流训练数据，所述环卫监控视频流训练数据包括不均衡异常事件标签对应的各个训练用环卫监控视频流；

将所述不均衡异常事件标签对应的各个训练用环卫监控视频流加载到所述初始环卫异常事件检测网络中进行视频语义特征提取，生成各个视频语义特征序列，依据所述各个视频语义特征序列确定不均衡异常事件标签的标签权重信息；

依据所述不均衡异常事件标签的标签权重信息覆盖所述初始环卫异常事件检测网络中对应的不均衡异常事件标签的网络权重参数，生成当前环卫异常事件检测网络；

依据所述环卫监控视频流训练数据对所述当前环卫异常事件检测网络进行迭代更新，直到所述当前环卫异常事件检测网络收敛时，生成第一目标环卫异常事件检测网络。

2.根据权利要求1所述的应用于环卫智慧管理平台的数据挖掘方法，其特征在于，在所述依据所述环卫监控视频流训练数据对所述当前环卫异常事件检测网络进行迭代更新，直到所述当前环卫异常事件检测网络收敛时，生成第一目标环卫异常事件检测网络之后，还包括：

将所述第一目标环卫异常事件检测网络作为初始环卫异常事件检测网络，并返回将所述不均衡异常事件标签对应的各个训练用环卫监控视频流加载到所述初始环卫异常事件检测网络中进行视频语义特征提取，生成各个视频语义特征序列，依据所述各个视频语义特征序列确定不均衡异常事件标签的标签权重信息的步骤执行，直到符合迭代终止要求时，生成第二目标环卫异常事件检测网络。

3.根据权利要求2所述的应用于环卫智慧管理平台的数据挖掘方法，其特征在于，在所述生成第二目标环卫异常事件检测网络之后，还包括：

将所述第二目标环卫异常事件检测网络加载到环卫远程监控系统中，并生成API配置信息，所述API配置信息用于激活所述第二目标环卫异常事件检测网络对目标环卫监控视频流数据进行异常事件检测。

4.根据权利要求1所述的应用于环卫智慧管理平台的数据挖掘方法，其特征在于，所述初始环卫异常事件检测网络的生成包括以下步骤：

获取所述环卫监控视频流训练数据，将所述环卫监控视频流训练数据加载到基于蒙特卡洛神经网络的不平衡数据分类网络中进行迭代更新，在所述当前环卫异常事件检测网络收敛时，生成所述初始环卫异常事件检测网络。

5.根据权利要求4所述的应用于环卫智慧管理平台的数据挖掘方法，其特征在于，所述获取所述环卫监控视频流训练数据，将所述环卫监控视频流训练数据加载到基于蒙特卡洛神经网络的不平衡数据分类网络中进行迭代更新，在所述当前环卫异常事件检测网络收敛时，生成所述初始环卫异常事件检测网络，包括：

从所述环卫监控视频流训练数据中选取当前参考环卫监控视频段；

将所述当前参考环卫监控视频段加载到所述基于蒙特卡洛神经网络的不平衡数据分类网络中进行异常事件分析，生成当前估计异常事件数据；

获取所述当前参考环卫监控视频段对应的先验异常事件标注数据，依据所述当前估计异常事件数据和对应的所述先验异常事件标注数据计算当前训练误差值；

依据所述当前训练误差值对所述基于蒙特卡洛神经网络的不平衡数据分类网络进行更新，生成更新后的基于蒙特卡洛神经网络的不平衡数据分类网络，将所述更新后的基于蒙特卡洛神经网络的不平衡数据分类网络作为基于蒙特卡洛神经网络的不平衡数据分类网络，并返回从所述环卫监控视频流训练数据中选取当前参考环卫监控视频段的步骤执行，直到所述当前环卫异常事件检测网络收敛，生成所述初始环卫异常事件检测网络。

6.根据权利要求1所述的应用于环卫智慧管理平台的数据挖掘方法，其特征在于，依据所述各个视频语义特征序列确定不均衡异常事件标签的标签权重信息，包括：

从所述各个视频语义特征序列中确定各个不均衡异常事件标签对应的目标视频语义特征序列；

分别计算所述各个不均衡异常事件标签对应的目标视频语义特征序列的均值特征向量，生成所述各个不均衡异常事件标签对应的均值特征向量；

将所述各个不均衡异常事件标签对应的均值特征向量作为所述各个不均衡异常事件标签对应的不均衡异常事件标签的标签权重信息。

7.根据权利要求1所述的应用于环卫智慧管理平台的数据挖掘方法，其特征在于，所述依据所述不均衡异常事件标签的标签权重信息覆盖所述初始环卫异常事件检测网络中对应的不均衡异常事件标签的网络权重参数，生成当前环卫异常事件检测网络，包括：

