CN117195860B - 智能巡检方法、系统、电子设备和计算机可读存储介质 - Google Patents
智能巡检方法、系统、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN117195860B CN117195860B CN202311467600.4A CN202311467600A CN117195860B CN 117195860 B CN117195860 B CN 117195860B CN 202311467600 A CN202311467600 A CN 202311467600A CN 117195860 B CN117195860 B CN 117195860B
- Authority
- CN
- China
- Prior art keywords
- target
- hidden danger
- text
- treaty
- feature vector
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000007689 inspection Methods 0.000 title claims abstract description 37
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 239000013598 vector Substances 0.000 claims abstract description 80
- 238000012937 correction Methods 0.000 claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 231100001267 hazard identification Toxicity 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 206010062575 Muscle contracture Diseases 0.000 description 2
- 238000009435 building construction Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 208000006111 contracture Diseases 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种智能巡检方法、装置、系统、电子设备和计算机可读存储介质。其中,该智能巡检方法包括:基于预先获取的隐患检测模型,在预先配置的隐患类型文本中识别与目标图片相匹配的目标隐患类型文本,基于语义相似度模型对目标隐患类型文本进行特征提取,获取隐患特征向量;获取多个规范条文和相对应的整改措施文本,基于所述语义相似度模型分别对多个所述规范条文进行特征提取,获取条文特征向量;基于所述隐患特征向量和每个所述条文特征向量的第一相似度,确定与目标条文特征向量相对应的目标规范条文和目标整改措施;根据所述目标图片、目标隐患类型文本、目标规范条文和目标整改措施确定巡检结果。
Description
技术领域
本申请涉及自然语言处理及人工智能领域,特别是涉及一种智能巡检方法、装置、系统、电子设备和计算机可读存储介质。
背景技术
目前,在建筑施工安全监控领域,危险源及安全隐患排查整改时安全员每日工作的重中之重,遗漏任何一个安全隐患,都会给建筑施工安全带来极大的事故风险。
现有技术通常通过人工的方式查找疑似隐患的地点进行拍照、并记录隐患内容、整改措施等相关隐患信息。
现有技术费时费力,对隐患排查人员的专业度要求较高,从而导致人工巡检的方式效率较低。
发明内容
本申请实施例提供了一种智能巡检方法,以至少解决相关技术中人工巡检的方式效率较低的问题。
第一方面,本申请实施例提供了一种智能巡检方法,包括:
基于预先获取的隐患检测模型,在预先配置的隐患类型文本中,识别与目标图片相匹配的目标隐患类型文本,基于语义相似度模型对目标隐患类型文本进行特征提取,获取隐患特征向量;
获取多个规范条文和相对应的整改措施文本,基于所述语义相似度模型分别对多个所述规范条文进行特征提取,获取条文特征向量;
基于所述隐患特征向量和每个所述条文特征向量的第一相似度,确定与目标条文特征向量相对应的目标规范条文和目标整改措施;
根据所述目标图片、目标隐患类型文本、目标规范条文和目标整改措施确定巡检结果。
