TWI784718B - 廠區告警事件處理方法與系統 - Google Patents
廠區告警事件處理方法與系統 Download PDFInfo
- Publication number
- TWI784718B TWI784718B TW110134726A TW110134726A TWI784718B TW I784718 B TWI784718 B TW I784718B TW 110134726 A TW110134726 A TW 110134726A TW 110134726 A TW110134726 A TW 110134726A TW I784718 B TWI784718 B TW I784718B
- Authority
- TW
- Taiwan
- Prior art keywords
- sensing data
- outlier
- sensing
- solutions
- alarm event
- Prior art date
Links
Images
Landscapes
- Alarm Systems (AREA)
- Emergency Alarm Devices (AREA)
Abstract
一種廠區告警事件處理方法與系統,系統設有一運算平台以及設於廠區內的至少一感測裝置,運算平台即運行廠區告警事件處理方法,在方法中,接收由感測裝置產生的感測數據,集群感測數據後,當得到離群感測數據,即記錄針對離群感測數據的多個解決方案,並基於解決方案判定離群感測數據為一正常事件或一異常事件,之後將解決方案導入一機率分配模式,得到離群感測數據所對應的解決方案的一機率排序。當再接收感測數據時,當判定感測數據歸類於異常事件的離群感測數據後,可基於機率排序執行解決方案的至少其一,以對應形成告警信息,可通過揚聲器以語音方式播出對應的情境描述及對應處理步驟。
Description
說明書提出一種廠區內處理異常事件的方法,特別是一種通過數據學習以預測異常事件的廠區告警事件處理方法與系統。
根據現行工廠安全管理的措施,大多仰賴人員從監視器監看或到現場巡邏查看,並可配合廠區設置的各種感測裝置與監控設備,如煙霧警報器、溫濕度感測器、機台監控設備等,再通過電子看板監視。當廠區產生異常事件,如火災、煙霧,可通過人員的經驗判斷,並可加上監控設備產生的警報訊號,判斷後執行後續措施。
然而,但當遇到人員疏忽或是認知的不同,又或者非過去所已知的異常時,就無法即時的進行提醒,最主要原因是過去都是將資訊依照已知的條件、規則或門閥值進行彙總,以儀錶板的方式提供管理人員進行監看與查詢,才進行下一步措施。
本揭露所要解決的是先前技術中無法達到即時告警並同時提供有效方案的問題。
為了解決上述問題,本揭露提供一種廠區告警事件處理方法,運作於一運算平台,包括:接收由至少一感測裝置產生的多個第一感測數據;集群該些第一感測數據以得到一離群感測數據;記錄針對離群感測數據的多個解決方案,並基於該些解決方案判定離群感測數據為一正常事件或一異常事件;將該些解決方案導入機率分配模式,得到離群感測數據所對應的該些解決方案的一機率排序;接收第二感測數據並判定第二感測數據歸類於異常事件的離群感測數據後,基於機率排序執行該些解決方案的至少其一。
為了解決上述問題,本揭露提供另外一種廠區告警事件處理系統,包括一運算平台以及至少一感測裝置,運算平台運行廠區告警事件處理方法,在方法中,運算平台接收由至少一感測裝置產生的多個第一感測數據,分析以擷取感測數據的特徵,經集群所得到的第一感測數據號得到離群感測數據時,記錄針對離群感測數據的多個解決方案,並基於所述解決方案判定離群感測數據為一正常事件或一異常事件,接著將解決方案導入一機率分配模式,得到離群感測數據所對應的解決方案的一機率排序,如此,當接收第二感測數據並判定第二感測數據歸類於異常事件的離群感測數據後,基於機率排序執行些解決方案的至少其一。
基於上述,藉由本揭露的廠區告警事件處理方法及系統,因針對異常事件的離群感測數據紀錄多個解決方案,故待接收到新的感測數據(即第二感測數據)且新的感測數據被判定為異常事件的離群感測數據後,就可即時提供解決方案的至少其一,以解決因人員疲勞或是經驗認知上的不同而忽略該事件需要立即採取對應對做的失誤。
