[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN115017014B - 一种高速公路机电监测系统及方法 - Google Patents

一种高速公路机电监测系统及方法 Download PDF

Info

Publication number
CN115017014B
CN115017014B CN202210807874.2A CN202210807874A CN115017014B CN 115017014 B CN115017014 B CN 115017014B CN 202210807874 A CN202210807874 A CN 202210807874A CN 115017014 B CN115017014 B CN 115017014B
Authority
CN
China
Prior art keywords
data
monitoring
monitoring system
network security
structured
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210807874.2A
Other languages
English (en)
Other versions
CN115017014A (zh
Inventor
龙开红
周玲
甘洁之
黄伟彪
陈佳
陈洽尧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Litong Technology Investment Co ltd
Original Assignee
Guangdong Litong Technology Investment Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Litong Technology Investment Co ltd filed Critical Guangdong Litong Technology Investment Co ltd
Priority to CN202210807874.2A priority Critical patent/CN115017014B/zh
Publication of CN115017014A publication Critical patent/CN115017014A/zh
Application granted granted Critical
Publication of CN115017014B publication Critical patent/CN115017014B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/302—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a software system
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
    • H04L63/1425—Traffic logging, e.g. anomaly detection
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/20—Network architectures or network communication protocols for network security for managing network security; network security policies in general
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Security & Cryptography (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Alarm Systems (AREA)

Abstract

本发明提出了一种高速公路机电监测系统，所述系统包括：中心监控服务器、第一监测系统、第二监测系统、第三监测系统、收费系统、监控系统和网络安全系统；所述第一监测系统采集所述收费系统的原始数据处理后发送至所述中心监控服务器；所述第二监测系统采集所述监控系统的原始数据处理后发送至所述中心监控服务器；所述第三监测系统采集所述网络安全系统的原始数据处理后发送至所述中心监控服务器；所述中心监控服务器基于接收的处理后的所述收费系统、监控系统和网络安全系统的数据确定收费系统、监控系统及网络安全系统的综合健康状况。本发明通过多个数据维度进行机电系统的监测，便于发现系统的故障。

