厂房异常事件检测方法和装置、电子设备及存储介质

1.本技术涉及工厂厂房安全管理技术领域，尤其涉及一种厂房异常事件检测方法和装置、电子设备及存储介质。


背景技术：

2.针对目前工厂厂区厂房异常事件的发生，现有的检测方法无法确定工厂厂房顶部外围是否异常事件发生。现有的工厂厂区厂房异常事件检测，只是针对室内以及室外的异常事件检测，对厂区厂房房屋顶部的检测，现阶段还是依靠人工检测，人力检测效率低下，检测的效果单一，只能检测某一特定场景下某一种特定的异常事件，人力检测范围有限，检测效果不具有实时性，而且人力成本高，需要克服昼夜变化带来的不便，不能全天检测厂区厂房的异常情况。此外，由于工厂厂区厂房具有保密性要求，但现有的厂区厂房屋顶异常事件检测方法存在用户隐私泄露的风险。


技术实现要素：

3.本技术实施例的主要目的在于提出一种厂房异常事件检测方法和装置、电子设备及存储介质，能够达到降低用户隐私泄露的风险的同时检测厂房场景下的异常事件。
4.为实现上述目的，本技术实施例的第一方面提出了一种厂房异常事件检测方法，所述方法包括：
5.获取相机拍摄厂房屋顶场景的视频；
6.确定厂房屋顶场景的检测目标；
7.通过标定算法得到所述检测目标的世界坐标；
8.通过联邦学习模型对所述检测目标的视频隐私信息进行加密；
9.通过yolov7目标检测模型识别所述检测目标，得到检测信息；
10.根据所述检测信息判断是否发生厂房异常事件。
11.在一些实施例，所述获取相机拍摄厂房屋顶场景的视频，包括：
12.通过设置在无人飞行器的相机对厂房屋顶场景进行拍摄，得到所述视频。
13.在一些实施例，在所述获取相机拍摄厂房屋顶场景的视频之前，还包括：
14.对不同的所述厂房屋顶场景进行定义；
15.确定不同的所述厂房屋顶场景对应厂房异常事件的种类。
16.在一些实施例，所述通过标定算法得到所述检测目标的世界坐标，包括：
17.获取所述相机的内部参数；
18.计算出相机模型垂直于厂房屋顶的平移向量；
19.计算世界坐标系绕图像坐标系的旋转矩阵；
20.结合所述相机的实际位置得到图像坐标和世界坐标之间的坐标转换关系；
21.基于所述坐标转换关系得到所述检测目标的世界坐标。
22.在一些实施例，所述厂房异常事件检测模型的训练方法如下：
23.构建联邦学习模型；
24.实地采集检测数据；
25.确定需要检测的厂房异常事件种类；
26.通过联邦学习训练所述联邦学习模型，直至达到目标检测精度，得到所述厂房异常事件检测模型。
27.在一些实施例，所述根据所述检测信息判断是否发生厂房异常事件，包括：
28.检测厂房屋顶是否发生缺失时，通过将搭建厂房屋顶用的彩钢图像与预设的完整房屋屋顶图片进行对比，在对比不一致的情况下，则判断发生厂房屋顶缺失的厂房异常事件；
29.检测厂房屋顶是否有异物出现时，通过yolov7目标检测模型识别不同种类的物品，在识别到异常物品的情况下，则判断发生厂房屋顶有异物的厂房异常事件；
30.检测厂房屋顶的加固钢管是否发生异常情况时，通过将基于canny边缘检测算法检测得到的加固钢管的形状与对比正常钢管的形状进行对比，在对比不一致的情况下，则判断厂房屋顶的加固钢管发生异常情况的厂房异常事件；
31.检测厂房屋顶的电线是否发生异常情况时，通过将基于canny边缘检测算法检测得到的电线的实时信息与对比正常电线的铺设位置进行对比，在对比不一致的情况下，则判断厂房屋顶的电线发生异常情况的厂房异常事件；
32.检测厂房屋顶是否发生几何变形时，通过将基于几何检测算法检测得到的工厂厂房屋顶的几何形状与对比正常厂房屋顶的几何形状进行对比，在对比不一致的情况下，则判断厂房屋顶发生几何变形的厂房异常事件。
33.在一些实施例，在所述根据所述检测信息判断是否发生厂房异常事件之后，还包括：
34.对所述厂房异常事件进行预警和上报。
35.为实现上述目的，本技术实施例的第二方面提出了一种厂房异常事件检测装置，所述装置包括：
