一种泵房环境温湿度监测预警方法和系统与流程

1.本公开涉及泵房环境监测领域，特别涉及一种泵房环境温湿度监测预警方法和系统。


背景技术：

2.泵房中运行有泵机，还有水箱以及水质监测等设备，其温湿度环境的监测是最常见的监测方式，然而，现有技术中然也存在远程监控管理平台，然而获得的温湿度信息还是处于信息孤岛状态，其数据的获得并不能实现对环境安全的监管，而实现的监测预警也存在不准确、不精确的问题。


技术实现要素：

3.本公开提供一种泵房环境温湿度监测预警方法和系统，能够解决现有技术中泵房环境监测预警不准确不精确的问题。为解决上述技术问题，本公开提供如下技术方案：
4.作为本公开实施例的一个方面，提供一种泵房环境温湿度监测预警方法，包括如下步骤：
5.获取泵房环境温度数据和湿度数据；
6.判断所述温度数据和/或湿度数据是否超出预设阈值，如果超出所述预设阈值，则判定为第一异常状态并将所述第一异常状态上报至远端服务器；所述预设阈值根据计算得到的泵房历史一段时期内检测到的温度数据和湿度数据的平均值的变化而变化；
7.所述远端服务器根据所述第一异常状态调用泵房环境在线视频，根据在线视频识别第二异常状态。
8.可选地，若所述温度数据和/或湿度数据均未超出预设阈值，则认定为正常状态，并将所述温度数据和湿度数据上报至远端服务器保存。
9.可选地，所述预设阈值为一阈值范围，最低值为历史一段时期内检测到的温度数据和湿度数据的平均值的0.5-0.6倍，最大值为历史一段时期内检测到的温度数据和湿度数据的平均值的1.4-1.8倍。
10.可选地，根据在线视频识别第二异常状态具体为：
11.采用深度学习网络对在线视频进行深度识别，如果识别到异常情况，则将所述异常情况定义为第二异常状态。
12.可选地，所述深度学习网络的训练过程如下：
13.获取泵房历史视频数据，对所述视频数据进行去噪、配准以及标注；
14.构建并训练深度学习网络；
15.在远程服务器中部署深度学习网络。
16.可选地，构建并训练深度学习网络具体包括如下步骤：
17.构建cnn架构的深度学习网络；
18.向所述已有网络中馈入去噪、配准以及标注后的视频数据以实现迁移学习；
19.采用历史视频数据训练所述深度学习网络。
20.作为本公开实施例的另一个方面，提供一种泵房环境温湿度监测预警系统，包括：
21.温湿度采集模块，用于获取泵房环境温度数据和湿度数据；
22.本地服务器，判断所述温度数据和/或湿度数据是否超出预设阈值，如果超出所述预设阈值，则判定为第一异常状态并将所述第一异常状态上报至远端服务器；所述预设阈值根据计算得到的泵房历史一段时期内检测到的温度数据和湿度数据的平均值的变化而变化；
23.远端服务器，根据所述第一异常状态调用泵房环境在线视频，根据在线视频识别第二异常状态。
24.可选地，所述远端服务器中还部署有深度学习网络，所述采用深度学习网络对在线视频进行深度识别，如果识别到异常情况，则将所述异常情况定义为第二异常状态。
25.可选地，所述深度学习网络的训练过程如下：
26.获取泵房历史视频数据，对所述视频数据进行去噪、配准以及标注；
27.构建并训练深度学习网络；
28.在远程服务器中部署深度学习网络。
29.可选地，构建并训练深度学习网络具体包括：
30.构建cnn架构的深度学习网络；
31.向所述已有网络中馈入去噪、配准以及标注后的视频数据以实现迁移学习；
32.采用历史视频数据训练所述深度学习网络。
33.本公开的有益效果是：能够根据温湿度异常情况，进一步调用本地在线视频进行深度识别，这样能够验证异常情况是否真实存在，也能实现无人值守，而且也能减少在线识别的运算量和降低对硬件设备运算能力的要求。
附图说明
34.图1示出了泵房环境温湿度监测预警方法流程图；
35.图2示出了深度学习网络的训练过程流程图；
36.图3示出了构建并训练深度学习网络具体步骤流程图；
37.图4示意性的示出了泵房环境温湿度监测预警系统框图。
具体实施方式
38.下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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，都属于本公开保护的范围。
39.实施例1
40.作为本公开实施例的一个方面，提供一种泵房环境温湿度监测预警方法，如图1所示，包括如下步骤：
41.s10、获取泵房环境温度数据和湿度数据；
42.其中，温度数据和湿度数据可以通过设置在泵房中的温度传感器、湿度传感器或
一体设置的温湿度传感器获得，上述传感器可设置在容易由于工作异常或者天气异常引起的温度变化或者湿度变化的位置，如电机线圈外壳上设置温度传感器、供电箱等设备上设置温度传感器，二次供水箱或水管附近设置湿度传感器等，用于获得想要的环境温湿度数据参数。
43.s20、判断所述温度数据和/或湿度数据是否超出预设阈值，如果超出所述预设阈值，则判定为第一异常状态并将所述第一异常状态上报至远端服务器；所述预设阈值根据计算得到的泵房历史一段时期内检测到的温度数据和湿度数据的平均值的变化而变化；
44.其中，预设阈值为是否超出环境温度或者环境湿度的平均值所处的范围，例如，天气温度骤降容易引起冰冻或者水管冻裂时，此时温度远低于平均温度，则判定此时的温度处于第一异常状态。
45.s30、所述远端服务器根据所述第一异常状态调用泵房环境在线视频，根据在线视频识别第二异常状态。