為使能更進一步瞭解本發明的特徵及技術內容,請參閱以下有關本發明的詳細說明與圖式,然而所提供的圖式僅用於提供參考與說明,並非用來對本發明加以限制。
以下是通過特定的具體實施例來說明本發明的實施方式,本領域技術人員可由本說明書所公開的內容瞭解本發明的優點與效果。本發明可通過其他不同的具體實施例加以施行或應用,本說明書中的各項細節也可基於不同觀點與應用,在不悖離本發明的構思下進行各種修改與變更。另外,本發明的附圖僅為簡單示意說明,並非依實際尺寸的描繪,事先聲明。以下的實施方式將進一步詳細說明本發明的相關技術內容,但所公開的內容並非用以限制本發明的保護範圍。
應當可以理解的是,雖然本文中可能會使用到“第一”、“第二”、“第三”等術語來描述各種元件或者信號,但這些元件或者信號不應受這些術語的限制。這些術語主要是用以區分一元件與另一元件,或者一信號與另一信號。另外,本文中所使用的術語“或”,應視實際情況可能包括相關聯的列出項目中的任一個或者多個的組合。
本揭露提出一種廠區告警事件處理方法與系統,方法適用於工廠或相關場域中針對異常事件告警的需求。所述廠區告警事件處理系統除各硬體設備外,還引用軟體手段運行一機器學習方法。根據定義好的條件、規則以及門閥值等參數學習廠區內各式感測設備與監控設備產生的數據。利用循環且自動優化的機器學習演算法建立一基於人工智能技術實現的廠區告警模型,使得在系統中運行的廠區告警事件處理方法中,只需將廠區內各式感測裝置(如影像與各種環境監控設備)即時產生的數據接入根據歷史數據建立所述的廠區告警模型,即自動區分出正常現象或有異常的信息,藉此預測異常事件,並產生告警信息。
進一步地,根據廠區告警事件處理方法實施例,透過機器學習方法分類所接收的廠區內各設備產生的數據,即便相關事件最後人為介入標記為正常事件,也可循環加入訓練,作為下次判斷依據。所述方法的目的之一是能夠通過所建立的廠區告警模型在異常事件發生前,使系統的特定裝置自動產生告警信息,以文字、語音、燈號或影像等方式提供相關人員面臨的情境及對應處理步驟。讓所述人員可以立即知道接下來要做出何種動作,解決因人員疲勞或是經驗認知上的不同而忽略該事件需要立即採取對應失誤的措施。特別的是,系統所產生的告警信息為針對即將發生的異常事件組合語音檔案形成一音頻數據112,再通過揚聲器以語音方式(實際實施並不排除可以其他形式告警)播出對應的情境描述語音及情境解決步驟語音,這些通過機器學習得出的後續處理措施可能是過去解決相同異常事件的措施。
所述廠區告警事件處理系統可參考圖1顯示的架構實施例示意圖,廠區告警事件處理系統提出一運算平台10,運算平台10以電腦設備配合軟體實現各種功能模組以運作廠區告警事件處理方法。當廠區內感測裝置111感測到事件110而產生感測數據,如即時影像、聲音、信號或環境數據(如溫溼度、煙霧、進出入事件等)時,感測數據被傳送到運算平台10。其中運行的廠區告警事件處理方法可參考圖2顯示的實施例流程圖,以及圖5顯示的方法實施範例。
在一實施例中,所述感測裝置111數量依照廠區需求而定,可為一個或是設於不同位置的多個感測裝置111,用於取得廠區內一或多個特定監視區域的感測數據,讓運算平台10可即時取得大量串流載入的感測數據,在此實施例表示為多個第一感測數據(步驟S201)。感測裝置111可為攝影機、音訊接收器或特定感測器等,而這些感測數據可為對應某監視區域中發生的任一事件110的即時影像、聲音、信號或環境數據,可以作為機器學習的樣本。
接著以集群(clustering)方法對第一感測數據進行分群,藉此得出離群感測數據(步驟S203)。根據實施例,感測數據例如為廠區內攝影機拍攝在對應設置的監視區域中工作人員操作機器產生的即時影像,以音訊接收器擷取聲響,或是特定感測器取得機台或環境的信息。當運算平台10接收到感測數據,運算平台10中軟體程序可運行一非監督式學習(unsupervised learning),藉由分群來得到離群感測數據(outlier)。根據實施例之一,可以利用一種基於密度空間聚類(Density-Based Spatial Clustering of Applications with Noise, DBSCAN)而得離群數據,可參考圖8所示實施範例。