36.获取模块，用于获取相机拍摄厂房屋顶场景的图像；
37.确定模块，用于确定厂房屋顶场景的检测目标；
38.标定模块，用于通过标定算法得到所述检测目标的世界坐标；
39.加密模块，用于通过联邦学习模型对所述检测目标的图像隐私信息进行加密；
40.识别模块，用于通过yolov7目标检测模型识别所述检测目标，得到检测信息；
41.判断模块，用于根据所述检测信息判断是否发生厂房异常事件。
42.为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
43.为实现上述目的，本技术实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。
44.本技术提出的厂房异常事件检测方法和装置、电子设备及存储介质,获取相机拍摄厂房屋顶场景的视频；确定厂房屋顶场景的检测目标；通过标定算法得到检测目标的世
界坐标；通过联邦学习模型对检测目标的视频隐私信息进行加密；通过yolov7目标检测模型识别检测目标，得到检测信息；根据检测信息判断是否发生厂房异常事件。基于此，本技术实施例相比于现有的人力检测方法，采用机器视觉技术以及联邦学习模型，在对厂房屋顶场景进行视频分析的同时，捕捉到厂房屋顶的目标，通过标定算法得到目标的世界坐标，利用联邦学习算法模型保护目标的视频信息隐私的同时，通过yolov7目标检测模型识别检测目标，以检测厂房的实时情况，从而实现了从视频角度出发的一种基于机器视觉的列车厂房异常事件的检测方法，能够及时判断在厂房屋顶场景出现的异常事件，以工厂厂房的安全。因此，本技术实施例通过采用联邦学习算法模型来达到降低用户隐私泄露的风险的同时检测厂房场景下的异常事件。
附图说明
45.图1是本技术实施例提供的厂房异常事件检测方法的流程图；
46.图2是本技术实施例提供的厂房异常事件检测方法的子流程图；
47.图3是本技术实施例提供的厂房异常事件检测方法的子流程图；
48.图4是本技术实施例提供的厂房异常事件检测模型训练方法的流程图；
49.图5是本技术实施例提供的厂房异常事件检测装置的结构示意图；
50.图6是本技术实施例提供的电子设备的硬件结构示意图。
具体实施方式
51.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
52.需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
53.针对现有技术中人力检测效率低下且存在用户隐私泄露的风险的技术问题，本技术实施例提供了一种厂房异常事件检测方法和装置、电子设备及存储介质，获取相机拍摄厂房屋顶场景的视频；确定厂房屋顶场景的检测目标；通过标定算法得到检测目标的世界坐标；通过联邦学习模型对检测目标的视频隐私信息进行加密；通过yolov7目标检测模型识别检测目标，得到检测信息；根据检测信息判断是否发生厂房异常事件。基于此，本技术实施例相比于现有的人力检测方法，采用机器视觉技术以及联邦学习模型，在对厂房屋顶场景进行视频分析的同时，捕捉到厂房屋顶的目标，通过标定算法得到目标的世界坐标，利用联邦学习算法模型保护目标的视频信息隐私的同时，通过yolov7目标检测模型识别检测目标，以检测厂房的实时情况，从而实现了从视频角度出发的一种基于机器视觉的列车厂房异常事件的检测方法，能够及时判断在厂房屋顶场景出现的异常事件，以工厂厂房的安全。因此，本技术实施例通过采用联邦学习算法模型来达到降低用户隐私泄露的风险的同时检测厂房场景下的异常事件。
54.本技术实施例提供的厂房异常事件检测方法和装置、电子设备及存储介质，具体
通过如下实施例进行说明，首先描述本技术实施例中的厂房异常事件检测方法。
55.图1是本技术实施例提供的厂房异常事件检测方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤s101至步骤s106。