在一个实施例中,所述隐患检测模型包括图像编码器和文本编码器,所述基于预先获取的隐患检测模型和隐患类型文本,识别与目标图片相匹配的目标隐患类型文本,包括:
通过所述图像编码器提取目标图片的图像特征,通过所述文本编码器提取所述隐患类型文本的文本特征;
获取所述图像特征和所述文本特征的第二相似度,确定所述第二相似度大于或者等于设定阈值的所述文本特征;
将所述文本特征对应的隐患类型文本作为所述目标隐患类型文本。
在一实施例中,在所述基于语义相似度模型对目标隐患类型文本进行特征提取之前,所述方法还包括:
响应于未识别出对应的目标隐患类型文本,获取用户输入的隐患类型信息,根据所述隐患类型信息确定隐患类型文本。
在一实施例中,所述获取规范条文文本和相对应的整改措施文本,包括:
对预先获取的行业规范文本进行文本解析,获取若干条所述规范条文文本,以及所述规范条文文本所属的规范名称;
根据所述规范条文文本确定相对应的所述整改措施文本。在一实施例中,所述基于所述隐患特征向量和每个所述条文特征向量的第一相似度,确定与目标条文特征向量相对应的目标规范条文和目标整改措施,包括:
将所述规范条文、所述条文特征向量和所述整改措施存储在数据库中;
按照从高到低的顺序,在多个所述第一相似度中,确定设定数量个目标相似度,将所述目标相似度对应的条文特征向量作为所述目标条文特征向量;
从所述数据库中查询与所述目标条文向量所对应的规范条文和目标整改措施。
在一实施例中,所述确定巡检结果,还包括:
接收用户输入的隐患位置数据,基于所述隐患位置数据确定巡检结果。
在一实施例中,所述根据所述目标图片、隐患类型文本、目标规范条文和目标整改措施确定巡检结果,包括:
根据所述目标图片、隐患类型文本、目标规范条文和目标整改措施生成巡检报告;
将所述巡检报告发送给预先配置的关联负责人终端。
第二方面,本申请实施例提供了一种智能巡检系统,包括:
隐患特征向量获取模块:用于基于预先获取的隐患检测模型,在预先配置的隐患类型文本中识别与目标图片相匹配的目标隐患类型文本,基于语义相似度模型对目标隐患类型文本进行特征提取,获取隐患特征向量;
条文特征向量获取模块:用于获取多个规范条文和相对应的整改措施文本,基于所述语义相似度模型分别对多个所述规范条文进行特征提取,获取条文特征向量;
查询模块:用于基于所述隐患特征向量和每个所述条文特征向量的第一相似度,确定与目标条文特征向量相对应的目标规范条文和目标整改措施;
结果模块:用于根据所述目标图片、目标隐患类型文本、目标规范条文和目标整改措施确定巡检结果。
第三方面,本申请实施例提供了一种电子设备,包括存储器,处理器,以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面中任一实施例所述的智能巡检方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如第一方面中任一实施例所述的智能巡检方法。
本申请实施例提供的智能巡检方法、装置、系统、电子设备和计算机可读存储介质至少具有以下技术效果。
本申请通过隐患检测模型识别隐患类型文本,通过语义相似度模型识别计算隐患类型文本和条文文本的相似度,从而确定与目标隐患类型文本对应目标规范条文文本和目标整改措施文本等目标结果数据。同时,可以基于目标图片与目标结果数据自动生成巡检结果。以此方式,准确获取安全隐患所违反的规范名称及规范原文及相对应的措施等信息,提高隐患识别的效率和准确性。解决了现有技术对隐患排查人员的专业度要求较高,从而导致人工巡检的方式效率较低的问题。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据一示例性实施例示出的智能巡检方法的流程图;
图2是根据一示例性实施例示出的获取目标隐患类型文本的流程图;
图3是根据一示例性实施例示出的隐患识别模型结构图;
图4是根据一示例性实施例示出的语义相似度模型结构图;
图5是根据一示例性实施例示出的目标数据获取流程;
图6是根据一示例性实施例示出的智能巡检系统的框图;
图7为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
第一方面,本申请实施例提供了一种智能巡检方法,图1是根据一示例性实施例示出的智能巡检方法的流程图,如图1所示,智能巡检方法包括:
步骤S101,基于预先获取的隐患检测模型,在预先配置的隐患类型文本中识别与目标图片相匹配的目标隐患类型文本,基于语义相似度模型对目标隐患类型文本进行特征提取,获取隐患特征向量。