Description

一种高速公路机电监测系统及方法
技术领域
本发明涉及计算机数据处理技术领域，具体涉及一种高速公路机电监测系统及方法。
背景技术
目前高速公路机电监测系统普遍实现基于设备运行状态等进行基础监测预警功能，收费业务监测未形成统一标准，监测指标不全面，判断逻辑不严谨，不能支撑业务开展需求，且收费网与监控网隔离，监测功能也形成业务分散的局面。监控系统功能上也缺乏与运维数据及流程的结合，业务拓展性差。
现有技术中，应用统计学区间估计方法进行预警，当指标值超过以下区间时进行预警：
Figure DEST_PATH_IMAGE001
，正向指标；
Figure DEST_PATH_IMAGE002
，逆向指标；
由于该区间仅从统计学意义上判断指标是否异常，难以准确地设备是否异常。
此外，现有技术中进行评估也有采用因子分析方法进行故障的评估，但是，现有技术中，因子分析模型确定因子权重时依赖于各因子自身的离散程度，可能造成一些离散程度较低，但对实际业务影响较大的因子，导致分析结果不准确。
发明内容
本发明针对上述现有技术中一个或多个技术缺陷，提出了如下技术方案。
一种高速公路机电监测系统，所述系统包括：中心监控服务器、第一监测系统、第二监测系统、第三监测系统、收费系统、监控系统和网络安全系统；
所述第一监测系统采集所述收费系统的原始数据处理后发送至所述中心监控服务器；
所述第二监测系统采集所述监控系统的原始数据处理后发送至所述中心监控服务器；
所述第三监测系统采集所述网络安全系统的原始数据处理后发送至所述中心监控服务器；
所述中心监控服务器基于接收的处理后的所述收费系统、监控系统和网络安全系统的数据确定收费系统、监控系统及网络安全系统的综合健康状况。
更进一步地，所述高速公路根据长度划分为多个段，每段都具有第一监测系统、第二监测系统和第三监测系统，所述第一监测系统、第二监测系统和第三监测系统用于与该段的收费系统、监控系统和网络安全系统分别相连。
更进一步地，所述第一监测系统包括第一边缘计算设备、第一结构化数据采集设备和第一日志分析设备，所述收费系统的原始数据包括交易数据、系统性能数据、设备状态数据、系统设置参数和系统日志数据，所述第一日志分析设备将交易数据、系统性能数据、设备状态数据、系统设置参数和系统日志数据进行结构化处理得到收费系统结构化数据，第一结构化数据采集设备从所述第一日志分析设备获取所述收费系统结构化数据后通过第一心跳数据发送至所述第一边缘计算设备进行初步筛选、汇集及分析后发送至中心监控服务器。
更进一步地，所述第二监测系统包括第二边缘计算设备、第二结构化数据采集设备和图像AI诊断系统，所述监控系统的原始数据包括视频图像数据、设备状态数据、系统设置参数和系统日志数据，所述图像AI诊断系统使用AI算法判断图像中固定线条的锐度值，并判断图像综合锐度值是否达到阈值，判断视频质量是否达标，并将所述是否达标的结果结及设备状态数据、系统设置参数和系统日志数据生成监控系统结构化数据，第二结构化数据采集设备从所述图像AI诊断系统获取所述监控系统结构化数据后通过第二心跳数据发送至所述第二边缘计算设备进行初步筛选、汇集及分析后发送至中心监控服务器。
更进一步地，所述第三监测系统包括第三边缘计算设备、第三结构化数据采集设备和第三日志分析设备，所述网络安全系统的原始数据包括安全威胁事件数据、网络状态数据、设备状态数据和系统日志数据，所述第三日志分析设备将安全威胁事件数据、网络状态数据、设备状态数据和系统日志数据进行结构化处理得到网络安全系统结构化数据，第三结构化数据采集设备从所述第三日志分析设备获取所述网络安全系统结构化数据后通过第三心跳数据发送至所述第三边缘计算设备进行初步筛选、汇集及分析后发送至中心监控服务器。
更进一步地，第一边缘计算设备采用区间估计预警方法进行收费系统结构化数据及网络安全系统结构化数据的初步筛选、汇集及分析后仅将异常数据发送至中心监控服务器，所述采用区间估计预警方法为：
Figure DEST_PATH_IMAGE003
，正向指标，发生故障，但指标值未超预警值；
Figure 477795DEST_PATH_IMAGE004
，正向指标，未发生故障，但指标值超预警值；
Figure DEST_PATH_IMAGE005
，逆向指标，发生故障，但指标值未超预警值；
Figure 332618DEST_PATH_IMAGE006
，逆向指标，未发生故障，但指标值超预警值；
其中，
Figure DEST_PATH_IMAGE007
为指标样本均值，a为置信度，u为在a/2置信度下的分位数，
Figure 689519DEST_PATH_IMAGE008
为样本标 准差，n为数据数量。
更进一步地，所述图像AI诊断系统执行的操作为：提取监控摄像头所拍摄的图像 灰度值；计算图像平均灰度值：
Figure DEST_PATH_IMAGE009
，其中x、y为图片中像素点的坐 标值，f(x,y)为像素点(x,y)的灰度值；使用方差法计算图像平均灰度值方差：
Figure 756832DEST_PATH_IMAGE010
；对视频静态环境进行采样，避免车辆等动态因素影 响灰度值，并采集不同外部环境下的灰度值方差，以确定不同外部环境下的方差阈值t，同 时，接入气象传感器的光照度数据时自动适配监测外部环境下的方差阈值t；由于车辆动态 因素可能增加灰度值方差，系统进行多次抓拍，并取最小值