56.步骤s101，获取相机拍摄厂房屋顶场景的视频；
57.步骤s102，确定厂房屋顶场景的检测目标；
58.步骤s103，通过标定算法得到检测目标的世界坐标；
59.步骤s104，通过联邦学习模型对检测目标的视频隐私信息进行加密；
60.步骤s105，通过yolov7目标检测模型识别检测目标，得到检测信息；
61.步骤s106，根据检测信息判断是否发生厂房异常事件。
62.在一些实施例中，利用相机拍摄需要检测的厂房屋顶场景，由于不同的检测场景对应不同的异常事件，所以要对不同的场景进行定义，定义指的是定义厂房屋顶的不同组成部分，例如：彩钢屋顶，加固屋顶用的钢管，以及电线等其他屋顶构件。
63.在一些实施例中，采用无人飞行器对房屋进行场景拍摄以及异常检测，无人飞行器可以迅速检测厂房屋顶的全部面貌，并且可以从不同的角度去拍摄厂房屋顶，进而获取到更加完整的厂房屋顶信息。
64.在一些实施例中，检测的厂房屋顶场景包括但不限于：厂区厂房屋顶以及厂区厂房屋顶构件，厂区厂房和外形全貌等。
65.在一些实施例中，厂房屋顶场景对应的异常事件包括但不限于：工厂厂区厂房屋顶异常事件包括：厂房屋顶是否发生缺失，厂区厂房屋顶是否有异物出现，厂区厂房屋顶加固钢管是否发生断裂、缺失、或者弯曲，厂区厂房屋顶电线是否发生断裂或者变形的情况，厂区厂房屋顶全貌是否发生几何变形等。
66.在一些实施例中，为了提高厂区厂房屋顶异常事件的检测精度，本技术实施例对相机进行了标定，通过标定算法来确定被检测目标的实际位置。首先获取到相机的内部参数，再计算出相机模型垂直于厂房屋顶的平移向量，再计算世界坐标系绕图像坐标系的旋转矩阵，结合相机的实际位置便可以得到图像坐标和世界坐标之间的坐标转换关系。需要说明的是，世界坐标的位置就是目标的现实空间的位置。
67.在一些实施例中，在获取目标时采用可以检测多个目标的yolov7目标检测模型，该模型可以同时识别多个不同的目标，相较于其他检测算法模型，该模型在视频检测方面可以提供更加实时的检测信息，可以实时将监控视频内的信息传输到yolov7目标检测模型中。需要说明的是，yolo算法作为one-stage目标检测算法最典型的代表，其基于深度神经网络进行对象的识别和定位，运行速度很快，可以用于实时系统。其中，yolov7是目前yolo系列最先进的算法，在准确率和速度上超越了以往的yolo系列。
68.在一些实施例中，在选择检测模型时，由于工厂厂区厂房具有保密性，为了最大限度保护用户数据的隐私，本技术选取了联邦学习模型来作为检测模型的检测框架。联邦学习也称为协同学习，它可以在产生数据的设备上进行大规模的训练，并且这些敏感数据保留在数据的所有者那里，本地收集、本地训练。在本地训练后，中央的训练协调器通过获取分布模型的更新获得每个节点的训练贡献，但是不访问实际的敏感数据。
69.在一些实施例中，联邦学习有横向、纵向、迁移等不同的学习模型种类，横向联邦学习的本质是样本的联合，适用于参与者间业态相同但触达客户不同，即特征重叠多，用户
重叠少时的场景；纵向联邦学习的本质是特征的联合，适用于用户重叠多，特征重叠少的场景；当参与者间特征和样本重叠都很少时可以考虑使用联邦迁移学习；本技术涉及工厂厂区厂房屋顶，由于不同的厂房屋顶相互重叠，所以本技术实施例以横向联邦学习为基准来进行模型训练。
70.请参阅图2，在一些实施例中，在步骤s101之前可以包括但不限于包括步骤s201至步骤s202：
71.步骤s201，对不同的厂房屋顶场景进行定义；
72.步骤s202，确定不同的厂房屋顶场景对应厂房异常事件的种类。
73.在一些实施例中，利用相机拍摄需要检测的厂房屋顶场景，由于不同的检测场景对应不同的异常事件，所以要对不同的场景进行定义，定义指的是定义厂房屋顶的不同组成部分，例如：彩钢屋顶，加固屋顶用的钢管，以及电线等其他屋顶构件。