可选地,目标图片为安全隐患场景图片,目标图片通过智能设备采集上传至服务器,智能设备包括智能手机、智能眼镜等可拍摄装置。
隐患类型文本包括但不限于:材料未清理、裸土覆盖不全、动火作业未配备灭火器、临边防护缺失、高处作业未系安全带、基坑有积水、未佩戴安全帽、未穿反光衣、配电箱门未锁、防护网缺失等。其中,隐患类型文本根据具体使用场景需要进行配置。
隐患检测模型采用基于对比学习的大规模文本图像预训练模型(ContrastiveLanguage-Image Pre-training,CLIP),语义相似度模型采用挛生网络(Sentence-BERT,SBERT)。当然,上述CLIP和SBERT仅为一种具体示例,还可以采用其他支持图像训练和语义相似度匹配的模型。
本申请实施例中,采用以下可选方式获取目标隐患类型文本。作为一种示例,隐患检测模型采用CLIP模型,此时隐患检测模型包括图像编码器和文本编码器。图2是根据一示例性实施例示出的获取目标隐患类型文本的流程图,如图2所示,获取目标隐患类型文本具体包括:
步骤S1011、通过图像编码器提取目标图片的图像特征,通过文本编码器提取隐患类型文本的文本特征。
图3是根据一示例性实施例示出的隐患识别模型结构示意图,如图3所示,CLIP模型包括文本编码器和图像编码器。在模型的训练过程中,通过图像编码器提取训练集中图像数据的图像特征(T1,T2……,TN),通过文本编码器提取训练集中文本数据的文本特征(I1,I2……,IN)。
步骤S1012、获取图像特征和文本特征的第二相似度,确定第二相似度大于或者等于设定阈值的文本特征。
可选地,选择余弦相似度作为第二相似度,阈值越接近1,图片和所对应的文本的匹配度越高。其中,预设阈值可根据具体使用需求进行配置,预设阈值越接近1,步骤S101中所获取的目标隐患类型文本越精确。
步骤S1013、将文本特征对应的隐患类型文本作为目标隐患类型文本。
在该实施例中,通过隐患识别模型中的图像编码器和文本编码器,将图像特征和文本特征关联起来,放到同一个特征空间去表示,据此利用到更多更全面的数据,提升隐患识别的准确性。
此外,本申请实施例提供了一种关于隐患识别模型训练的可选方式,具体如下:
第一步,构建安全隐患数据集。
可选地,数据集包括建筑行业12w对正例对和8w对负例对。一对正例对或一对负例对包括隐患场景图片和隐患类型文本。当隐患类型文本与隐患场景图片内容相匹配即为正例,当隐患类型文本与隐患场景图片不匹配即为负例。其中,隐患类型文本选自步骤S101中所述的隐患类型文本。
第二步,对隐患检测模型进行训练。可选地,隐患检测模型采用CLIP模型。再次参见图3,CLIP模型包括文本编码器和图像编码器。在模型的训练过程中,通过图像编码器提取训练集中图像数据的图像特征(T1,T2……,TN),通过文本编码器提取训练集中文本数据的文本特征(I1,I2……,IN)。使用步骤S201中的数据集作为CLIP模型的训练数据集。
训练时的损失函数和训练次数epoch等参数可以根据不同模型的具体情况进行设置。可选地,本实施例中在确定图像特征和文本特征之后,获取图像特征和文本特征的余弦相似度,以余弦相似度作为损失函数。对于正例而言,余弦相似度越接近于1,匹配度越高,所识别的准确率也越高;对于反例而言,余弦相似度越接近-1,所识别的准确率也越高。
在步骤S101中,获取目标隐患类型文本之后,基于语义相似度模型对目标隐患类型文本进行特征提取,获取隐患特征向量。本申请实施例中,采用以下可选方式获取语义相似度模型,其中,语义相似度模型以SBERT模型为例。
图4是根据一示例性实施例示出的语义相似度模型结构图,如图4所示,SBERT模型结构为挛生网络结构,模型的子网络都采用BERT模型,且两个BERT模型共享参数,通过输出池化层控制输出维度。构建正样本句子对10w条,负样本句子对6w条,作为语义数据集。使用语义数据集对SBERT模型进行训练,训练时的损失函数和学习率等参数可以根据不同模型的具体情况进行设置,本实施例中采用的是余弦相似度损失函数,学习率lr为2e-5(e为自然常数)。
在一个示例中,存在根据预先配置的隐患类型文本未识别到与目标图片相匹配的目标隐患类型文本,此时步骤S101还包括:响应于未识别出对应的目标隐患类型文本,获取用户输入的隐患类型信息,根据所述隐患类型信息确定隐患类型文本。
可选地,当所获取的图片隐患类型无法识别,即与预设隐患类型文本不匹配,则可通过人为配置的方式获取隐患类型。例如,通过接收输入的隐患类型信息,并将隐患类型信息转为隐患类型文本。其中,用户可以通过语音输入、键盘输入或按键输入的方式输入隐患类型信息。以此方式,保证隐患识别的全面性和准确性,避免无法匹配到隐患类型导致的巡检效率低的缺陷。
综上所述,通过隐患检测模型将文本、图像等不同类型的数据,放到同一个特征空间去表示,在一个任务上利用到更多更全面的数据,提升隐患识别的效果。同时可将所输入的语音类型转换为文本类型,继续进行后续步骤,以保证隐患识别的全面性和准确性
继续参照图1,在步骤S101之后执行步骤S102。
步骤S102,获取多个规范条文文本和相对应的整改措施文本,基于所述语义相似度模型分别对多个规范条文进行特征提取,获取条文特征向量。其中,采用语义相似度模型SBERT提取特征向量。
在一个示例中,步骤S102中获取多个规范条文和相对应的整改措施文本,包括:
对预先获取的行业规范文本进行文本解析,获取若干条规范条文文本,以及规范条文文本所属的规范名称。
根据规范条文文本确定相对应的整改措施文本。
可选地,对建筑行业内的至少两本规范文件,按照设定格式提取出具体的规范条文文本,并获取每条规范条文文本所属的具体规范名称以及规范条文文本所对应的整改措施文本。可选地,按照设定格式提取具体为按照章-节-条的方式提取文本;或者,按照段落的方式提取文本。
在该实施例中,使用SBERT模型,提取特征向量,SBERT模型提供了方法直接计算相似度问题,而不需要根据应用场景做大量修改,直接使用更方便。并且提高了计算速度。
步骤S103,基于隐患特征向量和每个条文特征向量的第一相似度,确定与目标条文特征向量相对应的目标规范条文和目标整改措施。
在一个示例中,图5是根据一示例性实施例示出的目标数据获取流程图,如图5所示,步骤S103中,基于隐患特征向量和每个条文特征向量的第一相似度,确定与目标条文特征向量相对应的目标规范条文和目标整改措施,包括:
步骤S501,将规范条文、条文特征向量和整改措施存储在数据库中。
步骤S502,按照从高到低的顺序,在多个第一相似度中,确定设定数量个目标相似度。
步骤S503,将目标相似度对应的条文特征向量作为目标条文特征向量。
步骤S504,从数据库中查询与目标条文向量所对应的规范条文和目标整改措施。
可选地,规范条文包括规范名称、规范条文文本,通过SBERT模型提取条文特征向量,将规范名称、规范条文文本、条文特征向量和整改措施存储在数据库中。根据SBERT模型所计算出的相似度分数从高到低排序,确定设定数量个相似度所对应的目标条文特征向量,从数据库中查询目标条文特征向量所对应的目标数据。
在该实施例中,构建数据库,在确定目标条文特征向量后,直接从数据库中查询相应的目标数据,提高数据获取的速度。
继续参照图1,在步骤S103之后执行步骤S104。
步骤S104,根据目标图片、目标隐患类型文本、目标规范条文和目标整改措施确定巡检结果。
可选地,基于目标图片、目标隐患类型文本、目标规范条文和目标整改措施文本生成巡检报告。以此方式,可以自动生成巡检报告,提高巡检效率。
在一个示例中,步骤S104还包括:接收用户输入的隐患位置数据,基于所述隐患位置数据确定巡检结果。
可选地,基于隐患位置数据、目标图片、目标隐患类型文本、目标规范条文文本和目标整改措施文本生成巡检报告。
在该示例中,通过用户输入安全隐患所处的地理位置,通过直接获取隐患位置数据的方式,提高数据的全面性和整体方案的准确性和完善度。
在一个示例中,步骤S104中确定巡检结果,具体包括:根据所述目标图片、隐患类型文本、目标规范条文和目标整改措施生成巡检报告。将所述巡检报告发送给预先配置的关联负责人终端。
采用巡检报告的方式直观展示图文信息,明确体现目标图片、隐患类型、规范条文和目标整改措施。通过发送至相关联的负责人终端保障整体巡检结果有效反馈,落实巡检过程的巡检效果。
综上所述,本申请通过安全隐患检测模型识别隐患类型文本,通过语义相似度模型识别计算隐患类型文本和条文文本的相似度,从而确定与目标隐患类型文本相对应的目标规范条文文本和目标整改措施文本等目标结果数据。同时,可以基于目标图片与目标结果数据自动生成巡检报告并发送给相应的负责人。以此方式,准确获取安全隐患所违反的规范名称及规范原文及相对应的措施等信息,提高隐患识别的效率和准确性。解决了现有技术对隐患排查人员的专业度要求较高,从而导致人工巡检的方式效率较低的问题。
第二方面,本申请实施例提供了一种智能巡检系统,图6是根据一示例性实施例示出的智能巡检系统的框图,如图6所示包括:
隐患特征向量获取模块100:用于基于预先获取的隐患检测模型,在预先配置的隐患类型文本中识别与目标图片相匹配的目标隐患类型文本,基于语义相似度模型对目标隐患类型文本进行特征提取,获取隐患特征向量。