Figure DEST_PATH_IMAGE011
，当
Figure 508888DEST_PATH_IMAGE012
时，或环境参数未发生明显变化，但灰度值方差环比明显下降时
Figure DEST_PATH_IMAGE013
，将进行预警，实现收费站、及路面监控视频自动 监测，其中，k为动态环境影响参数，通过采样确定，即：动态环境下的最小灰度方差/静态环 境下的最小灰度方差。
更进一步地，所述中心监控服务器基于接收的处理后的所述收费系统、监控系统和网络安全系统的数据确定收费系统、监控系统及网络安全系统的综合健康状况的方式为：
采用优化的因子分析方法计算综合健康状况值：
Figure 767568DEST_PATH_IMAGE014
；
其中，w1、w2、w2分别为收费系统、监控系统和网络安全系统的因子权重，f1、f2、f3分别为收费系统、监控系统和网络安全系统的实际故障率，m为与各因子相关的实际故障总数，k1、k2、k3分别为与f1、f2、f3相关的实际故障数。
更进一步地，f1、f2、f3由中心监控服务器基于接收的收费系统结构化数据、监控系统结构化数据、网络安全系统结构化数据中的异常数据计算得出。
更进一步地，所述中心监控服务器为云端服务器。
本发明还提出了一种基于上述任一项的一种高速公路机电监测系统的机电监测方法，该方法包括：
收费系统采集步骤，所述第一监测系统采集所述收费系统的原始数据处理后发送至所述中心监控服务器；
监控系统采集步骤，所述第二监测系统采集所述监控系统的原始数据处理后发送至所述中心监控服务器；
网安系统采集步骤，所述第三监测系统采集所述网络安全系统的原始数据处理后发送至所述中心监控服务器；
处理步骤，所述中心监控服务器基于接收的处理后的所述收费系统、监控系统和网络安全系统的数据确定收费系统、监控系统及网络安全系统的综合健康状况。
更进一步地，在所述处理步骤中，所述f1、f2、f3分别由中心监控服务器基于接收的收费系统结构化数据、监控系统结构化数据、网络安全系统结构化数据中的异常数据计算得出。
更进一步地，所述中心监控服务器为云端服务器。
本发明的技术效果在于：本发明的一种高速公路机电监测系统，所述系统包括：中心监控服务器、第一监测系统、第二监测系统、第三监测系统、收费系统、监控系统和网络安全系统；所述第一监测系统采集所述收费系统的原始数据处理后发送至所述中心监控服务器；所述第二监测系统采集所述监控系统的原始数据处理后发送至所述中心监控服务器；所述第三监测系统采集所述网络安全系统的原始数据处理后发送至所述中心监控服务器；所述中心监控服务器基于接收的处理后的所述收费系统、监控系统和网络安全系统的数据确定收费系统、监控系统及网络安全系统的综合健康状况。本发明中，收费/监控等末端节点基于现场业务需求做自监测，通过路段作为分节点，按照业务子系统区分进行边缘计算，实现路段级别的系统智能监测；中心监控服务器进行云部署，从路段各业务子系统提取关键监测及业务数据，进行整网全业务数据立体化监测，保证监测准确性和预警及时性，即通过多个数据维度进行机电系统的监测，便于发现系统的故障；本发明中，通过将收费系统、监控系统及网络安全系统在数据采集时进行分别处理，并建立一套日志分析系统，通过严格的逻辑分析，提取日志中业务系统运行的关键信息并进行初步统计，并将时间等非结构化数据的结构化，大幅减少原始文件的传输及存储，实现数据的高效应用，并使用AI算法判断图像中固定线条的锐度值，并判断图像综合锐度值是否达到阈值，从而判断视频质量是否达标，从而降低数据传输量，提高系统运行的效率，并且本发明中，第一、二、三心跳数据可以根据待传输的数据量的大小进行设定，进一步地提高数据传输效率；本发明中，通过提取视频图像的灰度值，并使用AI算法判断图像中固定线条的锐度值，并判断图像综合锐度值是否达到阈值，从而判断视频质量是否达标，并在计算过程中，基于实时的气象传感器的光照度数据时自动适配监测外部环境下的方差阈值进行预警，从而实现收费站、及路面监控视频自动监测。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显。
图1是根据本发明的实施例的高速公路机电监测系统的结构图。
图2是根据本发明的实施例的高速公路机电监测方法的流程图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了本发明的一种高速公路机电监测系统，所述系统包括：中心监控服务器、第一监测系统、第二监测系统、第三监测系统、收费系统、监控系统和网络安全系统；
所述第一监测系统采集所述收费系统的原始数据处理后发送至所述中心监控服务器；
所述第二监测系统采集所述监控系统的原始数据处理后发送至所述中心监控服务器；
所述第三监测系统采集所述网络安全系统的原始数据处理后发送至所述中心监控服务器；
所述中心监控服务器基于接收的处理后的所述收费系统、监控系统和网络安全系统的数据确定收费系统、监控系统及网络安全系统的综合健康状况。
在一个实施例中，所述高速公路根据长度划分为多个段，每个段都具有第一监测系统、第二监测系统、第三监测系统，用于与该段的收费系统、监控系统和网络安全系统分别相连。
本发明中，收费/监控等末端节点基于现场业务需求做自监测，通过路段作为分节点，按照业务子系统区分进行边缘计算，实现路段级别的系统智能监测；中心监控服务器进行云部署，从路段各业务子系统提取关键监测及业务数据，进行整网全业务数据立体化监测，保证监测准确性和预警及时性，即通过多个数据维度进行机电系统的监测，便于发现系统的故障，这是本发明的一个重要发明点。