获取到各个不均衡异常事件标签对应的不均衡异常事件标签的标签权重信息，并从所述初始环卫异常事件检测网络的全连接输出单元中确定所述各个不均衡异常事件标签对应的不均衡异常事件标签的网络权重参数；

依据所述各个不均衡异常事件标签对应的不均衡异常事件标签的标签权重信息覆盖对应的不均衡异常事件标签的网络权重参数，生成当前环卫异常事件检测网络。

8.根据权利要求1所述的应用于环卫智慧管理平台的数据挖掘方法，其特征在于，所述依据所述环卫监控视频流训练数据对所述当前环卫异常事件检测网络进行迭代更新，直到所述当前环卫异常事件检测网络收敛时，生成第一目标环卫异常事件检测网络，包括：

从所述环卫监控视频流训练数据中确定目标训练用环卫监控视频流，将所述目标训练用环卫监控视频流加载到所述当前环卫异常事件检测网络进行异常事件分析，生成训练异常事件数据；

获取所述目标训练用环卫监控视频流对应的目标异常事件标定数据，基于所述训练异常事件数据和所述目标异常事件标定数据计算初始训练误差值；

从所述环卫监控视频流训练数据中确定所述目标异常事件标定数据对应的训练数量，依据所述目标异常事件标定数据对应的训练数量计算所述目标异常事件标定数据对应的目标注意力系数，基于所述目标注意力系数和所述初始训练误差值计算目标训练误差值；

依据所述目标训练误差值对所述当前环卫异常事件检测网络进行更新，生成更新后的环卫异常事件检测网络，将所述更新后的环卫异常事件检测网络作为当前环卫异常事件检测网络，并返回从所述环卫监控视频流训练数据中确定目标训练用环卫监控视频流，将所述目标训练用环卫监控视频流加载到所述当前环卫异常事件检测网络进行异常事件分析，生成训练异常事件数据的步骤执行，直到所述当前环卫异常事件检测网络收敛时，生成所述第一目标环卫异常事件检测网络；

所述依据所述目标异常事件标定数据对应的训练数量计算所述目标异常事件标定数据对应的目标注意力系数，包括：

获取设定目标数值，计算所述设定目标数值与所述目标异常事件标定数据对应的训练数量的比值，生成所述目标异常事件标定数据对应的目标注意力系数；

所述依据所述目标异常事件标定数据对应的训练数量计算所述目标异常事件标定数据对应的目标注意力系数，包括：

获取全局训练样本数量，计算所述全局训练样本数量与所述目标异常事件标定数据对应的训练数量的比值，生成所述目标异常事件标定数据对应的目标注意力系数。

9.根据权利要求1所述的应用于环卫智慧管理平台的数据挖掘方法，其特征在于，所述方法还包括：

获取目标环卫监控视频流数据；

将所述目标环卫监控视频流数据加载到第一目标环卫异常事件检测网络中进行异常事件检测，生成对应的异常事件数据；

其中，所述第一目标环卫异常事件检测网络是使用不均衡异常事件标签的标签权重信息覆盖初始环卫异常事件检测网络的全连接输出单元对应的不均衡异常事件标签的网络权重参数，生成当前环卫异常事件检测网络，并使用环卫监控视频流训练数据对所述当前环卫异常事件检测网络进行迭代更新后得到，所述不均衡异常事件标签的标签权重信息是将环卫监控视频流训练数据中不均衡异常事件标签对应的各个训练用环卫监控视频流加载到所述初始环卫异常事件检测网络中进行视频语义特征提取，生成各个视频语义特征序列，依据所述各个视频语义特征序列确定的。

10.一种应用于环卫智慧管理平台的数据挖掘系统，其特征在于，所述应用于环卫智慧管理平台的数据挖掘系统包括环卫远程监控系统以及与所述环卫远程监控系统通信连接的环卫智慧管理平台，所述环卫远程监控系统具体用于：

获取初始环卫异常事件检测网络，并获取环卫监控视频流训练数据，所述环卫监控视频流训练数据包括不均衡异常事件标签对应的各个训练用环卫监控视频流；

将所述不均衡异常事件标签对应的各个训练用环卫监控视频流加载到所述初始环卫异常事件检测网络中进行视频语义特征提取，生成各个视频语义特征序列，依据所述各个视频语义特征序列确定不均衡异常事件标签的标签权重信息；

依据所述不均衡异常事件标签的标签权重信息覆盖所述初始环卫异常事件检测网络中对应的不均衡异常事件标签的网络权重参数，生成当前环卫异常事件检测网络；

依据所述环卫监控视频流训练数据对所述当前环卫异常事件检测网络进行迭代更新，直到所述当前环卫异常事件检测网络收敛时，生成第一目标环卫异常事件检测网络。