74.请参阅图3，在一些实施例中，步骤s103可以包括但不限于包括步骤s301至步骤s305：
75.步骤s301，获取相机的内部参数；
76.步骤s302，计算出相机模型垂直于厂房屋顶的平移向量；
77.步骤s303，计算世界坐标系绕图像坐标系的旋转矩阵；
78.步骤s304，结合相机的实际位置得到图像坐标和世界坐标之间的坐标转换关系；
79.步骤s305，基于坐标转换关系得到检测目标的世界坐标。
80.在一些实施例中，为了提高厂房屋顶异常事件的检测精度，本技术实施例对相机进行了标定，通过标定算法来确定被检测目标的实际位置。首先获取到相机的内部参数，再计算出相机模型垂直于厂房屋顶的平移向量，再计算世界坐标系绕图像坐标系的旋转矩阵，结合相机的实际位置便可以得到图像坐标和世界坐标之间的坐标转换关系。需要说明的是，世界坐标的位置就是目标的现实空间的位置。
81.请参阅图4，在一些实施例中，厂房异常事件检测模型的训练方法可以包括但不限于包括步骤s401至步骤s404：
82.步骤s401，构建联邦学习模型；
83.步骤s402，实地采集检测数据；
84.步骤s403，确定需要检测的厂房异常事件种类；
85.步骤s404，通过联邦学习训练联邦学习模型，直至达到目标检测精度，得到厂房异常事件检测模型。
86.在一些实施例中，本技术选取联邦学习模型来作为检测模型的检测框架，构建完毕检测模型后，将数据输入联邦学习模型中进行数据训练，得到检测模型的检测精度。在对模型进行数据训练时，数据的80％用来训练，20％用来测试，如果达不到需要的检测精度，那么继续通过数据来训练模型，直到达到要求的精度。
87.在一些实施例中，步骤s105可以包括但不限于包括步骤s501至步骤s505：
88.步骤s501，检测厂房屋顶是否发生缺失时，通过将搭建厂房屋顶用的彩钢图像与预设的完整房屋屋顶图片进行对比，在对比不一致的情况下，则判断发生厂房屋顶缺失的厂房异常事件；
89.步骤s502，检测厂房屋顶是否有异物出现时，通过yolov7目标检测模型识别不同
种类的物品，在识别到异常物品的情况下，则判断发生厂房屋顶有异物的厂房异常事件；
90.步骤s503，检测厂房屋顶的加固钢管是否发生异常情况时，通过将基于canny边缘检测算法检测得到的加固钢管的形状与对比正常钢管的形状进行对比，在对比不一致的情况下，则判断厂房屋顶的加固钢管发生异常情况的厂房异常事件；
91.步骤s504，检测厂房屋顶的电线是否发生异常情况时，通过将基于canny边缘检测算法检测得到的电线的实时信息与对比正常电线的铺设位置进行对比，在对比不一致的情况下，则判断厂房屋顶的电线发生异常情况的厂房异常事件；
92.步骤s505，检测厂房屋顶是否发生几何变形时，通过将基于几何检测算法检测得到的工厂厂房屋顶的几何形状与对比正常厂房屋顶的几何形状进行对比，在对比不一致的情况下，则判断厂房屋顶发生几何变形的厂房异常事件。
93.在一些实施例中，检测厂房屋顶是否发生缺失：通过yolov7模型来检测工厂厂房屋顶，由于工厂厂房屋顶在建造时是以整块彩钢搭建，所以只需要检测搭建用的彩钢是否有缺陷，在检测缺陷时，本发明采用模板匹配算法来确定是否存在缺陷，通过对比完整的房屋屋顶图片来判断现阶段无人飞行器拍摄的房屋屋顶是否存在缺失等异常事件。
94.在一些实施例中，在检测厂区厂房屋顶是否有异物出现时，由于工厂厂房屋顶存在于露天环境中，很容易有异物落在厂房上，如果长期不进行处理，会对厂房屋顶安全构成威胁。采用yolov7算法对厂区屋顶进行检测，yolov7可以检测到不同种类的物品，通过yolov7来检测工厂厂区厂房的物品种类，看是否有异常物品出现。
95.在一些实施例中，检测厂区厂房屋顶加固钢管是否发生断裂、缺失、或者弯曲，在检测加固钢管是否发生断裂、缺失、或者弯曲时，首先要标注正常情况下的加固钢管形态，包括钢管的长度以及钢管的曲率。厂区厂房屋顶加固钢管用于防止大风天气吹掉厂房屋顶。通过canny边缘检测算法来检测钢管，在得到加固钢管的形状后，通过对比正常钢管来判断加固钢管是否发生缺失，变形等异常情况。