在一个实施例中，所述第一监测系统包括第一边缘计算设备、第一结构化数据采集设备和第一日志分析设备，所述收费系统的原始数据包括交易数据、系统性能数据、设备状态数据、系统设置参数和系统日志数据，所述第一日志分析设备将交易数据、系统性能数据、设备状态数据、系统设置参数和系统日志数据进行结构化处理得到收费系统结构化数据，第一结构化数据采集设备从所述第一日志分析设备获取所述收费系统结构化数据后通过第一心跳数据发送至所述第一边缘计算设备进行初步筛选、汇集及分析后发送至中心监控服务器。
在一个实施例中，所述第二监测系统包括第二边缘计算设备、第二结构化数据采集设备和图像AI诊断系统，所述监控系统的原始数据包括视频图像数据、设备状态数据、系统设置参数和系统日志数据，所述图像AI诊断系统使用AI算法判断图像中固定线条的锐度值，并判断图像综合锐度值是否达到阈值，判断视频质量是否达标，并将所述是否达标的结果结及设备状态数据、系统设置参数和系统日志数据生成监控系统结构化数据，第二结构化数据采集设备从所述图像AI诊断系统获取所述监控系统结构化数据后通过第二心跳数据发送至所述第二边缘计算设备进行初步筛选、汇集及分析后发送至中心监控服务器。
在一个实施例中，所述第三监测系统包括第三边缘计算设备、第三结构化数据采集设备和第三日志分析设备，所述网络安全系统的原始数据包括安全威胁事件数据、网络状态数据、设备状态数据和系统日志数据，所述第三日志分析设备将安全威胁事件数据、网络状态数据、设备状态数据和系统日志数据进行结构化处理得到网络安全系统结构化数据，第三结构化数据采集设备从所述第三日志分析设备获取所述网络安全系统结构化数据后通过第三心跳数据发送至所述第三边缘计算设备进行初步筛选、汇集及分析后发送至中心监控服务器。
本发明中，通过将收费系统、监控系统及网络安全系统在数据采集时进行分别处理，并建立一套日志分析系统，通过严格的逻辑分析，提取日志中业务系统运行的关键信息并进行初步统计，并将时间等非结构化数据的结构化，大幅减少原始文件的传输及存储，实现数据的高效应用，并使用AI算法判断图像中固定线条的锐度值，并判断图像综合锐度值是否达到阈值，从而判断视频质量是否达标，从而降低数据传输量，提高系统运行的效率，并且本发明中，第一、二、三心跳数据可以根据待传输的数据量的大小进行设定，进一步地提高数据传输效率，这是本发明的重要发明点之另一。
在一个实施例中，第一边缘计算设备采用区间估计预警方法进行收费系统结构化数据及网络安全系统结构化数据的初步筛选、汇集及分析后仅将异常数据发送至中心监控服务器，所述采用区间估计预警方法为：
Figure 237864DEST_PATH_IMAGE003
，正向指标，发生故障，但指标值未超预警值;
Figure 905606DEST_PATH_IMAGE004
，正向指标，未发生故障，但指标值超预警值；
Figure 43326DEST_PATH_IMAGE005
，逆向指标，发生故障，但指标值未超预警值；
Figure 771111DEST_PATH_IMAGE006
，逆向指标，未发生故障，但指标值超预警值；
其中，
Figure 994282DEST_PATH_IMAGE007
为指标样本均值，a为置信度，u为在a/2置信度下的分位数，
Figure 200135DEST_PATH_IMAGE008
为样本标 准差，n为数据数量。
本发明中，结合生产环境对对背景技术中的区间估计方法的区间进行了优化，当生产环境发生故障，但相关指标未超出区间范围，则以固定比例收缩区间；当生产环境未发生故障，但相关指标已超出区间范围，则以固定比例扩大区间。并通过实际业务数据结合，不断训练模型，优化指标的预警值。从而提高了故障预测的精度，这是本发明的另一个重要发明点。
在一个实施例中，所述图像AI诊断系统执行的操作为：提取监控摄像头所拍摄的 图像灰度值；计算图像平均灰度值：
Figure 192362DEST_PATH_IMAGE009
，其中x、y为图片中像素点 的坐标值，f(x,y)为像素点(x,y)的灰度值；使用方差法计算图像平均灰度值方差：
Figure 583723DEST_PATH_IMAGE010
；对视频静态环境进行采样，避免车辆等动态因素影 响灰度值，并采集不同外部环境下的灰度值方差，以确定不同外部环境下的方差阈值t，同 时，接入气象传感器的光照度数据时自动适配监测外部环境下的方差阈值t；由于车辆动态 因素可能增加灰度值方差，系统进行多次抓拍，并取最小值
Figure 559770DEST_PATH_IMAGE011
，当
Figure 303735DEST_PATH_IMAGE012
时，或环境参数未发生明显变化，但灰度值方差环比明显下降时
Figure 416047DEST_PATH_IMAGE013
，将进行预警，实现收费站、及路面监控视频自动 监测，其中，k为动态环境影响参数，通过采样确定，即：动态环境下的最小灰度方差/静态环 境下的最小灰度方差。
本发明中，通过提取视频图像的灰度值，并使用AI算法判断图像中固定线条的锐度值，并判断图像综合锐度值是否达到阈值，从而判断视频质量是否达标，并在计算过程中，基于实时的气象传感器的光照度数据时自动适配监测外部环境下的方差阈值进行预警，从而实现收费站、及路面监控视频自动监测，这是本发明的另一个重要发明点。
