CN117407573A - 可视化安防数据处理方法及系统 - Google Patents
可视化安防数据处理方法及系统 Download PDFInfo
- Publication number
- CN117407573A CN117407573A CN202311506964.9A CN202311506964A CN117407573A CN 117407573 A CN117407573 A CN 117407573A CN 202311506964 A CN202311506964 A CN 202311506964A CN 117407573 A CN117407573 A CN 117407573A
- Authority
- CN
- China
- Prior art keywords
- sensing data
- subarea
- area
- security
- data set
- 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
- 230000000007 visual effect Effects 0.000 title claims abstract description 37
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 238000003062 neural network model Methods 0.000 claims description 18
- 238000001816 cooling Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/904—Browsing; Visualisation therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Computer Security & Cryptography (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种可视化安防数据处理方法及系统，该方法包括：获取目标安防区域内的传感数据和用户操作数据；根据所述传感数据，确定所述目标安防区域的每一子区域对应的人员数量；根据每一所述子区域对应的人员数量，和预设的人员数量和设备类型和设备操作参数的对应关系，确定每一所述子区域对应的设备操作参考参数，计算所述用户操作数据和所述设备操作参考参数之间的操作差异度；将每一所述子区域对应的所述传感数据、所述用户操作数据、所述人员数量和所述操作差异度，显示在区域安防显示界面。可见，本发明能够实现可视化地展示安防区域内的情况且有效监控子区域的安防情况，以便于用户直观和高效地对区域进行安防的监控。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种可视化安防数据处理方法及系统。
背景技术
随着加工设施的日益巨大化和复杂化，加上智能化制造的潮流的驱动，加工工厂或流水车间内的设备数量和安全隐患也日益增加，如何进行有效地安防监控是一个重要的问题。
但现有技术在实现安防监控时，没有考虑到利用实时传感数据和用户操作数据，并利用算法预测等方式来提高安防监控的可视化程度和精确强度，因此显然现有技术存在缺陷，亟需解决。
发明内容
本发明所要解决的技术问题在于，提供一种可视化安防数据处理方法及系统，能够实现可视化地展示安防区域内的情况且有效监控子区域的安防情况，以便于用户直观和高效地对区域进行安防的监控。
为了解决上述技术问题，本发明第一方面公开了一种可视化安防数据处理方法，所述方法包括：
获取目标安防区域内的多个安防传感器的传感数据和多个安防工作设备的用户操作数据；
根据所述传感数据，基于预测算法，确定所述目标安防区域的每一子区域对应的人员数量；
根据每一所述子区域对应的人员数量，和预设的人员数量和设备类型和设备操作参数的对应关系，确定每一所述子区域对应的设备操作参考参数，计算每一所述子区域的所述用户操作数据和所述设备操作参考参数之间的操作差异度；
将每一所述子区域对应的所述传感数据、所述用户操作数据、所述人员数量和所述操作差异度，显示在所述目标安防区域对应的区域安防显示界面。
作为一种可选的实施方式，在本发明第一方面中，所述传感数据包括图像传感数据、红外传感数据和声音传感数据；和/或，所述安防工作设备的设备类型为冷却泵设备、冷却塔设备、电脑设备、阀门设备或门禁设备。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述传感数据，基于预测算法，确定所述目标安防区域的每一子区域对应的人员数量，包括：
确定所述目标安防区域的每一子区域中的所有所述安防传感器获取的所述传感数据；
对于每一所述子区域，将该子区域对应的所有所述传感数据根据传感位置规则进行分组，以得到该子区域对应的进出区域传感数据组、停留区域传感数据组和交集区域传感数据组；
根据该子区域对应的进出区域传感数据组、停留区域传感数据组和交集区域传感数据组，基于神经网络预测算法，确定该子区域对应的人员数量。
作为一种可选的实施方式，在本发明第一方面中，所述将该子区域对应的所有所述传感数据根据传感位置规则进行分组，以得到该子区域对应的进出区域传感数据组、停留区域传感数据组和交集区域传感数据组，包括：
