本發(fā)明涉及神經(jīng)網(wǎng)絡領域，尤其涉及一種基于網(wǎng)絡通信的破損漏電預警系統(tǒng)。

背景技術：

1、人工神經(jīng)網(wǎng)絡無需事先確定輸入輸出之間映射關系的數(shù)學方程，僅通過自身的訓練，學習某種規(guī)則，在給定輸入值時得到最接近期望輸出值的結果。作為一種智能信息處理系統(tǒng)，人工神經(jīng)網(wǎng)絡實現(xiàn)其功能的核心是算法。bp神經(jīng)網(wǎng)絡是一種按誤差反向傳播訓練的多層前饋網(wǎng)絡，其算法稱為bp算法，它的基本思想是梯度下降法，利用梯度搜索技術，以期使網(wǎng)絡的實際輸出值和期望輸出值的誤差均方差為最小。

2、基本bp算法包括信號的前向傳播和誤差的反向傳播兩個過程。即計算誤差輸出時按從輸入到輸出的方向進行，而調整權值和閾值則從輸出到輸入的方向進行。正向傳播時，輸入信號通過隱含層作用于輸出節(jié)點，經(jīng)過非線性變換，產(chǎn)生輸出信號，若實際輸出與期望輸出不相符，則轉入誤差的反向傳播過程。誤差反傳是將輸出誤差通過隱含層向輸入層逐層反傳，并將誤差分攤給各層所有單元，以從各層獲得的誤差信號作為調整各單元權值的依據(jù)。通過調整輸入節(jié)點與隱層節(jié)點的聯(lián)接強度和隱層節(jié)點與輸出節(jié)點的聯(lián)接強度以及閾值，使誤差沿梯度方向下降，經(jīng)過反復學習訓練，確定與最小誤差相對應的網(wǎng)絡參數(shù)，訓練即告停止。此時經(jīng)過訓練的神經(jīng)網(wǎng)絡即能對類似樣本的輸入信息，自行處理輸出誤差最小的經(jīng)過非線形轉換的信息。

3、然而，現(xiàn)有技術中仍存在一些具體的應用領域需要使用bp神經(jīng)網(wǎng)絡進行擴展相應的解決方案，例如，期望使用bp神經(jīng)網(wǎng)絡執(zhí)行建筑工地的施工區(qū)域內是否存在平板振動器電纜線拖動在鋼筋上的高危場景的智能鑒定，顯然，現(xiàn)有技術中缺乏上述針對性的、高精度的鑒定方案。

技術實現(xiàn)思路

1、為了解決現(xiàn)有技術中的技術問題，本發(fā)明提供了一種基于網(wǎng)絡通信的破損漏電預警系統(tǒng)，能夠基于平板振動器電纜線的顏色成像特性檢測平板振動器電纜線在接收到的引導濾波畫面中占據(jù)的圖像分塊以作為第一圖像分塊，獲取所述第一圖像分塊的各個組成像素點，基于鋼筋的顏色成像特性檢測鋼筋在接收到的引導濾波畫面中占據(jù)的圖像分塊以作為第二圖像分塊，獲取所述第二圖像分塊的各個組成像素點，分析第一圖像分塊的整體景深數(shù)值以及第二圖像分塊的整體景深數(shù)值，從而為后續(xù)的智能鑒定提供關鍵的多份基礎信息，還采用ai分析模型基于第一圖像分塊的各個組成像素點分別對應的各份水平坐標數(shù)值和各份垂直坐標數(shù)值、第二圖像分塊的各個組成像素點分別對應的各份水平坐標數(shù)值和各份垂直坐標數(shù)值、第一圖像分塊的整體景深數(shù)值以及第二圖像分塊的整體景深數(shù)值智能鑒別平板振動器電纜線是否與鋼筋接觸，從而完成建筑工地的施工區(qū)域內是否存在平板振動器電纜線拖動在鋼筋上的高危場景的智能鑒定。

2、根據(jù)本發(fā)明，提供了一種基于網(wǎng)絡通信的破損漏電預警系統(tǒng)，所述系統(tǒng)包括：

3、場景判斷設備，設置在建筑工地的儀表盒體內，用于在判斷建筑工地當前處于施工狀態(tài)時，發(fā)出第一判斷信號，還用于在判斷建筑工地當前處于非施工狀態(tài)時，發(fā)出第二判斷信號；

4、監(jiān)控攝像機構，設置在建筑工地的施工區(qū)域的上方且與所述場景判斷設備連接，用于在接收到所述第一判斷信號時，對所述施工區(qū)域執(zhí)行攝像動作，以獲得當前時刻對應的施工區(qū)域畫面；

5、均值濾波設備，設置在建筑工地的儀表盒體內且與所述監(jiān)控攝像機構連接，用于對接收到的施工區(qū)域畫面執(zhí)行諧波均值濾波處理，以獲得并輸出相應的均值濾波畫面；