進一步地,當系統從第一感測數據得到離群資料後,在步驟S205中,廠區告警事件處理系統可以通過管理人員或機器針對一段時間內產生的感測數據所區隔出的離群資料進行標記,對離群數據設定解決方案,其中同一個離群感測數據可能有一或多個解決方案(步驟S205),也會判定此離群資料為正常事件或異常事件(步驟S207)。運算平台10即記錄管理人員或機器針對離群資料設定的解決方案,並儲存至資料庫105。藉此,經標記的異常數據仍回饋到運算平台10中機器學習樣本建立與學習的程序中,以自動循環學習。
之後,將判定過的異常事件的相關離群感測數據與解決方案導入機率分配模式,本實施例即通過運算平台10對各離群感測數據的解決方案進行機率排序(步驟S209)。
請參考圖3,圖3是離群事件之解決方案之機率矩陣的實施例圖。圖3顯示根據各筆離群感測數據的解決方案的機率值形成的機率排序301。機率分配模式係將各解決方案賦予一權重而得一機率值,進而排序得出的多個機率值而得所述的機率排序。舉例來說,機率矩排序301是依照各事件發生情境設定權重303,再依照機率值由高至低排序得到機率排序301。權重303的設定是依據實際應用而定,例如,當發生異常事件的特定情境下會有多種解決方案,而系統設定權重303時,可針對比較常用的解決方案設定較高權重,較少使用的解決方案即設定較低權重。如此,在根據機率值排序提供解決方案時,權重303將成為決策的重要參數。同時,運算平台10可基於解決方案判定離群感測數據為正常事件305或異常事件307。
關於權重303的決定情境的一實施範例,不同管理人員對同一個離群感測數據可能有相同的做法,假設針對同一個離群感測數據, 第一、第二與第三管理人員都是提供相同A解決方案,運算平台就會對A解決方案記錄權重為:1+1+1,另有第四工作人員提供B解決方案,所以這個離群感測數據就會有A解決方案的機率值為3,而B解決方案的機率值為1。據此,得到此離群感測數據之解決方案的機率排序。
在一實施範例中,解決方案可包括對所述離群感測數據處理的影像串流、對應影像串流的情境描述語音及情境解決步驟語音。其中情境描述語音是指事件發生之後接續可能發生什麼情境,而情境解決步驟語音表示發生事情後的處理步驟。另外,可利用揚聲器播放情境描述語音及情境解決步驟語音。
接著,廠區告警事件處理系統繼續運作,繼續接收由感測裝置111所產生新的感測數據,在此實施例稱第二感測數據(步驟S211),並判定第二感測數據歸類於異常事件的該離群感測數據後,可基於根據上述方法計算得出的機率排序執行多個解決方案的至少其一(步驟S213)。詳細來說,運算平台10接收到新的第二感測數據後,且經集群也被判定為離群感測數據。接下來就要判定第二感測數據被歸類於哪一異常事件的離群感測數據。舉例來說,運算平台10可計算新的感測數據(即第二感測數據)的特徵值與每一離群感測數據的特徵值之間的距離。基於距離小於一閥值而判定新的感測數據歸類於離群感測數據,其中計算距離的方式可採用用於表示多維空間中兩個點之間的歐式距離(Euclidean distance)的計算方法。
當新的感測數據被歸類後,對應被歸類的離群感測數據的多個解決方案的至少其一可被執行,例如可通過移動設備113的揚聲器115或固定於廠區內各式的非移動設備114的揚聲器116發出解決方案。執行解決方案亦可稱告警信息,即以語音方式播放解決方案。例如通過揚聲器115、116告知廠區內監視區域中的現場人員117已經發生或即將發生的異常事件,還可進一步播出對應的情境描述及對應處理步驟,讓現場人員117可以立即知道接下來要做出何種動作。在此一提的是,上述廠區告警事件處理方法實施例以語音方式形成告警信息,另仍不排除可以文字、影像或燈號等方式通過非移動設備114告知現場人員117已經發生或即將發生的異常事件,亦包括可將各式信息播送至現場人員117所持的移動設備113。
在一實施例中,離群感測數據的相關數據如影像數據、現場聲響、環境數據與/或機台運作數據等,亦能一併輸入機器學習演算法進行學習,同樣地提供解決方案的廠區告警模型。舉例來說,經觸發某事件後,運算平台10將相關感測數據儲存於資料庫中。針對離群事件,待現場人員處理完成或排除觸發事件後,可將副本資料進行儲存。也就是說,當在上述集群步驟(如步驟S203)中所得到的離群感測數據組為多個時,可針對每一離群感測數據組及對應的解決方案建立一查詢索引。在此一提的是,系統可提供相關人員檢視副本資料檢索,並提供編輯介面供修正或增補資訊。
如此,運算平台10即針對每筆正常、異常事件的離群感測數據、所建立的查詢索引以及相關感測數據一併儲存至資料庫,並能在標記後自動循環學習,對於新出現的場景並不需要投入額外的開發資源。
在上述實施例流程中,系統通過機器學習演算法學習即時取得的感測數據,即第一感測數據與第二感測數據,如圖2步驟S205,廠區告警事件處理系統離群資料的標記並設定解決方案後,建立判斷與預測異常事件的廠區告警模型,同時也不斷地學習即時產生的感測數據以更新廠區告警模型。
根據以上描述的流程實施例,廠區告警事件處理系統通過軟體程序自動學習標記結果,並擷取隨時間戳記記錄的場景特徵,未來若出現相同特徵時候,就可以達到事件發前的預警通知的目的。
基於以上實施例所描述的方法流程,以下描述以影像數據為實施方式的廠區告警事件處理方法實施例。
圖4所示的方法實施例流程運用影像特徵建立廠區內廠區告警事件處理系統中的廠區告警模型,所述感測裝置可為設於廠區各處的監視攝影機。監視攝影機用於拍攝所設的監視區域中工作人員操作機器的即時影像,形成影像數據。在沒有人為介入的情況下,讓機器能夠自動將傳入的串流影像進行場景分類,並隨著時間序可以自動識別新出現的場景,可以使得系統可以根據感測數據中的特徵預測到異常事件即將發生,並提供對應的情境描述以及情境對應的處理步驟。根據圖5顯示廠區告警事件處理方法的實施例流程圖,可配合圖1所示之系統實施例示意圖,以及圖5至圖8所示之實施例圖。
以影像監控而產生影像數據為例,感測裝置用於拍攝廠區中特定監視區域的影像,形成上述實施例中的第一感測數據與第二感測數據,可以是所述實施例中至少一感測裝置所取得對應設置的監視區域中工作人員操作機器的即時影像、聲響或信號,感測數據以串流方式載入運算平台。特別的是,這些影像、聲響或信號數據可以作為機器學習的樣本,較佳可以取得高畫質檔案。根據實施例,在運行廠區告警事件處理方法之前,通過運算平台中的軟體程序啟始一控制介面,用於設定監視區域,例如可將廠區區分多個區域(步驟S401)。可參考圖5所示系統中提供給管理人員監視廠區的圖形使用者介面示意圖,此圖中顯示一以軟體手段實現的設定監視區域的介面52,管理人員選擇其中廠區布局圖501選項,右方的設定畫面503中顯示將一個廠區分為多個區域的畫面,標示出每個區域的位置、相關資訊以及其中設備,如圖中代表的一監視區域505,每個監視區域可依照其場域特性設有一或多個各種感測裝置。
根據所選定的監視區域505,設定其中感測裝置(步驟S403)。可參考圖6所示實施例,其中顯示一個提供管理人員設定各個監視區域中感測裝置的表格,此例為設定感測裝置的介面60,當中列出各個感測裝置的資訊,如所屬區域、機台位址、通訊埠等,可供管理人員查詢與修改設定。
在此實施例中,感測裝置如攝影機,用於拍攝廠區的特定監視區域。完成上述設定後即開始運作,即時產生大量而高畫質的影像數據,並由系統中的運算平台即時取得大量串流載入的影像數據(步驟S405)。接著是進行數據分析,並取得影像特徵值(步驟S407)。其中可運用軟體方法取得影像中的影像特徵,例如在影像處理方法中,將影像分割為多區,從影像畫素值得出各區最大值、最小值與平均值,用以偵測影像中的邊緣與形狀,可比對資料庫中影像特徵的數據,執行影像匹配;在另一方式中,可以採用一種卷積神經網路(convolutional neural network,CNN)建立影像特徵。
利用卷積神經網路建立影像特徵的實施例示意圖可參考圖7A至7C。圖7A顯示一影像幀中的每個畫素值,圖7B顯示將影像分區後取得當中最大畫素值,另亦可針對最小或平均畫素值來處理,接著圖7C顯示進行卷積運算(convolutional operation )中池化演算(pooling)後保留重要資訊後的特徵圖,即可得到所選擇的廠區內特定區域的影像特徵。