将该子区域中的与其他子区域存在无需门禁通行通道的交集区域中的所有所述安防传感器获取的所述传感数据，归为交集区域传感数据组；
将该子区域中的设有进出门禁的进出区域中的所有所述安防传感器获取的所述传感数据，归为进出区域传感数据组；
对于该子区域中除所述交集区域传感数据组和所述进出区域传感数据组外的所有其他所述传感数据，计算每一其他所述传感数据的传感器位置与该子区域对应的人员聚集中心的位置距离；
将所述位置距离小于预设的距离阈值的所有其他所述传感数据，归为停留区域传感数据组。
作为一种可选的实施方式，在本发明第一方面中，所述根据该子区域对应的进出区域传感数据组、停留区域传感数据组和交集区域传感数据组，基于神经网络预测算法，确定该子区域对应的人员数量，包括：
将该子区域对应的进出区域传感数据组输入至训练好的人数预测神经网络模型，以得到该子区域对应的第一人员预测值；所述人数预测神经网络通过包括有多个训练传感数据和对应的人员数量标注的训练数据集训练得到；
将该子区域对应的停留区域传感数据组输入至所述人数预测神经网络模型，以得到该子区域对应的第二人员预测值；
将该子区域对应的交集区域传感数据组输入至所述人数预测神经网络模型，以得到该子区域对应的第三人员预测值；
计算所述第一人员预测值、所述第二人员预测值和所述第三人员预测值的加权求和平均值，得到该子区域对应的人员数量；其中，所述第一人员预测值、所述第二人员预测值和所述第三人员预测值的权重依次降低，所述第一人员预测值的权重与所述进出区域传感数据组的数据量成反比，所述第二人员预测值的权重与所述停留区域传感数据组的数据量成正比，所述第三人员预测值的权重与所述交集区域的面积占该子区域的总面积的面积占比成反比。
作为一种可选的实施方式，在本发明第一方面中，所述根据每一所述子区域对应的人员数量，和预设的人员数量和设备类型和设备操作参数的对应关系，确定每一所述子区域对应的设备操作参考参数，包括：
对于每一所述子区域，将该子区域对应的人员数量，分别输入至不同设备类型的不同设备操作参数对应的参数预测神经网络预测模型，以得到该子区域中的所有设备类型对应的多个预测设备操作参数；所述参数预测神经网络预测模型通过包括有对应设备类型的多个训练人员数量和对应的设备操作参数的标注的训练数据集训练得到；
将所述多个预测设备操作参数，确定为该子区域对应的设备操作参考参数；所述设备操作参数和所述预测设备操作参数均包括设备操作频率、设备操作类型和设备操作速度中的至少一种。
作为一种可选的实施方式，在本发明第一方面中，所述方法还包括：
在任一所述子区域对应的所述操作差异度大于预设的差异度阈值时，提高该子区域的显示参数的显著度，并对该子区域进行报警；所述显著度包括颜色显著度、亮度显著度、大小显著度和位置显著度中的至少一种；
当出现多个所述子区域对应的所述操作差异度大于所述差异度阈值时，将多个所述子区域中存在符合连续区域规则的多个子区域时，将所述符合连续区域规则的多个子区域对应的显示参数的显著度调整至比其他所述子区域的更高，以及将所述符合连续区域规则的多个子区域对应的报警程度确定为比其他所述子区域的更高。
本发明第二方面公开了一种可视化安防数据处理系统，所述系统包括：
获取模块，用于获取目标安防区域内的多个安防传感器的传感数据和多个安防工作设备的用户操作数据；
确定模块，用于根据所述传感数据，基于预测算法，确定所述目标安防区域的每一子区域对应的人员数量；
计算模块，用于根据每一所述子区域对应的人员数量，和预设的人员数量和设备类型和设备操作参数的对应关系，确定每一所述子区域对应的设备操作参考参数，计算每一所述子区域的所述用户操作数据和所述设备操作参考参数之间的操作差异度；
显示模块，用于将每一所述子区域对应的所述传感数据、所述用户操作数据、所述人员数量和所述操作差异度，显示在所述目标安防区域对应的区域安防显示界面。
作为一种可选的实施方式，在本发明第二方面中，所述传感数据包括图像传感数据、红外传感数据和声音传感数据；和/或，所述安防工作设备的设备类型为冷却泵设备、冷却塔设备、电脑设备、阀门设备或门禁设备。
作为一种可选的实施方式，在本发明第二方面中，所述确定模块根据所述传感数据，基于预测算法，确定所述目标安防区域的每一子区域对应的人员数量的具体方式，包括：
确定所述目标安防区域的每一子区域中的所有所述安防传感器获取的所述传感数据；
对于每一所述子区域，将该子区域对应的所有所述传感数据根据传感位置规则进行分组，以得到该子区域对应的进出区域传感数据组、停留区域传感数据组和交集区域传感数据组；
根据该子区域对应的进出区域传感数据组、停留区域传感数据组和交集区域传感数据组，基于神经网络预测算法，确定该子区域对应的人员数量。
作为一种可选的实施方式，在本发明第二方面中，所述确定模块将该子区域对应的所有所述传感数据根据传感位置规则进行分组，以得到该子区域对应的进出区域传感数据组、停留区域传感数据组和交集区域传感数据组的具体方式，包括：
将该子区域中的与其他子区域存在无需门禁通行通道的交集区域中的所有所述安防传感器获取的所述传感数据，归为交集区域传感数据组；
将该子区域中的设有进出门禁的进出区域中的所有所述安防传感器获取的所述传感数据，归为进出区域传感数据组；
对于该子区域中除所述交集区域传感数据组和所述进出区域传感数据组外的所有其他所述传感数据，计算每一其他所述传感数据的传感器位置与该子区域对应的人员聚集中心的位置距离；
将所述位置距离小于预设的距离阈值的所有其他所述传感数据，归为停留区域传感数据组。