在一个实施例中，所述中心监控服务器基于接收的处理后的所述收费系统、监控系统和网络安全系统的数据确定收费系统、监控系统及网络安全系统的综合健康状况的方式为：
采用优化的因子分析方法计算综合健康状况值：
Figure 220055DEST_PATH_IMAGE014
；
其中，w1、w2、w2为收费系统、监控系统和网络安全系统的因子权重，f1、f2、f3为收费系统、监控系统和网络安全系统的实际故障率，m为与各因子相关的实际故障总数，k1、k2、k3分别为与f1、f2、f3相关的实际故障数。
在一个实施例中，f1、f2、f3由中心监控服务器基于接收的收费系统结构化数据、监控系统结构化数据、网络安全系统结构化数据中的异常数据计算得出。在一个实施例中，所述中心监控服务器为云端服务器。
本发明中，由于传统的因子分析模型确定因子权重时依赖于各因子自身的离散程度，极有可能造成一些离散程度较低，但对实际业务影响较大的因子，因此，本发明将模型与实际故障发生率相结合，提出了上述优化的因子分析方法，即在传统因子分析方法的基础上，根据各种故障的数量及故障的总数进行修正，提高了优化后的因子分析方法的准确度，这是本发明的另一个重要发明点。
图2示出了本发明的一种基于上述任一项的一种高速公路机电监测系统的机电监测方法，该方法包括：
收费系统采集步骤S201，所述第一监测系统采集所述收费系统的原始数据处理后发送至所述中心监控服务器；
监控系统采集步骤S202，所述第二监测系统采集所述监控系统的原始数据处理后发送至所述中心监控服务器；
网安系统采集步骤S203，所述第三监测系统采集所述网络安全系统的原始数据处理后发送至所述中心监控服务器；
处理步骤S204，所述中心监控服务器基于接收的处理后的所述收费系统、监控系统和网络安全系统的数据确定收费系统、监控系统及网络安全系统的综合健康状况。
在一个实施例中，所述高速公路根据长度划分为多个段，每个段都具有第一监测系统、第二监测系统、第三监测系统，用于与该段的收费系统、监控系统和网络安全系统分别相连。
本发明中，收费/监控等末端节点基于现场业务需求做自监测，通过路段作为分节点，按照业务子系统区分进行边缘计算，实现路段级别的系统智能监测；中心监控服务器进行云部署，从路段各业务子系统提取关键监测及业务数据，进行整网全业务数据立体化监测，保证监测准确性和预警及时性，即通过多个数据维度进行机电系统的监测，便于发现系统的故障，这是本发明的一个重要发明点。
在一个实施例中，所述第一监测系统包括第一边缘计算设备、第一结构化数据采集设备和第一日志分析设备，所述收费系统的原始数据包括交易数据、系统性能数据、设备状态数据、系统设置参数和系统日志数据，所述第一日志分析设备将交易数据、系统性能数据、设备状态数据、系统设置参数和系统日志数据进行结构化处理得到收费系统结构化数据，第一结构化数据采集设备从所述第一日志分析设备获取所述收费系统结构化数据后通过第一心跳数据发送至所述第一边缘计算设备进行初步筛选、汇集及分析后发送至中心监控服务器。
在一个实施例中，所述第二监测系统包括第二边缘计算设备、第二结构化数据采集设备和图像AI诊断系统，所述监控系统的原始数据包括视频图像数据、设备状态数据、系统设置参数和系统日志数据，所述图像AI诊断系统使用AI算法判断图像中固定线条的锐度值，并判断图像综合锐度值是否达到阈值，判断视频质量是否达标，并将所述是否达标的结果结及设备状态数据、系统设置参数和系统日志数据生成监控系统结构化数据，第二结构化数据采集设备从所述图像AI诊断系统获取所述监控系统结构化数据后通过第二心跳数据发送至所述第二边缘计算设备进行初步筛选、汇集及分析后发送至中心监控服务器。
在一个实施例中，所述第三监测系统包括第三边缘计算设备、第三结构化数据采集设备和第三日志分析设备，所述网络安全系统的原始数据包括安全威胁事件数据、网络状态数据、设备状态数据和系统日志数据，所述第三日志分析设备将安全威胁事件数据、网络状态数据、设备状态数据和系统日志数据进行结构化处理得到网络安全系统结构化数据，第三结构化数据采集设备从所述第三日志分析设备获取所述网络安全系统结构化数据后通过第三心跳数据发送至所述第三边缘计算设备进行初步筛选、汇集及分析后发送至中心监控服务器。
本发明中，通过将收费系统、监控系统及网络安全系统在数据采集时进行分别处理，并建立一套日志分析系统，通过严格的逻辑分析，提取日志中业务系统运行的关键信息并进行初步统计，并将时间等非结构化数据的结构化，大幅减少原始文件的传输及存储，实现数据的高效应用，并使用AI算法判断图像中固定线条的锐度值，并判断图像综合锐度值是否达到阈值，从而判断视频质量是否达标，从而降低数据传输量，提高系统运行的效率，并且本发明中，第一、二、三心跳数据可以根据待传输的数据量的大小进行设定，进一步地提高数据传输效率，这是本发明的重要发明点之另一。
在一个实施例中，第一边缘计算设备采用区间估计预警方法进行收费系统结构化数据及网络安全系统结构化数据的初步筛选、汇集及分析后仅将异常数据发送至中心监控服务器，所述采用区间估计预警方法为：
Figure 355501DEST_PATH_IMAGE003
，正向指标，发生故障，但指标值未超预警值;
Figure 401693DEST_PATH_IMAGE004
，正向指标，未发生故障，但指标值超预警值；
Figure 368512DEST_PATH_IMAGE005
