[0001] 本发明涉及设备监测技术领域，具体为一种基于大数据的设备监测方法。

[0002] 设备监测是非常重要的环节，尤其在物业管理中的智能巡检系统，通过对摄像头等安防设备进行实时监控，可以提高物业管理的安全性和效率。在具体的应用场景中，物业巡检摄像头作为智能监控的关键设备，能够通过采集周边环境的数据与视频信息，实现对物业场地的全天候监控和安全管理。

[0003] 在申请公布号为CN108810526A的中国发明申请中，公开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，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。

[0004] 结合现有技术，以上申请还存在以下不足：

[0005] 物业巡检摄像头虽然具备基本的视频监控功能，但在设备状态监测方面存在诸多不足，难以做到全面、实时的故障预警。摄像头长时间暴露在户外环境下，可能因灰尘堆积、震动、环境光变化等问题导致图像质量下降，而这些问题在发生时不会立即被发现。由于无法进行及时的状态评估和预警，可能造成监控画面出现模糊、视角偏移等异常情况，进而影响整个物业管理系统的安全性，甚至在关键时刻丧失监控功能，带来严重的安全隐患。

[0070] 下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0071] 实施例1

[0072] 本发明提供一种基于大数据的设备监测方法，请参阅图1，包括以下步骤：

[0073] S1、通过对物业巡检摄像头加装的传感器组和自带功能，实时采集摄像头设备运行数据和视频数据，并将采集到的摄像头设备运行数据和视频数据通过无线网关传输到云端服务器中；

[0074] S2、在云端服务器中实时接收所采集到的摄像头设备运行数据和视频数据，再对摄像头设备运行数据进行数据处理，对视频数据通过图像处理技术从视频数据中提取视频质量数据，再将摄像头设备运行数据和视频质量数据进行数据融合获取摄像头效能数据集，并对摄像头效能数据集进行存储；

[0075] S3、利用大数据分析进行构建相关算法公式，并提取摄像头效能数据集输入到相关算法公式中，进行计算输出视频模糊度Qi、画面抖动程度Sshake、灰尘覆盖率Ddust和摄像头角度漂移率Adrift；

[0076] S4、基于所获取的视频模糊度Qi、画面抖动程度Sshake、灰尘覆盖率Ddust和摄像头角度漂移率Adrift，并结合摄像头效能数据集进行综合计算获取巡检摄像头的综合状态评分SPF，并预设运行状态阈值Y与所获取的综合状态评分SPF进行初步对比评估分析摄像头的健康状态；

[0077] S5、再基于初步对比评估结果触发故障预测与预警机制，通过构建故障预测算法公式，结合所获取的综合状态评分SPF输入到故障预测算法公式中，进行计算输出摄像头故障发生概率Pf，并预设故障预测阈值G与摄像头故障发生概率Pf进行二次对比评估，并基于评估结果生成预警信息。

[0078] 本实施例中，该方法通过利用传感器组和摄像头自带功能，实时采集设备的多维度数据，并通过无线网关传输至云端，确保了摄像头设备的运行数据和视频数据的实时传输和存储。这使得整个监控系统可以在大范围内进行高效、低延迟的设备状态监控。其次，通过对采集到的数据进行清洗、标准化和时间同步等处理，并结合图像处理技术提取视频质量数据，进一步融合生成摄像头效能数据集。这一数据融合处理极大提高了摄像头设备效能监测的准确性和全面性，确保系统能够捕捉到设备运行中的细微异常。该方法的关键在于通过大数据分析构建的相关算法，能够准确输出视频模糊度Qi、画面抖动程度Sshake、灰尘覆盖率Ddust、摄像头角度漂移率Adrift。结合这些参数，系统生成综合状态评分SPF并与预设的运行状态阈值Y对比分析，进一步评估摄像头的健康状态。通过这一分析，系统不仅能够及时发现设备异常，还能进行智能预警，提示维护人员进行检查、清洁和调整。相比传统技术，该方法的显著改进在于其智能化的故障预测与预警机制。在完成初步的状态评估后，系统通过故障预测算法计算出设备故障发生概率Pf，并与故障预测阈值G进行对比评估。基于评估结果，系统可以生成精确的预警信息，并针对潜在问题制定维护计划。这种智能化的预警机制大幅提升了摄像头设备的维护效率，避免了设备突然故障带来的安全隐患，同时减少了人为干预的频率和误差。