96.在一些实施例中，检测厂区厂房屋顶电线是否发生断裂或者变形的情况，首先确定厂房电线铺设的位置，同时标记电线的长度、曲率。通过canny边缘检测算法来得到电线的实时信息，通过和正常铺设位置进行比较来确定电线是否发生了异常事件。
97.在一些实施例中，检测厂区厂房屋顶全貌是否发生几何变形，工厂厂房屋顶具有确定的几何形状，通过检测工厂厂房的外部几何形状可以确定厂房屋顶是否发生变形，工厂厂房屋顶外部发生变形时对工厂厂房有较大的危害性，通过无人飞行器以及几何检测算法可以得到工厂厂房屋顶的几何形状，进而检测房屋屋顶是否发生变形等，保证房屋的安全。
98.基于此，本技术实施例可以实现同一场景不同种类的异常事件检测，不仅检测了屋顶是否缺失，还检测了屋顶是否有异物，加固钢管是否异常，屋顶是否有异物，屋顶是否发生几何变形，更好地监测厂房是否安全。
99.需要指出的是，厂房屋顶场景对应的异常事件包括但不限于：工厂厂区厂房屋顶异常事件包括：厂房屋顶是否发生缺失，厂区厂房屋顶是否有异物出现，厂区厂房屋顶加固钢管是否发生断裂、缺失、或者弯曲，厂区厂房屋顶电线是否发生断裂或者变形的情况，厂区厂房屋顶全貌是否发生几何变形等。
100.在一些实施例中，在步骤s106之后可以包括但不限于包括步骤s107：
101.步骤s107，对厂房异常事件进行预警和上报。
102.在一些实施例中，通过采用机器视觉技术以及联邦学习模型，在对厂房屋顶场景进行视频分析的同时，捕捉到厂房屋顶的目标，通过标定算法得到目标的世界坐标，利用联邦学习算法模型保护目标的视频信息隐私的同时，通过yolov7目标检测模型识别检测目标，以检测厂房的实时情况，从而实现了从视频角度出发的一种基于机器视觉的列车厂房异常事件的检测方法，能够及时判断在厂房屋顶场景出现的异常事件，以工厂厂房的安全。通过机器视觉采集厂区厂房房屋顶部的所有构件，并检测房屋屋顶是否有异物存在，综合判断房屋屋顶是否有异常事件发生，实时将发生的事件传递到相关部门，起到实时检测、实时预警的作用。
103.基于此，本技术提出一种采用机器视觉检测多种厂房屋顶异常事件的方法，该方法采用联邦学习算法，通过联邦学习模型对用户的数据进行加密来保证用户数据的隐私安全。本发明采用机器视觉检测，不仅采集厂房房屋顶部，还采集了房屋其他顶部构件，共同判断房屋顶部是否有异常事件的发生。
104.请参阅图5，本技术实施例还提供一种厂房异常事件检测装置，可以实现上述厂房异常事件检测方法，该装置包括：
105.获取模块510，用于获取相机拍摄厂房屋顶场景的视频；
106.确定模块520，用于确定厂房屋顶场景的检测目标；
107.标定模块530，用于通过标定算法得到检测目标的世界坐标；
108.加密模块540，用于通过联邦学习模型对检测目标的视频隐私信息进行加密；
109.识别模块550，用于通过yolov7目标检测模型识别检测目标，得到检测信息；
110.判断模块560，用于根据检测信息判断是否发生厂房异常事件。
111.基于此，本技术实施例的厂房异常事件检测装置，获取模块510获取相机拍摄厂房屋顶场景的视频；确定模块520确定厂房屋顶场景的检测目标；标定模块530通过标定算法得到检测目标的世界坐标；加密模块540通过联邦学习模型对检测目标的视频隐私信息进行加密；识别模块550通过yolov7目标检测模型识别检测目标，得到检测信息；判断模块560根据检测信息判断是否发生厂房异常事件。本技术实施例通过获取相机拍摄厂房屋顶场景的视频；确定厂房屋顶场景的检测目标；通过标定算法得到检测目标的世界坐标；通过联邦学习模型对检测目标的视频隐私信息进行加密；通过yolov7目标检测模型识别检测目标，得到检测信息；根据检测信息判断是否发生厂房异常事件。