46.其中，在步骤s20中出现了第一异常状态，则步骤s30中的远端服务器会接收该第一异常状态信号，进而调用安装在泵房环境中的视频设备如摄像头拍摄在线视频，进而通过识别在线视频中的异常情况而判定为第二异常状态。
47.在一些实施例中，若所述温度数据和/或湿度数据均未超出预设阈值，则认定为正常状态，并将所述温度数据和湿度数据上报至远端服务器保存。
48.在一些实施例中，所述预设阈值为一阈值范围，最低值为历史一段时期内检测到的温度数据和湿度数据的平均值的0.5-0.6倍，最大值为历史一段时期内检测到的温度数据和湿度数据的平均值的1.4-1.8倍。
49.在一些实施例中，根据在线视频识别第二异常状态具体为：
50.采用深度学习网络对在线视频进行深度识别，如果识别到异常情况，则将所述异常情况定义为第二异常状态。
51.在一些实施例中，如图2所示，所述深度学习网络的训练过程如下：
52.s302、获取泵房历史视频数据，对所述视频数据进行去噪、配准以及标注；
53.s304、构建并训练深度学习网络；
54.s306、在远程服务器中部署深度学习网络。
55.在一些实施例中，如图3所示，构建并训练深度学习网络具体包括如下步骤：
56.s3042、构建cnn架构的深度学习网络；cnn是一种深度神经网络，可直接用于处理结构化数据，比如图像。该网络由一个输入层、多个隐藏层和一个输出层组成。各层通过节点(即神经元)相互连接。在数据通过网络的过程中，部分层(卷积层、relu层以及池化层)会从图像中学习特征，而softmax层则会提供分类。
57.s3044、向所述已有网络中馈入去噪、配准以及标注后的视频数据以实现迁移学习；其中，所述已有网络可为alexnet或googlenet等现有的网络，在完成网络的调整后，就可以进行训练了。与从头训练相比，迁移学习的速度更快，难度也更低。它的另一个优势是数据需求量小得多：只需数千张图像即可实现训练。
58.s3046、采用历史视频数据训练所述深度学习网络。
59.基于上述实施例中的方法，能够根据温湿度异常情况，进一步调用本地在线视频进行深度识别，这样能够验证异常情况是否真实存在，也能实现无人值守，而且也能减少在
线识别的运算量和降低对硬件设备运算能力的要求。
60.实施例2
61.作为本公开实施例的另一个方面，如图4所示，提供一种泵房环境温湿度监测预警系统100，包括：
62.温湿度采集模块1，用于获取泵房环境温度数据和湿度数据；
63.其中，温度数据和湿度数据可以通过设置在泵房中的温度传感器、湿度传感器或一体设置的温湿度传感器获得，上述传感器可设置在容易由于工作异常或者天气异常引起的温度变化或者湿度变化的位置，如电机线圈外壳上设置温度传感器、供电箱等设备上设置温度传感器，二次供水箱或水管附近设置湿度传感器等，用于获得想要的环境温湿度数据参数。
64.本地服务器2，判断所述温度数据和/或湿度数据是否超出预设阈值，如果超出所述预设阈值，则判定为第一异常状态并将所述第一异常状态上报至远端服务器；所述预设阈值根据计算得到的泵房历史一段时期内检测到的温度数据和湿度数据的平均值的变化而变化；其中，预设阈值为是否超出环境温度或者环境湿度的平均值所处的范围，例如，天气温度骤降容易引起冰冻或者水管冻裂时，此时温度远低于平均温度，则判定此时的温度处于第一异常状态。所述本地服务器2设置在泵房，通过有线或无线的方式与温湿度采集模块1连接。
65.远端服务器3，根据所述第一异常状态调用泵房环境在线视频，根据在线视频识别第二异常状态。其中，远端服务器3会接收该第一异常状态信号，进而调用安装在泵房环境中的视频设备如摄像头拍摄在线视频，进而通过识别在线视频中的异常情况而判定为第二异常状态。所述远端服务器3放置在维护中心，通过互联网网络与本地服务器2实现通信，如通过路由设备将本地服务器2获取的数据与所述远端服务器3连接。
66.在一些实施例中，所述本地服务器2还连接有视频设备以拍摄在线视频，可以接受远端服务器3的指令，控制视频设备拍摄视频并转发至远端服务器3。
67.在一些实施例中，所述远端服务器3中还部署有深度学习网络，所述采用深度学习网络对在线视频进行深度识别，如果识别到异常情况，则将所述异常情况定义为第二异常状态。
68.在一些实施例中，所述深度学习网络的训练过程如下：
69.获取泵房历史视频数据，对所述视频数据进行去噪、配准以及标注；
70.构建并训练深度学习网络；
71.在远程服务器中部署深度学习网络。
72.在一些实施例中，构建并训练深度学习网络具体包括：
73.构建cnn架构的深度学习网络；
74.其中cnn是一种深度神经网络，可直接用于处理结构化数据，比如图像。该网络由一个输入层、多个隐藏层和一个输出层组成。各层通过节点(即神经元)相互连接。在数据通过网络的过程中，部分层(卷积层、relu层以及池化层)会从图像中学习特征，而softmax层则会提供分类。
75.向所述已有网络中馈入去噪、配准以及标注后的视频数据以实现迁移学习；其中，所述已有网络可为alexnet或googlenet等现有的网络，在完成网络的调整后，就可以进行
训练了。与从头训练相比，迁移学习的速度更快，难度也更低。它的另一个优势是数据需求量小得多：只需数千张图像即可实现训练。
76.采用历史视频数据训练所述深度学习网络。
77.尽管已经示出和描述了本公开的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本公开的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本公开的范围由所附权利要求及其等同物限定。