(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210888129.5 (22)申请日 2022.07.27 (65)同一申请的已公布的文献号 申请公布号 CN 114973152 A (43)申请公布日 2022.08.30 (73)专利权人 北京华夏圣远能源科技有限公司 地址 101322 北京市顺 义区安泰大街6号院 13号楼7层二单 元711 (72)发明人 刘凯旋　李鑫文　常江　 (74)专利代理 机构 北京山允知识产权代理事务 所(特殊普通 合伙) 11741 专利代理师 胡冰 (51)Int.Cl. G06V 20/52(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) H04L 67/12(2022.01) (56)对比文件 CN 111222487 A,2020.0 6.02 CN 113515995 A,2021.10.19 CN 114612714 A,202 2.06.10 WO 2021120719 A1,2021.0 6.24 于波等.基 于深度卷积神经网络的图像 重建 算法. 《计算机系统应用》 .2018,(第09期), 审查员 张慧雯 (54)发明名称 基于神经网络的小分子可循环压裂液储存 罐的监控方法、 装置、 介质 (57)摘要 本发明提出了一种基于神经网络的小分子 可循环压裂液储存罐的监控 方法、 装置及存储介 质， 该方法包括： 通过设置在所述储存罐周围的 多个AI摄像头获取多张具有目标对象的图像， 并 将所述多张具有目标对象 的图像发送至服务器； 在所述服务器中， 将所述多张具有目标对象 的图 像按照生 成时间进行排序后生 成第一图像序列， 对所述第一图像序列中的图像使用DBSCAN算法 进行聚类得到N个簇， 将选出的每个簇的代表图 像基于生 成时间排序后得到第二图像序列， 在服 务器中使用第一神经网络模型对所述第二图像 序列进行处理， 以确定所述目标对象是否为危险 目标， 所述第一神经网络模型使用基于图像质量 为权重的损失函数训练生 成。 本发明可以准确地 识别各种质量的图像 。 权利要求书3页 说明书9页 附图2页 CN 114973152 B 2022.11.04 CN 114973152 B 1.一种基于神经网络的小分子可循环压裂液储存罐的监控方法， 其特征在于， 该方法 包括： 获取步骤， 通过设置在所述储存罐周围的多个AI摄像头获取多张具有目标对象的图 像， 并将所述多张具有目标对象的图像发送至服 务器； 预处理步骤， 在所述服务器中， 将所述多张具有目标对象的图像按照生成时间进行排 序后生成第一图像序列， 对所述第一图像序列中的图像使用DBSCAN算法进行聚类得到N个 簇， 将选出的每 个簇的代 表图像基于生成时间排序后得到第二图像序列， 其中， N≥2； 监控步骤， 在服务器中使用第一神经网络模型对所述第二图像序列进行处理， 以确定 所述目标对象是否为危险目标， 所述第一神经网络模型使用基于图像质量为权重的损失函 数训练生成； 其中， 在所述获取步骤中， 所述多个AI摄像头每一个 中设置有第二神经网络模型， 所述 第二神经网络模型用于检测当前的视频中是否存在目标对象， 如果是， 所述AI摄像头连续 拍摄具有 该目标对象的图像， 将多个A I摄像头拍摄的多张具有目标对象的图像发送至服务 器， 所述第二神经网络模型对硬件资源的消耗低于所述第一神经网络模型对硬件资源的消 耗； 其中， 在所述预处理步骤中， 所述DBSCAN算法基于图像的相似性进行聚类得到N个簇， 每个簇的代 表图像为该簇中图像质量 最高的图像； 其中， 所述第一神经网络模型的训练操作为： 将初始训练样本 图像集中的训练样本 图 像使用图像质量评价方法进行评价， 基于每个训练样本图像的评价分数将所述初始训练样 本图像集划分为第一、 二、 三训练样本图像集， 所述第一、 二、 三训练样 本图像集的训练样本 图像的个数分别为K、 L、 P个， 所述第一训练样本图像集中的每一个训练样本图像的质量分 数小于或等于第一阈值， 所述第二训练样本图像集中的每一个训练样本图像的质量分数大 于第一阈值且小于或等于第二阈值， 所述第三训练样本图像集中的每一个训练样本图像的 质量分数 大于第二阈值， 其中， K≥2、 L≥2、 P≥2， 且K、 L、 P均不相等； 所述基于图像质量 为权重的损失函数为： 其中， 表示第一训练样本图像集中的第 i个训练样本图像， 表示第二训练样本图像 集中的第 j个训练样本图像， 表示第三训练样本图像集中的第 t个训练样本图像， 表示监督值 ， 表示预测值 ， 表示权重值 ， 是基于所述第一、 二、 三训练样本图像集中的训练样本图像的质量分数确 定； 确定 的方式为：权　利　要　求　书 1/3 页 2 CN 114973152 B 2分别表示第一、 二、 三训练样本图像集中的第i、 j、 t个训练 样本图像的质量分数。 2.根据权利要求1所述的方法， 其特 征在于， 所述目标对象为人、 动物、 车辆或无 人机。 3.一种基于神经网络的小分子可循环压裂液储存罐的监控装置， 其特征在于， 该装置 包括： 获取单元， 通过设置在所述储存罐周围的多个AI摄像头获取多张具有目标对象的图 像， 并将所述多张具有目标对象的图像发送至服 务器； 预处理单元， 在所述服务器中， 将所述多张具有目标对象的图像按照生成时间进行排 序后生成第一图像序列， 对所述第一图像序列中的图像使用DBSCAN算法进行聚类得到N个 簇， 将选出的每 个簇的代 表图像基于生成时间排序后得到第二图像序列， 其中， N≥2； 监控单元， 在服务器中使用第一神经网络模型对所述第二图像序列进行处理， 以确定 所述目标对象是否为危险目标， 所述第一神经网络模型使用基于图像质量为权重的损失函 数训练生成； 其中， 在所述获取单元中， 所述多个AI摄像头每一个 中设置有第二神经网络模型， 所述 第二神经网络模型用于检测当前的视频中是否存在目标对象， 如果是， 所述AI摄像头连续 拍摄具有 该目标对象的图像， 将多个A I摄像头拍摄的多张具有目标对象的图像发送至服务 器， 所述第二神经网络模型对硬件资源的消耗低于所述第一神经网络模型对硬件资源的消 耗； 其中， 在所述预处理单元中， 所述DBSCAN算法基于图像的相似性进行聚类得到N个簇， 每个簇的代 表图像为该簇中图像质量 最高的图像； 其中， 所述第一神经网络模型的训练操作为： 将初始训练样本 图像集中的训练样本 图 像使用图像质量评价方法进行评价， 基于每个训练样本图像的评价分数将所述初始训练样 本图像集划分为第一、 二、 三训练样本图像集， 所述第一、 二、 三训练样 本图像集的训练样本 图像的个数分别为K、 L、 P个， 所述第一训练样本图像集中的每一个训练样本图像的质量分 数小于或等于第一阈值， 所述第二训练样本图像集中的每一个训练样本图像的质量分数大 于第一阈值且小于或等于第二阈值， 所述第三训练样本图像集中的每一个训练样本图像的 质量分数 大于第二阈值， 其中， K≥2、 L≥2、 P≥2， 且K、 L、 P均不相等； 其中， 所述基于图像质量 为权重的损失函数为：权　利　要　求　书 2/3 页 3 CN 114973152 B 3