CN117409557B - 基于动态分析的检测高温报警方法 - Google Patents
基于动态分析的检测高温报警方法 Download PDFInfo
- Publication number
- CN117409557B CN117409557B CN202311714860.7A CN202311714860A CN117409557B CN 117409557 B CN117409557 B CN 117409557B CN 202311714860 A CN202311714860 A CN 202311714860A CN 117409557 B CN117409557 B CN 117409557B
- Authority
- CN
- China
- Prior art keywords
- preset point
- sliding window
- current
- highest temperature
- detection area
- 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 42
- 238000004458 analytical method Methods 0.000 title claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 63
- 238000009499 grossing Methods 0.000 claims abstract description 24
- 230000002787 reinforcement Effects 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 33
- 230000009471 action Effects 0.000 claims description 32
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 230000002829 reductive effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 15
- 238000012544 monitoring process Methods 0.000 description 12
- 238000009826 distribution Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/02—Constructional details
- G01J5/03—Arrangements for indicating or recording specially adapted for radiation pyrometers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/48—Thermography; Techniques using wholly visual means
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
- G08B29/188—Data fusion; cooperative systems, e.g. voting among different detectors
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/20—Cameras or camera modules comprising electronic image sensors; Control thereof for generating image signals from infrared radiation only
- H04N23/23—Cameras or camera modules comprising electronic image sensors; Control thereof for generating image signals from infrared radiation only from thermal infrared radiation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Signal Processing (AREA)
- Alarm Systems (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于动态分析的检测高温报警方法,方法包括以下步骤:遍历多个预置点组,预置点组包括第一预置点以及对应第一预置点的一个或多个第二预置点,第一预置点包括摄像头的转动参数,第二预置点包括对应摄像头检测画面的框选参数;根据当前预置点组的第二预置点生成图像掩码,并根据图像掩码以及当前帧检测画面计算得到检测区域的最高温度;获取每一时刻的检测区域的最高温度,并通过加权得到平滑处理后的每一时刻的检测区域的最高温度;利用强化学习动态选择滑动窗口;根据当前滑动窗口以及平滑处理后的每一时刻的检测区域的最高温度计算异常分数,并根据异常分数判断是否进行高温报警。
Description
技术领域
本发明涉及检测报警领域,特别是涉及一种基于动态分析的检测高温报警方法。