[0079] 实施例2

[0080] 本实施例是在实施例1中进行的解释说明，请参照图1，具体的：S1包括S11和S12；

[0081] S11、通过对物业巡检摄像头加装的传感器组和自带功能，实时采集摄像的设备运行数据，同时通过摄像头自带功能进行实时采集视频数据；

[0082] 传感器组包括环境温度传感器、光传感器和陀螺仪；

[0083] 设备运行数据包括设备温度Ti、网络延迟Li、环境光变化率Elight和摄像头角度Jd；

[0084] 设备温度Ti通过环境温度传感器采集获取；

[0085] 环境光变化率Elight通过摄像头配有环境光传感器，直接测量环境光照强度的变化；

[0086] 网络延迟Li通过摄像头系统自带的网络诊断功能，用于检测网络状态检测获取；

[0087] 摄像头角度Jd通过陀螺仪采集获取；

[0088] S12、通过设置LoRa无线网关将巡检摄像头与加装的传感器组与云端服务器进行集成连接，再通过LoRa通信协议将采集到的设备运行数据和视频数据传输到云端服务器中。

[0089] 本实施例中，该方法通过加装的传感器组与摄像头自带功能，系统能够实时采集多维度的设备运行数据以及视频数据。这些数据不仅覆盖了设备的物理状态，还涵盖了环境和网络运行状况，形成了全面的监控信息。其次，利用LoRa无线网关的低功耗广域通信能力，实现了对摄像头设备数据的高效、远程传输，确保数据的实时上传与处理。此方案通过多传感器组合与实时数据采集，将设备的物理和网络状态信息进行深度集成，实现了更精确的设备监控和状态分析。

[0090] 实施例3

[0091] 本实施例是在实施例2中进行的解释说明，请参照图1，具体的：S2包括S21、S22和S23；

[0092] S21、在云端服务器中实时接收采集到的设备运行数据和视频数据，通过并对设备运行数据进行数据处理，数据处理包括数据清洗、数据格式标准化和时间同步与对齐；

[0093] 数据清洗用于剔除错误、缺失和不合理的数据点，例如，网络连接中断可能会导致部分时段的数据缺失，或者设备异常瞬时波动带来的异常数据；

[0094] 数据格式标准化用于将不同来源的设备运行数据转换为统一的格式，例如，硬件传感器数据和图像分析数据可能具有不同的时间戳格式或单位标准；

[0095] 时间同步与对齐用于将通过网络延迟Li导致的设备运行数据采集时间不一致，进行时间同步和对齐；

[0096] S22、再基于所采集到的视频数据，通过图像处理技术从视频数据中提取视频质量数据，图像处理技术包括边缘检测的Sobel算子和高斯模糊算法，视频质量数据包括像素点(x，y)处的亮度值I(x，y)、像素点(x，y)处的亮度梯度变化▽I(x，y)、模糊视频帧中像素点(x，y)的亮度值Iblur(x，y)和清晰视频帧中像素点(x，y)的亮度值Isharp(x，y)；

[0097] 利用边缘检测的Sobel算子，通过计算水平方向和垂直方向的亮度变化来估计图像的梯度，计算后，每个像素的梯度值会反映其周围亮度的变化，清晰的图像会在边缘区域具有较高的梯度值；