作为一种可选的实施方式，在本发明第二方面中，所述确定模块根据该子区域对应的进出区域传感数据组、停留区域传感数据组和交集区域传感数据组，基于神经网络预测算法，确定该子区域对应的人员数量的具体方式，包括：
将该子区域对应的进出区域传感数据组输入至训练好的人数预测神经网络模型，以得到该子区域对应的第一人员预测值；所述人数预测神经网络通过包括有多个训练传感数据和对应的人员数量标注的训练数据集训练得到；
将该子区域对应的停留区域传感数据组输入至所述人数预测神经网络模型，以得到该子区域对应的第二人员预测值；
将该子区域对应的交集区域传感数据组输入至所述人数预测神经网络模型，以得到该子区域对应的第三人员预测值；
计算所述第一人员预测值、所述第二人员预测值和所述第三人员预测值的加权求和平均值，得到该子区域对应的人员数量；其中，所述第一人员预测值、所述第二人员预测值和所述第三人员预测值的权重依次降低，所述第一人员预测值的权重与所述进出区域传感数据组的数据量成反比，所述第二人员预测值的权重与所述停留区域传感数据组的数据量成正比，所述第三人员预测值的权重与所述交集区域的面积占该子区域的总面积的面积占比成反比。
作为一种可选的实施方式，在本发明第二方面中，所述计算模块根据每一所述子区域对应的人员数量，和预设的人员数量和设备类型和设备操作参数的对应关系，确定每一所述子区域对应的设备操作参考参数的具体方式，包括：
对于每一所述子区域，将该子区域对应的人员数量，分别输入至不同设备类型的不同设备操作参数对应的参数预测神经网络预测模型，以得到该子区域中的所有设备类型对应的多个预测设备操作参数；所述参数预测神经网络预测模型通过包括有对应设备类型的多个训练人员数量和对应的设备操作参数的标注的训练数据集训练得到；
将所述多个预测设备操作参数，确定为该子区域对应的设备操作参考参数；所述设备操作参数和所述预测设备操作参数均包括设备操作频率、设备操作类型和设备操作速度中的至少一种。
作为一种可选的实施方式，在本发明第二方面中，所述显示模块还用于执行以下步骤：
在任一所述子区域对应的所述操作差异度大于预设的差异度阈值时，提高该子区域的显示参数的显著度，并对该子区域进行报警；所述显著度包括颜色显著度、亮度显著度、大小显著度和位置显著度中的至少一种；
当出现多个所述子区域对应的所述操作差异度大于所述差异度阈值时，将多个所述子区域中存在符合连续区域规则的多个子区域时，将所述符合连续区域规则的多个子区域对应的显示参数的显著度调整至比其他所述子区域的更高，以及将所述符合连续区域规则的多个子区域对应的报警程度确定为比其他所述子区域的更高。
本发明第三方面公开了另一种可视化安防数据处理系统，所述系统包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的可视化安防数据处理方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面公开的可视化安防数据处理方法中的部分或全部步骤。
与现有技术相比，本发明具有以下有益效果：
本发明能够基于传感数据和用户操作数据来确定子区域内的人员数量和设备操作差异程度，并进一步显示到界面上，从而能够实现可视化地展示安防区域内的情况且有效监控子区域的安防情况，以便于用户直观和高效地对区域进行安防的监控。
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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种可视化安防数据处理方法的流程示意图；
图2是本发明实施例公开的一种可视化安防数据处理系统的结构示意图；
图3是本发明实施例公开的另一种可视化安防数据处理系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“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单元的过程、方法、系统、产品或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“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发明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。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种可视化安防数据处理方法及系统，能够基于传感数据和用户操作数据来确定子区域内的人员数量和设备操作差异程度，并进一步显示到界面上，从而能够实现可视化地展示安防区域内的情况且有效监控子区域的安防情况，以便于用户直观和高效地对区域进行安防的监控。以下分别进行详细说明。
实施例一
请参阅图1，图1是本发明实施例公开的一种可视化安防数据处理方法的流程示意图。其中，图1所描述的方法可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定如图1所示，该可视化安防数据处理方法可以包括以下操作：
101、获取目标安防区域内的多个安防传感器的传感数据和多个安防工作设备的用户操作数据。
可选的，传感数据包括图像传感数据、红外传感数据和声音传感数据。
可选的，安防工作设备的设备类型为冷却泵设备、冷却塔设备、电脑设备、阀门设备或门禁设备。
