CN110929565A - 基于机器学习的风险监控方法、装置、存储介质及电子设备 - Google Patents

Abstract

本申请是关于一种基于机器学习的风险监控方法、装置、存储介质及电子设备，属于建筑监控技术领域，该方法包括：获取所述建筑的倾斜监控图像，并定期获取所述建筑的裂缝监控图像；根据倾斜监控图像获取定期倾斜度，并根据裂缝监控图像获取定期裂缝要素数据；根据每个定期倾斜度与每个定期倾斜度关联的定期裂缝要素数据，生成多个输入数据流；根据所有定期倾斜度与所有定期裂缝要素数据，生成基数据流；获取多个输入数据流中的预定数目个输入数据流组成攻击流，输入机器学习模型，得到所述建筑的风险值。本申请基于建筑监控图像的建筑倾斜度和裂缝数据生成的被攻击流，通过机器学习模型高效、准确的监控到建筑的风险值。

Description

基于机器学习的风险监控方法、装置、存储介质及电子设备

技术领域

本申请涉及建筑监控技术领域，具体而言，涉及一种基于机器学习的风险监控方法、装置、存储介质及电子设备。

背景技术

建筑结构开裂、变形是国内外普遍存在的技术问题，建筑结构倾斜变形会导致楼房失稳倒塌，特别是整体性差或已经受损的房屋，一旦达到变形极限则会顷刻间造成极大的损失。

目前，对建筑的监控多采用人工的方法或者传感器的布置进行检测，人工进行检测和观测，周期长，误差大，且不能实现采集动态数据进行分析，导致房屋安全难以得到有效保障。采用倾角传感器等方法进行建筑的监控时，存在传感器的布置困难问题，对例如裂纹建筑变形检测不到位。现有技术中，存在建筑的安全监控准确率不高，同时耗费较多的人力资源的问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本申请的目的在于提供一种建筑的实时监控方案，进而至少在一定程度上基于根据建筑监控图像的建筑倾斜度和裂缝数据生成的被攻击流，通过机器学习模型高效、准确的监控到建筑的风险值。

根据本申请的一个方面，提供一种基于机器学习的风险监控方法，包括：

通过预设在建筑的多个倾斜监控位置的倾斜图像采集设备定期获取所述建筑的倾斜监控图像，并通过预设在所述建筑的多个裂缝监控位置的裂缝图像采集设备定期获取所述建筑的裂缝监控图像；

根据所述倾斜监控图像获取所述多个倾斜监控位置的定期倾斜度，并根据所述裂缝监控图像获取所述多个裂缝监控位置的定期裂缝要素数据；

根据每个所述定期倾斜度与每个所述定期倾斜度来源的倾斜监控位置关联的裂缝监控位置的定期裂缝要素数据，生成多个输入数据流；

根据所有所述定期倾斜度与所有所述定期裂缝要素数据，生成基数据流；

获取所述多个输入数据流中的预定数目个输入数据流组成攻击流，并将所述攻击流与所述基数据流进行合并后得到的被攻击数据流，输入预先训练好的机器学习模型，得到所述建筑的风险值。

在本申请的一种示例性实施例中，所述机器学习模型的训练方法是：

获取被攻击数据流样本集合，其中每个样本事先标定对应的建筑的风险值；

将每个所述样本的数据分别输入机器学习模型，得到所述机器学习模型输出的建筑的风险值；

如果存在有所述样本的数据输入机器学习模型后，得到的建筑的风险值与对所述样本事先标定的建筑的风险值不一致，则调整所述机器学习模型的系数，直到一致；

当所有所述样本的数据输入机器学习模型后，得到的建筑的风险值与对所述数据样本事先标定的建筑的风险值一致，训练结束。

在本申请的一种示例性实施例中，在所述根据所有所述定期倾斜度与所有所述定期裂缝要素数据，生成基数据流之后，所述方法还包括：

获取预定时间段的多个所述基数据流；

将多个所述基数据流一起输入预先训练好的第二机器学习模型，得到所述建筑的寿命预测值。

在本申请的一种示例性实施例中，在所述根据所述倾斜监控图像获取所述多个倾斜监控位置的定期倾斜度，并根据所述裂缝监控图像获取所述多个裂缝监控位置的定期裂缝要素数据之后，所述方法还包括：

当监控到所述多个倾斜监控位置的定期倾斜度中目标倾斜监控位置的定期倾斜度超过预定阈值时，获取与所述目标倾斜监控位置关联的目标裂缝监控位置的定期裂缝要素数据；

基于预设的建筑信息登记表，计算得到所述目标倾斜监控位置在所述建筑上的第一倾斜风险值，及所述目标裂缝监控位置在所述建筑上的第二倾斜风险值；

根据所述目标倾斜监控位置的定期倾斜度、所述目标裂缝监控位置的定期裂缝要素数据、所述第一倾斜风险值及所述第二倾斜风险值，获取所述建筑的风险值。

在本申请的一种示例性实施例中，所述根据所述目标倾斜监控位置的定期倾斜度、所述目标裂缝监控位置的定期裂缝要素数据、所述第一倾斜风险值及所述第二倾斜风险值，获取所述建筑的风险值，包括：

根据公式W＝(X*S+Y*T)^o+p，获取所述建筑的风险值，其中，W为建筑的风险值，X为定期倾斜度对应的权重，S为定期倾斜度，T定期裂缝要素数据中一种属性的数据，Y为定期裂缝要素数据中一种属性的数据对应的权重，O为第一倾斜风险值，P为第二倾斜风险值。

在本申请的一种示例性实施例中，所述基于预设的建筑信息登记表，计算得到所述目标倾斜监控位置在所述建筑上的第一倾斜风险值，及所述目标裂缝监控位置在所述建筑上的第二倾斜风险值，包括：

通过定位所述建筑的地点，获取所述建筑所在地的天气数据；

从预设的建筑信息登记表中，获取所述目标倾斜监控位置的第一倾斜风险数据；

通过所述天气数据及所述第一倾斜风险数据，获取所述第一倾斜风险值；

从预设的建筑信息登记表中，获取所述目标裂缝监控位置的第二倾斜风险数据；

通过所述天气数据及所述第二倾斜风险数据，获取所述第二倾斜风险值。

在本申请的一种示例性实施例中，所述当监控到所述多个倾斜监控位置的定期倾斜度中目标倾斜监控位置的定期倾斜度超过预定阈值时，获取与所述目标倾斜监控位置关联的目标裂缝监控位置的定期裂缝要素数据，包括：

当监控到所述多个倾斜监控位置的定期倾斜度中目标倾斜监控位置的定期倾斜度超过预定阈值时，从预设监控位置关联关系表中，获取与所述目标倾斜监控位置关联的所有目标裂缝监控位置；

获取所述多个目标裂缝监控位置的定期裂缝要素数据。

根据本申请的一个方面，提供一种基于机器学习的风险监控装置，其特征在于，包括：

采集模块，用于通过预设在建筑的多个倾斜监控位置的倾斜图像采集设备定期获取所述建筑的倾斜监控图像，并通过预设在所述建筑的多个裂缝监控位置的裂缝图像采集设备定期获取所述建筑的裂缝监控图像；

获取模块，用于根据所述倾斜监控图像获取所述多个倾斜监控位置的定期倾斜度，并根据所述裂缝监控图像获取所述多个裂缝监控位置的定期裂缝要素数据；

第一生成模块，用于根据每个所述定期倾斜度与每个所述定期倾斜度来源的倾斜监控位置关联的裂缝监控位置的定期裂缝要素数据，生成多个输入数据流；

第二生成模块，根据所有所述定期倾斜度与所有所述定期裂缝要素数据，生成基数据流；

预测模块，用于获取所述多个输入数据流中的预定数目个输入数据流组成攻击流，并将所述攻击流与所述基数据流进行合并后得到的被攻击数据流，输入预先训练好的机器学习模型，得到所述建筑的风险值。

根据本申请的一个方面，提供一种计算机可读存储介质，其上存储有建筑的实时监控程序，其特征在于，所述建筑的实时监控程序被处理器执行时实现上述任一项所述的方法。

根据本申请的一个方面，提供一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的建筑的实时监控程序；其中，所述处理器配置为经由执行所述建筑的实时监控程序来执行上述任一项所述的方法。

本申请一种基于机器学习的风险监控方法及装置，首先，通过预设在建筑的多个倾斜监控位置的倾斜图像采集设备定期获取所述建筑的倾斜监控图像，并通过预设在所述建筑的多个裂缝监控位置的裂缝图像采集设备定期获取所述建筑的裂缝监控图像；这样可以根据需要快速、准确获取建筑各个位置的倾斜监控图像及裂缝监控图像，用于在后续中进行建筑风险值及风险来源准确获取。进而，根据所述倾斜监控图像获取所述多个倾斜监控位置的定期倾斜度，并根据所述裂缝监控图像获取所述多个裂缝监控位置的定期裂缝要素数据后，根据每个所述定期倾斜度与每个所述定期倾斜度来源的倾斜监控位置关联的裂缝监控位置的定期裂缝要素数据，生成多个输入数据流；这样获取准确表示每个定期倾斜度及关联的定期裂缝要素数据关联性输入数据流，可以用于后续步骤中高效、准确计算分析建筑风险。

然后，根据所有所述定期倾斜度与所有所述定期裂缝要素数据，生成基数据流；这样可以得到清楚的表征出该建筑各个位置的监控数据之间的关系以及与该建筑的对应关系的基数据流，与每个输入数据流形成清楚地对比。最后，获取所述多个输入数据流中的预定数目个输入数据流组成攻击流，并将所述攻击流与所述基数据流进行合并后得到的被攻击数据流，输入预先训练好的机器学习模型，得到所述建筑的风险值。这样，基于根据建筑监控图像的建筑倾斜度和裂缝数据生成的可以清楚表征建筑各个关联位置的风险要素数据与建筑整体数据对冲关系的被攻击流，通过机器学习模型可以高效、准确的监控到建筑的风险值。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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示意性示出一种基于机器学习的风险监控方法的流程图。

图2示意性示出一种基于机器学习的风险监控方法的应用场景示例图。

图3示意性示出一种获取建筑的风险值的方法流程图。

图4示意性示出一种基于机器学习的风险监控装置的方框图。

图5示意性示出一种用于实现上述基于机器学习的风险监控方法的电子设备示例框图。

图6示意性示出一种用于实现上述基于机器学习的风险监控方法的计算机可读存储介质。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本申请的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本申请的各方面变得模糊。

此外，附图仅为本申请的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

本示例实施方式中首先提供了基于机器学习的风险监控方法，该基于机器学习的风险监控方法可以运行于服务器，也可以运行于服务器集群或云服务器等，当然，本领域技术人员也可以根据需求在其他平台运行本发明的方法，本示例性实施例中对此不做特殊限定。参考图1所示，该基于机器学习的风险监控方法可以包括以下步骤：

步骤S110，通过预设在建筑的多个倾斜监控位置的倾斜图像采集设备定期获取所述建筑的倾斜监控图像，并通过预设在所述建筑的多个裂缝监控位置的裂缝图像采集设备定期获取所述建筑的裂缝监控图像；

步骤S120，根据所述倾斜监控图像获取所述多个倾斜监控位置的定期倾斜度，并根据所述裂缝监控图像获取所述多个裂缝监控位置的定期裂缝要素数据；

步骤S130，根据每个所述定期倾斜度与每个所述定期倾斜度来源的倾斜监控位置关联的裂缝监控位置的定期裂缝要素数据，生成多个输入数据流；

步骤S140，根据所有所述定期倾斜度与所有所述定期裂缝要素数据，生成基数据流；

步骤S150，获取所述多个输入数据流中的预定数目个输入数据流组成攻击流，并将所述攻击流与所述基数据流进行合并后得到的被攻击数据流，输入预先训练好的机器学习模型，得到所述建筑的风险值。

上述基于机器学习的风险监控方法中，首先，通过预设在建筑的多个倾斜监控位置的倾斜图像采集设备定期获取所述建筑的倾斜监控图像，并通过预设在所述建筑的多个裂缝监控位置的裂缝图像采集设备定期获取所述建筑的裂缝监控图像；这样可以根据需要快速、准确获取建筑各个位置的倾斜监控图像及裂缝监控图像，用于在后续中进行建筑风险值及风险来源准确获取。进而，根据所述倾斜监控图像获取所述多个倾斜监控位置的定期倾斜度，并根据所述裂缝监控图像获取所述多个裂缝监控位置的定期裂缝要素数据后，根据每个所述定期倾斜度与每个所述定期倾斜度来源的倾斜监控位置关联的裂缝监控位置的定期裂缝要素数据，生成多个输入数据流；这样获取准确表示每个定期倾斜度及关联的定期裂缝要素数据关联性输入数据流，可以用于后续步骤中高效、准确计算分析建筑风险。然后，根据所有所述定期倾斜度与所有所述定期裂缝要素数据，生成基数据流；这样可以得到清楚的表征出该建筑各个位置的监控数据之间的关系以及与该建筑的对应关系的基数据流，与每个输入数据流形成清楚地对比。最后，获取所述多个输入数据流中的预定数目个输入数据流组成攻击流，并将所述攻击流与所述基数据流进行合并后得到的被攻击数据流，输入预先训练好的机器学习模型，得到所述建筑的风险值。这样，基于根据建筑监控图像的建筑倾斜度和裂缝数据生成的可以清楚表征建筑各个关联位置的风险要素数据与建筑整体数据对冲关系的被攻击流，通过机器学习模型可以高效、准确的监控到建筑的风险值。

下面，将结合附图对本示例实施方式中上述基于机器学习的风险监控方法中的各步骤进行详细的解释以及说明。

在步骤S110中，通过预设在建筑的多个倾斜监控位置的倾斜图像采集设备定期获取所述建筑的倾斜监控图像，并通过预设在所述建筑的多个裂缝监控位置的裂缝图像采集设备定期获取所述建筑的裂缝监控图像。

本示例的实施方式中，参考图2所示，服务器201定期通过预设在建筑的多个倾斜监控位置的倾斜图像采集设备202获取建筑的倾斜监控图像，定期通过预设在建筑的多个裂缝监控位置的裂缝图像采集设备203定期获取建筑的裂缝监控图像。这样可以由服务器201在后续步骤中基于倾斜监控图像和裂缝监控图像实时监控建筑。其中，服务器201可以是任何具有处理能力的设备，例如，电脑、微处理器等，倾斜图像采集设备202、裂缝图像采集设备203可以任何具有图像采集功能的设备例如摄像头、手机等，在此不做特殊限定。

建筑的多个倾斜监控位置就是在目标建筑的四周由专家确定的易发生倾斜的位置，例如某个建筑的侧面或者背面等。通过设置的建筑的多个倾斜监控位置的例如摄像头等倾斜图像采集设备，可以定期通过拍摄获取建筑预定位置的倾斜监控图像。

建筑的多个裂缝监控位置就是例如纵墙中央的顶部和底层窗台处等易发生建筑裂纹的位置，通过预设在建筑的多个裂缝监控位置的例如摄像头等裂缝图像采集设备，可以定期获取建筑的预定位置的裂缝监控图像。其中，建筑的多个倾斜监控位置与多个裂缝监控位置之间具有预定的关联关系，保存在监控位置关联关系表中。例如，关联关系就是某个倾斜监控位置的倾斜容易导致某几个裂缝监控位置出现裂纹，此时倾斜监控位置与裂纹监控位置就具有关联关系。

在步骤S120中，根据所述倾斜监控图像获取所述多个倾斜监控位置的定期倾斜度，并根据所述裂缝监控图像获取所述多个裂缝监控位置的定期裂缝要素数据。

本示例的实施方式中，从定期获取的倾斜监控图像中，通过定位例如墙壁与地面的轮廓线，然后基于该墙壁与地面的轮廓线的夹角可以准确地获取到墙壁相对于地面的倾斜角度及倾斜方向等倾斜度数据。

从定期获取的裂缝监控图像中，通过现有的图像检测可以检测裂纹的边缘轮廓，然后，通过定位裂纹轮廓上的点进行拟合可以得到裂纹的倾斜方向线，例如裂纹轮廓上的点中距离最远的两个点之间的连线，进而，根据该倾斜方向线计算到裂纹的定期倾斜方向，根据裂纹的轮廓线围成的区域计算到裂纹的面积及裂纹的长度等定期裂纹要素数据。这样就可以在后续步骤中，通过倾斜度及裂缝要素数据准确地分析建筑的风险。一种实施方式中，根据所述倾斜监控图像获取所述多个倾斜监控位置的倾斜度，并根据所述裂缝监控图像获取所述多个裂缝监控位置的裂缝要素数据，包括：从所述倾斜监控图像中提取所述建筑的轮廓线及预设垂直度参照元件的轮廓线，基于建筑的轮廓线及预设垂直度参照元件的轮廓线之间的夹角获取所述建筑的倾斜度；从所述裂缝监控图像中提取裂纹的轮廓线及预设垂直度参照元件的轮廓线，通过定位裂纹轮廓上的点进行拟合可以得到裂纹的倾斜方向线与垂直度参照元件的轮廓线的夹角获取所述多个裂缝监控位置的裂缝倾斜方向。其中垂直度参照元件就是例如垂线上悬挂重球得到的参照元件。

在步骤S130中，根据每个所述定期倾斜度与每个所述定期倾斜度来源的倾斜监控位置关联的裂缝监控位置的定期裂缝要素数据，生成多个输入数据流。

本示例的实施方式中，每个倾斜监控位置事先关联多个裂缝监控位置，由于地面的塌陷等会引起建筑朝某个方向倾斜，然后，建筑在倾斜时会带动与倾斜方向关联的建筑上的多个位置出现裂纹，随着倾斜度越大，建筑裂纹不断增加，最后导致建筑毁坏。

通过根据每个定期倾斜度与每个定期倾斜度来源的倾斜监控位置关联的裂缝监控位置的定期裂缝要素数据，生成多个输入数据流，就是将每个定期倾斜度的数据与对应关联的裂缝监控位置的定期裂缝要素数据加工为数据流，一种实施例中，将每个数据添加数据来源的位置及类型的标签后，组成数据矩阵，得到输入数据流；另一种实施例中，将每个数据添加数据来源的位置及类型的标签后，依次串联成数据串，得到输入数据流。这样获取与目标倾斜监控位置关联的目标裂缝监控位置的定期裂纹要素数据，可以在后续步骤中，结合目标倾斜监控位置的倾斜度与关联裂纹要素数据，准确地分析该建筑的哪些位置具有风险，这样获取准确表示每个定期倾斜度及关联的定期裂缝要素数据关联性输入数据流，可以用于后续步骤中高效、准确计算分析建筑风险。

在步骤S140中，根据所有所述定期倾斜度与所有所述定期裂缝要素数据，生成基数据流。

本示例的实施方式中，基数据流就是包含所有建筑的监控数据的数据流。一种实施例中，根据所有定期倾斜度与所有所述定期裂缝要素数据，生成基数据流，就是将每个定期倾斜度数据及每个定期裂缝要素数据添加到所述建筑的多个二维结构图的对应位置的坐标，得到二维建筑监控数据点阵，作为所述基数据流；一种实施例中，根据所有定期倾斜度与所有所述定期裂缝要素数据，生成基数据流，就是将每个定期倾斜度数据及每个定期裂缝要素数据添加到所述建筑的三维结构图的对应位置的坐标，得到三维建筑监控数据点阵，作为所述基数据流。这样通过基数据流可以清楚的表征出该建筑各个位置的监控数据之间的关系以及与该建筑的对应关系，进而，结合上述输入数据流后可以有效地通过对比，分析出建筑的哪些位置具有风险，这样可以在后续步骤中基于基数据流高效、准确地分析该建筑的风险。

在步骤S150中，获取所述多个输入数据流中的预定数目个输入数据流组成攻击流，并将所述攻击流与所述基数据流进行合并后得到的被攻击数据流，输入预先训练好的机器学习模型，得到所述建筑的风险值。

本示例的实施方式中，获取多个输入数据流中的预定数目个输入数据流，就是例如从5个数据流中获取3个等。其中获取的方式可以是将所述多个输入数据流进行排列组合后，依次获取每个组合的输入数据流，这样可以得到各种组合的输入数据流，即可以得到各种组合的建筑风险监控数据，进而进行各种情况的分析。之后组成攻击流就是获取例如预定时间段内的天气、地震等动态数据与预定数目个输入数据流合并，得到可以反应建筑的动态风险的攻击流，通过攻击流可以分析建筑当前所有的建筑倾斜数据及建筑裂缝数据的不稳定性，即建筑当前所有的建筑倾斜数据及建筑裂缝数据在当前环境下的不稳定性，也就是建筑的风险。因此攻击流可以对基数据流进行攻击，体现为通过将攻击流与基数据流进行合并后得到的被攻击数据流，其中合并的方式可以是直接将两个数据流串联；也可以是将攻击流插入基数据流的预定位置。最后将被攻击数据流输入预先训练好的机器学习模型，可以高效、准确地得到所述建筑的风险值。

特别地，以这种方式，进行组织输入机器学习模型的数据，可以有机器学习模型准确预测风险监控来源，就是对当前建筑造成风险的某个位置的倾斜度或者裂缝以及地理环境等风险来源。

本示例的一种实施方式中，所述机器学习模型的训练方法是：

获取被攻击数据流样本集合，其中每个样本事先标定对应的建筑的风险值；

将每个所述样本的数据分别输入机器学习模型，得到所述机器学习模型输出的建筑的风险值；

如果存在有所述样本的数据输入机器学习模型后，得到的建筑的风险值与对所述样本事先标定的建筑的风险值不一致，则调整所述机器学习模型的系数，直到一致；

当所有所述样本的数据输入机器学习模型后，得到的建筑的风险值与对所述数据样本事先标定的建筑的风险值一致，训练结束。

被攻击数据流样本就是历史上对应于大量建筑分别采集的攻击数据流样本。通过收集被攻击数据流样本集作为第一学习模型的输入，每个样本事先由专家标定对应的建筑的风险值，作为机器学习模型的输出。然后，通过调整系数使得当所有样本的数据输入机器学习模型后，得到的建筑的风险值与对样本事先标定的建筑的风险值一致，训练结束，得到训练好的机器学习模型，可以有效保证训练准确性。

本示例的一种实施方式中，在所述根据所有所述定期倾斜度与所有所述定期裂缝要素数据，生成基数据流之后，所述方法还包括：

获取预定时间段的多个所述基数据流；

将多个所述基数据流一起输入预先训练好的第二机器学习模型，得到所述建筑的寿命预测值。

这样通过预先训练好的第二机器学习模型根据建筑预定时间段的多个基数据流可以高效、准确地预测到建筑的寿命，即建筑的寿命预测值。

本示例的一种实施方式中，所述第二机器学习模型的训练方法是：

获取基数据流组样本集合，其中每个样本事先标定对应的建筑的寿命预测值；

将每个所述样本的数据分别输入机器学习模型，得到所述机器学习模型输出的建筑的寿命；

如果存在有所述样本的数据输入机器学习模型后，得到的建筑的寿命预测值与对所述样本事先标定的建筑的寿命不一致，则调整所述机器学习模型的系数，直到一致；

当所有所述样本的数据输入机器学习模型后，得到的建筑的寿命预测值与对所述数据样本事先标定的建筑的寿命一致，训练结束。

基数据流组样本就是历史上对应于大量建筑分别采集的预定时间段的多个基数据流的样本。通过收集基数据流组样本集作为第一学习模型的输入，每个样本事先由专家标定对应的建筑的寿命，作为机器学习模型的输出。然后，通过调整系数使得当所有样本的数据输入机器学习模型后，得到的建筑的寿命预测值与对样本事先标定的建筑的寿命一致，训练结束，得到训练好的机器学习模型，可以有效保证训练准确性。

本示例的一种实施方式中，参考图3所示，在所述根据所述倾斜监控图像获取所述多个倾斜监控位置的定期倾斜度，并根据所述裂缝监控图像获取所述多个裂缝监控位置的定期裂缝要素数据之后，所述方法还包括：

步骤S310，当监控到所述多个倾斜监控位置的定期倾斜度中目标倾斜监控位置的定期倾斜度超过预定阈值时，获取与所述目标倾斜监控位置关联的目标裂缝监控位置的定期裂缝要素数据；

步骤S320，基于预设的建筑信息登记表，计算得到所述目标倾斜监控位置在所述建筑上的第一倾斜风险值，及所述目标裂缝监控位置在所述建筑上的第二倾斜风险值；

步骤S330，根据所述目标倾斜监控位置的定期倾斜度、所述目标裂缝监控位置的定期裂缝要素数据、所述第一倾斜风险值及所述第二倾斜风险值，获取所述建筑的风险值。

通过，由专家事先通过计算获取到目标建筑的每个倾斜监控位置上的倾斜度预警的预定阈值，可以实时监控多个倾斜监控位置的倾斜度中目标倾斜监控位置的倾斜度是否超过预定阈值。当监控到目标倾斜监控位置的倾斜度超过预定阈值时，说明该目标倾斜位置的倾斜情况达到预警的限度。通常由于地面的塌陷会引起建筑朝某个方向倾斜，然后，建筑在倾斜时会带动与倾斜方向关联的建筑上的多个位置出现裂纹，随着倾斜度越大，建筑裂纹不断增加，最后导致建筑毁坏。然后通过获取与目标倾斜监控位置关联的目标裂缝监控位置的裂纹要素数据，可以在后续步骤中，结合目标倾斜监控位置的倾斜度与关联裂纹要素数据，准确地计算该建筑的风险值。

目标倾斜监控位置在建筑上的倾斜风险值就是由该目标倾斜监控位置或者目标裂缝监控位置在建筑所在地的地质以及承重情况、当前天气情况等导致的倾斜风险值。通过从预设的建筑信息登记表中可以准确的获取到建筑所在地的地质、以及目标倾斜监控位置在建筑上的承重数据，同时，通过建筑定位可以实时获取到建筑所在地的天气情况，然后根据每个风险要素的数据和权重，通过求加权和可以准确地计算到第一倾斜风险值。同时，通过通过从预设的建筑信息登记表中可以准确的获取到目标裂缝监控位置在建筑上的受力数据及其权重，进而，通过求加权和可以准确的计算到第二倾斜风险值。这样可以在后续步骤中，结合目标倾斜监控位置的倾斜度、目标裂缝监控位置的裂缝要素数据、第一倾斜风险值及第二倾斜风险值，准确地获取到建筑的实时风险值。

建筑的风险值就是建筑在当前情况下，发生崩塌或者倾倒的风险值，通过实时监控建筑的风险值，可以准确、及时地根据风险值对建筑进行人员疏散等措施。

根据目标倾斜监控位置的倾斜度、目标裂缝监控位置的裂缝要素数据、第一倾斜风险值及第二倾斜风险值，获取所述建筑的风险值的方法就是将每个上述数据作为预设算法的变量，进而可以自动、准确地获取到建筑的风险值。

本示例的一种实施方式中，所述根据所述目标倾斜监控位置的定期倾斜度、所述目标裂缝监控位置的定期裂缝要素数据、所述第一倾斜风险值及所述第二倾斜风险值，获取所述建筑的风险值，包括：

根据公式W＝(X*S+Y1*T1+...+Yn*Tn)^o+p，获取所述建筑的风险值，其中，W为建筑的风险值，X为定期倾斜度对应的权重，S为定期倾斜度，Tn定期裂缝要素数据中一种属性的数据，Yn为定期裂缝要素数据中一种属性的数据对应的权重，O为第一倾斜风险值，P为第二倾斜风险值。

上述经验公式中，X*S+Y1*T1+...+Yn*Tn可以得到建筑风险要素数据的加权和，然后将o+p之和作为指数，可以有效放大加权和的影响，计算得到建筑的风险值W。

本示例的一种实施方式中，所述基于预设的建筑信息登记表，计算得到所述目标倾斜监控位置在所述建筑上的第一倾斜风险值，及所述目标裂缝监控位置在所述建筑上的第二倾斜风险值，包括：

通过定位所述建筑的地点，获取所述建筑所在地的天气数据；

从预设的建筑信息登记表中，获取所述目标倾斜监控位置的第一倾斜风险数据；

通过所述天气数据及所述第一倾斜风险数据，获取所述第一倾斜风险值；

从预设的建筑信息登记表中，获取所述目标裂缝监控位置的第二倾斜风险数据；

通过所述天气数据及所述第二倾斜风险数据，获取所述第二倾斜风险值。

建筑所在地的天气数据就是例如降雨量及风力等数据；通过从预设的建筑信息登记表中可以准确的获取到建筑所在地的地质、以及目标倾斜监控位置在建筑上的承重数据等第一倾斜风险数据，同时，通过建筑定位可以实时获取到建筑所在地的天气情况，然后根据每个风险要素的数据和权重，通过求加权和可以准确地计算到第一倾斜风险值。同时，通过通过从预设的建筑信息登记表中可以准确的获取到目标裂缝监控位置在建筑上的受力数据及其权重等第二倾斜风险数据，进而，通过天气数据及第二倾斜风险数据求加权和可以准确的计算到第二倾斜风险值。

本示例的一种实施方式中，所述当监控到所述多个倾斜监控位置的定期倾斜度中目标倾斜监控位置的定期倾斜度超过预定阈值时，获取与所述目标倾斜监控位置关联的目标裂缝监控位置的定期裂缝要素数据，包括：

当监控到所述多个倾斜监控位置的定期倾斜度中目标倾斜监控位置的定期倾斜度超过预定阈值时，从预设监控位置关联关系表中，获取与所述目标倾斜监控位置关联的所有目标裂缝监控位置；

获取所述多个目标裂缝监控位置的定期裂缝要素数据。

建筑上可能会同时出现多个倾斜风险的位置，通过获取多个目标裂缝监控位置的定期裂缝要素数据，可以有效保证计算准确性，进而保证建筑监控的准确性。

本申请还提供了一种基于机器学习的风险监控装置。参考图4所示，该基于机器学习的风险监控装置可以包括采集模块410、获取模块420、第一生成模块430、第二生成模块440及预测模块450。其中：

采集模块410可以用于通过预设在建筑的多个倾斜监控位置的倾斜图像采集设备定期获取所述建筑的倾斜监控图像，并通过预设在所述建筑的多个裂缝监控位置的裂缝图像采集设备定期获取所述建筑的裂缝监控图像；

获取模块420可以用于根据所述倾斜监控图像获取所述多个倾斜监控位置的定期倾斜度，并根据所述裂缝监控图像获取所述多个裂缝监控位置的定期裂缝要素数据；

第一生成模块430可以用于根据每个所述定期倾斜度与每个所述定期倾斜度来源的倾斜监控位置关联的裂缝监控位置的定期裂缝要素数据，生成多个输入数据流；

第二生成模块440可以根据所有所述定期倾斜度与所有所述定期裂缝要素数据，生成基数据流；

预测模块450可以用于获取所述多个输入数据流中的预定数目个输入数据流组成攻击流，并将所述攻击流与所述基数据流进行合并后得到的被攻击数据流，输入预先训练好的机器学习模型，得到所述建筑的风险值。

上述基于机器学习的风险监控装置中各模块的具体细节已经在对应的基于机器学习的风险监控方法中进行了详细的描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本申请中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本申请实施方式的方法。

在本申请的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图5来描述根据本发明的这种实施方式的电子设备500。图5显示的电子设备500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元510可以执行如图1中所示的步骤S110：通过预设在建筑的多个倾斜监控位置的倾斜图像采集设备定期获取所述建筑的倾斜监控图像，并通过预设在所述建筑的多个裂缝监控位置的裂缝图像采集设备定期获取所述建筑的裂缝监控图像；S120：根据所述倾斜监控图像获取所述多个倾斜监控位置的定期倾斜度，并根据所述裂缝监控图像获取所述多个裂缝监控位置的定期裂缝要素数据；步骤S130：根据每个所述定期倾斜度与每个所述定期倾斜度来源的倾斜监控位置关联的裂缝监控位置的定期裂缝要素数据，生成多个输入数据流；步骤S140：根据所有所述定期倾斜度与所有所述定期裂缝要素数据，生成基数据流；步骤S150：获取所述多个输入数据流中的预定数目个输入数据流组成攻击流，并将所述攻击流与所述基数据流进行合并后得到的被攻击数据流，输入预先训练好的机器学习模型，得到所述建筑的风险值。

存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(ROM)5203。

存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205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。

总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备500也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得客户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且，电子设备500还可以通过网络适配器560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560通过总线530与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500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、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本申请实施方式的方法。

在本申请的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面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本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。

参考图6所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品600，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

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操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在客户计算设备上执行、部分地在客户设备上执行、作为一个独立的软件包执行、部分在客户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到客户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其他实施例。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由权利要求指出。

Claims (10)

1.一种基于机器学习的风险监控方法，其特征在于，包括：

通过预设在建筑的多个倾斜监控位置的倾斜图像采集设备定期获取所述建筑的倾斜监控图像，并通过预设在所述建筑的多个裂缝监控位置的裂缝图像采集设备定期获取所述建筑的裂缝监控图像；

根据所述倾斜监控图像获取所述多个倾斜监控位置的定期倾斜度，并根据所述裂缝监控图像获取所述多个裂缝监控位置的定期裂缝要素数据；

根据每个所述定期倾斜度与每个所述定期倾斜度来源的倾斜监控位置关联的裂缝监控位置的定期裂缝要素数据，生成多个输入数据流；

根据所有所述定期倾斜度与所有所述定期裂缝要素数据，生成基数据流；

获取所述多个输入数据流中的预定数目个输入数据流组成攻击流，并将所述攻击流与所述基数据流进行合并后得到的被攻击数据流，输入预先训练好的机器学习模型，得到所述建筑的风险值。

2.根据权利要求1所述的方法，其特征在于，所述机器学习模型的训练方法是：

获取被攻击数据流样本集合，其中每个样本事先标定对应的建筑的风险值；

将每个所述样本的数据分别输入机器学习模型，得到所述机器学习模型输出的建筑的风险值；

如果存在有所述样本的数据输入机器学习模型后，得到的建筑的风险值与对所述样本事先标定的建筑的风险值不一致，则调整所述机器学习模型的系数，直到一致；

当所有所述样本的数据输入机器学习模型后，得到的建筑的风险值与对所述数据样本事先标定的建筑的风险值一致，训练结束。

3.根据权利要求1所述的方法，其特征在于，在所述根据所有所述定期倾斜度与所有所述定期裂缝要素数据，生成基数据流之后，所述方法还包括：

获取预定时间段的多个所述基数据流；

将多个所述基数据流一起输入预先训练好的第二机器学习模型，得到所述建筑的寿命预测值。

4.根据权利要求1所述的方法，其特征在于，在所述根据所述倾斜监控图像获取所述多个倾斜监控位置的定期倾斜度，并根据所述裂缝监控图像获取所述多个裂缝监控位置的定期裂缝要素数据之后，所述方法还包括：

当监控到所述多个倾斜监控位置的定期倾斜度中目标倾斜监控位置的定期倾斜度超过预定阈值时，获取与所述目标倾斜监控位置关联的目标裂缝监控位置的定期裂缝要素数据；

基于预设的建筑信息登记表，计算得到所述目标倾斜监控位置在所述建筑上的第一倾斜风险值，及所述目标裂缝监控位置在所述建筑上的第二倾斜风险值；

根据所述目标倾斜监控位置的定期倾斜度、所述目标裂缝监控位置的定期裂缝要素数据、所述第一倾斜风险值及所述第二倾斜风险值，获取所述建筑的风险值。

5.根据权利要求4所述的方法，其特征在于，所述根据所述目标倾斜监控位置的定期倾斜度、所述目标裂缝监控位置的定期裂缝要素数据、所述第一倾斜风险值及所述第二倾斜风险值，获取所述建筑的风险值，包括：

根据公式W＝(X*S+Y*T)^o+p，获取所述建筑的风险值，其中，W为建筑的风险值，X为定期倾斜度对应的权重，S为定期倾斜度，T定期裂缝要素数据中一种属性的数据，Y为定期裂缝要素数据中一种属性的数据对应的权重，O为第一倾斜风险值，P为第二倾斜风险值。

6.根据权利要求4所述的方法，其特征在于，所述基于预设的建筑信息登记表，计算得到所述目标倾斜监控位置在所述建筑上的第一倾斜风险值，及所述目标裂缝监控位置在所述建筑上的第二倾斜风险值，包括：

通过定位所述建筑的地点，获取所述建筑所在地的天气数据；

从预设的建筑信息登记表中，获取所述目标倾斜监控位置的第一倾斜风险数据；

通过所述天气数据及所述第一倾斜风险数据，获取所述第一倾斜风险值；

从预设的建筑信息登记表中，获取所述目标裂缝监控位置的第二倾斜风险数据；

通过所述天气数据及所述第二倾斜风险数据，获取所述第二倾斜风险值。

7.根据权利要求4所述的方法，其特征在于，所述当监控到所述多个倾斜监控位置的定期倾斜度中目标倾斜监控位置的定期倾斜度超过预定阈值时，获取与所述目标倾斜监控位置关联的目标裂缝监控位置的定期裂缝要素数据，包括：

当监控到所述多个倾斜监控位置的定期倾斜度中目标倾斜监控位置的定期倾斜度超过预定阈值时，从预设监控位置关联关系表中，获取与所述目标倾斜监控位置关联的所有目标裂缝监控位置；

获取所述多个目标裂缝监控位置的定期裂缝要素数据。

8.一种基于机器学习的风险监控装置，其特征在于，包括：

采集模块，用于通过预设在建筑的多个倾斜监控位置的倾斜图像采集设备定期获取所述建筑的倾斜监控图像，并通过预设在所述建筑的多个裂缝监控位置的裂缝图像采集设备定期获取所述建筑的裂缝监控图像；

获取模块，用于根据所述倾斜监控图像获取所述多个倾斜监控位置的定期倾斜度，并根据所述裂缝监控图像获取所述多个裂缝监控位置的定期裂缝要素数据；

第一生成模块，用于根据每个所述定期倾斜度与每个所述定期倾斜度来源的倾斜监控位置关联的裂缝监控位置的定期裂缝要素数据，生成多个输入数据流；

第二生成模块，根据所有所述定期倾斜度与所有所述定期裂缝要素数据，生成基数据流；

预测模块，用于获取所述多个输入数据流中的预定数目个输入数据流组成攻击流，并将所述攻击流与所述基数据流进行合并后得到的被攻击数据流，输入预先训练好的机器学习模型，得到所述建筑的风险值。

9.一种计算机可读存储介质，其上存储有建筑的实时监控程序，其特征在于，所述建筑的实时监控程序被处理器执行时实现权利要求1-7任一项所述的方法。

10.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的建筑的实时监控程序；其中，所述处理器配置为经由执行所述建筑的实时监控程序来执行权利要求1-7任一项所述的方法。

Images