背景技术
在石化工厂生产过程中,温度的控制和异常监测至关重要,用以防止因温度偏离正常范围导致生产环境产生负面影响。当温度异常时可能会导致生产过程中的化学反应失控,对人员、设备和环境造成潜在危害。其中设备由于高温的影响可能会损坏,造成生产效率下降和能源浪费,甚至可能导致安全事故。例如,过高的温度可能导致材料老化、腐蚀加速,引发火灾和爆炸。
因此,定期监测和调整生产过程中的温度,确保所有设备在适宜的温度范围内运行,是控制生产环境的关键。而及时维修和更换因温度异常受损的部件,可以避免潜在的安全风险和生产中断。在石化工厂中有效控制温度,不仅是确保生产过程稳定性、安全性和高效性的重要措施,也是化工生产过程中必须重视的重要方面,其有助于保障产品质量、提高生产效率并降低安全风险。
而现有技术中主要依靠摄像头采集温度数据后进行分析,并在数据超出预设阈值时触发报警。然而,这种静态阈值方法在应对季节性温度波动,特别是冬夏温差显著的情况时,可能不够灵活,容易导致告警算法失效和频繁的误报。
发明内容
基于此,有必要针对上述技术问题,提供一种基于动态分析的检测高温报警方法,该方法能够自动适应不同季节的温度变化,动态调整报警阈值。这不仅提高了告警系统的准确性,减少了误报,还增强了系统对环境变化的适应能力,提升了整体的监测效率。
本发明提供了一种基于动态分析的检测高温报警方法,所述方法包括:
遍历多个预置点组,所述预置点组包括第一预置点以及对应所述第一预置点的一个或多个第二预置点,所述第一预置点包括摄像头的转动参数,所述第二预置点包括对应摄像头检测画面的框选参数;
根据当前预置点组的第二预置点生成图像掩码,并根据所述图像掩码以及当前帧检测画面计算得到检测区域的最高温度;
获取每一时刻的检测区域的最高温度,并通过加权得到平滑处理后的每一时刻的检测区域的最高温度;
利用强化学习动态选择滑动窗口;
根据当前滑动窗口以及平滑处理后的每一时刻的检测区域的最高温度计算异常分数,并根据所述异常分数判断是否进行高温报警。
在其中一个实施例中,所述根据当前预置点组的第二预置点生成图像掩码,并根据所述图像掩码以及当前帧检测画面计算得到检测区域的最高温度,包括:
判断检测画面中像素点的坐标是否属于所述第二预置点所包含的区域,将属于所述第二预置点所包含的区域像素值设置为1,将不属于所述第二预置点所包含的区域像素值设置为0;
将图像掩码与当前帧检测画面做哈达玛积,从而计算得到检测区域的最高温度。
在其中一个实施例中,所述平滑处理后的每一时刻的检测区域的最高温度的计算公式为:
其中,arr表示平滑处理后的每一时刻的检测区域的最高温度,β表示衰减因子,ct max 表示第i时刻的检测区域的最高温度,arr[i]表示平滑处理后的第i时刻的检测区域的最高温度。
在其中一个实施例中,所述利用强化学习动态选择滑动窗口,包括:
利用价值函数评估某个状态下某策略的预期回报;
利用Q函数评估在给定状态下采取动作的预期回报。
在其中一个实施例中,所述利用强化学习动态选择滑动窗口,还包括:
初始化滑动窗口,并进入观察状态;
根据当前策略选择一个动作从而得到新的滑动窗口;
根据新的滑动窗口计算奖励函数;
更新Q函数;
回到观察状态,并使用新的滑动窗口作为初始化后的滑动窗口。
在其中一个实施例中,所述利用价值函数评估某个状态下某策略的预期回报,包括:
所述利用Q函数评估在给定状态下采取动作的预期回报,包括:
其中,E表示环境,S表示状态,R表示奖励,π表示策略,V表示价值函数,Q表示Q函数,γ表示折扣因子,a表示当前时刻的动作,a'表示Qπ取最大值时的下一时刻的动作,t+1表示下一时刻。
在其中一个实施例中,所述根据当前策略选择一个动作从而得到新的滑动窗口,包括:
利用智能体根据当前状态决定采取哪个动作的规则选择一个动作;
若动作是增加,则l t+1=l t+Δl;
若动作是减少,则l t+1=l t-Δl;
若动作保持不变,则l t+1=l t;
其中,l t+1表示新的滑动窗口,l t表示初始化的滑动窗口,Δl表示初始化的滑动窗口和新的滑动窗口的差值。
在其中一个实施例中,所述更新Q函数,包括:
其中,α是学习率,γ是折扣因子,s t和a t分别是当前状态和可能的动作,s t+1和a t+1分别是下个状态和可能的动作,/>表示下个奖励。
在其中一个实施例中,所述根据当前滑动窗口以及平滑处理后的每一时刻的检测区域的最高温度计算异常分数,包括:
其中,AS表示异常值分数,arr表示平滑处理后的每一时刻的检测区域的最高温度,μ l 表示arr里最近l-1个数据的平均值,σ l 表示arr最近l-1个数据里的标准差。
在其中一个实施例中,所述根据所述异常分数判断是否进行高温报警,包括:
设置异常分数的判断阈值;
判断异常分数是否大于设定阈值,并在异常分数大于设定阈值时向服务器发出高温报警。
上述基于动态分析的检测高温报警方法,在工厂关键位置部署可调节预置点位的红外摄像头,这些摄像头可以根据预定的程序或者手动控制,围绕关键生产区域转动,从多个角度捕捉温度信息。这样的设置不仅增加了监控区域,还提高了监测系统的灵活性和覆盖面。这些红外摄像头实时捕获的温度图像数据随后被输入到统计分析系统中,通过分析这些从不同角度和不同时间点收集的温度数据,系统可以有效地进行时间序列分析、异常模式检测等。这种方法使得温度监测不仅限于单个静态点,而是能够全面覆盖整个生产区域,及时发现和预测潜在的风险和异常原因。当系统侦测到异常温度趋势或热点时,监测软件会立即发出告警,确保现场操作人员能够迅速响应。这种结合可调节预置点位的红外摄像头和统计分析的方法,极大地提高了石化工厂对温度异常的监控能力,从而确保了更高的生产安全和环境稳定性。通过强化学习动态选择滑动窗口,该方法能够自动适应不同季节的温度变化,动态调整报警阈值。这不仅提高了告警系统的准确性,减少了误报,还增强了系统对环境变化的适应能力,提升了整体的监测效率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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为本发明提供的基于动态分析的检测高温报警方法流程图之一;
图2为本发明提供的基于动态分析的检测高温报警方法流程图之二;
图3为本发明提供的基于动态分析的检测高温报警方法流程图之三;
图4为本发明提供的基于动态分析的检测高温报警方法流程图之四。
实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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、完整地说明,显然,所描述的实施例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做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。
如图1所示,在一个实施例中,一种基于动态分析的检测高温报警方法,包括以下步骤:
步骤S110,遍历多个预置点组,预置点组包括第一预置点以及对应第一预置点的一个或多个第二预置点,第一预置点包括摄像头的转动参数,第二预置点包括对应摄像头检测画面的框选参数。
具体的,第一预置点包括(p,t,z),其中,p为摄像头的俯仰角,t为摄像头的偏航角,z为摄像头的缩放级别。第二预置点,其中,x、y、w和h分别表示预置框(即检测画面的框选参数)在图像中的位置和大小。假设有N组第一预置点,每组第一预置点对应包含有若干个第二预置点。则第i组第二预置点可以表示为:
,
同一组的所有第二预置点共享一组摄像头转动位置。对应的第一预置点和所有的第二预置点组可以表示为一个集合的集合:
。
步骤S120,根据当前预置点组的第二预置点生成图像掩码,并根据图像掩码以及当前帧检测画面计算得到检测区域的最高温度。
在生成图像掩码前,摄像头会以预置点组为点位进行循环转动,每分钟转动一次到下一个组,当摄像头转动到Group i的预置位(p i, t i, z i)时,根据当前组的PresentPoint生成图像的掩码M,通过图像掩码的遮罩,可以明确得到检测画面的框选区域。
步骤S130,获取每一时刻的检测区域的最高温度,并通过加权得到平滑处理后的每一时刻的检测区域的最高温度。
因为获取的最高温度为某一时刻的温度,相邻两个时刻之间存在时间上的间隔,因此为了准确获取温度变化,需要进行平滑处理,通过相邻时间段的最高温度计算得到中间段的最高温度。
步骤S140,利用强化学习动态选择滑动窗口。
步骤S150,根据当前滑动窗口以及平滑处理后的每一时刻的检测区域的最高温度计算异常分数,并根据异常分数判断是否进行高温报警。
上述基于动态分析的检测高温报警方法,在工厂关键位置部署可调节预置点位的红外摄像头,这些摄像头可以根据预定的程序或者手动控制,围绕关键生产区域转动,从多个角度捕捉温度信息。这样的设置不仅增加了监控区域,还提高了监测系统的灵活性和覆盖面。这些红外摄像头实时捕获的温度图像数据随后被输入到统计分析系统中,通过分析这些从不同角度和不同时间点收集的温度数据,系统可以有效地进行时间序列分析、异常模式检测等。这种方法使得温度监测不仅限于单个静态点,而是能够全面覆盖整个生产区域,及时发现和预测潜在的风险和异常原因。当系统侦测到异常温度趋势或热点时,监测软件会立即发出告警,确保现场操作人员能够迅速响应。这种结合可调节预置点位的红外摄像头和统计分析的方法,极大地提高了石化工厂对温度异常的监控能力,从而确保了更高的生产安全和环境稳定性。通过强化学习动态选择滑动窗口,该方法能够自动适应不同季节的温度变化,动态调整报警阈值。这不仅提高了告警系统的准确性,减少了误报,还增强了系统对环境变化的适应能力,提升了整体的监测效率。
如图2所示,在一个实施例中,根据当前预置点组的第二预置点生成图像掩码,并根据图像掩码以及当前帧检测画面计算得到检测区域的最高温度,包括以下步骤:
步骤S121,判断检测画面中像素点的坐标是否属于第二预置点所包含的区域,将属于第二预置点所包含的区域像素值设置为1,将不属于第二预置点所包含的区域像素值设置为0。
具体公式为:其中,(x, y)是图像中像素点的坐标,R是第二预置点所包含的区域,通常由矩形区域各个AllPresetGroup所属的(x,y,w,h)组合的总区域。
步骤S122,将图像掩码与当前帧检测画面做哈达玛积,从而计算得到检测区域的最高温度。
当摄像头转到当前组时,让所得的掩码M矩阵与当前第二预置点的检测画面的当前帧图像I矩阵做哈达玛积,得到检测区域Roi。然后通过红外摄像头SDK得到Roi里面的最高温度。
在一个实施例中,平滑处理后的每一时刻的检测区域的最高温度的计算公式为:
其中,arr表示平滑处理后的每一时刻的检测区域的最高温度,β表示衰减因子,可以根据具体应用场景和数据特性来调整,以达到最佳的平滑效果,ct max表示第i时刻的检测区域的最高温度,arr[i]表示平滑处理后的第i时刻的检测区域的最高温度。
具体的,获取每一时刻Roi里面的最高温度,第i时刻得到当前Roi里最高温度ct max,并且加权获得到数据平滑之后的arr[i]。
如图3所示,在一个实施例中,利用强化学习动态选择滑动窗口,包括以下步骤:
步骤S141,利用价值函数评估某个状态下某策略的预期回报。
步骤S142,利用Q函数评估在给定状态下采取动作的预期回报。
其中,E表示环境,S表示状态,R表示奖励,π表示策略,V表示价值函数,Q表示Q函数,γ是折扣因子,a表示当前时刻的动作,a'表示Qπ取最大值时的下一时刻的动作,t+1表示下一时刻。
具体的,在用强化学习来动态调整用于计算均值和方差的时间窗口,定义以下概念:
环境 (E):这里的环境是温度时间序列数据,包含了一系列过去的观测值。
状态 (S):状态可以包含多个因素,比如当前观测值,当前的时间窗口大小,最近的统计量(如均值、方差)。
动作 (A):动作是指增加、减少或保持当前时间窗口的大小。
奖励 (R):奖励通常与预测的准确性有关。例如,如果调整后的窗口大小导致更准确的高温异常估计估计,那么奖励就会较高。
策略 (π):策略是智能体根据当前状态决定采取哪个动作的规则。这是通过不断学习和适应环境来改进的。
价值函数 (V):价值函数评估在某个状态下采取某策略的预期回报。价值函数帮助智能体评估在长期内哪些状态是更有利的。
Q函数 (Q):Q函数评估在给定状态下采取动作的预期回报,这对于动作的选择至关重要。
步骤S143,初始化滑动窗口,并进入观察状态s t。
步骤S144,根据当前策略选择一个动作从而得到新的滑动窗口。
利用智能体根据当前状态决定采取哪个动作的规则选择一个动作,如选择一个动作a t,然后根据选择动作调整窗口大小:
若动作是增加,则l t+1=l t+Δl;
若动作是减少,则l t+1=l t-Δl;
若动作保持不变,则l t+1=l t;
其中,l t+1表示新的滑动窗口,l t表示初始化的滑动窗口,Δl表示初始化的滑动窗口和新的滑动窗口的差值。
上述强化学习算法可以基于当前和过去的波动性信息自适应地调整时间窗口,使得窗口大小能够反映最新的数据特性。通过强化学习动态调整参考过去的时间窗口,使模型能更敏锐的捕捉到数据的分布变化。并且随着数据逐渐增多,强化学习会具有更强的适应性。
步骤S145,根据新的滑动窗口计算奖励函数。
根据新的窗口大小计算奖励函数R(st, at),使用Q学习更新规则更新Q(s t, a t)。根据新的Q值更新策略π。重复回到观察步骤,使用新的l t+1窗口大小作为下一步时间步的状态的一部分。
步骤S146,更新Q函数。
学习和更新规则 对于Q学习:
其中,α是学习率,γ是折扣因子,s t和a t 分别是当前状态和可能的动作,s t+1和a t+1分别是下个状态和可能的动作,/>表示下个奖励。
步骤S147,回到观察状态,并使用新的滑动窗口作为初始化后的滑动窗口。
随着时间推移和更多数据的累积,强化学习模型可以不断地自我评估和调整,以改善其性能。
在一个实施例中,根据当前滑动窗口以及平滑处理后的每一时刻的检测区域的最高温度计算异常分数,包括:
首先根据第i帧时,强化学习得到当前的滑动窗口l,结合平滑过后的arr[i]得到:
其中,AS表示异常值分数,arr表示平滑处理后的每一时刻的检测区域的最高温度,μ l 表示arr里最近l-1个数据的平均值,σ l 表示arr最近l-1个数据里的标准差。
如图4所示,在一个实施例中,根据异常分数判断是否进行高温报警,包括以下步骤:
步骤S151,设置异常分数的判断阈值。
步骤S152,判断异常分数是否大于设定阈值,并在异常分数大于设定阈值时向服务器发出高温报警。
具体的,设置阈值,当异常分数大于某一阈值时,向服务器发送告警。根据中心极限定理,如果数据点足够多,而且是从同一分布独立抽取的(独立同分布),即使原始数据本身不是正态分布的,样本均值的分布会趋向于正态分布。我们设置这一动态阈值为5σ recent,当所得的AS分数大于5σ recent时,表示样本落在大约99.99994%的数据之外,再加上强化学习动态阈值调整,可以使告警更加准确,以及算法具有鲁棒性。
上述方法是由学习到的策略驱动的,而不是遵循预设的规则,这使得模型可以更灵活地适应新的数据模式和结构。根据动态时间窗口,以及高斯分布特性,决定的动态阈值,极大的减少误报漏报。
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发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (2)
1.一种基于动态分析的检测高温报警方法,其特征在于,所述方法包括:
遍历多个预置点组,所述预置点组包括第一预置点以及对应所述第一预置点的一个或多个第二预置点,所述第一预置点包括摄像头的转动参数,所述第二预置点包括对应摄像头检测画面的框选参数;
根据当前预置点组的第二预置点生成图像掩码,并根据所述图像掩码以及当前帧检测画面计算得到检测区域的最高温度;
获取每一时刻的检测区域的最高温度,并通过加权得到平滑处理后的每一时刻的检测区域的最高温度;
利用强化学习动态选择滑动窗口;
根据当前滑动窗口以及平滑处理后的每一时刻的检测区域的最高温度计算异常分数,并根据所述异常分数判断是否进行高温报警;
所述根据当前预置点组的第二预置点生成图像掩码,并根据所述图像掩码以及当前帧检测画面计算得到检测区域的最高温度,包括:
判断检测画面中像素点的坐标是否属于所述第二预置点所包含的区域,将属于所述第二预置点所包含的区域像素值设置为1,将不属于所述第二预置点所包含的区域像素值设置为0;
将图像掩码与当前帧检测画面做哈达玛积,从而计算得到检测区域的最高温度;
所述平滑处理后的每一时刻的检测区域的最高温度的计算公式为:
其中,arr表示平滑处理后的每一时刻的检测区域的最高温度,β表示衰减因子,ct max表示第i时刻的检测区域的最高温度,arr[i]表示平滑处理后的第i时刻的检测区域的最高温度;
所述利用强化学习动态选择滑动窗口,包括:
利用价值函数评估某个状态下某策略的预期回报;
利用Q函数评估在给定状态下采取动作的预期回报;
初始化滑动窗口,并进入观察状态;
根据当前策略选择一个动作从而得到新的滑动窗口;
根据新的滑动窗口计算奖励函数;
更新Q函数;
回到观察状态,并使用新的滑动窗口作为初始化后的滑动窗口;
所述利用价值函数评估某个状态下某策略的预期回报,包括:
所述利用Q函数评估在给定状态下采取动作的预期回报,包括:
其中,E表示环境,S表示状态,R表示奖励,π表示策略,V表示价值函数,Q表示Q函数,γ表示折扣因子,a表示当前时刻的动作,a'表示Qπ取最大值时的下一时刻的动作,t+1表示下一时刻;
所述根据当前策略选择一个动作从而得到新的滑动窗口,包括:
利用智能体根据当前状态决定采取哪个动作的规则选择一个动作;
若动作是增加,则l t+1=l t+Δl;
若动作是减少,则l t+1=l t-Δl;
若动作保持不变,则l t+1=l t;
其中,l t+1表示新的滑动窗口,l t表示初始化的滑动窗口,Δl表示初始化的滑动窗口和新的滑动窗口的差值;
所述更新Q函数,包括:
其中,α是学习率,γ是折扣因子,s t和a t分别是当前状态和可能的动作,s t+1和a t+1分别是下个状态和可能的动作,表示下个奖励;
所述根据当前滑动窗口以及平滑处理后的每一时刻的检测区域的最高温度计算异常分数,包括:
其中,AS表示异常值分数,arr表示平滑处理后的每一时刻的检测区域的最高温度,μ l 表示arr里最近l-1个数据的平均值,σ l 表示arr最近l-1个数据里的标准差。
2.根据权利要求1所述的基于动态分析的检测高温报警方法,其特征在于,所述根据所述异常分数判断是否进行高温报警,包括:
设置异常分数的判断阈值;
判断异常分数是否大于设定阈值,并在异常分数大于设定阈值时向服务器发出高温报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311714860.7A CN117409557B (zh) | 2023-12-14 | 2023-12-14 | 基于动态分析的检测高温报警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311714860.7A CN117409557B (zh) | 2023-12-14 | 2023-12-14 | 基于动态分析的检测高温报警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117409557A CN117409557A (zh) | 2024-01-16 |
CN117409557B true CN117409557B (zh) | 2024-02-20 |
Family
ID=89500290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311714860.7A Active CN117409557B (zh) | 2023-12-14 | 2023-12-14 | 基于动态分析的检测高温报警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117409557B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1524517A1 (en) * | 2002-07-22 | 2005-04-20 | Honda Giken Kogyo Kabushiki Kaisha | Temperature controller for exhaust gas sensor, its temperature control method, and medium on which program for temperature control of exhaust gas sensor is recorded |
JP2009141595A (ja) * | 2007-12-05 | 2009-06-25 | Seiko Epson Corp | 画像読取装置及びその制御方法 |
JP2017020855A (ja) * | 2015-07-09 | 2017-01-26 | 川崎重工業株式会社 | 二次電池の充電状態推定方法 |
CN108549928A (zh) * | 2018-03-19 | 2018-09-18 | 清华大学 | 深度强化学习指导下基于连续移动的视觉跟踪方法及装置 |
CN109193075A (zh) * | 2018-09-28 | 2019-01-11 | 合肥工业大学 | 基于强化学习的纯电动汽车动力电池冷却系统控制方法 |
CN109784216A (zh) * | 2018-12-28 | 2019-05-21 | 华南理工大学 | 基于概率图的车载热成像行人检测RoIs提取方法 |
CN111292312A (zh) * | 2020-02-26 | 2020-06-16 | 中南大学 | 烧结热状态横向异质性在线定量测量方法 |
CN111444516A (zh) * | 2020-03-23 | 2020-07-24 | 华南理工大学 | 一种基于敏感度的深度强化学习智能体攻击方法 |
CN111782871A (zh) * | 2020-06-18 | 2020-10-16 | 湖南大学 | 基于时空强化学习的跨模态视频时刻定位方法 |
CN112862090A (zh) * | 2021-01-22 | 2021-05-28 | 南开大学 | 一种基于深度时空神经网络的气温预报方法 |
CN113688869A (zh) * | 2021-07-21 | 2021-11-23 | 广东工业大学 | 一种基于生成对抗网络的光伏数据缺失重构方法 |
WO2022011603A1 (en) * | 2020-07-15 | 2022-01-20 | Baidu.Com Times Technology (Beijing) Co., Ltd. | Video recommendation with multi-gate mixture of experts soft actor critic |
CN116597339A (zh) * | 2023-04-11 | 2023-08-15 | 华南理工大学 | 基于掩码引导半密集对比学习的视频目标分割方法 |
CN116844052A (zh) * | 2023-07-14 | 2023-10-03 | 中国人民解放军国防科技大学 | 面向遥感图像的可部署补丁对抗攻击方法、装置和设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8628236B2 (en) * | 2010-05-02 | 2014-01-14 | Mentor Graphics Corporation | Thermal analysis |
-
2023
- 2023-12-14 CN CN202311714860.7A patent/CN117409557B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1524517A1 (en) * | 2002-07-22 | 2005-04-20 | Honda Giken Kogyo Kabushiki Kaisha | Temperature controller for exhaust gas sensor, its temperature control method, and medium on which program for temperature control of exhaust gas sensor is recorded |
JP2009141595A (ja) * | 2007-12-05 | 2009-06-25 | Seiko Epson Corp | 画像読取装置及びその制御方法 |
JP2017020855A (ja) * | 2015-07-09 | 2017-01-26 | 川崎重工業株式会社 | 二次電池の充電状態推定方法 |
CN108549928A (zh) * | 2018-03-19 | 2018-09-18 | 清华大学 | 深度强化学习指导下基于连续移动的视觉跟踪方法及装置 |
CN109193075A (zh) * | 2018-09-28 | 2019-01-11 | 合肥工业大学 | 基于强化学习的纯电动汽车动力电池冷却系统控制方法 |
CN109784216A (zh) * | 2018-12-28 | 2019-05-21 | 华南理工大学 | 基于概率图的车载热成像行人检测RoIs提取方法 |
CN111292312A (zh) * | 2020-02-26 | 2020-06-16 | 中南大学 | 烧结热状态横向异质性在线定量测量方法 |
CN111444516A (zh) * | 2020-03-23 | 2020-07-24 | 华南理工大学 | 一种基于敏感度的深度强化学习智能体攻击方法 |
CN111782871A (zh) * | 2020-06-18 | 2020-10-16 | 湖南大学 | 基于时空强化学习的跨模态视频时刻定位方法 |
WO2022011603A1 (en) * | 2020-07-15 | 2022-01-20 | Baidu.Com Times Technology (Beijing) Co., Ltd. | Video recommendation with multi-gate mixture of experts soft actor critic |
CN112862090A (zh) * | 2021-01-22 | 2021-05-28 | 南开大学 | 一种基于深度时空神经网络的气温预报方法 |
CN113688869A (zh) * | 2021-07-21 | 2021-11-23 | 广东工业大学 | 一种基于生成对抗网络的光伏数据缺失重构方法 |
CN116597339A (zh) * | 2023-04-11 | 2023-08-15 | 华南理工大学 | 基于掩码引导半密集对比学习的视频目标分割方法 |
CN116844052A (zh) * | 2023-07-14 | 2023-10-03 | 中国人民解放军国防科技大学 | 面向遥感图像的可部署补丁对抗攻击方法、装置和设备 |
Non-Patent Citations (3)
Title |
---|
《基于深度学习的变电设备红外诊断技术研究》;陈同凡;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20220315;全文 * |
《非平表面的红外热像测温修正方法研究》;付万超;《红外技术》;20210228;第43卷(第2期);179-185 * |
Martini, JWR.《On Hadamard and Kronecker products in covariance structures for genotype x environment interaction》.《PLANT GENOME》.第13卷(第3期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117409557A (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220035361A1 (en) | Systems and Methods for Artificial Intelligence-Based Maintenance of An Air Conditioning System | |
CN109298697B (zh) | 基于动态基线模型的火电厂系统各部件工作状态评估方法 | |
Zhu et al. | A dynamic alarm management strategy for chemical process transitions | |
GB2567850A (en) | Determining operating state from complex sensor data | |
CN112584135A (zh) | 监控设备故障识别方法、装置、设备及存储介质 | |
CN116777713B (zh) | 基于数据分析的智慧园区安全管理方法和系统 | |
CN111811108B (zh) | 换热器脏堵检测方法及装置 | |
KR102356346B1 (ko) | 센서기반 미세먼지 정보 처리 고도화를 위한, 보간 및 이상데이터 탐지 및 수정 시스템 | |
CN114816901A (zh) | 通过ai的方式对软件变更后的健康状态进行评估的方法 | |
Sharma et al. | Modeling system behavior for risk and reliability analysis using KBARM | |
CN117409557B (zh) | 基于动态分析的检测高温报警方法 | |
Compare et al. | Interacting multiple-models, state augmented particle filtering for fault diagnostics | |
US20220345475A1 (en) | Decision Support for Anomaly Detection via Impact Analysis for Security and Safety | |
CN113673600B (zh) | 一种工业信号异常预警方法、系统、存储介质及计算设备 | |
JP6540532B2 (ja) | 監視装置及び監視装置の制御方法 | |
CN116899947A (zh) | 一种光伏组件清洗方法及系统 | |
Reder et al. | A Bayesian approach for predicting wind turbine failures based on meteorological conditions | |
CN109072721B (zh) | 适用于电力生产工厂回路的供水泵送管理 | |
CN105187821A (zh) | 一种视频质量智能诊断分析系统 | |
TW202235378A (zh) | 推定裝置、預測裝置、控制裝置、推定系統、預測系統、控制系統、推定程式、預測程式、控制程式、推定方法、預測方法以及控制方法 | |
US6618691B1 (en) | Evaluation of alarm settings | |
Kouadri et al. | Improvement of an adaptive threshold technique for fault detection in a cement rotary kiln | |
JPH1042274A (ja) | 異常監視方法および装置 | |
CN115588265B (zh) | 一种风电场的智能监视系统 | |
Salsbury et al. | A method for setpoint alarming using a normalized index |
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 |