102、根据传感数据，基于预测算法，确定目标安防区域的每一子区域对应的人员数量。
103、根据每一子区域对应的人员数量，和预设的人员数量和设备类型和设备操作参数的对应关系，确定每一子区域对应的设备操作参考参数，计算每一子区域的用户操作数据和设备操作参考参数之间的操作差异度。
具体的，操作差异度可以通过对用户操作数据和设备参考参数进行向量化后计算向量距离来确定。
104、将每一子区域对应的传感数据、用户操作数据、人员数量和操作差异度，显示在目标安防区域对应的区域安防显示界面。
可见，实施本发明实施例所描述的方法能够基于传感数据和用户操作数据来确定子区域内的人员数量和设备操作差异程度，并进一步显示到界面上，从而能够实现可视化地展示安防区域内的情况且有效监控子区域的安防情况，以便于用户直观和高效地对区域进行安防的监控。
作为一种可选的实施例，上述步骤中的，根据传感数据，基于预测算法，确定目标安防区域的每一子区域对应的人员数量，包括：
确定目标安防区域的每一子区域中的所有安防传感器获取的传感数据；
对于每一子区域，将该子区域对应的所有传感数据根据传感位置规则进行分组，以得到该子区域对应的进出区域传感数据组、停留区域传感数据组和交集区域传感数据组；
根据该子区域对应的进出区域传感数据组、停留区域传感数据组和交集区域传感数据组，基于神经网络预测算法，确定该子区域对应的人员数量。
通过上述实施例，能够将该子区域对应的所有传感数据根据传感位置规则进行分组，以得到该子区域对应的进出区域传感数据组、停留区域传感数据组和交集区域传感数据组，并基于神经网络预测算法以此确定该子区域对应的人员数量，从而能够更准确地确定人员数量，便于后续实现可视化地展示安防区域内的情况且有效监控子区域的安防情况，以便于用户直观和高效地对区域进行安防的监控。
作为一种可选的实施例，上述步骤中的，将该子区域对应的所有传感数据根据传感位置规则进行分组，以得到该子区域对应的进出区域传感数据组、停留区域传感数据组和交集区域传感数据组，包括：
将该子区域中的与其他子区域存在无需门禁通行通道的交集区域中的所有安防传感器获取的传感数据，归为交集区域传感数据组；
将该子区域中的设有进出门禁的进出区域中的所有安防传感器获取的传感数据，归为进出区域传感数据组；
对于该子区域中除交集区域传感数据组和进出区域传感数据组外的所有其他传感数据，计算每一其他传感数据的传感器位置与该子区域对应的人员聚集中心的位置距离；
将位置距离小于预设的距离阈值的所有其他传感数据，归为停留区域传感数据组。
通过上述实施例，能够将该子区域对应的所有传感数据根据传感位置规则进行分组，以得到该子区域对应的进出区域传感数据组、停留区域传感数据组和交集区域传感数据组，从而能够在后续更准确地确定人员数量，便于后续实现可视化地展示安防区域内的情况且有效监控子区域的安防情况，以便于用户直观和高效地对区域进行安防的监控。
作为一种可选的实施例，上述步骤中的，根据该子区域对应的进出区域传感数据组、停留区域传感数据组和交集区域传感数据组，基于神经网络预测算法，确定该子区域对应的人员数量，包括：
将该子区域对应的进出区域传感数据组输入至训练好的人数预测神经网络模型，以得到该子区域对应的第一人员预测值；人数预测神经网络通过包括有多个训练传感数据和对应的人员数量标注的训练数据集训练得到；
将该子区域对应的停留区域传感数据组输入至人数预测神经网络模型，以得到该子区域对应的第二人员预测值；
将该子区域对应的交集区域传感数据组输入至人数预测神经网络模型，以得到该子区域对应的第三人员预测值；
计算第一人员预测值、第二人员预测值和第三人员预测值的加权求和平均值，得到该子区域对应的人员数量；其中，第一人员预测值、第二人员预测值和第三人员预测值的权重依次降低，第一人员预测值的权重与进出区域传感数据组的数据量成反比，第二人员预测值的权重与停留区域传感数据组的数据量成正比，第三人员预测值的权重与交集区域的面积占该子区域的总面积的面积占比成反比。
具体的，上述权重确定是操作人员根据实际实施本发明的技术方案时根据预测结果确定出的规律，具体的，进出区域的传感数据的预测准确度大于停留区域并大于交集区域，而进出区域的进出人员次数过多时其传感数据的预测准确度下降，相反，停留区域的人员停留数量越多其传感数据的预测准确度上升，以及交集区域由于人员可以自由流动，其传感数据的预测准确度是最低的，且交集区域的面积越多其传感数据的预测准确度越低。
可选的，本发明中的神经网络模型均可以为CNN结构、RNN结构或LTSM结构的神经网络模型，并通过相应的梯度下降算法和损失函数进行训练直至收敛，操作人员可以根据具体的实施场景和数据特性来选择，本发明不做限定。
通过上述实施例，能够将进出区域传感数据组、停留区域传感数据组和交集区域传感数据组分别输入神经网络模型进行预测并基于区域特性进行加权计算以更准确地确定人员数量，便于后续实现可视化地展示安防区域内的情况且有效监控子区域的安防情况，以便于用户直观和高效地对区域进行安防的监控。
作为一种可选的实施例，上述步骤中的，根据每一子区域对应的人员数量，和预设的人员数量和设备类型和设备操作参数的对应关系，确定每一子区域对应的设备操作参考参数，包括：
对于每一子区域，将该子区域对应的人员数量，分别输入至不同设备类型的不同设备操作参数对应的参数预测神经网络预测模型，以得到该子区域中的所有设备类型对应的多个预测设备操作参数；参数预测神经网络预测模型通过包括有对应设备类型的多个训练人员数量和对应的设备操作参数的标注的训练数据集训练得到；