6、增強操作設備，與所述均值濾波設備連接，用于對接收到的均值濾波畫面執(zhí)行基于直方圖均衡化處理的畫面內容增強操作，以獲得并輸出相應的增強操作畫面；

7、引導濾波設備，與所述增強操作設備連接，用于對接收到的增強操作畫面執(zhí)行引導濾波處理，以獲得并輸出相應的引導濾波畫面；

8、模型應用機構，設置在建筑工地的儀表盒體內且與所述引導濾波設備連接，基于平板振動器電纜線的顏色成像特性檢測平板振動器電纜線在接收到的引導濾波畫面中占據(jù)的圖像分塊以作為第一圖像分塊，獲取所述第一圖像分塊的各個組成像素點，基于鋼筋的顏色成像特性檢測鋼筋在接收到的引導濾波畫面中占據(jù)的圖像分塊以作為第二圖像分塊，獲取所述第二圖像分塊的各個組成像素點，分析第一圖像分塊的整體景深數(shù)值以及第二圖像分塊的整體景深數(shù)值，采用ai分析模型基于所述第一圖像分塊的各個組成像素點分別對應的各份水平坐標數(shù)值和各份垂直坐標數(shù)值、所述第二圖像分塊的各個組成像素點分別對應的各份水平坐標數(shù)值和各份垂直坐標數(shù)值、第一圖像分塊的整體景深數(shù)值以及第二圖像分塊的整體景深數(shù)值智能鑒別平板振動器電纜線是否與鋼筋接觸；

9、網(wǎng)絡預警機構，與所述模型應用機構連接，用于在智能鑒別平板振動器電纜線與鋼筋接觸時，將平板振動器電纜線在鋼筋上拖動易引起破損漏電對應的預警信號無線上傳到遠端的大數(shù)據(jù)管理節(jié)點，還用于在智能鑒別平板振動器電纜線未與鋼筋接觸時，停止將平板振動器電纜線在鋼筋上拖動易引起破損漏電對應的預警信號無線上傳到遠端的大數(shù)據(jù)管理節(jié)點；

10、其中，采用ai分析模型基于所述第一圖像分塊的各個組成像素點分別對應的各份水平坐標數(shù)值和各份垂直坐標數(shù)值、所述第二圖像分塊的各個組成像素點分別對應的各份水平坐標數(shù)值和各份垂直坐標數(shù)值、第一圖像分塊的整體景深數(shù)值以及第二圖像分塊的整體景深數(shù)值智能鑒別平板振動器電纜線是否與鋼筋接觸包括：所述ai分析模型為完成設定數(shù)目的各次學習動作后的bp神經(jīng)網(wǎng)絡，且所述設定數(shù)目的取值與所述引導濾波畫面的信噪比反向關聯(lián)。

11、因此，本發(fā)明至少具備以下四處重要的發(fā)明點：

12、第一處：基于平板振動器電纜線的顏色成像特性檢測平板振動器電纜線在接收到的引導濾波畫面中占據(jù)的圖像分塊以作為第一圖像分塊，獲取所述第一圖像分塊的各個組成像素點，基于鋼筋的顏色成像特性檢測鋼筋在接收到的引導濾波畫面中占據(jù)的圖像分塊以作為第二圖像分塊，獲取所述第二圖像分塊的各個組成像素點，分析第一圖像分塊的整體景深數(shù)值以及第二圖像分塊的整體景深數(shù)值，從而為后續(xù)的智能鑒定提供關鍵的多份基礎信息；

13、第二處：采用ai分析模型基于第一圖像分塊的各個組成像素點分別對應的各份水平坐標數(shù)值和各份垂直坐標數(shù)值、第二圖像分塊的各個組成像素點分別對應的各份水平坐標數(shù)值和各份垂直坐標數(shù)值、第一圖像分塊的整體景深數(shù)值以及第二圖像分塊的整體景深數(shù)值智能鑒別平板振動器電纜線是否與鋼筋接觸，從而完成建筑工地的施工區(qū)域內是否存在平板振動器電纜線拖動在鋼筋上的高危場景的智能鑒定；

14、第三處：采用網(wǎng)絡預警機構用于在智能鑒別平板振動器電纜線與鋼筋接觸時，將平板振動器電纜線在鋼筋上拖動易引起破損漏電對應的預警信號無線上傳到遠端的大數(shù)據(jù)管理節(jié)點，以及智能鑒別平板振動器電纜線未與鋼筋接觸時，停止將平板振動器電纜線在鋼筋上拖動易引起破損漏電對應的預警信號無線上傳到遠端的大數(shù)據(jù)管理節(jié)點；

15、第四處：用于執(zhí)行智能鑒別的ai分析模型為完成設定數(shù)目的各次學習動作后的bp神經(jīng)網(wǎng)絡，且所述設定數(shù)目的取值與所述引導濾波畫面的信噪比反向關聯(lián)，從而實現(xiàn)了ai分析模型的定制化模型設計。