条文特征向量获取模块200:用于获取多个规范条文和相对应的整改措施文本,基于语义相似度模型分别对多个规范条文进行特征提取,获取条文特征向量。
查询模块300:用于基于隐患特征向量和每个条文特征向量的第一相似度,确定与目标条文特征向量相对应的目标规范条文和目标整改措施。
结果模块400:用于根据目标图片、目标隐患类型文本、目标规范条文和目标整改措施确定巡检结果。
在一个示例中,隐患检测模型包括图像编码器和文本编码器,隐患特征向量获取模块100包括:
提取单元:用于通过图像编码器提取目标图片的图像特征,通过文本编码器提取隐患类型文本的文本特征。
计算单元:用于获取图像特征和文本特征的第二相似度,确定第二相似度大于或者等于设定阈值的文本特征。
目标单元:用于将文本特征对应的隐患类型文本作为目标隐患类型文本。
在一个示例中,隐患特征向量获取模块100还包括:
获取单元:用于响应于未识别出对应的目标隐患类型文本,获取用户输入的隐患类型信息,根据隐患类型信息确定隐患类型文本。
在一个示例中,条文特征向量获取模块200,包括:
解析单元:用于对预先获取的行业规范文本进行文本解析,获取若干条规范条文文本,以及规范条文文本所属的规范名称。
确定单元:用于根据所述规范条文文本确定相对应的所述整改措施文本。在一个示例中,查询模块300包括:
存储单元:用于将规范条文、条文特征向量和整改措施存储在数据库中;
确定单元:用于按照从高到低的顺序,在多个第一相似度中,确定设定数量个目标相似度。
特征向量单元:用于将目标相似度对应的条文特征向量作为目标条文特征向量。
查询单元:用于从数据库中查询与目标条文向量所对应的目标规范条文和目标整改措施。
在一个示例中,结果模块400还包括:位置单元:用于接收用户输入的隐患位置数据,基于隐患位置数据确定巡检结果。
在一个示例中,智能巡检系统还包括:
生成单元:用于根据目标图片、隐患类型文本、目标规范条文和目标整改措施生成巡检报告。
发送单元:用于将巡检报告发送给预先配置的关联负责人终端。
综上所述,本申请通过隐患特征向量获取模块100识别隐患类型文本,通过查询模块300计算隐患类型文本和条文文本的相似度,从而确定与目标隐患类型文本相对应的目标规范条文文本和目标整改措施文本等目标结果数据。同时,通过发送模块500,基于目标图片与目标结果数据自动生成巡检报告并发送给相应的负责人。以此方式,准确获取安全隐患所违反的规范名称及规范原文及相对应的措施等信息,提高隐患识别的效率和准确性。解决了现有技术对隐患排查人员的专业度要求较高,从而导致人工巡检的方式效率较低的问题。
第三方面,本申请实施例提供了一种电子设备,图7为本申请实施例提供的一种电子设备的结构示意图。所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一方面提供的智能巡检方法,图7显示的电子设备60仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
电子设备60可以以通用计算设备的形式表现,例如其可以为服务器设备。电子设备60的组件可以包括但不限于:上述至少一个处理器61、上述至少一个存储器62、连接不同系统组件(包括存储器62和处理器61)的总线63。
总线63包括数据总线、地址总线和控制总线。
存储器62可以包括易失性存储器,例如随机存取存储器(RAM)621和/或高速缓存存储器622,还可以进一步包括只读存储器(ROM)623。
存储器62还可以包括具有一组(至少一个)程序模块624的程序/实用工具625,这样的程序模块624包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器61通过运行存储在存储器62中的计算机程序,从而执行各种功能应用以及数据处理,例如本申请第一方面的智能巡检方法。
电子设备60也可以与一个或多个外部设备64(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口65进行。并且,模型生成的设备60还可以通过网络适配器66与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器66通过总线63与模型生成的设备60的其它模块通信。应当明白,尽管图中未示出,可以结合模型生成的设备60使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有程序,所述程序被处理器执行时,实现第一方面中提供的智能巡检方法。
其中,可读存储介质可以采用的更具体可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行实现第一方面提供的智能巡检方法的步骤。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码,所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种智能巡检方法,其特征在于,包括:
基于预先获取的隐患检测模型,在预先配置的隐患类型文本中识别与目标图片相匹配的目标隐患类型文本,基于语义相似度模型对目标隐患类型文本进行特征提取,获取隐患特征向量;
获取多个规范条文和相对应的整改措施文本,基于所述语义相似度模型分别对多个所述规范条文进行特征提取,获取条文特征向量;
基于所述隐患特征向量和每个所述条文特征向量的第一相似度,确定与目标条文特征向量相对应的目标规范条文和目标整改措施,具体包括:将所述规范条文、所述条文特征向量和所述整改措施存储在数据库中,按照从高到低的顺序,在多个所述第一相似度中,确定设定数量个目标相似度,将所述目标相似度对应的条文特征向量作为所述目标条文特征向量,从所述数据库中查询与所述目标条文特征向量所对应的规范条文和目标整改措施;
根据所述目标图片、目标隐患类型文本、目标规范条文和目标整改措施确定巡检结果。
2.根据权利要求1所述的智能巡检方法,其特征在于,所述隐患检测模型包括图像编码器和文本编码器,所述基于预先获取的隐患检测模型和隐患类型文本,识别与目标图片相匹配的目标隐患类型文本,包括:
通过所述图像编码器提取目标图片的图像特征,通过所述文本编码器提取所述隐患类型文本的文本特征;
获取所述图像特征和所述文本特征的第二相似度,确定所述第二相似度大于或者等于设定阈值的所述文本特征;
将所述文本特征对应的隐患类型文本作为所述目标隐患类型文本。
3.根据权利要求2所述的智能巡检方法,其特征在于,在所述基于语义相似度模型对目标隐患类型文本进行特征提取之前,所述方法还包括:
响应于未识别出对应的目标隐患类型文本,获取用户输入的隐患类型信息,根据所述隐患类型信息确定隐患类型文本。
4.根据权利要求1所述的智能巡检方法,其特征在于,所述获取多个规范条文和相对应的整改措施文本,包括:
对预先获取的行业规范文本进行文本解析,获取若干条所述规范条文文本,以及所述规范条文文本所属的规范名称;
根据所述规范条文文本确定相对应的所述整改措施文本。
5.根据权利要求1所述的智能巡检方法,其特征在于,所述确定巡检结果,还包括:
接收用户输入的隐患位置数据,基于所述隐患位置数据确定巡检结果。
6.根据权利要求1所述的智能巡检方法,其特征在于,所述根据所述目标图片、隐患类型文本、目标规范条文和目标整改措施确定巡检结果,包括:
根据所述目标图片、隐患类型文本、目标规范条文和目标整改措施生成巡检报告;
将所述巡检报告发送给预先配置的关联负责人终端。
7.一种智能巡检系统,其特征在于,包括:
隐患特征向量获取模块:用于基于预先获取的隐患检测模型,在预先配置的隐患类型文本中识别与目标图片相匹配的目标隐患类型文本,基于语义相似度模型对目标隐患类型文本进行特征提取,获取隐患特征向量;
条文特征向量获取模块:用于获取多个规范条文和相对应的整改措施文本,基于所述语义相似度模型分别对多个所述规范条文进行特征提取,获取条文特征向量;
查询模块:用于基于所述隐患特征向量和每个所述条文特征向量的第一相似度,确定与目标条文特征向量相对应的目标规范条文和目标整改措施,具体包括:用于将所述规范条文、所述条文特征向量和所述整改措施存储在数据库中,按照从高到低的顺序,在多个所述第一相似度中,确定设定数量个目标相似度,将所述目标相似度对应的条文特征向量作为所述目标条文特征向量,从所述数据库中查询与所述目标条文特征向量所对应的规范条文和目标整改措施;
结果模块:用于根据所述目标图片、目标隐患类型文本、目标规范条文和目标整改措施确定巡检结果。
8.一种电子设备,其特征在于,包括:
存储器,
处理器,以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的智能巡检方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1至6中任一项所述的智能巡检方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311467600.4A CN117195860B (zh) | 2023-11-07 | 2023-11-07 | 智能巡检方法、系统、电子设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311467600.4A CN117195860B (zh) | 2023-11-07 | 2023-11-07 | 智能巡检方法、系统、电子设备和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117195860A CN117195860A (zh) | 2023-12-08 |
CN117195860B true CN117195860B (zh) | 2024-03-26 |
Family
ID=88985416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311467600.4A Active CN117195860B (zh) | 2023-11-07 | 2023-11-07 | 智能巡检方法、系统、电子设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117195860B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695632A (zh) * | 2020-06-12 | 2020-09-22 | 湖北中烟工业有限责任公司 | 一种基于自适应基准图像隐患库的隐患识别方法及装置 |
WO2020258506A1 (zh) * | 2019-06-27 | 2020-12-30 | 平安科技(深圳)有限公司 | 文本信息匹配度检测方法、装置、计算机设备和存储介质 |
CN113918679A (zh) * | 2021-09-22 | 2022-01-11 | 三一汽车制造有限公司 | 一种知识问答方法、装置及工程机械 |
WO2022156180A1 (zh) * | 2021-01-19 | 2022-07-28 | 深圳壹账通智能科技有限公司 | 相似文本确定方法及相关设备 |
CN115457466A (zh) * | 2022-09-08 | 2022-12-09 | 上海置信电气有限公司 | 一种基于巡检视频的隐患检测方法、系统及电子设备 |
CN116503807A (zh) * | 2023-04-28 | 2023-07-28 | 特斯联科技集团有限公司 | 一种设备巡检方法、装置、电子设备及计算机程序产品 |
CN116561588A (zh) * | 2023-07-07 | 2023-08-08 | 北京国电通网络技术有限公司 | 电力文本识别模型构建方法、电力设备维修方法和装置 |
CN116612481A (zh) * | 2023-07-20 | 2023-08-18 | 国网山东省电力公司曲阜市供电公司 | 基于知识图谱和多元图像的电力设备缺陷识别方法及系统 |
CN116910104A (zh) * | 2023-08-04 | 2023-10-20 | 清华大学 | 基于大语言模型的建筑业施工安全智能日志记录方法 |
-
2023
- 2023-11-07 CN CN202311467600.4A patent/CN117195860B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020258506A1 (zh) * | 2019-06-27 | 2020-12-30 | 平安科技(深圳)有限公司 | 文本信息匹配度检测方法、装置、计算机设备和存储介质 |
CN111695632A (zh) * | 2020-06-12 | 2020-09-22 | 湖北中烟工业有限责任公司 | 一种基于自适应基准图像隐患库的隐患识别方法及装置 |
WO2022156180A1 (zh) * | 2021-01-19 | 2022-07-28 | 深圳壹账通智能科技有限公司 | 相似文本确定方法及相关设备 |
CN113918679A (zh) * | 2021-09-22 | 2022-01-11 | 三一汽车制造有限公司 | 一种知识问答方法、装置及工程机械 |
CN115457466A (zh) * | 2022-09-08 | 2022-12-09 | 上海置信电气有限公司 | 一种基于巡检视频的隐患检测方法、系统及电子设备 |
CN116503807A (zh) * | 2023-04-28 | 2023-07-28 | 特斯联科技集团有限公司 | 一种设备巡检方法、装置、电子设备及计算机程序产品 |
CN116561588A (zh) * | 2023-07-07 | 2023-08-08 | 北京国电通网络技术有限公司 | 电力文本识别模型构建方法、电力设备维修方法和装置 |
CN116612481A (zh) * | 2023-07-20 | 2023-08-18 | 国网山东省电力公司曲阜市供电公司 | 基于知识图谱和多元图像的电力设备缺陷识别方法及系统 |
CN116910104A (zh) * | 2023-08-04 | 2023-10-20 | 清华大学 | 基于大语言模型的建筑业施工安全智能日志记录方法 |
Non-Patent Citations (2)
Title |
---|
智能化设备巡检系统的开发及应用;汪远平;查明彦;代强;邵慧;;信息记录材料(第04期);全文 * |
汪远平 ; 查明彦 ; 代强 ; 邵慧 ; .智能化设备巡检系统的开发及应用.信息记录材料.2019,(第04期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117195860A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062871B (zh) | 一种图像处理方法、装置、计算机设备及可读存储介质 | |
CN109104620B (zh) | 一种短视频推荐方法、装置和可读介质 | |
CN110781347A (zh) | 一种视频处理方法、装置、设备以及可读存储介质 | |
CN110446063B (zh) | 视频封面的生成方法、装置及电子设备 | |
CN110851641B (zh) | 跨模态检索方法、装置和可读存储介质 | |
CN112100438A (zh) | 一种标签抽取方法、设备及计算机可读存储介质 | |
EP3872652A2 (en) | Method and apparatus for processing video, electronic device, medium and product | |
CN114861836B (zh) | 一种基于人工智能平台的模型部署方法及相关设备 | |
CN111723784A (zh) | 一种风险视频识别方法、装置和电子设备 | |
CN110851644A (zh) | 图像检索方法及装置、计算机可读存储介质、电子设备 | |
CN111429204A (zh) | 酒店推荐方法、系统、电子设备和存储介质 | |
CN117076693A (zh) | 一种数字人教师多模态大语言模型预训练学科语料库的构建方法 | |
CN112328833B (zh) | 标签处理方法、装置及计算机可读存储介质 | |
CN111126054B (zh) | 确定相似文本的方法、装置、存储介质及电子设备 | |
CN112231554A (zh) | 一种搜索推荐词生成方法、装置、存储介质和计算机设备 | |
CN109408175B (zh) | 通用高性能深度学习计算引擎中的实时交互方法及系统 | |
CN111126084A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN111881900B (zh) | 语料生成、翻译模型训练、翻译方法、装置、设备及介质 | |
CN117195860B (zh) | 智能巡检方法、系统、电子设备和计算机可读存储介质 | |
CN103377381B (zh) | 识别图像的内容属性的方法和装置 | |
CN116912663A (zh) | 基于多粒度解码器的文本-图像检测方法 | |
CN110704650A (zh) | Ota图片标签的识别方法、电子设备和介质 | |
CN116863116A (zh) | 基于人工智能的图像识别方法、装置、设备及介质 | |
CN116958852A (zh) | 视频与文本的匹配方法、装置、电子设备和存储介质 | |
JP7121819B2 (ja) | 画像処理方法及び装置、電子機器、コンピュータ可読記憶媒体並びにコンピュータプログラム |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |