CN111611991A - 故障处理方法和装置、电子设备、计算机可读存储介质 - Google Patents
故障处理方法和装置、电子设备、计算机可读存储介质 Download PDFInfo
- Publication number
- CN111611991A CN111611991A CN202010445184.8A CN202010445184A CN111611991A CN 111611991 A CN111611991 A CN 111611991A CN 202010445184 A CN202010445184 A CN 202010445184A CN 111611991 A CN111611991 A CN 111611991A
- Authority
- CN
- China
- Prior art keywords
- fault
- images
- image
- acquiring
- environmental
- 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
- 238000003672 processing method Methods 0.000 title abstract description 6
- 230000007613 environmental effect Effects 0.000 claims abstract description 75
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000004927 fusion Effects 0.000 claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 230000000306 recurrent effect Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 239000007789 gas Substances 0.000 description 29
- 238000010586 diagram Methods 0.000 description 6
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000011269 treatment regimen Methods 0.000 description 2
- 208000012260 Accidental injury Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000007096 poisonous effect Effects 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Images
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
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种故障处理方法和装置、电子设备、计算机可读存储介质，应用于仓库监测系统，所述方法包括：利用探测传感模块获取仓库内的环境参数，根据所述环境参数获取环境预测信息；当所述环境预测信息不满足预设条件时，在第一预设时间内利用红外线图像采集装置采集多个第一图像；并利用毫米波图像采集装置采集多个第二图像；将多个所述第一图像和多个所述第二图像进行图像融合得到多个目标图像，根据所述目标图像获取故障处理策略。本申请通过当环境预测信息不满足预设条件时监测第一预设时间段内是否出现故障，根据出现的故障类型进行故障处理能够提高处理效率，将故障扼杀在发生初期，防止造成严重事故，从而提升故障处理效率。
Description
技术领域
本申请涉及环境检测领域，特别是涉及一种故障处理方法和装置、电子设备、计算机可读存储介质。
背景技术
近几年来，大型集装箱仓库着火事件频发，由于运行环境较差，部分仓库超容，存在通风不畅、空气不流通，导致仓库内温度较高；部分仓库内存易燃易爆物品，容易产生沼气等有毒易燃气体，易发生火灾。
现有仓库往往是检测到故障后再进行处理，这种出现环境异常再处理的方法往往造成很多的财产损失和意外伤害。
发明内容
本申请实施例提供一种故障处理方法、装置、电子设备、计算机可读存储介质，可以降低环境异常造成事故的概率。
一种故障处理方法，应用于仓库监测系统，所述仓库监测系统包括：红外线图像采集装置和毫米波图像采集装置，所述方法包括：
利用探测传感模块获取仓库内的环境参数，根据所述环境参数获取环境预测信息；
当所述环境预测信息不满足预设条件时，在第一预设时间内利用红外线图像采集装置采集多个第一图像；并利用毫米波图像采集装置采集多个第二图像；
将多个所述第一图像和多个所述第二图像进行图像融合得到多个目标图像，根据所述目标图像获取故障处理策略。
在其中一个实施例中，所述探测传感模块至少包括：位置传感器、温度传感器、湿度传感器和气体传感器，所述利用探测传感模块获取仓库内的环境参数，包括：
利用所述位置传感器获取所述定位参数，利用所述温度传感器获取所述空间温度参数，利用所述湿度传感器获取所述空间湿度参数，利用所述气体传感器获取所述有害气体含量参数。
在其中一个实施例中，所述根据所述环境参数获取环境预测信息，包括：
将所述环境参数输入预测模型以获取环境预测信息，所述预测模型为已训练完成的循环神经网络模型。
在其中一个实施例中，所述根据所述环境参数获取环境预测信息之前，所述方法还包括：
获取环境参数训练集，所述环境参数训练集包括多个携带记录时刻信息的环境参数；
构建所述循环神经网络模型，利用所述环境参数训练集对所述循环神经网络模型进行训练获取所述预测模型。
在其中一个实施例中，所述将所述第一图像和所述第二图像进行图像融合得到多个目标图像，包括：
将各个相同时刻的所述第一图像和所述第二图像进行图像融合得到多个所述目标图像。
在其中一个实施例中，所述根据所述目标图像获取故障处理策略，包括：
利用神经网络识别模型对所述目标图像进行识别获取故障类型；
根据所述故障类型获取故障处理策略。
在其中一个实施例中，步骤根据所述故障类型获取故障处理策略，包括：
当所述故障类型为轻度危险时，获取的所述故障处理策略包括：在第二预设时间内继续采集所述第一图像和所述第二图像；
当所述故障类型为重度危险时，获取的所述故障处理策略包括：生成报警信号，所述报警信号用于通知工作人员对重度危险故障进行处理。
一种故障处理装置，应用于仓库监测系统，所述装置包括：
预测模块，用于利用探测传感模块获取仓库内的环境参数，根据所述环境参数获取环境预测信息；
监测模块，用于当所述环境预测信息不满足预设条件时，在第一预设时间内利用红外线图像采集装置采集多个第一图像；并利用毫米波图像采集装置采集多个第二图像；
处理模块，用于将多个所述第一图像和多个所述第二图像进行图像融合得到多个目标图像，根据所述目标图像获取故障处理策略。
一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述的故障处理方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的方法的步骤。
上述故障处理方法和装置、电子设备、计算机可读存储介质，应用于仓库监测系统，本申请提供的故障处理方法利用探测传感模块获取仓库内的环境参数，将环境参数输入至由循环神经网络构建的预测模型获取故障预测信息，当故障预测信息中包括环境异常信息时，获取目标图像监测第一预设时间段内是否出现故障，根据出现的故障类型进行故障处理。利用循环神经网络构建的预测模型，保证准确性的同时，提高了环境信息预测的效率；监测第一预设时间段内是否出现故障，根据出现的故障类型进行故障处理能够提高处理效率，将故障扼杀在发生初期，防止造成严重事故，从而提升故障处理效率。
附图说明
为了更清楚地说明本申请实施例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简单地介绍，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为一个实施例中故障处理方法的应用环境示意图；
图2为一个实施例中故障处理方法的流程图；
图3为又一个实施例中故障处理方法的流程图；
图4为一个实施例中步骤根据所述故障类型获取故障处理策略的流程图；
图5为一个实施例中步骤根据所述故障类型获取故障处理策略的流程图；
图6为一个实施例中故障处理装置的结构框图；
图7为一个实施例中电子设备的内部结构示意图。
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，对本申请进行进一步详细说明。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。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一图像称为第二图像，且类似地，可将第二图像称为第一图像。第一图像和第二图像两者都是图像，但其不是同一图像。
图1为一个实施例中故障处理方法的应用环境示意图。如图1所示，该应用环境包括仓库监测系统10，仓库监测系统10包括：探测传感模块110、红外线图像采集装置120和毫米波图像采集装置130。通过利用探测传感模块110获取仓库内的环境参数，根据环境参数获取环境预测信息；当环境预测信息不满足预设条件时，在第一预设时间内利用红外线图像采集装置120采集多个第一图像；并利用毫米波图像采集装置130采集多个第二图像；将多个第一图像和多个第二图像进行图像融合得到多个目标图像，根据目标图像获取故障处理策略。本申请利用循环神经网络构建的预测模型，保证准确性的同时，提高了环境信息预测的效率；监测第一预设时间段内是否出现故障，根据出现的故障类型进行故障处理能够提高处理效率，将故障扼杀在发生初期，防止造成严重事故，从而提升故障处理效率。