[0098] 利用高斯模糊算法对图像进行模糊化处理，高斯模糊会减弱图像中的细节，使边缘变得平滑，模仿灰尘覆盖镜头的效果，通过对比模糊图像和原始图像的像素亮度值，来判断图像的清晰度变化；

[0099] S23、通过构建云端服务器数据库，同时构建历史数据库表和实时数据库表，并设置写入端口和写出端口，再执行过步骤S21和步骤S22后将所获取的设备运行数据和视频数据在同一时间点上的数据进行横向融合，获取实时的摄像头效能数据集；再将所获取的设备运行数据和视频数据进行纵向融合，获取历史的摄像头效能数据集；并通过写入端口将实时的摄像头效能数据集存储在实时数据库表中，将历史的摄像头效能数据集写入历史数据库表中。

[0100] 本实施例中，该方法通过数据清洗和格式标准化，剔除错误数据、统一数据格式，确保了不同来源的数据能以一致的方式处理，解决了由于网络中断、时间不同步等原因造成的数据不完整和误差问题。通过时间同步与对齐技术，消除了数据源之间的时间差异，确保设备运行数据与视频数据的同步性，从而提高了分析的准确性。在视频质量分析方面，系统利用图像处理技术，精确提取视频的边缘和模糊信息，帮助更好地评估摄像头画面的清晰度和整体效能。此外，通过将实时和历史数据进行融合，系统能够同时监测设备的当前运行状态，并借助历史数据进行纵向分析，帮助检测设备性能的变化趋势并支持长期监控和故障预测。该方法显著提升了数据处理的精度和监控的智能化水平。系统通过对多维数据的融合，实现了更全面的设备状态评估，且基于历史数据的纵向分析能力为设备性能趋势的预测提供了坚实的基础，进而有效提升了系统的故障预测能力和整体稳定性。

[0101] 实施例4

[0102] 本实施例是在实施例3中进行的解释说明，请参照图1，具体的：S3包括S31、S32、S33和S34；

[0103] S31、通过构建视频清晰度算法公式，通过云端服务器数据库的写出端口提取像素点(x，y)处的亮度值I(x，y)、像素点(x，y)处的亮度梯度变化▽I(x，y)输入到视频清晰度算法公式中，进行计算输出视频模糊度Qi，进行捕捉由于焦点偏移导致的局部模糊现象；

[0104] 视频模糊度Qi通过以下视频清晰度算法公式计算输出；

[0105]

[0106] 式中，N表示视频每一帧的像素总数，通过已知分辨率获取，w(x，y)表示像素点(x，y)，通过缘检测的Sobel算子根据图像边缘强度动态设定，Imax表示视频帧的亮度上限值，用于归一化亮度对梯度的影响。

[0107] S32、通过构建画面抖动分析算法公式，通过云端服务器数据库的写出端口提取像素点(x，y)处的亮度值I(x，y)输入到画面抖动分析算法公式中，进行计算输出画面抖动程度Sshake，分析巡检摄像头在不同时间段的抖动情况；

[0108] 画面抖动程度Sshake通过以下画面抖动分析算法公式计算获取；

[0109]

[0110] 式中，T表示时间窗口的总帧数，t表示时间，αt表示时间权重，表示在时间t的权重值，具体由物业用户进行设定，时间权重根据应用需求设定，通常使用指数权重或线性衰减函数来分配较大的权重给最近的帧，I(x，y，t)表示在时间t时刻像素点(x，y)的亮度值，I(x，y，t‑1)表示在时间t‑1时刻像素点(x，y)的亮度值，表示该像素点在前一时间帧的亮度值，用于计算帧间变化，V(x，y，t)表示像素点(x，y)在时间t的速度矢量，通过光流法分析视频连续帧中的像素运动来计算获取，Vmax表示视频帧中的速度矢量上限值。

[0111] S33、通过构建灰尘覆盖分析算法公式，通过云端服务器数据库的写出端口提取模糊视频帧中像素点(x，y)的亮度值Iblur(x，y)和清晰视频帧中像素点(x，y)的亮度值Isharp(x，y)，输入到灰尘覆盖分析算法公式中，进行计算输出灰尘覆盖率Ddust，进行分析巡检摄像头的灰尘覆盖情况；

[0112] 灰尘覆盖率Ddust通过以下灰尘覆盖分析算法公式计算输出；

[0113]

[0114] 式中，Iblur(x，y，σ)表示经过高斯模糊算法处理后的像素点(x，y)的亮度值，σ表示模糊核的标准差，V(x，y)表示像素点(x，y)的运动矢量。

[0115] S34、通过构建角度漂移分析算法公式，再通过云端服务器数据库的写出端口提取摄像头角度Jd输入到角度漂移分析算法公式中，进行计算输出摄像头角度漂移率Adrift，进行分析巡检摄像头角度变化的速度以及摄像头在剧烈漂移情况；

[0116] 摄像头角度漂移率Adrift通过以下角度漂移分析算法公式计算输出；

[0117]

[0118] 式中，Jd0表示巡检摄像头的初始安装角度，d表示微分运算符， 表示摄像头角度Jd随时间t的变化率，即角速度， 表示角速度的变化率，即角加速度，γ和δ分别表示角速度和角加速度的预设权重值，具体数值由用户根据应用场景进行设定，且γ+δ＝1。

[0119] 本实施例中，该方法通过视频清晰度算法精确计算摄像头画面模糊度Qi，捕捉因焦点偏移引起的局部模糊，确保图像质量的持续监控。其次，通过画面抖动分析算法，系统能够动态检测画面的抖动程度Sshake，分析不同时间段摄像头的稳定性，进而识别外部震动或设备松动造成的画面不稳定问题。通过灰尘覆盖率Ddust的计算，系统能够实时监测摄像头镜头表面的清洁状况，预警灰尘覆盖影响画面质量的情况。此外，角度漂移分析算法通过角度漂移率Adrift的计算，监测摄像头角度的变化速度及剧烈偏移，确保摄像头始终保持在预定的监控角度。与现有技术相比，该方法通过视频清晰度、画面抖动、灰尘覆盖和角度漂移的多维度分析，不仅增强了设备的自我诊断和反馈能力，还使得巡检摄像头的故障预测更加智能化和自动化。

[0120] 实施例5

[0121] 本实施例是在实施例4中进行的解释说明，请参照图1，具体的：S4包括S41和S42；

[0122] S41、通过提取所获取的视频模糊度Qi、画面抖动程度Sshake、灰尘覆盖率Ddust和摄像头角度漂移率Adrift，并结合设备运行数据，进行综合计算获取巡检摄像头的综合状态评分SPF，对摄像头的整体运行状态进行评分；

[0123] 综合状态评分SPF通过以下算法公式计算获取；

[0124] SPF＝a1·Qi+a2·Sshake+a3·Ddust+a4·Adrift+a5·Ti+a6·Li+a7·Elight+ε；

[0125] 式中，a1、a2、a3、a4、a5、a6和a7分别表示视频模糊度Qi、画面抖动程度Sshake、灰尘覆盖率Ddust、摄像头角度漂移率Adrift、设备温度Ti、网络延迟Li和环境光变化率Elight的预设权重值，具体数值由用户根据应用场景进行设定，且a1+a2+a3+a4+a5+a6+a7＝1，ε表示综合评分误差项；

[0126] S42、基于巡检摄像头的历史数据和性能标准进行预设运行状态阈值Y，再与所获取的综合状态评分SPF进行初步对比评估，分析当前巡检摄像头的运行状态，具体评估内容如下；

[0127] 当综合状态评分SPF＞运行状态阈值Y时，表示设备运行状态正常，当前不需要维护，系统工作在正常范围内，此时执行步骤S5进行故障预测并生成维护机制；

[0128] 当综合状态评分SPF≤运行状态阈值Y时，表示设备出现异常，此时则生成第一预警信息提示物业立即对巡检摄像头进行检查、清洁和重新校准。

[0129] 本实施例中，该方法通过提取视频模糊度Qi、画面抖动程度Sshake、灰尘覆盖率Ddust、摄像头角度漂移率Adrift，结合设备运行数据，生成巡检摄像头的综合状态评分SPF，并通过与预设的运行状态阈值Y对比，带来了显著的有益效果。该方法通过对多维度数据的综合计算，全面评估摄像头的整体运行状态，精确得出设备当前的健康水平。通过权重值的动态设定，系统能够根据不同场景灵活调整各参数的重要性，使得评分更具针对性和实用性。此外，系统通过历史数据和性能标准设定运行状态阈值Y，实现了对摄像头运行状态的自动化评估。当综合状态评分SPF低于运行状态阈值Y时，系统自动生成预警信息，提示设备可能出现异常，进而触发维护机制。与传统的巡检方法相比，该系统显著提高了评估的精准度和响应速度。传统的监控和维护通常依赖人工判断，难以及时发现潜在问题，而该方法通过对设备的综合状态评分，能够提前识别问题并自动预警，减少了人工巡检的工作量和误差。系统的自动化预警机制不仅提升了设备维护的效率，还有效避免了设备故障的进一步扩大。

[0130] 实施例6

[0131] 本实施例是在实施例5中进行的解释说明，请参照图1，具体的：S5包括S51和S52；

[0132] S51、再在初步对比评估出设备运行状态正常时，触发设备故障预测，通过构建故障预测算法公式，并提取综合状态评分SPF结合巡检摄像头的设备温度Ti和网络延迟Li，进行计算输出摄像头故障发生概率Pf，进行预测巡检摄像头的故障发生情况；

[0133] 摄像头故障发生概率Pf通过以下故障预测算法公式计算获取；

[0134]

[0135] 式中，SPFt‑1表示上一时间点t‑1的综合状态评分，κ表示预测误差项，b1、b2和b3分别表示综合状态评分变化率、设备温度Ti和网络延迟Li预设权重值，具体数值由用户根据应用场景进行设定，且b1+b2+b3＝1。

[0136] S52、通过巡检摄像头故障发生频率进行预设故障预测阈值G，再与所获取的摄像头故障发生概率Pf进行二次对比评估，进行预测巡检摄像头的故障情况，并基于评估结果生成预警信息，具体评估内容如下；

[0137] 当摄像头故障发生概率Pf＞故障预测阈值G时，表示预测巡检摄像头存在预测故障，此时生成第二预警信息，提示物业进行计划维护；

[0138] 当摄像头故障发生概率Pf≤故障预测阈值G时，表示预测巡检摄像头不存在预测故障，此时，按照原定维护计划进行维护。

[0139] 本实施例中，该方法通过在系统评估设备运行状态正常的情况下，故障预测算法利用综合状态评分SPF、设备温度Ti和网络延迟Li等关键参数，计算出摄像头故障发生概率Pf。这一算法能够动态预测摄像头未来可能的故障情况，帮助提前识别潜在问题。其次，通过设定故障预测阈值G，系统能够对摄像头故障发生概率Pf进行二次评估，并基于评估结果生成具体的预警信息。当摄像头故障发生概率Pf超过故障预测阈值G时，系统将提醒物业采取计划维护措施；当摄像头故障发生概率Pf低于故障预测阈值G时，系统则允许设备继续按照原定维护计划运行。该故障预测机制大大提升了监控设备管理的智能化水平。通过提前预估设备可能的故障情况，系统能够主动生成预警信息，避免了传统技术中依赖设备故障后才采取补救措施的局限性。这种预测性维护不仅减少了设备突发故障的风险，延长了设备的使用寿命，还有效降低了维护成本和停机时间。

[0140] 尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，理解在不脱离本发明的原理和精神的情况下对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。