将多个预测设备操作参数，确定为该子区域对应的设备操作参考参数；设备操作参数和预测设备操作参数均包括设备操作频率、设备操作类型和设备操作速度中的至少一种。
通过上述实施例，能够将该子区域对应的人员数量，分别输入至不同设备类型的不同设备操作参数对应的参数预测神经网络预测模型，以得到该子区域中的所有设备类型对应的多个预测设备操作参数，从而在后续能够以此计算子区域对应的操作差异度以准确衡量子区域的操作异常程度，便于后续实现可视化地展示安防区域内的情况且有效监控子区域的安防情况，以便于用户直观和高效地对区域进行安防的监控。
作为一种可选的实施例，上述步骤中的，该方法还包括：
在任一子区域对应的操作差异度大于预设的差异度阈值时，提高该子区域的显示参数的显著度，并对该子区域进行报警；显著度包括颜色显著度、亮度显著度、大小显著度和位置显著度中的至少一种；
当出现多个子区域对应的操作差异度大于差异度阈值时，将多个子区域中存在符合连续区域规则的多个子区域时，将符合连续区域规则的多个子区域对应的显示参数的显著度调整至比其他子区域的更高，以及将符合连续区域规则的多个子区域对应的报警程度确定为比其他子区域的更高。
可选的，符合连续区域规则的多个子区域中任意两个相邻的子区域至少存在一个交集区域，从而能够有效表征黑客人员或破坏人员或破坏源的行动轨迹。
通过上述实施例，能够将符合连续区域规则的多个子区域对应的显示参数的显著度调整至比其他子区域的更高，以及将符合连续区域规则的多个子区域对应的报警程度确定为比其他子区域的更高，从而能够直观高效地对可能的破坏源的移动轨迹进行高亮和报警，以便于用户直观和高效地对区域进行安防的监控。
实施例二
请参阅图2，图2是本发明实施例公开的一种可视化安防数据处理系统的结构示意图。其中，图2所描述的系统可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定。如图2所示，该系统可以包括：
获取模块201，用于获取目标安防区域内的多个安防传感器的传感数据和多个安防工作设备的用户操作数据；
确定模块202，用于根据传感数据，基于预测算法，确定目标安防区域的每一子区域对应的人员数量；
计算模块203，用于根据每一子区域对应的人员数量，和预设的人员数量和设备类型和设备操作参数的对应关系，确定每一子区域对应的设备操作参考参数，计算每一子区域的用户操作数据和设备操作参考参数之间的操作差异度；
显示模块204，用于将每一子区域对应的传感数据、用户操作数据、人员数量和操作差异度，显示在目标安防区域对应的区域安防显示界面。
作为一种可选的实施例，传感数据包括图像传感数据、红外传感数据和声音传感数据；和/或，安防工作设备的设备类型为冷却泵设备、冷却塔设备、电脑设备、阀门设备或门禁设备。
作为一种可选的实施例，确定模块202根据传感数据，基于预测算法，确定目标安防区域的每一子区域对应的人员数量的具体方式，包括：
确定目标安防区域的每一子区域中的所有安防传感器获取的传感数据；
对于每一子区域，将该子区域对应的所有传感数据根据传感位置规则进行分组，以得到该子区域对应的进出区域传感数据组、停留区域传感数据组和交集区域传感数据组；
根据该子区域对应的进出区域传感数据组、停留区域传感数据组和交集区域传感数据组，基于神经网络预测算法，确定该子区域对应的人员数量。
作为一种可选的实施例，确定模块202将该子区域对应的所有传感数据根据传感位置规则进行分组，以得到该子区域对应的进出区域传感数据组、停留区域传感数据组和交集区域传感数据组的具体方式，包括：
将该子区域中的与其他子区域存在无需门禁通行通道的交集区域中的所有安防传感器获取的传感数据，归为交集区域传感数据组；
将该子区域中的设有进出门禁的进出区域中的所有安防传感器获取的传感数据，归为进出区域传感数据组；
对于该子区域中除交集区域传感数据组和进出区域传感数据组外的所有其他传感数据，计算每一其他传感数据的传感器位置与该子区域对应的人员聚集中心的位置距离；
将位置距离小于预设的距离阈值的所有其他传感数据，归为停留区域传感数据组。
作为一种可选的实施例，确定模块202根据该子区域对应的进出区域传感数据组、停留区域传感数据组和交集区域传感数据组，基于神经网络预测算法，确定该子区域对应的人员数量的具体方式，包括：
将该子区域对应的进出区域传感数据组输入至训练好的人数预测神经网络模型，以得到该子区域对应的第一人员预测值；人数预测神经网络通过包括有多个训练传感数据和对应的人员数量标注的训练数据集训练得到；
将该子区域对应的停留区域传感数据组输入至人数预测神经网络模型，以得到该子区域对应的第二人员预测值；
将该子区域对应的交集区域传感数据组输入至人数预测神经网络模型，以得到该子区域对应的第三人员预测值；
计算第一人员预测值、第二人员预测值和第三人员预测值的加权求和平均值，得到该子区域对应的人员数量；其中，第一人员预测值、第二人员预测值和第三人员预测值的权重依次降低，第一人员预测值的权重与进出区域传感数据组的数据量成反比，第二人员预测值的权重与停留区域传感数据组的数据量成正比，第三人员预测值的权重与交集区域的面积占该子区域的总面积的面积占比成反比。
作为一种可选的实施例，计算模块203根据每一子区域对应的人员数量，和预设的人员数量和设备类型和设备操作参数的对应关系，确定每一子区域对应的设备操作参考参数的具体方式，包括：