图2为一个实施例中故障处理方法的流程图，以运行于图1中的仓库监测系统为例进行描述。如图2所示，该故障处理方法，包括：步骤202至步骤206。
步骤202、利用探测传感模块获取仓库内的环境参数，根据环境参数获取环境预测信息。
具体的，环境参数至少包括：定位参数、空间温度参数、空间湿度参数、有害气体含量参数。获取环境参数的过程如下：可以利用GPS传感器获取定位信息、利用温度传感器采集空间温度参数，利用湿度传感器采集空间湿度参数，利用气体传感器采集有害气体含量参数。每个环境参数对应一个定位信息，利用不同时刻记录的同一位置的空间温度参数、空间湿度参数、有害气体含量参数对循环神经网络模型进行训练，将空间温度参数、空间湿度参数、有害气体含量参数分别进行预测，将预测的结果进行汇总并结合定位参数得到故障预测信息。
步骤204、当环境预测信息不满足预设条件时，在第一预设时间内利用红外线图像采集装置采集多个第一图像；并利用毫米波图像采集装置采集多个第二图像。
具体的，当环境预测信息不满足预设条件，如预测温度大于温度阈值，预测气体浓度大于浓度阈值、预设湿度高于湿度阈值等，环境预测信息不满足预设条件标识可能会出现故障时。仓库监测系统还包括红外线图像采集装置和毫米波图像采集装置，第一预设时间内利用红外线图像采集装置采集各个设备向外辐射的红外线，进行二维或三维建模复现仓库环境对应的第一图像。毫米波图像采集装置能够发射毫米波信号至仓库内的目标视场，目标视场内的探测物等调制并反射毫米波信号形成回波信号，毫米波图像采集装置捕获目标视场反射的回波信号，根据回波信号建模获取仓库道的二维或三维场景得到第二图像。将第一图像和第二图像进行融合得到多个目标图像，再对目标图像进行图像识别，如利用神经网络、特征提取等方式进行识别得到环境故障类型。
步骤206、将多个第一图像和多个第二图像进行图像融合得到多个目标图像，根据目标图像获取故障处理策略。
具体的，将第一时刻的第一图像和第二图像进行图像融合得到第一时刻的目标图像，......，将第N时刻的第一图像和第二图像进行图像融合得到第N时刻的目标图像。利用神经网络图像识别模型或者边缘检测等图像识别算法对N个目标图像进行识别得到故障类型。当获取的故障类型为轻度危险时，如氮气等无害气体温度偏高，获取的故障处理策略包括：在第二预设时间内继续采集第一图像和第二图像。当故障类型为重度危险时，如当预测到A坐标位置的B探测物可能将会出现着火现象。根据故障类型获取故障处理策略可以是当B探测物温度大于温度阈值进行报警。
上述故障处理方法利用探测传感模块获取仓库内的环境参数，将环境参数输入至由循环神经网络构建的预测模型获取故障预测信息，当故障预测信息中包括环境异常信息时，获取目标图像监测第一预设时间段内是否出现故障，根据出现的故障类型进行故障处理。利用循环神经网络构建的预测模型，保证准确性的同时，提高了环境信息预测的效率；监测第一预设时间段内是否出现故障，根据出现的故障类型进行故障处理能够提高处理效率，将故障扼杀在发生初期，防止造成严重事故，从而提升故障处理效率。
在其中一个实施例中，探测传感模块至少包括：位置传感器、温度传感器、湿度传感器和气体传感器，步骤利用探测传感模块获取仓库内的环境参数，包括：利用位置传感器获取定位参数，利用温度传感器获取空间温度参数，利用湿度传感器获取空间湿度参数，利用气体传感器获取有害气体含量参数。
具体的，可以利用温度传感器采集空间温度参数，利用湿度传感器采集空间湿度参数，利用气体传感器采集有害气体含量参数，利用GPS定位传感器获取定位参数。定位参数可以作为环境参数中空间温度参数、空间湿度参数和有害气体含量参数的标签信息，将相同位置的空间温度参数、空间湿度参数和有害气体含量参数打包在一起作为一个环境参数。
在其中一个实施例中，步骤根据环境参数获取环境预测信息，包括：环境参数输入预测模型以获取环境预测信息，预测模型为已训练完成的循环神经网络模型。
具体的，预测模型可以包括多个循环神经网络模型，各个参数各对应一个网络模型，举例来说，可以包括对空间温度参数进行预测的模型、对空间湿度参数进行预测的模型、对有害气体含量参数进行预测的模型，其中，定位参数可以作为该环境参数的标签。每个环境参数对应一个定位信息，利用不同时刻记录的同一位置的空间温度参数、空间湿度参数、有害气体含量参数对循环神经网络模型进行训练，将空间温度参数、空间湿度参数、有害气体含量参数分别进行预测，将预测的结果进行汇总并结合定位参数得到故障预测信息。
在其中一个实施例中，如图3所示，步骤根据环境参数获取环境预测信息之前，方法还包括：步骤302至步骤304。
步骤302、获取环境参数训练集，环境参数训练集包括多个携带记录时刻信息的环境参数；
步骤304、构建循环神经网络模型，利用环境参数训练集对循环神经网络模型进行训练获取预测模型。
具体的，在利用预测模型获取故障预测信息之前，收集大量的历史环境参数作为训练集，如针对位置A收集500个环境参数，每个环境参数至少包括：记录时刻、空间温度参数、空间湿度参数、有害气体含量参数。500个环境参数按照记录时刻的顺序输入循环神经网络模型对循环神经网络进行训练。将500个环境参数按照记录时刻的顺序进行编码成循环神经网络所需的数据矩阵，将其中400个环境参数对应的数据矩阵按照记录时刻的顺序输入至循环神经网络进行训练，利用剩余的100个环境参数对应的数据矩阵作为校验集，将训练完成的循环神经网络模型作为预测模型。
在其中一个实施例中，步骤将第一图像和第二图像进行图像融合得到多个目标图像，包括：将各个相同时刻的第一图像和第二图像进行图像融合得到多个目标图像。
具体的，将第一时刻的第一图像和第二图像进行图像融合得到第一时刻的目标图像，......，将第N时刻的第一图像和第二图像进行图像融合得到第N时刻的目标图像，N为自然数。
在其中一个实施例中，步骤根据目标图像获取故障处理策略，如图4所示，包括：步骤402至步骤404。
步骤402、利用神经网络识别模型对目标图像进行识别获取故障类型；
步骤404、根据故障类型获取故障处理策略。
在其中一个实施例中，步骤根据故障类型获取故障处理策略，如图5所示，包括：步骤502至步骤504。
步骤502、当故障类型为轻度危险时，获取的故障处理策略包括：在第二预设时间内继续采集第一图像和第二图像；
步骤505、当故障类型为重度危险时，获取的故障处理策略包括：生成报警信号，报警信号用于通知工作人员对重度危险故障进行处理。
应该理解的是，虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本申请实施例一种故障处理装置，应用于仓库监测系统，如图6所示，故障处理装置包括：预测模块602、监测模块604和处理模块606。
预测模块602，用于利用探测传感模块获取仓库内的环境参数，根据环境参数获取环境预测信息。
具体的，环境参数至少包括：定位参数、空间温度参数、空间湿度参数、有害气体含量参数。获取环境参数的过程如下：可以利用GPS传感器获取定位信息、利用温度传感器采集空间温度参数，利用湿度传感器采集空间湿度参数，利用气体传感器采集有害气体含量参数。每个环境参数对应一个定位信息，利用不同时刻记录的同一位置的空间温度参数、空间湿度参数、有害气体含量参数对循环神经网络模型进行训练，将空间温度参数、空间湿度参数、有害气体含量参数分别进行预测，将预测的结果进行汇总并结合定位参数得到故障预测信息。
监测模块604，用于当环境预测信息不满足预设条件时，在第一预设时间内利用红外线图像采集装置采集多个第一图像；并利用毫米波图像采集装置采集多个第二图像。
具体的，当环境预测信息不满足预设条件，如预测温度大于温度阈值，预测气体浓度大于浓度阈值、预设湿度高于湿度阈值等，环境预测信息不满足预设条件标识可能会出现故障时。仓库监测系统还包括红外线图像采集装置和毫米波图像采集装置，第一预设时间内利用红外线图像采集装置采集各个设备向外辐射的红外线，进行二维或三维建模复现仓库环境对应的第一图像。毫米波图像采集装置能够发射毫米波信号至仓库内的目标视场，目标视场内的探测物等调制并反射毫米波信号形成回波信号，毫米波图像采集装置捕获目标视场反射的回波信号，根据回波信号建模获取仓库道的二维或三维场景得到第二图像。将第一图像和第二图像进行融合得到多个目标图像，再对目标图像进行图像识别，如利用神经网络、特征提取等方式进行识别得到环境故障类型。
处理模块606，用于将多个第一图像和多个第二图像进行图像融合得到多个目标图像，根据目标图像获取故障处理策略。
具体的，将第一时刻的第一图像和第二图像进行图像融合得到第一时刻的目标图像，......，将第N时刻的第一图像和第二图像进行图像融合得到第N时刻的目标图像。利用神经网络图像识别模型或者边缘检测等图像识别算法对N个目标图像进行识别得到故障类型。当获取的故障类型为轻度危险时，如氮气等无害气体温度偏高，获取的故障处理策略包括：在第二预设时间内继续采集第一图像和第二图像。当故障类型为重度危险时，如当预测到A坐标位置的B探测物可能将会出现着火现象。根据故障类型获取故障处理策略可以是当B探测物温度大于温度阈值进行报警。
上述故障处理装置利用探测传感模块获取仓库内的环境参数，将环境参数输入至由循环神经网络构建的预测模型获取故障预测信息，当故障预测信息中包括环境异常信息时，获取目标图像监测第一预设时间段内是否出现故障，根据出现的故障类型进行故障处理。利用循环神经网络构建的预测模型，保证准确性的同时，提高了环境信息预测的效率；监测第一预设时间段内是否出现故障，根据出现的故障类型进行故障处理能够提高处理效率，将故障扼杀在发生初期，防止造成严重事故，从而提升故障处理效率。
一种电子设备，包括存储器及处理器，存储器中储存有计算机程序，计算机程序被所述处理器执行时，使得所述处理器执行如上述的故障处理方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的方法的步骤。
上述故障处理装置中各个模块的划分仅用于举例说明，在其他实施例中，可将故障处理装置按照需要划分为不同的模块，以完成上述故障处理装置的全部或部分功能。
关于故障处理装置的具体限定可以参见上文中对于故障处理方法的限定，在此不再赘述。上述故障处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
图7为一个实施例中电子设备的内部结构示意图。如图7所示，该电子设备括通过系统总线连接的处理器、存储器和网络接口。其中，该处理器用于提供计算和控制能力，支撑整个电子设备的运行。存储器用于存储数据、程序等，存储器上存储至少一个计算机程序，该计算机程序可被处理器执行，以实现本申请实施例中提供的适用于电子设备的无线网络通信方法。存储器可包括非易失性存储介质及内存储器。非易失性存储介质存储有操作系统和计算机程序。该计算机程序可被处理器所执行，以用于实现以下各个实施例所提供的一种故障处理方法。内存储器为非易失性存储介质中的操作系统计算机程序提供高速缓存的运行环境。网络接口可以是以太网卡或无线网卡等，用于与外部的电子设备进行通信。
本申请实施例中提供的故障处理装置中的各个模块的实现可为计算机程序的形式。该计算机程序可在终端或服务器上运行。该计算机程序构成的程序模块可存储在终端或服务器的存储器上。该计算机程序被处理器执行时，实现本申请实施例中所描述方法的步骤。
本申请实施例还提供了一种计算机可读存储介质。一个或多个包含计算机可执行指令的非易失性计算机可读存储介质，当计算机可执行指令被一个或多个处理器执行时，使得处理器执行故障处理方法的步骤：
利用探测传感模块获取仓库内的环境参数，根据所述环境参数获取环境预测信息；
当所述环境预测信息不满足预设条件时，在第一预设时间内利用红外线图像采集装置采集多个第一图像；并利用毫米波图像采集装置采集多个第二图像；
将多个所述第一图像和多个所述第二图像进行图像融合得到多个目标图像，根据所述目标图像获取故障处理策略。
一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行故障处理方法。
本申请所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)，它用作外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)。
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本申请专利范围的限制。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 (10)
1.一种故障处理方法，其特征在于，应用于仓库监测系统，所述仓库监测系统包括：红外线图像采集装置和毫米波图像采集装置，所述方法包括：
利用探测传感模块获取仓库内的环境参数，根据所述环境参数获取环境预测信息；
当所述环境预测信息不满足预设条件时，在第一预设时间内利用红外线图像采集装置采集多个第一图像，并利用毫米波图像采集装置采集多个第二图像；
将多个所述第一图像和多个所述第二图像进行图像融合得到多个目标图像，根据所述目标图像获取故障处理策略。
2.根据权利要求1所述的方法，其特征在于，所述探测传感模块至少包括：位置传感器、温度传感器、湿度传感器和气体传感器，所述利用探测传感模块获取仓库内的环境参数，包括：
利用所述位置传感器获取所述定位参数，利用所述温度传感器获取所述空间温度参数，利用所述湿度传感器获取所述空间湿度参数，利用所述气体传感器获取所述有害气体含量参数。
3.根据权利要求1所述的方法，其特征在于，所述根据所述环境参数获取环境预测信息，包括：
将所述环境参数输入预测模型以获取环境预测信息，所述预测模型为已训练完成的循环神经网络模型。
4.根据权利要求3所述的方法，其特征在于，所述根据所述环境参数获取环境预测信息之前，所述方法还包括：
获取环境参数训练集，所述环境参数训练集包括多个携带记录时刻信息的环境参数；
构建所述循环神经网络模型，利用所述环境参数训练集对所述循环神经网络模型进行训练获取所述预测模型。
5.根据权利要求1所述的方法，其特征在于，所述将所述第一图像和所述第二图像进行图像融合得到多个目标图像，包括：
将各个相同时刻的所述第一图像和所述第二图像进行图像融合得到多个所述目标图像。
6.根据权利要求1所述的方法，其特征在于，所述根据所述目标图像获取故障处理策略，包括：
利用神经网络识别模型对所述目标图像进行识别获取故障类型；
根据所述故障类型获取故障处理策略。
7.根据权利要求1所述的方法，其特征在于，步骤根据所述故障类型获取故障处理策略，包括：
当所述故障类型为轻度危险时，获取的所述故障处理策略包括：在第二预设时间内继续采集所述第一图像和所述第二图像；
当所述故障类型为重度危险时，获取的所述故障处理策略包括：生成报警信号，所述报警信号用于通知工作人员对重度危险故障进行处理。
8.一种故障处理装置，其特征在于，应用于仓库监测系统，所述装置包括：
预测模块，用于利用探测传感模块获取仓库内的环境参数，根据所述环境参数获取环境预测信息；
监测模块，用于当所述环境预测信息不满足预设条件时，在第一预设时间内利用红外线图像采集装置采集多个第一图像；并利用毫米波图像采集装置采集多个第二图像；
处理模块，用于将多个所述第一图像和多个所述第二图像进行图像融合得到多个目标图像，根据所述目标图像获取故障处理策略。
9.一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述的故障处理方法的步骤。
10.一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，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010445184.8A CN111611991A (zh) | 2020-05-23 | 2020-05-23 | 故障处理方法和装置、电子设备、计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010445184.8A CN111611991A (zh) | 2020-05-23 | 2020-05-23 | 故障处理方法和装置、电子设备、计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111611991A true CN111611991A (zh) | 2020-09-01 |
Family
ID=72200470
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010445184.8A Pending CN111611991A (zh) | 2020-05-23 | 2020-05-23 | 故障处理方法和装置、电子设备、计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111611991A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112836616A (zh) * | 2021-01-28 | 2021-05-25 | 广东技术师范大学 | 基于环境参数序列的黄龙病预警方法、装置和计算机设备 |
| CN115314401A (zh) * | 2022-06-30 | 2022-11-08 | 中铁第四勘察设计院集团有限公司 | 接触网状态监测方法、装置、电子设备及存储介质 |
| CN115409210A (zh) * | 2022-08-22 | 2022-11-29 | 中国南方电网有限责任公司超高压输电公司昆明局 | 监测装备的控制方法、装置、计算机设备和存储介质 |
| CN117114576A (zh) * | 2023-08-31 | 2023-11-24 | 佛山市太米智能科技有限公司 | 一种基于人工智能的仓储智能调度监控管理方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103248505A (zh) * | 2012-02-08 | 2013-08-14 | 迈普通信技术股份有限公司 | 基于视图的网络监控方法及装置 |
| CN110987081A (zh) * | 2019-12-20 | 2020-04-10 | 云南方源科技有限公司 | 一种室外环境检测系统 |
| CN111127825A (zh) * | 2019-12-25 | 2020-05-08 | 深圳供电局有限公司 | 环境预测方法和装置、电子设备 |
-
2020
- 2020-05-23 CN CN202010445184.8A patent/CN111611991A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103248505A (zh) * | 2012-02-08 | 2013-08-14 | 迈普通信技术股份有限公司 | 基于视图的网络监控方法及装置 |
| CN110987081A (zh) * | 2019-12-20 | 2020-04-10 | 云南方源科技有限公司 | 一种室外环境检测系统 |
| CN111127825A (zh) * | 2019-12-25 | 2020-05-08 | 深圳供电局有限公司 | 环境预测方法和装置、电子设备 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112836616A (zh) * | 2021-01-28 | 2021-05-25 | 广东技术师范大学 | 基于环境参数序列的黄龙病预警方法、装置和计算机设备 |
| CN115314401A (zh) * | 2022-06-30 | 2022-11-08 | 中铁第四勘察设计院集团有限公司 | 接触网状态监测方法、装置、电子设备及存储介质 |
| CN115314401B (zh) * | 2022-06-30 | 2024-03-15 | 中铁第四勘察设计院集团有限公司 | 接触网状态监测方法、装置、电子设备及存储介质 |
| CN115409210A (zh) * | 2022-08-22 | 2022-11-29 | 中国南方电网有限责任公司超高压输电公司昆明局 | 监测装备的控制方法、装置、计算机设备和存储介质 |
| CN117114576A (zh) * | 2023-08-31 | 2023-11-24 | 佛山市太米智能科技有限公司 | 一种基于人工智能的仓储智能调度监控管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111611991A (zh) | 故障处理方法和装置、电子设备、计算机可读存储介质 | |
| CN111127825A (zh) | 环境预测方法和装置、电子设备 | |
| CN113269500B (zh) | 一种基于神经网络的冷链物流监控方法及系统 | |
| US20090024493A1 (en) | Method and system for monitoring forestry products | |
| CN115238828A (zh) | 一种色谱仪故障监测方法及装置 | |
| CN111523362A (zh) | 一种基于电子围网的数据分析方法、装置及电子设备 | |
| CN113723184A (zh) | 基于智能网关的场景识别系统、方法、装置和智能网关 | |
| KR20200054741A (ko) | 스마트 고독사 방지 시스템 및 그 방법 | |
| CN113435753A (zh) | 高危行业中企业风险判定方法、装置、设备及介质 | |
| CN113823054A (zh) | 换流站的综合安防管理系统、方法、装置和计算机设备 | |
| US10051452B2 (en) | Notification system and method of environment abnormality | |
| CN117575872B (zh) | 一种危化品管理方法和系统 | |
| CN111105582A (zh) | 森林防火监测方法、系统、计算机设备和可读存储介质 | |
| CN117541142A (zh) | 冷链仓储管理智能控制方法、电子设备和存储介质 | |
| US10354141B2 (en) | Role-based perception filter | |
| CN117455324A (zh) | 一种基于物理模型的大型港口运营管理方法及系统 | |
| KR102367584B1 (ko) | 스켈레톤 영상 분석 기법을 이용한 자동 영상 감시 시스템 | |
| Tamilselvi et al. | IoT based Smart Robotic Design for Identifying Human Presence in Disaster Environments Using Intelligent Sensors | |
| CN113723355A (zh) | 一种目标监控方法和装置、存储介质及电子装置 | |
| CN110751567A (zh) | 车辆信息处理方法、装置、计算机设备和存储介质 | |
| CN115797863A (zh) | 燃气无人站周界入侵预警方法、电子设备以及存储介质 | |
| CN116415879A (zh) | 一种基于标识解析的液体罐车监测方法及系统 | |
| Premarathna et al. | Image detection system for elephant directions along with the forest border areas | |
| Yuvaraj et al. | Deforestation Theft Monitoring System Using Load Sensor | |
| CN115471972A (zh) | 管网异常预警方法、装置、设备及存储介质 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200901 |
|
| WD01 | Invention patent application deemed withdrawn after publication |