[发明专利]异常识别方法、终端和计算机可读存储介质

说明书

本申请公开了一种异常识别方法、终端和计算机可读存储介质，异常识别方法包括：获取不同时刻的图像块，图像块包括出渣口的栅渣图像块和非栅渣图像块；将不同时刻的图像块分别进行二值分类，得到不同时刻的图像块分别对应的类别值；根据不同时刻的图像块分别对应的类别值获取不同时刻的状态码；根据不同时刻的状态码确定汉明距离，根据汉明距离确定出渣口的异常情况。解决了在识别出渣口的工作状态是否异常时，出现特征场景模型训练的过拟合和状态难区分的技术问题，达到了数据采集容易快速，数据标注简单，神经网络的训练容易收敛以及训练模型的泛化能力强的效果。

技术领域

本申请涉及图像分类技术领域，尤其涉及一种异常识别方法、终端和计算机可读存储介质。

背景技术

栅渣压滤机是污水处理厂处理污水的重要设备，可对来自污水处理厂的栅/筛渣进行运输和压榨处理，并将压榨的固体物质排入废料箱或者垃圾箱中，实现栅渣从污水中分离去除。日常的工作中，栅渣压滤机会出现不能及时排除栅渣的故障，严重影响水厂的污水处理效率。当前的维护主要是通过人工巡查的方法，主要通过判断一段时间前后的出渣口的栅渣变化来判断是否正常，栅渣变化则正常，没有变化则会异常。但是由于出渣的速度会比较慢，甚至会有半小时或者更久，所以巡检的效率非常低下。此外水厂区域范围广，人工巡检费时耗力。

随着深度学习技术的发展，针对视频识别的应用也取得了飞快的发展。当前对于这类问题的解决可以采用图像分类的方法，将出渣的状态设置成不同的类别，通过判断类别的变化来识别是否是正常出渣的状态。但是，由于在特定的场景，需要采集很多数据并进行标注，模型训练非常容易过拟合，算法的泛化能力弱，推广难度大。其次，出渣的过程变化也是非常缓慢的，识别这些状态之间的区分度是难度大，算法实现高精度非常困难。

发明内容

本申请实施例通过提供一种异常识别方法、终端和计算机可读存储介质，旨在解决在识别出渣口的工作状态是否异常时，出现特征场景模型训练的过拟合和状态难区分的问题。

为实现上述目的，本申请一方面提供一种异常识别方法，所述异常识别方法包括以下步骤：

获取不同时刻的图像块，所述图像块包括出渣口的栅渣图像块和非栅渣图像块；

将所述不同时刻的图像块分别进行二值分类，得到所述不同时刻的图像块分别对应的类别值；

根据所述不同时刻的图像块分别对应的类别值获取所述不同时刻的状态码；

根据所述不同时刻的状态码确定汉明距离，根据所述汉明距离确定所述出渣口的异常情况。

可选地，所述根据所述汉明距离确定所述出渣口的异常情况的步骤包括：

将所述汉明距离与设定阈值进行比较；

若所述汉明距离小于所述设定阈值，则确定所述出渣口的工作状态异常；或者，

若所述汉明距离大于所述设定阈值，则确定所述出渣口的工作状态正常。

可选地，所述获取不同时刻的图像块的步骤之前，包括：

获取所述出渣口的图像，根据所述图像确定所述出渣口的网格区域；

确定所述网格区域内每个网格的大小，并对所述每个网格对应的图像进行状态定义，得到所述栅渣图像块和所述非栅渣图像块。

可选地，所述根据所述图像确定所述出渣口的网格区域的步骤包括：

根据所述图像确定所述出渣口的出渣方向，基于所述出渣方向选取一个包括出渣区域的矩形框；

对所述包括出渣区域的矩形框进行网格划分，得到所述网格区域。

可选地，所述将所述不同时刻的图像块分别进行二值分类的步骤包括：

获取训练的网络模型；