摄像头故障智能预测方法、装置和摄像头管理服务器制造方法及图纸

本发明专利技术提供一种摄像头故障智能预测方法、装置、摄像头管理服务器和计算机存储介质，该摄像头故障智能预测方法包括：根据确定的多个故障的故障前摄像头状态序列信息以及相应故障前的历史故障信息建立故障预测模型；在预测故障时，利用预测之前的摄像头状态序列信息、所述预测之前的历史故障信息以及所述故障预测模型，预测是否会发生故障。本发明专利技术的摄像头故障智能预测方法，根据历史信息自主预测摄像头的故障，从而使摄像头维护人员可以提前准备好维护工作，及时维护故障摄像头，减少故障带来的安全隐患。

【技术实现步骤摘要】
摄像头故障智能预测方法、装置和摄像头管理服务器
本专利技术涉及安防
，具体而言，涉及一种摄像头故障智能预测方法、装置、摄像头管理服务器和计算机存储介质。
技术介绍
随着安防技术的不断发展以及普及，监控摄像头已经遍布了城市的每一个角落。但是位于安防前端的监控摄像头往往是整个视频监控系统中最为薄弱的环节，摄像头容易受天气、环境的影响，一旦出现异常或故障，相关区域的安防监控就如虚设。但是，目前并没有任何对于摄像头的故障进行预测的手段，只有当摄像头发生故障后，维护人员才可知道故障的发生，从而进行摄像头的维护。由于没有故障预测的手段，维护人员只能在故障发生后才进行摄像头维修准备以及维修，不能及时排除故障，致使摄像头监控区域的安防存在隐患。
技术实现思路
鉴于上述问题，本专利技术提供了一种摄像头故障智能预测方法、装置、摄像头管理服务器和计算机存储介质，以根据历史信息自主预测摄像头的故障。为了实现上述目的，本专利技术采用如下的技术方案：一种摄像头故障智能预测方法，包括：根据确定的多个故障的故障前摄像头状态序列信息以及相应故障前的历史故障信息建立故障预测模型；在预测故障时，利用预测之前的摄像头状态序列信息、所述预测之前的历史故障信息以及所述故障预测模型，预测是否会发生故障。优选地，所述故障前摄像头状态序列信息为发生故障之前的第一预定时长的摄像头状态序列信息，所述故障前的历史故障信息为发生故障之前的第一预定天数内的历史故障信息。优选地，所述预测之前的摄像头状态序列信息为进行预测之前的第二预定时长的摄像头状态序列信息，所述预测之前的历史故障信息为进行预测之前的第二预定天数内的历史故障信息。优选地，所述第一预定时长等于所述第二预定时长，所述第一预定天数等于所述第二预定天数。优选地，所述故障预测模型为LSTM模型。优选地，所述的摄像头故障智能预测方法，还包括：在建立所述故障预测模型后，利用所述故障前摄像头状态序列信息和相应的所述故障前的历史故障信息作为输入，故障发生标志作为输出对所述故障预测模型进行训练，并且利用未发生故障的随机时刻前的摄像头状态序列信息和相应的所述随机时刻前的历史故障信息作为输入，故障未发生标志作为输出对所述故障预测模型进行训练。优选地，所述随机时刻前的摄像头状态序列信息为未发生故障之前的第一预定时长的摄像头状态序列信息，所述随机时刻前的历史故障信息为未发生故障之前的第一预定天数内的历史故障信息。本专利技术还提供一种摄像头故障智能预测装置，包括：模型建立模块，用于根据确定的多个故障的故障前摄像头状态序列信息以及相应故障前的历史故障信息建立故障预测模型；故障预测模块，用于在预测故障时，利用预测之前的摄像头状态序列信息、所述预测之前的历史故障信息以及所述故障预测模型，预测是否会发生故障。本专利技术还提供一种摄像头管理服务器，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述摄像头管理服务器执行所述的摄像头故障智能预测方法。本专利技术还提供一种计算机存储介质，其存储有所述的摄像头管理服务器中所使用的计算机程序。本专利技术提供了一种摄像头故障智能预测方法，该方法包括：根据确定的多个故障的故障前摄像头状态序列信息以及相应故障前的历史故障信息建立故障预测模型；在预测故障时，利用预测之前的摄像头状态序列信息、所述预测之前的历史故障信息以及所述故障预测模型，预测是否会发生故障。本专利技术的摄像头故障智能预测方法，根据历史信息自主预测摄像头的故障，从而使摄像头维护人员可以提前准备好维护工作，及时维护故障摄像头，减少故障带来的安全隐患。为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对本专利技术范围的限定。图1是本专利技术实施例提供的一种摄像头的结构框图；图2是本专利技术实施例1提供的一种摄像头故障智能预测方法的流程图；图3是本专利技术实施例2提供的一种摄像头故障智能预测方法的流程图；图4是本专利技术实施例3提供的一种摄像头故障智能预测装置的结构图。具体实施方式下面将结合本专利技术实施例中附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。下述各实施例均可应用于如图1所示的摄像头中，图1示出了该摄像头的结构框图，该摄像头100包括：以太网接口110、存储器120、传感器130、音频电路140、无线保真(wirelessfidelity，WiFi)模块150、处理器160、以及电源170等部件。本领域技术人员可以理解，图1中示出的摄像头100结构并不构成对摄像头的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。实施例1图2是本专利技术实施例1提供的一种摄像头故障智能预测方法的流程图，该方法包括如下步骤：步骤S21：根据确定的多个故障的故障前摄像头状态序列信息以及相应故障前的历史故障信息建立故障预测模型。本专利技术实施例中，摄像头的状态信息可以包括电压、温度、湿度、气压、风扇工作状态、加热器工作状态和图像效果中的至少一种信息。该电压的监测包括摄像头的输入电压以及各种关键电路的电压，该温度的监测包括摄像头的核心温度以及各种关键组件的温度，该湿度的监测包括摄像头的核心湿度以及各种关键组件的湿度，该气压的监测包括摄像头的核心气压以及各种关键组件的气压。其中，摄像头的状态序列信息可以使用传感器来采集，例如，可以使用温度传感器采集摄像头的核心温度以及组件温度，并且可以设定一个温度阈值，当温度超过该阈值时可以产生故障提示，以提示维护人员进行维修。其中，上述摄像头中可以使用算法或软件实时监测各种状态信息，例如利用算法按照预先规定的时间间隔采集各传感器的状态信息，生成状态序列信息进行存储，以便维护人员进行分析预测，以及作为建立故障预测模型所需的样本。本专利技术实施例中，历史故障信息指的是摄像头的故障记录，摄像头可以在每次发生故障时记录故障发生的时间日期，生成该历史故障信息。其中，记录故障信息的过程可以使用算法或应用程序来实现，例如可以使用日志程序，当摄像头发生故障时，则生成一条故障日志并存储起来，还可以生成故障日志表，以便维护人员了解摄像头的故障历史。上述每条故障日志中可以记录有当天的故障次数以及故障时间，如果当天该摄像头没有发生故障也可以生成故障日志，以便作为该故障日志也可以作为建立故障预测模型所需的样本。本专利技术实施例中，该故障预测模型可以为深度学习模型，也即，该故障预测模型可以具有两个深度学习单元以及一个输出端，例如，该故障预测模型设置有第一深度学习单元及第二深度学习单元，其中第一深度学习单元用于接收状态序列信息，第二深度学习单元用于接收历史故障信息。其中，本文档来自技高网...

【技术保护点】
1.一种摄像头故障智能预测方法，其特征在于，包括：根据确定的多个故障的故障前摄像头状态序列信息以及相应故障前的历史故障信息建立故障预测模型；在预测故障时，利用预测之前的摄像头状态序列信息、所述预测之前的历史故障信息以及所述故障预测模型，预测是否会发生故障。

【技术特征摘要】
1.一种摄像头故障智能预测方法，其特征在于，包括：根据确定的多个故障的故障前摄像头状态序列信息以及相应故障前的历史故障信息建立故障预测模型；在预测故障时，利用预测之前的摄像头状态序列信息、所述预测之前的历史故障信息以及所述故障预测模型，预测是否会发生故障。2.根据权利要求1所述的摄像头故障智能预测方法，其特征在于，所述故障前摄像头状态序列信息为发生故障之前的第一预定时长的摄像头状态序列信息，所述故障前的历史故障信息为发生故障之前的第一预定天数内的历史故障信息。3.根据权利要求2所述的摄像头故障智能预测方法，其特征在于，所述预测之前的摄像头状态序列信息为进行预测之前的第二预定时长的摄像头状态序列信息，所述预测之前的历史故障信息为进行预测之前的第二预定天数内的历史故障信息。4.根据权利要求3所述的摄像头故障智能预测方法，其特征在于，所述第一预定时长等于所述第二预定时长，所述第一预定天数等于所述第二预定天数。5.根据权利要求1所述的摄像头故障智能预测方法，其特征在于，所述故障预测模型为LSTM模型。6.根据权利要求1所述的摄像头故障智能预测方法，其特征在于，还包括：在建立所述故障预测模型后，利用所述故障前摄像头状态序列信息和相应的所...

【专利技术属性】
技术研发人员：姚佳，
申请(专利权)人：广东惠禾科技发展有限公司，
类型：发明
国别省市：广东,44