[发明专利]基于度量学习与视觉感知的设备风险检测方法

说明书

本发明涉及度量学习与视觉感知技术领域，具体涉及基于度量学习与视觉感知的设备风险检测方法。该方法将待测设备的第一图像及其风险监控指标输入对应的设备风险检测网络得到对应的风险预测结果；设备风险检测网络的损失函数为交叉熵损失函数和关联总变差的均方差损失函数之和，关联总变差是根据不同数据中同一时段采集的设备图像中多个设备的预测风险等级的概率的相似度；相似度是根据任意两个设备之间的预测风险等级、预测风险概率、风险波动指标和两个设备之间的风险等级的差异的概率比值的加权求和。本发明利用设备图像和风险监控指标进行网络训练能够实时得到设备的风险预测结果，提高了设备风险检测的实时性和准确性。

技术领域

本发明涉及度量学习技术领域，具体涉及基于度量学习与视觉感知的设备风险检测方法。

背景技术

目前，经济水平发展正处于中低端向高端阶段迈进，但是企业层面的安全认知水平与安全理念相对落后，导致安全管理水平尚处于底层水平，事故预防仍处于被动阶段，绝大多数企业仍属于粗放安全管理。因此要加强对设备风险的检测，提前采用预防机制，构建实施风险分级管控体系。

目前，风险检测方法通常采用人为的进行风险排查，以发现其存在的设备风险。这种风险检测方法准确率低，没有考虑设备之间的相互影响、相互关联性。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于度量学习与视觉感知的设备风险检测的方法，所采用的技术方案具体如下：

本发明一个实施例提供了基于度量学习与视觉感知的设备风险检测方法，该方法包括以下步骤：

将待测设备的第一图像及其风险监控指标输入对应的设备风险检测网络得到对应的风险预测结果；

所述设备风险检测网络的损失函数为交叉熵损失函数和关联总变差的均方差损失函数之和，所述关联总变差为实时关联总变差和标准关联总变差的差值；所述标准关联总变差是根据历史数据中同一时段采集的设备图像中多个设备的预测风险等级的概率的相似度；所述实时关联总变差是根据实时数据中同一时段采集的设备图像中多个设备的预测风险等级的概率的相似度；所述相似度是根据任意两个所述设备之间的预测风险等级的概率比值的加权求和，所述预测风险等级的概率是根据设备的预测风险等级、预测风险概率、风险波动指标和两个所述设备之间的风险等级的差异得到的。

优选的，所述风险波动指标的获取方法，包括：

获取所述设备的设备图像对应的风险等级序列，采用高斯背景建模获得所述风险等级序列对应的混合高斯分布以及混合高斯分布曲线，所述混合高斯分布曲线的横坐标为风险等级，纵坐标为风险概率；

将多个所述混合高斯分布曲线求均值得到最终高斯分布曲线；由所述最终高斯分布曲线得到所述设备的风险波动指数。

优选的，所述两个设备之间的风险等级的差异的获取方法，包括：

计算任意两个所述设备对应的最终高斯分布曲线之间的距离值；将所述距离值作为两个所述设备之间的风险等级的差异。

优选的，所述由所述最终高斯分布得到所述设备的风险波动指数，包括：

所述风险波动指标计算公式为：

其中，B_i为第i个所述设备的所述风险波动指标；Simⁱ为第i个所述设备的高斯分布相似度。

优选的，所述第i个所述设备的高斯分布相似度的获取方法，包括：

所述第i个所述设备的高斯分布相似度的计算公式为：