根據一實施例,經選定監視區域時,系統利用軟體程序在記憶體或資料庫中建立一個暫存空間,依照時間順序儲存所接收的影像數據,並在運作時可載入至系統記憶體中,影像可以關鍵幀(key frame)為主。在一實施例中,暫存的記憶體空間可以儲存最少幀數(例如32幀)的影像為參考,之後開始擷取其中特徵。在類神經網路的機器學習方法中,特徵擷取使用不同數量的輸入層、卷積層、池化層及不同初始參數推疊組合而成,以此得出影像特徵,再將特徵結果存放於記憶體中。以上步驟為持續根據即時接收的影像數據運行,新輸入影像可替換掉原暫存空間中的最久遠影像。接著,可針對記憶體中暫存的影像特徵演算特徵距離,進行前後次的殘差計算,作為分類的依據(步驟S409),此步驟可以通過機器學習的技術自動擷取影像特徵值,以根據影像之間的特徵差異進行場景分類。
特別的是,所述感測數據為影像數據時,演算平台可以取得隨著時間取得連續幀影像,並擷取其中各幀的影像特徵,如果所監視的現場沒有太大的變化,則如圖8顯示一種基於密度空間聚類(DBSCAN)的方法,顯示經過分類形成的群組數量會趨於穩定,如圖8中的(a)至(c)圖例,演變到(d)至(f)圖,產生變化,表示監視區域中的密度特徵改變,演算平台中的軟體程序將可自動識別出這個新的群組(離群),即可據此發出信息。在此進行分群演算法如圖形匹配(pattern match)、k-平均演算法(k-means clustering)或特定演算法,其主要概念是應用演算法取得影像特徵,並學習其中群聚現象,並據此執行分類以取得不同的群組(image classification)。
當通過一段時間影像特徵變化判斷有離群事件時,系統端的管理人員將對離群事件進行標記(步驟S411)。離群事件可經標記屬於正常群組或異常群組,同樣加入機器學習樣本建立與學習的程序,與前述標記的正常群組或異常群組都可回饋到運算平台中機器學習樣本建立與學習的程序以自動循環學習,最後形成廠區告警模型,能根據異常事件的機率排序使得系統可對相關廠區人員進行示警(步驟S413)。
於一實施範例中,廠區告警事件處理系統利用攝影機拍攝廠區內產線上的機台與工作人員,攝影機持續拍攝工作人員操作機台的動作,並可同時擷取現場的聲響與機台運作產生的信息。系統中的運算平台可以即時取得各式感測裝置產生的數據,通過以上實施例描述的廠區告警事件處理方法,通過廠區告警模型判斷是否會發生異常事件,並執行相關告警措施,例如,將即將發生的事件情境轉換成音頻數據112,再通過揚聲器自動說出情境描述及對應處理步驟,讓現場的工作人員可以立即知道接下來要做出何種動作。
根據所提出方法的目的之一是,在一工廠的場域中,針對異常事件發生之前即發出告警信息,即為情境描述及對應處理步驟。若廠區中工作人員執行某項動作時,系統擷取相關感測數據,即時擷取其中特徵並分析後,判斷出一處理措施,系統在尚未發生異常事件前即以語音方式告知工作人員的後續處理措施。
綜上所述,根據上述廠區告警事件處理方法與系統的實施例,利用機器學習的方法得出的廠區告警模型來預測並說出即將發生的異常事件,執行對應處理步驟,特別可以語音方式播出告警信息,讓相關人員可以立即知道接下來要做出何種動作,並反饋後續執行產生的數據,實現即時自我循環的機器學習流程,解決過往因傳輸速度慢而需要事前訓練的問題。
以上所公開的內容僅為本發明的優選可行實施例,並非因此侷限本發明的申請專利範圍,所以凡是運用本發明說明書及圖式內容所做的等效技術變化,均包含於本發明的申請專利範圍內。
110:事件
111:感測裝置
10:運算平台
105:資料庫
112:音頻數據
113:移動設備
114:非移動設備
115、116:揚聲器
117:現場人員
301:機率排序
303:權重
305:正常事件
307:異常事件
52:設定監視區域的介面
501:廠區布局圖
503:設定畫面
505:監視區域
60:設定感測裝置的介面
步驟S201~S213:廠區告警事件處理方法的實施例流程之一
步驟S401~S413:廠區告警事件處理方法的實施例流程之二
圖1顯示廠區告警事件處理系統的架構實施例示意圖;
圖2顯示廠區告警事件處理方法的實施例之一流程圖;
圖3顯示離群感測數據之解決方案之機率矩陣的實施例圖;
圖4顯示廠區告警事件處理方法的實施例之二流程圖;
圖5顯示設定監視區域的圖形使用者介面實施例示意圖;
圖6顯示設定感測裝置的圖形使用者介面實施例示意圖;
圖7A至圖7C顯示影像處理過程的實施例圖;以及
圖8顯示隨時間變化的特徵值的分群分佈實施例示意圖。
110:事件
111:感測裝置
10:運算平台
105:資料庫
112:音頻數據
113:移動設備
114:非移動設備
115、116:揚聲器
117:現場人員
Claims (14)
- 一種廠區告警事件處理方法,運作於一運算平台,包括:接收由至少一感測裝置產生的多個第一感測數據;集群該些第一感測數據以得到一離群感測數據;記錄針對該離群感測數據的多個解決方案,並基於該些解決方案判定該離群感測數據為一正常事件或一異常事件;將該些解決方案導入一機率分配模式,得到該離群感測數據所對應的該些解決方案的一機率排序;以及接收一第二感測數據並判定該第二感測數據歸類於該異常事件的該離群感測數據後,基於該機率排序執行該些解決方案的至少其一。
- 如請求項1所述的廠區告警事件處理方法,其中該運算平台接收設於一廠區內一或多個監視區域中的該至少一感測裝置所產生的該些第一感測數據及該第二感測數據。
- 如請求項2所述的廠區告警事件處理方法,其中該些第一感測數據及該第二感測數據分別包括該至少一感測裝置所取得對應設置的監視區域中工作人員操作機器的即時影像、聲響或信號。
- 如請求項1所述的廠區告警事件處理方法,其中針對該離群感測數據的該些解決方案包括提供一影像串流及通過一揚聲器播出對應該影像串流的一情境描述語音及一情境解決步驟語音。
- 如請求項1所述的廠區告警事件處理方法,其中該機率分配模式係將各該解決方案賦予一權重而得一機率值,進而排序該些機率值而得該機率排序。
- 如請求項5所述的廠區告警事件處理方法,其中在該集群步驟中所得到的該離群感測數據組為多個時,針對每一該離群 感測數據組及對應的該解決方案建立一查詢索引。
- 如請求項1所述的廠區告警事件處理方法,更包括計算該第二感測數據的特徵與該離群感測數據的特徵之間的一距離,基於該距離小於一閥值,判定該第二感測數據歸類於該離群感測數據。
- 一種廠區告警事件處理系統,包括:一運算平台;以及至少一感測裝置;其中該運算平台運行一廠區告警事件處理方法,該方法包括:接收由該至少一感測裝置產生的多個第一感測數據;集群該些第一感測數據以得到一離群感測數據;記錄針對該離群感測數據的多個解決方案,並基於該些解決方案判定該離群感測數據為一正常事件或一異常事件;將該些解決方案導入一機率分配模式,得到該離群感測數據所對應的該些解決方案的一機率排序;以及接收一第二感測數據並判定該第二感測數據歸類於該異常事件的該離群感測數據後,基於該機率排序執行該些解決方案的至少其一。
- 如請求項8所述的廠區告警事件處理系統,其中該運算平台接收設於一廠區內一或多個監視區域中的該至少一感測裝置所產生的該些第一感測數據及該第二感測數據。
- 如請求項9所述的廠區告警事件處理系統,其中該些第一感測數據及該第二感測數據分別包括該至少一感測裝置所取得對應設置的監視區域中工作人員操作機器的即時影像、聲響或信號。
- 如請求項8所述的廠區告警事件處理系統,其中針對該離群感測數據的該些解決方案包括提供一影像串流及通過一揚聲器播出對應該影像串流的一情境描述語音及一情境解決步驟語音。
- 如請求項8所述的廠區告警事件處理系統,其中該機率分配模式係將各該解決方案賦予一權重而得一機率值,進而排序該些機率值而得該機率排序。
- 如請求項12所述的廠區告警事件處理系統,其中在該集群步驟中所得到的該離群感測數據組為多個時,針對每一該離群感測數據組及對應的該解決方案建立一查詢索引。
- 如請求項8所述的廠區告警事件處理系統,更包括計算該第二感測數據的特徵與該離群感測數據的特徵之間的一距離,基於該距離小於一閥值,判定該第二感測數據歸類於該離群感測數據。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110134726A TWI784718B (zh) | 2021-09-17 | 2021-09-17 | 廠區告警事件處理方法與系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110134726A TWI784718B (zh) | 2021-09-17 | 2021-09-17 | 廠區告警事件處理方法與系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI784718B true TWI784718B (zh) | 2022-11-21 |
TW202314411A TW202314411A (zh) | 2023-04-01 |
Family
ID=85794617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110134726A TWI784718B (zh) | 2021-09-17 | 2021-09-17 | 廠區告警事件處理方法與系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI784718B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201717684A (zh) * | 2015-11-12 | 2017-05-16 | 博世科智能股份有限公司 | 區域監控系統 |
TW201909114A (zh) * | 2017-07-19 | 2019-03-01 | 和碩聯合科技股份有限公司 | 視訊監控系統與視訊監控方法 |
US10802488B1 (en) * | 2017-12-29 | 2020-10-13 | Apex Artificial Intelligence Industries, Inc. | Apparatus and method for monitoring and controlling of a neural network using another neural network implemented on one or more solid-state chips |
CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和*** |
US20210232131A1 (en) * | 2019-03-26 | 2021-07-29 | Toshiba Mitsubishi-Electric Industrial Systems Corporation | Abnormality determination support apparatus |
-
2021
- 2021-09-17 TW TW110134726A patent/TWI784718B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201717684A (zh) * | 2015-11-12 | 2017-05-16 | 博世科智能股份有限公司 | 區域監控系統 |
TW201909114A (zh) * | 2017-07-19 | 2019-03-01 | 和碩聯合科技股份有限公司 | 視訊監控系統與視訊監控方法 |
US10802488B1 (en) * | 2017-12-29 | 2020-10-13 | Apex Artificial Intelligence Industries, Inc. | Apparatus and method for monitoring and controlling of a neural network using another neural network implemented on one or more solid-state chips |
CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和*** |
US20210232131A1 (en) * | 2019-03-26 | 2021-07-29 | Toshiba Mitsubishi-Electric Industrial Systems Corporation | Abnormality determination support apparatus |
Also Published As
Publication number | Publication date |
---|---|
TW202314411A (zh) | 2023-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6555547B2 (ja) | 映像監視システム、映像処理装置、映像処理方法および映像処理プログラム | |
Ravanbakhsh et al. | Plug-and-play cnn for crowd motion analysis: An application in abnormal event detection | |
KR101925907B1 (ko) | 신경망 생성 모델을 이용한 객체 움직임 패턴 학습장치 및 그 방법 | |
US7667596B2 (en) | Method and system for scoring surveillance system footage | |
US9141184B2 (en) | Person detection system | |
CN110428522A (zh) | 一种智慧新城的智能安防*** | |
US8619135B2 (en) | Detection of abnormal behaviour in video objects | |
US20150262068A1 (en) | Event detection apparatus and event detection method | |
CN110390229B (zh) | 一种人脸图片筛选方法、装置、电子设备及存储介质 | |
CN110659397A (zh) | 一种行为检测方法、装置、电子设备和存储介质 | |
US11288954B2 (en) | Tracking and alerting traffic management system using IoT for smart city | |
KR102149832B1 (ko) | 딥러닝 기반의 자동 폭력 감지 시스템 | |
KR102511287B1 (ko) | 영상 기반 자세 예측 및 행동 검출 방법 및 장치 | |
CN114359976B (zh) | 一种基于人物识别的智能安防方法与装置 | |
CN107122743A (zh) | 安防监控方法、装置和电子设备 | |
KR20210062256A (ko) | 행동 시퀀스 기반으로 이상행동 여부를 판단하는 방법, 프로그램 및 시스템 | |
CN106781167B (zh) | 监测物体运动状态的方法及设备 | |
KR20160093253A (ko) | 영상 기반 이상 흐름 감지 방법 및 그 시스템 | |
TWI784718B (zh) | 廠區告警事件處理方法與系統 | |
WO2023279716A1 (zh) | 设备联动方法、装置、设备、存储介质、程序产品及计算机程序 | |
KR20230103890A (ko) | 멀티-모달 비디오 캡셔닝 기반 영상 보안 시스템 및 방법 | |
Arshad et al. | Anomalous situations recognition in surveillance images using deep learning | |
CN113012006A (zh) | 一种智能侦查研判方法、***、计算机设备及存储介质 | |
CN111291597A (zh) | 一种基于图像的人群态势分析方法、装置、设备及*** | |
US11809675B2 (en) | User interface navigation method for event-related video |