，逆向指标，发生故障，但指标值未超预警值；
Figure 609000DEST_PATH_IMAGE006
，逆向指标，未发生故障，但指标值超预警值；
其中，
Figure 28480DEST_PATH_IMAGE007
为指标样本均值，a为置信度，u为在a/2置信度下的分位数，
Figure 379827DEST_PATH_IMAGE008
为样本标 准差，n为数据数量。
本发明中，结合生产环境对对背景技术中的区间估计方法的区间进行了优化，当生产环境发生故障，但相关指标未超出区间范围，则以固定比例收缩区间；当生产环境未发生故障，但相关指标已超出区间范围，则以固定比例扩大区间。并通过实际业务数据结合，不断训练模型，优化指标的预警值。从而提高了故障预测的精度，这是本发明的另一个重要发明点。
在一个实施例中，所述图像AI诊断系统执行的操作为：提取监控摄像头所拍摄的 图像灰度值；计算图像平均灰度值：
Figure 201153DEST_PATH_IMAGE009
，其中x、y为图片中像素点 的坐标值，f(x,y)为像素点(x,y)的灰度值；使用方差法计算图像平均灰度值方差：
Figure 878121DEST_PATH_IMAGE010
；对视频静态环境进行采样，避免车辆等动态因素影 响灰度值，并采集不同外部环境下的灰度值方差，以确定不同外部环境下的方差阈值t，同 时，接入气象传感器的光照度数据时自动适配监测外部环境下的方差阈值t；由于车辆动态 因素可能增加灰度值方差，系统进行多次抓拍，并取最小值
Figure 784898DEST_PATH_IMAGE011
，当
Figure 674356DEST_PATH_IMAGE012
时，或环境参数未发生明显变化，但灰度值方差环比明显下降时
Figure 114303DEST_PATH_IMAGE013
，将进行预警，实现收费站、及路面监控视频自动 监测，其中，k为动态环境影响参数，通过采样确定，即：动态环境下的最小灰度方差/静态环 境下的最小灰度方差。
本发明中，通过提取视频图像的灰度值，并使用AI算法判断图像中固定线条的锐度值，并判断图像综合锐度值是否达到阈值，从而判断视频质量是否达标，并在计算过程中，基于实时的气象传感器的光照度数据时自动适配监测外部环境下的方差阈值进行预警，从而实现收费站、及路面监控视频自动监测，这是本发明的另一个重要发明点。
在一个实施例中，所述中心监控服务器基于接收的处理后的所述收费系统、监控系统和网络安全系统的数据确定收费系统、监控系统及网络安全系统的综合健康状况的方式为：
采用优化的因子分析方法计算综合健康状况值：
Figure 696594DEST_PATH_IMAGE014
；
其中，w1、w2、w2为收费系统、监控系统和网络安全系统的因子权重，f1、f2、f3为收费系统、监控系统和网络安全系统的实际故障率，m为与各因子相关的实际故障总数，k1、k2、k3分别为与f1、f2、f3相关的实际故障数。
在一个实施例中，f1、f2、f3由中心监控服务器基于接收的收费系统结构化数据、监控系统结构化数据、网络安全系统结构化数据中的异常数据计算得出。在一个实施例中，所述中心监控服务器为云端服务器。
本发明中，由于传统的因子分析模型确定因子权重时依赖于各因子自身的离散程度，极有可能造成一些离散程度较低，但对实际业务影响较大的因子，因此，本发明将模型与实际故障发生率相结合，提出了上述优化的因子分析方法，即在传统因子分析方法的基础上，根据各种故障的数量及故障的总数进行修正，提高了优化后的因子分析方法的准确度，这是本发明的另一个重要发明点。
本发明一个实施例中提出了一种计算机存储介质，所述计算机存储介质上存储有计算机程序，当所述计算机存储介质上的计算机程序被处理器执行时实现上述的方法，该计算机存储介质可以是硬盘、DVD、CD、闪存等等存储器。
本发明的为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质 中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例或者实施例的某些部分所述的装置。
最后所应说明的是：以上实施例仅以说明而非限制本发明的技术方案，尽管参照上述实施例对本发明进行了详细说明，本领域的普通技术人员应当理解：依然可以对本发明进行修改或者等同替换，而不脱离本发明的精神和范围的任何修改或局部替换，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种高速公路机电监测系统，其特征在于，所述系统包括：中心监控服务器、第一监测系统、第二监测系统、第三监测系统、收费系统、监控系统和网络安全系统；
所述第一监测系统采集所述收费系统的原始数据处理后发送至所述中心监控服务器；
所述第二监测系统采集所述监控系统的原始数据处理后发送至所述中心监控服务器；
所述第三监测系统采集所述网络安全系统的原始数据处理后发送至所述中心监控服务器；
所述中心监控服务器基于接收的处理后的所述收费系统、监控系统和网络安全系统的数据确定收费系统、监控系统及网络安全系统的综合健康状况；
其中，所述高速公路根据长度划分为多个段，每段都具有第一监测系统、第二监测系统和第三监测系统，所述第一监测系统、第二监测系统和第三监测系统用于与该段的收费系统、监控系统和网络安全系统分别相连；
