CN118095867B 基于视频处理和深度学习的消防设备检测评估系统及方法 （江苏省建筑工程质量检测中心有限公司）

基于视频处理和深度学习的消防设备检测本发明公开了基于视频处理和深度学习的对图结构空间构建并训练多通道图神经网络模根据综合风险评分输出消防设备的分级维护方2步骤S4、构建风险评估模型，并以每个设备节点的风险步骤S13、采用YOLOvx从视频帧中自动检测和定位消防设备，生成设备的边界框和掩其中每个卷积层后添加批归一化和激活函数，每一通道对征的重要性；在多通道图神经网络模型的顶层构建一个风险评估模块，包括全连接层和3步骤S26、通过训练后的多通道图神经网络模型输出每个时间步长的图节点特征表示2.如权利要求1所述的基于视频处理和深度学习的消防设备检测评估方法，其特征在步骤S42、按照预定周期从高风险设备中抽取一部分数据进行人工复核，获取专家反3.如权利要求2所述的基于视频处理和深度学习的消防设备检测评估方法，其特征在4.如权利要求2所述的基于视频处理和深度学习的消防设备检测评估方法，其特征在5.如权利要求2所述的基于视频处理和深度学习的消防设备检测评估方法，其特征在46.如权利要求5所述的基于视频处理和深度学习的消防设备检测评估方法，其特征在步骤S363d、初始化异常阈值为异常分数的95%分位点步骤S363f、当连续多个状态点的异常分数超过当前阈值时，触发阈值自适应调整机所述存储器存储有可被所述处理器执行的指令，所述指令用于被所现权利要求1至6任一项所述的基于视频处理和深度学习的消防设5[0005]发明目的，提供一种基于视频处理和深度学习的消防设67[0031]在流形空间中引入了自适应边界异常检测算法，通过学习正常状态的紧致包络优化异常判定的阈值。这一机制能够有效适应消防设备工作环境的变化和数据分布的漂89[0055]步骤S26、通过训练后的多通道图神经网络模型输出每个时间步长的图节点特征得图模型能够适应不同场景下设备交互模式的动态变化，提高了图表示的适应性和鲁棒上的特征向量视为流形空间中的一个点，该步骤实现了将时间维度映射到空间维度的转[0106]采用聚类算法对不同设备的状态轨迹进行聚类分析。通[0107]采用自适应流形边界异常检测算法(AMBAD)。与传统的基于阈值或概率密度的异[0114]该步骤融合了步骤S2产生的设备风险概率和步骤S3输出的设备异常状态作为输中的生命力和可塑性。而该方案创新性地将人的经验智慧和机器的数据分析能力相结合，[0125]根据本申请的一个方面，一种基于视频处理和深度学习的消防设备检测评估系[0136]基于融合后的异构数据,系统构建了一[0137]借助图神经网络强大的表示学习能力,系统在属[0138]特别地,在图神经网络的编码过程中,系统还引入了注意力机制和多尺度聚合等[0140]在对设备状态进行图编码的基础上,系统进一步利用流形学习技术,刻画设备状态在时空维度上的演化模式。通过构建高维流形嵌入空间,并在其中分析设备状态的动态[0141]首先,系统将每个设备在历史时间窗口内的图嵌入向量,按时间顺序拼接为一个[0142]然后,系统对状态序列矩阵进行流形学习和降维分析。通过非线性投影(如Isomap)或局部线性嵌入(如LLE)等降维算法,系统在保持状态分布特征的同时,提取其内统构建了正常状态流形的紧致边界,并实时判别新来样本的归属。一旦某设备的状态点逾[0145]汇聚图神经网络输出的设备风险概率、流[0146]模型通过层次分析法动态评估各设备节点的[0147]基于量化的多维度风险评估结果,系统按照风险等级匹配了相应的分级维护策果等现场数据,并及时用于评估模型的校正和再训练。通过人机交互不断优化系统的预测