基于此，本技术实施例相比于现有的人力检测方法，采用机器视觉技术以及联邦学习模型，在对厂房屋顶场景进行视频分析的同时，捕捉到厂房屋顶的目标，通过标定算法得到目标的世界坐标，利用联邦学习算法模型保护目标的视频信息隐私的同时，通过yolov7目标检测模型识别检测目标，以检测厂房的实时情况，从而实现了从视频角度出发的一种基于机器视觉的列车厂房异常事件的检测方法，能够及时判断在厂房屋顶场景出现的异常事件，以工厂厂房的安全。因此，本技术实施例通过采用联邦学习算法模型来达到降低用户隐私泄露的风险的同时检测厂房场景下的异常事件。
112.该厂房异常事件检测装置的具体实施方式与上述厂房异常事件检测方法的具体实施例基本相同，在此不再赘述。
113.本技术实施例还提供了一种电子设备，电子设备包括存储器和处理器，存储器存
储有计算机程序，处理器执行计算机程序时实现上述厂房异常事件检测方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
114.请参阅图6，图6示意了另一实施例的电子设备的硬件结构，电子设备包括：
115.处理器601，可以采用通用的cpu(centralprocessingunit，中央处理器)、微处理器、应用专用集成电路(applicationspecificintegratedcircuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本技术实施例所提供的技术方案。
116.存储器602，可以采用只读存储器(readonlymemory，rom)、静态存储设备、动态存储设备或者随机存取存储器(randomaccessmemory，ram)等形式实现。存储器602可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器602中，并由处理器601来调用执行本技术实施例的厂房异常事件检测方法，即通过获取相机拍摄厂房屋顶场景的视频；确定厂房屋顶场景的检测目标；通过标定算法得到检测目标的世界坐标；通过联邦学习模型对检测目标的视频隐私信息进行加密；通过yolov7目标检测模型识别检测目标，得到检测信息；根据检测信息判断是否发生厂房异常事件。基于此，本技术实施例相比于现有的人力检测方法，采用机器视觉技术以及联邦学习模型，在对厂房屋顶场景进行视频分析的同时，捕捉到厂房屋顶的目标，通过标定算法得到目标的世界坐标，利用联邦学习算法模型保护目标的视频信息隐私的同时，通过yolov7目标检测模型识别检测目标，以检测厂房的实时情况，从而实现了从视频角度出发的一种基于机器视觉的列车厂房异常事件的检测方法，能够及时判断在厂房屋顶场景出现的异常事件，以工厂厂房的安全。因此，本技术实施例通过采用联邦学习算法模型来达到降低用户隐私泄露的风险的同时检测厂房场景下的异常事件。
117.输入/输出接口603，用于实现信息输入及输出。
118.通信接口604，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信。
119.总线，在设备的各个组件(例如处理器601、存储器602、输入/输出接口603和通信接口604)之间传输信息。
120.其中处理器601、存储器602、输入/输出接口603和通信接口604通过总线实现彼此之间在设备内部的通信连接。
121.本技术实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述厂房异常事件检测方法。
122.存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
123.本技术实施例提供的厂房异常事件检测方法、厂房异常事件检测装置、电子设备及存储介质，通过获取相机拍摄厂房屋顶场景的视频；确定厂房屋顶场景的检测目标；通过标定算法得到检测目标的世界坐标；通过联邦学习模型对检测目标的视频隐私信息进行加密；通过yolov7目标检测模型识别检测目标，得到检测信息；根据检测信息判断是否发生厂
房异常事件。基于此，本技术实施例相比于现有的人力检测方法，采用机器视觉技术以及联邦学习模型，在对厂房屋顶场景进行视频分析的同时，捕捉到厂房屋顶的目标，通过标定算法得到目标的世界坐标，利用联邦学习算法模型保护目标的视频信息隐私的同时，通过yolov7目标检测模型识别检测目标，以检测厂房的实时情况，从而实现了从视频角度出发的一种基于机器视觉的列车厂房异常事件的检测方法，能够及时判断在厂房屋顶场景出现的异常事件，以工厂厂房的安全。因此，本技术实施例通过采用联邦学习算法模型来达到降低用户隐私泄露的风险的同时检测厂房场景下的异常事件。
124.本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读程序、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读程序、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
125.本技术实施例描述的实施例是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
126.本领域技术人员可以理解的是，图中示出的技术方案并不构成对本技术实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
127.以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
128.本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
129.本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
130.应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字
符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
131.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
132.上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
133.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
134.集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多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)执行本技术各个实施例的方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序的介质。
135.以上参照附图说明了本技术实施例的优选实施例，并非因此局限本技术实施例的权利范围。本领域技术人员不脱离本技术实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本技术实施例的权利范围之内。

技术特征：
1.一种厂房异常事件检测方法，其特征在于，所述方法包括：获取相机拍摄厂房屋顶场景的视频；确定厂房屋顶场景的检测目标；通过标定算法得到所述检测目标的世界坐标；通过联邦学习模型对所述检测目标的视频隐私信息进行加密；通过yolov7目标检测模型识别所述检测目标，得到检测信息；根据所述检测信息判断是否发生厂房异常事件。2.根据权利要求1所述的方法，其特征在于，所述获取相机拍摄厂房屋顶场景的视频，包括：通过设置在无人飞行器的相机对厂房屋顶场景进行拍摄，得到所述视频。3.根据权利要求1所述的方法，其特征在于，在所述获取相机拍摄厂房屋顶场景的视频之前，还包括：对不同的所述厂房屋顶场景进行定义；确定不同的所述厂房屋顶场景对应厂房异常事件的种类。4.根据权利要求1所述的方法，其特征在于，所述通过标定算法得到所述检测目标的世界坐标，包括：获取所述相机的内部参数；计算出相机模型垂直于厂房屋顶的平移向量；计算世界坐标系绕图像坐标系的旋转矩阵；结合所述相机的实际位置得到图像坐标和世界坐标之间的坐标转换关系；基于所述坐标转换关系得到所述检测目标的世界坐标。5.根据权利要求4所述的方法，其特征在于，所述厂房异常事件检测模型的训练方法如下：构建联邦学习模型；实地采集检测数据；确定需要检测的厂房异常事件种类；通过联邦学习训练所述联邦学习模型，直至达到目标检测精度，得到所述厂房异常事件检测模型。6.根据权利要求1所述的方法，其特征在于，所述根据所述检测信息判断是否发生厂房异常事件，包括：检测厂房屋顶是否发生缺失时，通过将搭建厂房屋顶用的彩钢图像与预设的完整房屋屋顶图片进行对比，在对比不一致的情况下，则判断发生厂房屋顶缺失的厂房异常事件；检测厂房屋顶是否有异物出现时，通过yolov7目标检测模型识别不同种类的物品，在识别到异常物品的情况下，则判断发生厂房屋顶有异物的厂房异常事件；检测厂房屋顶的加固钢管是否发生异常情况时，通过将基于canny边缘检测算法检测得到的加固钢管的形状与对比正常钢管的形状进行对比，在对比不一致的情况下，则判断厂房屋顶的加固钢管发生异常情况的厂房异常事件；检测厂房屋顶的电线是否发生异常情况时，通过将基于canny边缘检测算法检测得到的电线的实时信息与对比正常电线的铺设位置进行对比，在对比不一致的情况下，则判断
厂房屋顶的电线发生异常情况的厂房异常事件；检测厂房屋顶是否发生几何变形时，通过将基于几何检测算法检测得到的工厂厂房屋顶的几何形状与对比正常厂房屋顶的几何形状进行对比，在对比不一致的情况下，则判断厂房屋顶发生几何变形的厂房异常事件。7.根据权利要求1所述的方法，其特征在于，在所述根据所述检测信息判断是否发生厂房异常事件之后，还包括：对所述厂房异常事件进行预警和上报。8.一种厂房异常事件检测装置，其特征在于，所述装置包括：获取模块，用于获取相机拍摄厂房屋顶场景的视频；确定模块，用于确定厂房屋顶场景的检测目标；标定模块，用于通过标定算法得到所述检测目标的世界坐标；加密模块，用于通过联邦学习模型对所述检测目标的视频隐私信息进行加密；识别模块，用于通过yolov7目标检测模型识别所述检测目标，得到检测信息；判断模块，用于根据所述检测信息判断是否发生厂房异常事件。9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的厂房异常事件检测方法。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的厂房异常事件检测方法。

技术总结
本申请实施例提供了一种厂房异常事件检测方法和装置、电子设备及存储介质。该方法包括：获取相机拍摄厂房屋顶场景的视频；确定厂房屋顶场景的检测目标；通过标定算法得到检测目标的世界坐标；通过联邦学习模型对检测目标的视频隐私信息进行加密；通过YOLOV7目标检测模型识别检测目标，得到检测信息；根据检测信息判断是否发生厂房异常事件。基于此，本申请实施例利用联邦学习算法模型保护目标的视频信息隐私的同时，通过YOLOV7目标检测模型识别检测目标，从而能够及时判断在厂房屋顶场景出现的异常事件，以确保厂房的安全。因此，本申请实施例通过采用联邦学习算法模型来达到降低用户隐私泄露的风险的同时检测厂房场景下的异常事件。异常事件。异常事件。


技术研发人员：刘成沛 孙全俊
受保护的技术使用者：五邑大学
技术研发日：2023.03.13
技术公布日：2023/7/19