其中，所述第一监测系统包括第一边缘计算设备、第一结构化数据采集设备和第一日志分析设备，所述收费系统的原始数据包括交易数据、系统性能数据、设备状态数据、系统设置参数和系统日志数据，所述第一日志分析设备将交易数据、系统性能数据、设备状态数据、系统设置参数和系统日志数据进行结构化处理得到收费系统结构化数据，第一结构化数据采集设备从所述第一日志分析设备获取所述收费系统结构化数据后通过第一心跳数据发送至所述第一边缘计算设备进行初步筛选、汇集及分析后发送至中心监控服务器；
其中，所述第二监测系统包括第二边缘计算设备、第二结构化数据采集设备和图像AI诊断系统，所述监控系统的原始数据包括视频图像数据、设备状态数据、系统设置参数和系统日志数据，所述图像AI诊断系统使用AI算法判断图像中固定线条的锐度值，并判断图像综合锐度值是否达到阈值，判断视频质量是否达标，并将所述是否达标的结果结及设备状态数据、系统设置参数和系统日志数据生成监控系统结构化数据，第二结构化数据采集设备从所述图像AI诊断系统获取所述监控系统结构化数据后通过第二心跳数据发送至所述第二边缘计算设备进行初步筛选、汇集及分析后发送至中心监控服务器；
其中，所述第三监测系统包括第三边缘计算设备、第三结构化数据采集设备和第三日志分析设备，所述网络安全系统的原始数据包括安全威胁事件数据、网络状态数据、设备状态数据和系统日志数据，所述第三日志分析设备将安全威胁事件数据、网络状态数据、设备状态数据和系统日志数据进行结构化处理得到网络安全系统结构化数据，第三结构化数据采集设备从所述第三日志分析设备获取所述网络安全系统结构化数据后通过第三心跳数据发送至所述第三边缘计算设备进行初步筛选、汇集及分析后发送至中心监控服务器；
其中，第一边缘计算设备采用区间估计预警方法进行收费系统结构化数据及第三边缘计算设备采用区间估计预警方法进行网络安全系统结构化数据的初步筛选、汇集及分析后仅将异常数据发送至中心监控服务器，
其中，所述图像AI诊断系统执行的操作为：提取监控摄像头所拍摄的图像灰度值；计算 图像平均灰度值：
Figure 850820DEST_PATH_IMAGE001
，其中x、y为图片中像素点的坐标值，f(x,y)为像 素点(x,y)的灰度值；使用方差法计算图像平均灰度值方差：
Figure 308346DEST_PATH_IMAGE002
；对视频静态环境进行采样，并采集不同外部环境下的灰度 值方差，以确定不同外部环境下的方差阈值t，同时，接入气象传感器的光照度数据时自动 适配监测外部环境下的方差阈值t；由于车辆动态因素增加灰度值方差，系统进行多次抓 拍，并取最小值
Figure 122718DEST_PATH_IMAGE003
，当
Figure 945181DEST_PATH_IMAGE004
时，或环境参数未发生明显变化，但灰度 值方差环比明显下降时，即：当前时刻的最小灰度值方差小于上一时刻最小灰度值方差的 80%时，将进行预警，其中，k为动态环境影响参数，通过采样确定，即：k等于动态环境下的最 小灰度方差除以静态环境下的最小灰度方差；
其中，所述中心监控服务器基于接收的处理后的所述收费系统、所述监控系统和所述网络安全系统的数据确定收费系统、监控系统及网络安全系统的综合健康状况的方式为：
采用优化的因子分析方法计算综合健康状况值：
Figure 212214DEST_PATH_IMAGE005
；
其中，w1、w2、w2分别为收费系统、监控系统和网络安全系统的因子权重，f1、f2、f3分别为收费系统、监控系统和网络安全系统的实际故障率，m为与各因子相关的实际故障总数，k1、k2、k3分别为与f1、f2、f3相关的实际故障数。
2.根据权利要求1所述的系统，其特征在于，所述中心监控服务器为云端服务器。
3.一种基于权利要求1所述的高速公路机电监测系统的机电监测方法，其特征在于，该方法包括：
收费系统采集步骤，所述第一监测系统采集所述收费系统的原始数据处理后发送至所述中心监控服务器；
监控系统采集步骤，所述第二监测系统采集所述监控系统的原始数据处理后发送至所述中心监控服务器；
网安系统采集步骤，所述第三监测系统采集所述网络安全系统的原始数据处理后发送至所述中心监控服务器；
处理步骤，所述中心监控服务器基于接收的处理后的所述收费系统、监控系统和网络安全系统的数据确定收费系统、监控系统及网络安全系统的综合健康状况。
4.根据权利要求3所述的方法，其特征在于，在所述处理步骤中，所述f1、f2、f3分别由中心监控服务器基于接收的收费系统结构化数据、监控系统结构化数据、网络安全系统结构化数据中的异常数据计算得出。
5.根据权利要求4所述的方法，其特征在于，所述中心监控服务器为云端服务器。
CN202210807874.2A 2022-07-11 2022-07-11 一种高速公路机电监测系统及方法 Active CN115017014B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210807874.2A CN115017014B (zh) 2022-07-11 2022-07-11 一种高速公路机电监测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210807874.2A CN115017014B (zh) 2022-07-11 2022-07-11 一种高速公路机电监测系统及方法