对于每一子区域，将该子区域对应的人员数量，分别输入至不同设备类型的不同设备操作参数对应的参数预测神经网络预测模型，以得到该子区域中的所有设备类型对应的多个预测设备操作参数；参数预测神经网络预测模型通过包括有对应设备类型的多个训练人员数量和对应的设备操作参数的标注的训练数据集训练得到；
将多个预测设备操作参数，确定为该子区域对应的设备操作参考参数；设备操作参数和预测设备操作参数均包括设备操作频率、设备操作类型和设备操作速度中的至少一种。
作为一种可选的实施例，显示模块204还用于执行以下步骤：
在任一子区域对应的操作差异度大于预设的差异度阈值时，提高该子区域的显示参数的显著度，并对该子区域进行报警；显著度包括颜色显著度、亮度显著度、大小显著度和位置显著度中的至少一种；
当出现多个子区域对应的操作差异度大于差异度阈值时，将多个子区域中存在符合连续区域规则的多个子区域时，将符合连续区域规则的多个子区域对应的显示参数的显著度调整至比其他子区域的更高，以及将符合连续区域规则的多个子区域对应的报警程度确定为比其他子区域的更高。
本发明实施例中的模块细节和技术效果可以参照实施例一中的表述，在此不再赘述。
实施例三
请参阅图3，图3是本发明实施例公开的另一种可视化安防数据处理系统的结构示意图。如图3所示，该系统可以包括：
存储有可执行程序代码的存储器301；
与存储器301耦合的处理器302；
处理器302调用存储器301中存储的可执行程序代码，执行本发明实施例一公开的可视化安防数据处理方法中的部分或全部步骤。
实施例四
本发明实施例公开了一种计算机存储介质，该计算机存储介质存储有计算机指令，该计算机指令被调用时，用于执行本发明实施例一公开的可视化安防数据处理方法中的部分或全部步骤。
以上所描述的系统实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种可视化安防数据处理方法及系统所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种可视化安防数据处理方法，其特征在于，所述方法包括：
获取目标安防区域内的多个安防传感器的传感数据和多个安防工作设备的用户操作数据；
根据所述传感数据，基于预测算法，确定所述目标安防区域的每一子区域对应的人员数量；
根据每一所述子区域对应的人员数量，和预设的人员数量和设备类型和设备操作参数的对应关系，确定每一所述子区域对应的设备操作参考参数，计算每一所述子区域的所述用户操作数据和所述设备操作参考参数之间的操作差异度；
将每一所述子区域对应的所述传感数据、所述用户操作数据、所述人员数量和所述操作差异度，显示在所述目标安防区域对应的区域安防显示界面。
2.根据权利要求1所述的可视化安防数据处理方法，其特征在于，所述传感数据包括图像传感数据、红外传感数据和声音传感数据；和/或，所述安防工作设备的设备类型为冷却泵设备、冷却塔设备、电脑设备、阀门设备或门禁设备。
3.根据权利要求2所述的可视化安防数据处理方法，其特征在于，所述根据所述传感数据，基于预测算法，确定所述目标安防区域的每一子区域对应的人员数量，包括：
确定所述目标安防区域的每一子区域中的所有所述安防传感器获取的所述传感数据；
对于每一所述子区域，将该子区域对应的所有所述传感数据根据传感位置规则进行分组，以得到该子区域对应的进出区域传感数据组、停留区域传感数据组和交集区域传感数据组；
根据该子区域对应的进出区域传感数据组、停留区域传感数据组和交集区域传感数据组，基于神经网络预测算法，确定该子区域对应的人员数量。
4.根据权利要求3所述的可视化安防数据处理方法，其特征在于，所述将该子区域对应的所有所述传感数据根据传感位置规则进行分组，以得到该子区域对应的进出区域传感数据组、停留区域传感数据组和交集区域传感数据组，包括：
将该子区域中的与其他子区域存在无需门禁通行通道的交集区域中的所有所述安防传感器获取的所述传感数据，归为交集区域传感数据组；
将该子区域中的设有进出门禁的进出区域中的所有所述安防传感器获取的所述传感数据，归为进出区域传感数据组；
对于该子区域中除所述交集区域传感数据组和所述进出区域传感数据组外的所有其他所述传感数据，计算每一其他所述传感数据的传感器位置与该子区域对应的人员聚集中心的位置距离；
将所述位置距离小于预设的距离阈值的所有其他所述传感数据，归为停留区域传感数据组。
5.根据权利要求4所述的可视化安防数据处理方法，其特征在于，所述根据该子区域对应的进出区域传感数据组、停留区域传感数据组和交集区域传感数据组，基于神经网络预测算法，确定该子区域对应的人员数量，包括：
将该子区域对应的进出区域传感数据组输入至训练好的人数预测神经网络模型，以得到该子区域对应的第一人员预测值；所述人数预测神经网络通过包括有多个训练传感数据和对应的人员数量标注的训练数据集训练得到；
将该子区域对应的停留区域传感数据组输入至所述人数预测神经网络模型，以得到该子区域对应的第二人员预测值；
将该子区域对应的交集区域传感数据组输入至所述人数预测神经网络模型，以得到该子区域对应的第三人员预测值；
计算所述第一人员预测值、所述第二人员预测值和所述第三人员预测值的加权求和平均值，得到该子区域对应的人员数量；其中，所述第一人员预测值、所述第二人员预测值和所述第三人员预测值的权重依次降低，所述第一人员预测值的权重与所述进出区域传感数据组的数据量成反比，所述第二人员预测值的权重与所述停留区域传感数据组的数据量成正比，所述第三人员预测值的权重与所述交集区域的面积占该子区域的总面积的面积占比成反比。
6.根据权利要求1所述的可视化安防数据处理方法，其特征在于，所述根据每一所述子区域对应的人员数量，和预设的人员数量和设备类型和设备操作参数的对应关系，确定每一所述子区域对应的设备操作参考参数，包括：
对于每一所述子区域，将该子区域对应的人员数量，分别输入至不同设备类型的不同设备操作参数对应的参数预测神经网络预测模型，以得到该子区域中的所有设备类型对应的多个预测设备操作参数；所述参数预测神经网络预测模型通过包括有对应设备类型的多个训练人员数量和对应的设备操作参数的标注的训练数据集训练得到；
将所述多个预测设备操作参数，确定为该子区域对应的设备操作参考参数；所述设备操作参数和所述预测设备操作参数均包括设备操作频率、设备操作类型和设备操作速度中的至少一种。
7.根据权利要求6所述的可视化安防数据处理方法，其特征在于，所述方法还包括：
在任一所述子区域对应的所述操作差异度大于预设的差异度阈值时，提高该子区域的显示参数的显著度，并对该子区域进行报警；所述显著度包括颜色显著度、亮度显著度、大小显著度和位置显著度中的至少一种；
当出现多个所述子区域对应的所述操作差异度大于所述差异度阈值时，将多个所述子区域中存在符合连续区域规则的多个子区域时，将所述符合连续区域规则的多个子区域对应的显示参数的显著度调整至比其他所述子区域的更高，以及将所述符合连续区域规则的多个子区域对应的报警程度确定为比其他所述子区域的更高。
8.一种可视化安防数据处理系统，其特征在于，所述系统包括：
获取模块，用于获取目标安防区域内的多个安防传感器的传感数据和多个安防工作设备的用户操作数据；
确定模块，用于根据所述传感数据，基于预测算法，确定所述目标安防区域的每一子区域对应的人员数量；
计算模块，用于根据每一所述子区域对应的人员数量，和预设的人员数量和设备类型和设备操作参数的对应关系，确定每一所述子区域对应的设备操作参考参数，计算每一所述子区域的所述用户操作数据和所述设备操作参考参数之间的操作差异度；
显示模块，用于将每一所述子区域对应的所述传感数据、所述用户操作数据、所述人员数量和所述操作差异度，显示在所述目标安防区域对应的区域安防显示界面。
9.一种可视化安防数据处理系统，其特征在于，所述系统包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的可视化安防数据处理方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-7任一项所述的可视化安防数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311506964.9A CN117407573B (zh) | 2023-11-13 | 2023-11-13 | 可视化安防数据处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311506964.9A CN117407573B (zh) | 2023-11-13 | 2023-11-13 | 可视化安防数据处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117407573A true CN117407573A (zh) | 2024-01-16 |
| CN117407573B CN117407573B (zh) | 2024-04-12 |
Family
ID=89494362
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311506964.9A Active CN117407573B (zh) | 2023-11-13 | 2023-11-13 | 可视化安防数据处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117407573B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170352148A1 (en) * | 2016-06-02 | 2017-12-07 | Komatsu Industries Corporation | Controller, forming machine, and control method |
| CN110047025A (zh) * | 2019-03-11 | 2019-07-23 | 特斯联（北京）科技有限公司 | 一种基于大数据的社区安防规划方法和系统 |
| US20210304035A1 (en) * | 2020-03-31 | 2021-09-30 | Panasonic Intellectual Property Management Co., Ltd. | Method and system to detect undefined anomalies in processes |
| CN115641014A (zh) * | 2022-08-29 | 2023-01-24 | 东土科技(宜昌)有限公司 | 基于定位的人员轨迹数据处理方法、装置以及电子设备 |
| CN116453284A (zh) * | 2023-06-15 | 2023-07-18 | 广州市声讯电子科技股份有限公司 | 基于驱散设备的安防报警装置及方法 |
| CN116823529A (zh) * | 2022-07-05 | 2023-09-29 | 湖北学优领航职业技能培训有限公司 | 一种基于行为大数据分析的安防智能管理系统 |
-
2023
- 2023-11-13 CN CN202311506964.9A patent/CN117407573B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170352148A1 (en) * | 2016-06-02 | 2017-12-07 | Komatsu Industries Corporation | Controller, forming machine, and control method |
| CN110047025A (zh) * | 2019-03-11 | 2019-07-23 | 特斯联（北京）科技有限公司 | 一种基于大数据的社区安防规划方法和系统 |
| US20210304035A1 (en) * | 2020-03-31 | 2021-09-30 | Panasonic Intellectual Property Management Co., Ltd. | Method and system to detect undefined anomalies in processes |
| CN116823529A (zh) * | 2022-07-05 | 2023-09-29 | 湖北学优领航职业技能培训有限公司 | 一种基于行为大数据分析的安防智能管理系统 |
| CN115641014A (zh) * | 2022-08-29 | 2023-01-24 | 东土科技(宜昌)有限公司 | 基于定位的人员轨迹数据处理方法、装置以及电子设备 |
| CN116453284A (zh) * | 2023-06-15 | 2023-07-18 | 广州市声讯电子科技股份有限公司 | 基于驱散设备的安防报警装置及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117407573B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200356767A1 (en) | Human body attribute recognition method, apparatus, and device and medium | |
| CN111392619B (zh) | 一种塔吊预警方法、装置、系统及存储介质 | |
| CN111931653B (zh) | 安全监测方法、装置、电子设备和可读存储介质 | |
| CN110929584A (zh) | 网络训练方法、监控方法、系统、存储介质和计算机设备 | |
| CN110494861A (zh) | 基于图像的异常检测方法和系统 | |
| CN110717358B (zh) | 访客人数统计方法、装置、电子设备及存储介质 | |
| CN111126153A (zh) | 基于深度学习的安全监测方法、系统、服务器及存储介质 | |
| CN108876822A (zh) | 一种行为危险度评估方法及家庭安防看护系统 | |
| CN110414400A (zh) | 一种施工现场安全帽穿戴自动检测方法及系统 | |
| CN115484263A (zh) | 一种基于边缘计算的跨区域智慧工厂实时安全监测系统 | |
| CN110766894A (zh) | 社区围墙翻越预警方法、系统、服务器及计算机存储介质 | |
| CN117006002B (zh) | 基于数字孪生的海上风力发电机监测方法及系统 | |
| CN116862244B (zh) | 一种工业现场视觉ai分析与安全预警系统和方法 | |
| CN106534224A (zh) | 智能网络攻击检测方法及装置 | |
| CN114842560B (zh) | 基于计算机视觉的建筑工地人员危险行为识别方法 | |
| CN117711131A (zh) | 基于姿态危险度分析的施工人员警示保护系统 | |
| WO2023104557A1 (en) | Machine-learning for safety rule violation determination | |
| CN117407573B (zh) | 可视化安防数据处理方法及系统 | |
| Chen et al. | Development of fuzzy logic-based statistical process control chart pattern recognition system | |
| CN113314230A (zh) | 基于大数据的智能防疫方法、装置、设备及存储介质 | |
| CN116894653A (zh) | 一种基于多预测模型联动的人事管理数据处理方法及系统 | |
| CN115346170A (zh) | 一种燃气设施区域的智能监控方法及装置 | |
| CN116245492A (zh) | 一种用于跟踪工程进度的数据处理方法及装置 | |
| CN111985717B (zh) | 安全预警方法、装置、安全预警设备及存储介质 | |
| CN109620194A (zh) | 心率检测处理方法、装置、介质及电子设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |