CN116977807A - 基于多传感器融合的冷库智能监控系统及方法 - Google Patents
基于多传感器融合的冷库智能监控系统及方法 Download PDFInfo
- Publication number
- CN116977807A CN116977807A CN202310962664.5A CN202310962664A CN116977807A CN 116977807 A CN116977807 A CN 116977807A CN 202310962664 A CN202310962664 A CN 202310962664A CN 116977807 A CN116977807 A CN 116977807A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- group
- monitoring
- sensor
- 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 65
- 230000004927 fusion Effects 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000005057 refrigeration Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 50
- 238000001914 filtration Methods 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000003860 storage Methods 0.000 claims abstract description 21
- 238000012423 maintenance Methods 0.000 claims abstract description 20
- 230000008447 perception Effects 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 230000005540 biological transmission Effects 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 230000000903 blocking effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008667 sleep stage Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000014759 maintenance of location Effects 0.000 abstract 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009920 food preservation Methods 0.000 description 1
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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Cold Air Circulating Systems And Constructional Details In Refrigerators (AREA)
Abstract
本发明公开了基于多传感器融合的冷库智能监控系统及方法，属于设备监测技术领域，包括传感器、监控模块、数据传输模块、滤波处理模块、影像处理模块、感知分析模块、优化更新模块、监控平台、告警维护模块以及监控存储模块；本发明能够确保跟踪目标进行精确提取，同时能够大幅提高对目标人物分析的准确性，且能够进行留图存证，保证追查判责有据可依，能够精确对冷库运行状态进行分析，同时节省人工寻参的时间，有效提高模型检验精度，提高模型数据处理效率。
Description
技术领域
本发明涉及设备监测技术领域，尤其涉及基于多传感器融合的冷库智能监控系统及方法。
背景技术
冷库在现代冷链物流中扮演着关键角色，对食品质量的保持至关重要。然而，冷库环境和设备状态的监控对于确保食品安全和运输有效性是至关重要的。随着冷库在现代食品保鲜、物流运输等领域的重要性增加，对冷库内部环境和设备状态进行全面准确的监控变得尤为关键。传统的冷库监控系统仅使用有限的传感器数据，限制了监控系统的精度和可靠性；随着传感器技术的不断进步，冷库智能监控系统可以选择更加先进、精准的传感器来监测冷库内部的环境和设备状态。新型传感器能够提供更高的分辨率、更广的监测范围和更低的功耗，使得冷库监控系统更加灵敏和可靠。