Publications (2)

Publication Number Publication Date
CN115017014A CN115017014A (zh) 2022-09-06
CN115017014B true CN115017014B (zh) 2023-03-24

Family

ID=83080412

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210807874.2A Active CN115017014B (zh) 2022-07-11 2022-07-11 一种高速公路机电监测系统及方法

Country Status (1)

Country Link
CN (1) CN115017014B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113409179A (zh) * 2021-01-26 2021-09-17 陕西交通电子工程科技有限公司 一种用于高速公路的etc门架运行状态监测系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111726252A (zh) * 2020-06-17 2020-09-29 浪潮集团有限公司 一种针对工业设备的异常数据上报方法及工具
CN111901573A (zh) * 2020-08-17 2020-11-06 泽达易盛（天津）科技股份有限公司 一种基于边缘计算的细颗粒度实时监管系统
CN114462897B (zh) * 2022-04-12 2022-07-08 广东利通科技投资有限公司 高速公路机电系统综合性能评估方法、装置及存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113409179A (zh) * 2021-01-26 2021-09-17 陕西交通电子工程科技有限公司 一种用于高速公路的etc门架运行状态监测系统

Also Published As

Publication number Publication date
CN115017014A (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN107222780B (zh) 一种直播平台综合状态感知和内容实时监管方法
CN110084165B (zh) 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法
CN102073851A (zh) 一种城市交通事故自动识别方法和系统
CN105788269A (zh) 基于无人机的异常交通识别方法
CN110912737A (zh) 一种基于混合模型的动态感知性能预告警方法
CN114781510A (zh) 一种故障定位方法、装置、系统和存储介质
CN117523299B (zh) 一种基于计算机网络图像识别方法、系统和存储介质
CN113269042B (zh) 基于行驶车辆违章识别的智能交通管理方法及系统
CN113221759A (zh) 基于异常检测模型的道路遗撒识别方法以及装置
CN115017014B (zh) 一种高速公路机电监测系统及方法
CN112261402B (zh) 图像检测方法与系统以及摄像头遮挡监控方法与系统
CN110543827B (zh) 一种基于高斯混合模型与深度学习的多类别车辆检测方法
CN115830806A (zh) 基于高分遥感的自然灾害情况分析系统
CN111555917A (zh) 基于云平台的告警信息处理方法及装置
CN111209789A (zh) 对关键项点发生瞬间进行图像采集以及分析的方法
CN117173465A (zh) 一种基于蒸汽量检测的漏铝预警方法、系统及介质
CN116033145A (zh) 一种面向雷达视频融合的性能测试系统及测试方法
CN111258788B (zh) 磁盘故障预测方法、装置及计算机可读存储介质
CN115408182A (zh) 业务系统故障定位方法及装置
CN111553408A (zh) 视频识别软件自动测试的方法
CN117527523B (zh) 一种基于云计算的服务器安全监控系统
CN117437765B (zh) 基于大数据行车记录的事故报警方法及系统
KR20200143041A (ko) 실시간 영상 스트리밍 오류 검출 장치
CN117911930B (zh) 一种基于智能视频监控的数据安全预警方法及装置
CN117354495B (zh) 基于深度学习的视频监控质量诊断方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant