技术摘要：
本发明公开了一种用于实时监控站内异常事件的警报方法、系统及设备，所述警报方法包括以下步骤：采集站内的历史视频数据，对历史视频数据进行分析，生成模型数据训练集；将模型数据训练集输入到深度学习模型内，训练出警报模型；采集站内的实时视频数据，并将其输入到  全部
背景技术：
供热站现场如果出现管道滴漏情况，需要维修人员进行检修和更换，如果没有及 时发现问题，会导致热能浪费，还可能使现场设备被浸泡，导致电器元件毁坏。 电器元件毁坏时产生的火花还可能会引起火灾。 供热站、换热站数量多，地域分布广，不可能每个站点有人驻守看管。 现有技术中，需要现场人员采用巡站方式，逐个观察站内的视频，检查有无异常事 件发生，但通过巡站的方式自动化程度低，速度慢，无法及时发现站内的管道滴漏或电器元 件火花，最终可能导致严重事故；如果增加人工，则导致热力公司运营成本增加。
技术实现要素：
为解决上述技术问题，本发明提供一种用于实时监控站内异常事件的警报方法、 系统及设备。 为解决上述技术问题，本发明采用如下技术方案： 一种用于实时监控站内异常事件的警报方法，包括以下步骤： 步骤一：采集站内的历史视频数据，对历史视频数据进行分析，生成模型数据训练 集； 步骤二：将模型数据训练集输入到深度学习模型内，训练出警报模型； 步骤三：采集站内的实时视频数据，并将其输入到警报模型内，得到异常事件警报 结果。 具体地，步骤一中，对历史视频数据进行分析时，将历史视频数据转化为多个历史 图像，选取出一张不存在异常事件的历史图像作为正常基准图像，选取出一张存在异常事 件的历史图像作为异常基准图像。 具体地，将其他历史图像分别与正常基准图像进行对比，如果其中一个其他历史 图像与正常基准图像的相似度大于或者等于一定阈值，则将该其他历史图像划入到正常场 景图像集，否则先将其划入到异常场景图像集；对异常场景图像集中的每个图像进行人工 筛选，人工筛选时对异常事件的类型进行标注，并将其中不存在异常事件的图像划入到正 常场景图像集中；则正常场景图像集、人工筛选前的异常场景图像集、人工筛选后的异常场 景图像集即为所述模型数据训练集。 具体地，步骤二中，所述警报模型包括分类模型和目标检测模型，使用正常场景图 像集和人工筛选前的异常场景图像集训练出所述的分类模型，使用人工筛选后的异常场景 图像集训练所述的目标检测模型。 具体地，步骤三中，将实时视频数据输入到警报模型内得到异常事件警报结果时， 4 CN 111582235 A 说　明　书 2/5 页 先对实时视频数据进行处理得到实时图像，将实时图像输入到分类模型中进行分类，如果 该实时图像被分类模型判定为包含异常事件，则将该实时图像输入到目标检测模型中，确 定异常事件的类型，发出警报信息。 具体地，所述深度学习模型包括Alexnet模型和faster-rcnn模型，将正常场景图 像集和人工筛选前的异常场景图像集输入到Alexnet模型中得到所述的分类模型，将人工 筛选后的异常场景图像集输入到faster-rcnn模型中得到所述的目标检测模型。 具体地，所述正常基准图像和异常基准图像为基准图像，以图像间汉明距离、直方 图比较、图像二值化比较或者感知哈希算法的方式计算其他历史图像与基准图像的相似 度。 具体地，以直方图比较的方式计算其他历史图像与基准图像的相似度时，将其他 历史图像的尺寸和基准图像的尺寸均缩小为原始尺寸的1/4，计算得到其他历史图像的直 方图数据和基准图像的直方图数据，则相关系数 其中X为基准图 像的直方图数据，Yn为其他历史图像的直方图数据，Cov(X,Yn)为X和Yn的协方差，var(X)为X 的方差，var(Yn)为Yn的方差；所述相关系数r(X,Yn)即为其他历史图像与基准图像的相似 度。 一种用于实时监控站内异常事件的警报系统，包括： 数据采集模块，其采集站内的历史视频数据，对历史视频数据进行分析，生成模型 数据训练集； 模型生成模块，其将模型数据训练集输入到深度学习模型内，训练出警报模型； 预警模块，其采集站内的实时视频数据，并将其输入到警报模型内，得到异常事件 警报结果。 一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计 算机程序被所述处理器执行时，所述处理器执行所述警报方法的步骤。 与现有技术相比，本发明的有益技术效果是： 1.本发明通过学习历史视频数据，将刻画在历史视频数据中的异常事件的特征挖 掘出来，并建立警报模型，将站内的实时视频数据输入到警报模型中，能够快速准确地识别 是否发生异常事件，并能够识别异常事件的类型，发出警报信息；现场人员可根据警报信 息，准确定位发生异常事件的部位和类型，避免了因异常事件发现不及时导致的重大事故 或能源浪费；另一方面，对现场人员的需求量减少，降低了人力成本。 附图说明 图1为本发明的警报方法的流程示意图。