经检索，中国专利号CN112066636A公开了基于ZigBee无线传感器网络的智能冷库综合监控系统及方法，该发明虽然管理人员存储货物时能够便捷的知晓合适的存储温度，但是对冷库附近人物分析的准确性较差，且无法保证追查判责有据可依；此外，现有的冷库智能监控系统及方法对冷库运行状态分析精度较低，数据处理效率较差，为此，我们提出基于多传感器融合的冷库智能监控系统及方法。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷，而提出的基于多传感器融合的冷库智能监控系统及方法。
为了实现上述目的，本发明采用了如下技术方案：
基于多传感器融合的冷库智能监控系统，包括传感器、监控模块、数据传输模块、滤波处理模块、影像处理模块、感知分析模块、优化更新模块、监控平台、告警维护模块以及监控存储模块；
所述传感器用于部署在冷库内部，以收集各组环境数据；
所述监控模块用于采集冷库内部以及外部的影像数据；
所述数据传输模块用于对采集的各组环境数据以及影像数据进行传输；
所述滤波处理模块用于接受各组环境数据，并对各组数据进行优化预处理；
所述影像处理模块用于对影像数据各跟踪目标进行级联提取；
所述感知分析模块用于依据各组环境数据对冷库进行智能预测；
所述优化更新模块用于对感知分析模块参数信息进行调整优化；
所述监控平台用于实时反馈冷库当前监控信息；
所述告警维护模块用于接收预测结果，并反馈相关维护人员进行冷库维护；
所述监控存储模块用于定期对冷库监控数据进行上链存储。
作为本发明的进一步方案，所述传感器具体包括温度传感器、湿度传感器、气体传感器、压力传感器以及门禁传感器。
作为本发明的进一步方案，所述滤波处理模块优化预处理具体步骤如下：
步骤一：滤波处理模块通过带阻滤波去除干扰信号，再依据各传感器采集的信号特性、噪声类型和所需的频率范围，选择高通滤波或低通滤波对信号进行过滤；
步骤二：检测各组环境数据中存在的缺失值，并标记各缺失值在对应信号中的所在位置，对各组环境数据中存在的缺失值进行统计和可视化分析以获取缺失值的分布情况和影响范围，并进行填补或删除，之后对环境数据进行归一化处理。
作为本发明的进一步方案，所述影像处理模块级联提取具体步骤如下：
步骤①：逐帧提取影像数据以获取多组图像信息，之后依据各图像信息显示比列进行分块处理，之后对分块后的各组图像信息通过傅里叶变换对数据中高频成分进行分析提取；
步骤②：通过高斯滤波进行平滑处理，再使用规定像素的窗口在各组图像信息中移动，每移动一次计算此时窗口下的灰度共生矩阵，从灰度共生矩阵中计算相关图像信息中的纹理特征；
步骤③：通过图像金字塔对优化后的图像信息进行尺度归一化处理，并提取各组图像信息的特征，之后通过双向特征金字塔进行特征融合以获取目标检测框；
步骤④：依据目标检测框对各图像信息进行扩大化剪裁以获取人物图像，之后获取窗口滑动获取的纹理特征，并将得到的特征值按数组的形式储存到相应的像素位置，当纹理特征满足预设条件时，则判断当前像素区域为目标人物，并将目标人物与背景进行分离。
作为本发明的进一步方案，所述感知分析模块智能预测具体步骤如下
步骤Ⅰ：感知分析模块抽取历史运行数据，之后统一各数据格式，将收集到的数据整合成测试数据集，并筛除测试数据集中的异常数据；
步骤Ⅱ：将测试数据集划分为训练集和测试集，再初始化神经网络的权重和参数，之后将训练集导入该神经网络中，根据输入数据和当前的权重和参数计算输出，并获取该神经网络的线性组合以及能量函数，当能量函数小于目标误差时，训练过程结束并输出智能预测模型；
步骤Ⅲ：将测试集导入智能预测模型中并获取对应预测输出，之后使用损失函数计算真实数据与检测概率之间的损失值，若损失值未满足预设条件，则重新训练该模型并更新该智能预测模型参数；
步骤Ⅳ：将当前冷库运行信息输入训练好的智能预测模型中，之后智能预测模型对各组运行信息进行卷积、池化、反卷积以及全连接处理进行分析、处理和计算，再依据处理结果判断冷库运行状态，若存在异常运行状态，则中断冷库运行并通过告警维护模块发出警报。
基于多传感器融合的冷库智能监控方法，该监控方法具体如下：
(1)在冷库制定位置部署各类传感器；
(2)采集冷库各项数据并对其进行滤波处理；
(3)对采集到的冷库周围影像进行目标提取；
(4)监控平台实时显示冷库数据以及影像信息；
(5)构建智能预测模型并优化模型参数；
(6)对冷库运行状态进行实时预测并报警；
(7)监控平台通过报告的形式显示冷库维护信息；
(8)将各组数据处理后进行上链存储。
作为本发明的进一步方案，步骤(5)所述的模型参数优化具体步骤如下：
第一步：在智能预测模型的规定区间内初始化网络连接权值，计算智能预测模型的输出，再比较期望输出与实际输出，同时计算所有神经元的局部误差；
第二步：当局部误差超出预设阈值后，依据学习规则方程更新权值，并依据预设的学习率以及步长列出所有可能的数据结果，对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练模型后对测试集进行检测，并统计检测结果的损失值；
第三步：将测试集更换为另一子集，再取剩余子集作为训练集，再次计算损失值，直至对所有数据都进行一次预测，通过选取损失值最小时对应的组合参数作为数据区间内最优的参数并替换智能预测模型原有参数。
作为本发明的进一步方案，步骤(8)所述的上链存储具体步骤如下：
第Ⅰ步：将各组数据预处理成符合条件的区块，在入网时，区块链网络中各节点生成本地的公私钥对作为自己在网络中的标识码，当某一节点等待本地角色成为候选节点时，向网络中其他节点广播领导申请并发送；
第Ⅱ步：申请通过后，该候选节点成为领导节点，其他节点成为跟随节点，之后领导节点广播区块记录信息，跟随节点收到信息以后向其他跟随节点广播收到的信息并记录重复次数，并使用重复次数最多的信息生成区块头，并向领导节点发送验证申请；
第Ⅲ步：验证通过后，领导节点发送添加命令并进入沉睡期，跟随节点收到确认信息后,将新生成的各组区块添加至区块链上并返回候选身份。
相比于现有技术，本发明的有益效果在于：
1、本发明通过逐帧提取影像数据以获取多组图像信息，之后依据各图像信息显示比列进行分块处理，之后对分块后的各组图像信息通过傅里叶变换对数据中高频成分进行分析提取，通过高斯滤波进行平滑处理，再使用规定像素的窗口在各组图像信息中移动，计算相关图像信息中的纹理特征，通过图像金字塔对优化后的图像信息进行尺度归一化处理，并提取各组图像信息的特征，之后通过双向特征金字塔进行特征融合以获取目标检测框，依据目标检测框对各图像信息进行扩大化剪裁以获取人物图像，之后获取窗口滑动获取的纹理特征，并将得到的特征值按数组的形式储存到相应的像素位置，当纹理特征满足预设条件时，则判断当前像素区域为目标人物，并将目标人物与背景进行分离，能够确保跟踪目标进行精确提取，同时能够大幅提高对目标人物分析的准确性，且能够进行留图存证，保证追查判责有据可依。
2、本发明通过抽取历史运行数据，之后统一各数据格式，将收集到的数据整合成测试数据集，并筛除测试数据集中的异常数据，将测试数据集划分为训练集和测试集，再初始化神经网络的权重和参数，之后将训练集导入该神经网络中计算输出，并获取该神经网络的线性组合以及能量函数，当能量函数小于目标误差时，训练过程结束并输出智能预测模型，将测试集导入智能预测模型中并获取对应预测输出，若损失值未满足预设条件，则重新训练该模型并更新该智能预测模型参数，将当前冷库运行信息输入训练好的智能预测模型中，之后智能预测模型对各组运行信息进行卷积、池化、反卷积以及全连接处理进行分析、处理和计算，再依据处理结果判断冷库运行状态，若存在异常运行状态，则中断冷库运行并通过告警维护模块发出警报，能够精确对冷库运行状态进行分析，同时节省人工寻参的时间，有效提高模型检验精度，提高模型数据处理效率。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明提出的基于多传感器融合的冷库智能监控系统的系统框图；
图2为本发明提出的基于多传感器融合的冷库智能监控方法的流程框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
实施例1
参照图1，基于多传感器融合的冷库智能监控系统，包括传感器、监控模块、数据传输模块、滤波处理模块、影像处理模块、感知分析模块、优化更新模块、监控平台、告警维护模块以及监控存储模块。
传感器用于部署在冷库内部，以收集各组环境数据；监控模块用于采集冷库内部以及外部的影像数据；数据传输模块用于对采集的各组环境数据以及影像数据进行传输。
具体的，传感器具体包括温度传感器、湿度传感器、气体传感器、压力传感器以及门禁传感器。
滤波处理模块用于接受各组环境数据，并对各组数据进行优化预处理。
具体的，滤波处理模块通过带阻滤波去除干扰信号，再依据各传感器采集的信号特性、噪声类型和所需的频率范围，选择高通滤波或低通滤波对信号进行过滤，检测各组环境数据中存在的缺失值，并标记各缺失值在对应信号中的所在位置，对各组环境数据中存在的缺失值进行统计和可视化分析以获取缺失值的分布情况和影响范围，并进行填补或删除，之后对环境数据进行归一化处理。
影像处理模块用于对影像数据各跟踪目标进行级联提取。
具体的，影像处理模块逐帧提取影像数据以获取多组图像信息，之后依据各图像信息显示比列进行分块处理，之后对分块后的各组图像信息通过傅里叶变换对数据中高频成分进行分析提取，通过高斯滤波进行平滑处理，再使用规定像素的窗口在各组图像信息中移动，每移动一次计算此时窗口下的灰度共生矩阵，从灰度共生矩阵中计算相关图像信息中的纹理特征，通过图像金字塔对优化后的图像信息进行尺度归一化处理，并提取各组图像信息的特征，之后通过双向特征金字塔进行特征融合以获取目标检测框，依据目标检测框对各图像信息进行扩大化剪裁以获取人物图像，之后获取窗口滑动获取的纹理特征，并将得到的特征值按数组的形式储存到相应的像素位置，当纹理特征满足预设条件时，则判断当前像素区域为目标人物，并将目标人物与背景进行分离。
感知分析模块用于依据各组环境数据对冷库进行智能预测。
具体的，感知分析模块抽取历史运行数据，之后统一各数据格式，将收集到的数据整合成测试数据集，并筛除测试数据集中的异常数据，将测试数据集划分为训练集和测试集，再初始化神经网络的权重和参数，之后将训练集导入该神经网络中，根据输入数据和当前的权重和参数计算输出，并获取该神经网络的线性组合以及能量函数，当能量函数小于目标误差时，训练过程结束并输出智能预测模型，将测试集导入智能预测模型中并获取对应预测输出，之后使用损失函数计算真实数据与检测概率之间的损失值，若损失值未满足预设条件，则重新训练该模型并更新该智能预测模型参数，将当前冷库运行信息输入训练好的智能预测模型中，之后智能预测模型对各组运行信息进行卷积、池化、反卷积以及全连接处理进行分析、处理和计算，再依据处理结果判断冷库运行状态，若存在异常运行状态，则中断冷库运行并通过告警维护模块发出警报。
优化更新模块用于对感知分析模块参数信息进行调整优化；监控平台用于实时反馈冷库当前监控信息；告警维护模块用于接收预测结果，并反馈相关维护人员进行冷库维护；监控存储模块用于定期对冷库监控数据进行上链存储。
实施例2
参照图2，基于多传感器融合的冷库智能监控方法，该监控方法具体如下：
在冷库制定位置部署各类传感器。
采集冷库各项数据并对其进行滤波处理。
对采集到的冷库周围影像进行目标提取。
监控平台实时显示冷库数据以及影像信息。
构建智能预测模型并优化模型参数。
具体的，在智能预测模型的规定区间内初始化网络连接权值，计算智能预测模型的输出，再比较期望输出与实际输出，同时计算所有神经元的局部误差，当局部误差超出预设阈值后，依据学习规则方程更新权值，并依据预设的学习率以及步长列出所有可能的数据结果，对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练模型后对测试集进行检测，并统计检测结果的损失值，将测试集更换为另一子集，再取剩余子集作为训练集，再次计算损失值，直至对所有数据都进行一次预测，通过选取损失值最小时对应的组合参数作为数据区间内最优的参数并替换智能预测模型原有参数。
对冷库运行状态进行实时预测并报警。
监控平台通过报告的形式显示冷库维护信息。
将各组数据处理后进行上链存储。
具体的，将各组数据预处理成符合条件的区块，在入网时，区块链网络中各节点生成本地的公私钥对作为自己在网络中的标识码，当某一节点等待本地角色成为候选节点时，向网络中其他节点广播领导申请并发送，申请通过后，该候选节点成为领导节点，其他节点成为跟随节点，之后领导节点广播区块记录信息，跟随节点收到信息以后向其他跟随节点广播收到的信息并记录重复次数，并使用重复次数最多的信息生成区块头，并向领导节点发送验证申请，验证通过后，领导节点发送添加命令并进入沉睡期，跟随节点收到确认信息后,将新生成的各组区块添加至区块链上并返回候选身份。
Claims (8)
1.基于多传感器融合的冷库智能监控系统，其特征在于，包括传感器、监控模块、数据传输模块、滤波处理模块、影像处理模块、感知分析模块、优化更新模块、监控平台、告警维护模块以及监控存储模块；
所述传感器用于部署在冷库内部，以收集各组环境数据；
所述监控模块用于采集冷库内部以及外部的影像数据；
所述数据传输模块用于对采集的各组环境数据以及影像数据进行传输；
所述滤波处理模块用于接受各组环境数据，并对各组数据进行优化预处理；
所述影像处理模块用于对影像数据各跟踪目标进行级联提取；
所述感知分析模块用于依据各组环境数据对冷库进行智能预测；
所述优化更新模块用于对感知分析模块参数信息进行调整优化；
所述监控平台用于实时反馈冷库当前监控信息；
所述告警维护模块用于接收预测结果，并反馈相关维护人员进行冷库维护；
所述监控存储模块用于定期对冷库监控数据进行上链存储。
2.根据权利要求1所述的基于多传感器融合的冷库智能监控系统，其特征在于，所述传感器具体包括温度传感器、湿度传感器、气体传感器、压力传感器以及门禁传感器。
3.根据权利要求2所述的基于多传感器融合的冷库智能监控系统，其特征在于，所述滤波处理模块优化预处理具体步骤如下：
步骤一：滤波处理模块通过带阻滤波去除干扰信号，再依据各传感器采集的信号特性、噪声类型和所需的频率范围，选择高通滤波或低通滤波对信号进行过滤；
步骤二：检测各组环境数据中存在的缺失值，并标记各缺失值在对应信号中的所在位置，对各组环境数据中存在的缺失值进行统计和可视化分析以获取缺失值的分布情况和影响范围，并进行填补或删除，之后对环境数据进行归一化处理。
4.根据权利要求1所述的基于多传感器融合的冷库智能监控系统，其特征在于，所述影像处理模块级联提取具体步骤如下：
步骤①：逐帧提取影像数据以获取多组图像信息，之后依据各图像信息显示比列进行分块处理，之后对分块后的各组图像信息通过傅里叶变换对数据中高频成分进行分析提取；
步骤②：通过高斯滤波进行平滑处理，再使用规定像素的窗口在各组图像信息中移动，每移动一次计算此时窗口下的灰度共生矩阵，从灰度共生矩阵中计算相关图像信息中的纹理特征；
步骤③：通过图像金字塔对优化后的图像信息进行尺度归一化处理，并提取各组图像信息的特征，之后通过双向特征金字塔进行特征融合以获取目标检测框；
步骤④：依据目标检测框对各图像信息进行扩大化剪裁以获取人物图像，之后获取窗口滑动获取的纹理特征，并将得到的特征值按数组的形式储存到相应的像素位置，当纹理特征满足预设条件时，则判断当前像素区域为目标人物，并将目标人物与背景进行分离。
5.根据权利要求4所述的基于多传感器融合的冷库智能监控系统，其特征在于，所述感知分析模块智能预测具体步骤如下
步骤Ⅰ：感知分析模块抽取历史运行数据，之后统一各数据格式，将收集到的数据整合成测试数据集，并筛除测试数据集中的异常数据；
步骤Ⅱ：将测试数据集划分为训练集和测试集，再初始化神经网络的权重和参数，之后将训练集导入该神经网络中，根据输入数据和当前的权重和参数计算输出，并获取该神经网络的线性组合以及能量函数，当能量函数小于目标误差时，训练过程结束并输出智能预测模型；
步骤Ⅲ：将测试集导入智能预测模型中并获取对应预测输出，之后使用损失函数计算真实数据与检测概率之间的损失值，若损失值未满足预设条件，则重新训练该模型并更新该智能预测模型参数；
步骤Ⅳ：将当前冷库运行信息输入训练好的智能预测模型中，之后智能预测模型对各组运行信息进行卷积、池化、反卷积以及全连接处理进行分析、处理和计算，再依据处理结果判断冷库运行状态，若存在异常运行状态，则中断冷库运行并通过告警维护模块发出警报。
6.基于多传感器融合的冷库智能监控方法，其特征在于，该监控方法具体如下：
(1)在冷库制定位置部署各类传感器；
(2)采集冷库各项数据并对其进行滤波处理；
(3)对采集到的冷库周围影像进行目标提取；
(4)监控平台实时显示冷库数据以及影像信息；
(5)构建智能预测模型并优化模型参数；
(6)对冷库运行状态进行实时预测并报警；
(7)监控平台通过报告的形式显示冷库维护信息；
(8)将各组数据处理后进行上链存储。
7.根据权利要求6所述的基于多传感器融合的冷库智能监控方法，其特征在于，步骤(5)所述的模型参数优化具体步骤如下：
第一步：在智能预测模型的规定区间内初始化网络连接权值，计算智能预测模型的输出，再比较期望输出与实际输出，同时计算所有神经元的局部误差；
第二步：当局部误差超出预设阈值后，依据学习规则方程更新权值，并依据预设的学习率以及步长列出所有可能的数据结果，对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练模型后对测试集进行检测，并统计检测结果的损失值；
第三步：将测试集更换为另一子集，再取剩余子集作为训练集，再次计算损失值，直至对所有数据都进行一次预测，通过选取损失值最小时对应的组合参数作为数据区间内最优的参数并替换智能预测模型原有参数。
8.根据权利要求6所述的基于多传感器融合的冷库智能监控方法，其特征在于，步骤(8)所述的上链存储具体步骤如下：
第Ⅰ步：将各组数据预处理成符合条件的区块，在入网时，区块链网络中各节点生成本地的公私钥对作为自己在网络中的标识码，当某一节点等待本地角色成为候选节点时，向网络中其他节点广播领导申请并发送；
第Ⅱ步：申请通过后，该候选节点成为领导节点，其他节点成为跟随节点，之后领导节点广播区块记录信息，跟随节点收到信息以后向其他跟随节点广播收到的信息并记录重复次数，并使用重复次数最多的信息生成区块头，并向领导节点发送验证申请；
第Ⅲ步：验证通过后，领导节点发送添加命令并进入沉睡期，跟随节点收到确认信息后,将新生成的各组区块添加至区块链上并返回候选身份。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310962664.5A CN116977807A (zh) | 2023-08-01 | 2023-08-01 | 基于多传感器融合的冷库智能监控系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310962664.5A CN116977807A (zh) | 2023-08-01 | 2023-08-01 | 基于多传感器融合的冷库智能监控系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116977807A true CN116977807A (zh) | 2023-10-31 |
Family
ID=88471060
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310962664.5A Pending CN116977807A (zh) | 2023-08-01 | 2023-08-01 | 基于多传感器融合的冷库智能监控系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116977807A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117760160A (zh) * | 2023-12-27 | 2024-03-26 | 上海康帅冷链科技股份有限公司 | 应用于冷库智能控制的设备数据可视化监管系统及方法 |
-
2023
- 2023-08-01 CN CN202310962664.5A patent/CN116977807A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117760160A (zh) * | 2023-12-27 | 2024-03-26 | 上海康帅冷链科技股份有限公司 | 应用于冷库智能控制的设备数据可视化监管系统及方法 |
| CN117760160B (zh) * | 2023-12-27 | 2024-05-17 | 上海康帅冷链科技股份有限公司 | 应用于冷库智能控制的设备数据可视化监管系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103812577A (zh) | 非正常无线电信号的自动识别系统及其方法 | |
| CN108956111B (zh) | 一种机械部件的异常状态检测方法及检测系统 | |
| CN115187527A (zh) | 一种多源混合型特高频局部放电图谱的分离识别方法 | |
| CN115620212B (zh) | 一种基于监控视频的行为识别方法及系统 | |
| CN114167838B (zh) | 一种伺服系统多尺度健康评估与故障预测方法 | |
| CN116977807A (zh) | 基于多传感器融合的冷库智能监控系统及方法 | |
| CN117611015B (zh) | 一种建筑工程质量实时监测系统 | |
| CN116684878B (zh) | 一种5g信息传输数据安全监测系统 | |
| CN115600513B (zh) | 一种岩溶塌陷监测预警及防控一体化信息化模拟研判系统 | |
| CN117076955A (zh) | 一种高压变频器的故障检测方法及系统 | |
| CN117114913A (zh) | 一种基于大数据的智能化农业数据采集系统 | |
| CN117368651B (zh) | 一种配电网故障综合分析系统及方法 | |
| CN112232235B (zh) | 基于5g和算法的智慧工厂远程监控方法及系统 | |
| CN117743120A (zh) | 基于大数据技术的网卡异常检测方法 | |
| CN115941807B (zh) | 一种园区安防系统数据高效压缩方法 | |
| CN117172601A (zh) | 一种基于残差全卷积神经网络的非侵入式负荷监测方法 | |
| CN116778428A (zh) | 基于图像识别的实时在线火情分析历史数据库比对方法 | |
| CN113536989B (zh) | 基于摄像视频逐帧分析的制冷机结霜监控方法及系统 | |
| CN116244596A (zh) | 基于tcn和注意力机制的工业时序数据异常检测方法 | |
| CN115106615A (zh) | 一种基于工况智能识别的焊偏实时检测方法及系统 | |
| CN113098640B (zh) | 一种基于频道占用度预测的频谱异常检测方法 | |
| CN115700595A (zh) | 基于射频指纹深度学习的身份识别方法及装置 | |
| CN115327942A (zh) | 一种环境智能监测系统 | |
| CN114580482A (zh) | 基于边缘计算节点与数据中心的无线电信号特征采集方法 | |
| CN113958463A (zh) | 风机叶片在线监测方法、系统及装置 |
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 |