CN114463928A - 一种智能报警方法和*** - Google Patents
一种智能报警方法和*** Download PDFInfo
- Publication number
- CN114463928A CN114463928A CN202111638363.4A CN202111638363A CN114463928A CN 114463928 A CN114463928 A CN 114463928A CN 202111638363 A CN202111638363 A CN 202111638363A CN 114463928 A CN114463928 A CN 114463928A
- Authority
- CN
- China
- Prior art keywords
- risk
- information
- sound
- alarm
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000015654 memory Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 description 31
- 230000006870 function Effects 0.000 description 21
- 238000012549 training Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000010801 machine learning Methods 0.000 description 12
- 238000012986 modification Methods 0.000 description 9
- 230000004048 modification Effects 0.000 description 9
- 241000282414 Homo sapiens Species 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 5
- 238000004880 explosion Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 231100001261 hazardous Toxicity 0.000 description 3
- 239000000779 smoke Substances 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000009429 distress Effects 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B19/00—Alarms responsive to two or more different undesired or abnormal conditions, e.g. burglary and fire, abnormal temperature and abnormal rate of flow
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B7/00—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00
- G08B7/06—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00 using electric transmission, e.g. involving audible and visible signalling through the use of sound and light sources
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Gerontology & Geriatric Medicine (AREA)
- Alarm Systems (AREA)
Abstract
本说明书实施例提供一种智能报警方法和***,该方法包括:获取被监测空间的采集信息,被监测空间包括以下至少之一:电梯、车厢;基于采集信息进行风险识别,得到风险识别结果;基于风险识别结果,确定风险信息;基于风险信息,发出报警信号。
Description
技术领域
本说明书涉及计算机领域,特别涉及一种智能报警方法和***。
背景技术
在电梯、地铁等各种交通工具的有限空间内,当发生突发状况如设备故障、人员受伤、违禁品带入等时,有限空间内的人员无法第一时间告知维护/管理人员以采取措施;另外,当发生不同风险程度的突发状况时,相应采取的措施也不相同。
因此需要一种能够实现及时报警并减少报警误报,同时能够对各种突发状况进行不同程度报警的智能报警***与方法。
发明内容
本说明书实施例之一提供一种智能报警方法。所述方法包括:获取被监测空间的采集信息,所述被监测空间包括以下至少之一:电梯、车厢;基于所述采集信息进行风险识别,得到风险识别结果;基于所述风险识别结果,确定风险信息;基于所述风险信息,发出报警信号。
本说明书实施例之一提供一种智能报警***,所述***包括:获取模块,用于获取被监测空间的采集信息,所述被监测空间包括以下至少之一:电梯、车厢;识别模块,用于基于所述采集信息进行风险识别,得到风险识别结果;确定模块,用于基于所述风险识别结果,确定风险信息;报警模块,用于基于所述风险信息,发出报警信号。
本说明书实施例之一提供一种智能报警装置,所述装置包括处理器以及存储器;所述存储器用于存储指令,所述指令被所述处理器执行时,导致所述装置实现所述智能报警方法。
本说明书实施例之一提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行所述智能报警方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的智能报警***的应用场景示意图;
图2是根据本说明书一些实施例所示的智能报警***的模块框图;
图3是根据本说明书一些实施例所示的智能报警方法的示例性流程图;
图4是根据本说明书另一些实施例所示的风险识别结果和风险信息确定的示例性流程图;
图5是根据本说明书另一些实施例所示的风险识别结果确定的示例性模型结构图;
图6是根据本说明书一些实施例所示的人物类型确定的示例性模型结构图;
图7是根据本说明书一些实施例所示的风险车辆确定的示例性模型结构图;
图8是根据本说明书一些实施例所示的报警级别的示例性示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“***”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的***所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
本申请实施例涉及一种智能报警方法、***及存储介质。该智能报警方法、***及存储介质可以用于交通工具的密封或非密封空间内,如火车/地铁车厢内、飞机机舱内、汽车车厢内、轮船船舱内等,该智能报警方法、***及存储介质还可以用于室内、电梯内或其他相对密闭的空间内。在一些实施例中,该智能报警方法、***及存储介质可以用于智能安防、空间管理、交通工具监督等领域。
图1是根据本说明书一些实施例所示的智能报警***的应用场景示意图。
智能报警***可以获取被监测空间的采集信息;基于采集信息进行风险识别,得到风险识别结果;基于风险识别结果,确定风险信息;基于风险信息,发出报警信号。
智能报警***涉及的场景100可以如图1所示。在一些实施例中,智能报警***涉及的场景100可以包括采集装置110、网络120、终端设备130、处理设备140、存储设备150。该场景100中的多个组件之间可以通过网络120互相连接。
采集装置110可以用于获取被监测空间中的采集对象的各种物理信息。在一些实施例中,采集对象可以包括生物对象和/或非生物对象。例如,采集对象可以是有生命或无生命的有机和/或无机物质,生物对象如人类、动物、植物等,非生物对象如电瓶车、***、烟雾、火焰等。
在一些实施例中,采集装置110可以包括图像采集装置111、声音采集装置112、压力采集装置113以及其他数据采集或传感装置(如温度传感装置、烟雾传感装置等)。在一些实施例中,图像采集装置111可以包括摄像头、相机、扫描仪等。在一些实施例中,声音采集装置112可以包括麦克风、拾音器等。在一些实施例中,压力采集装置113可以包括压力传感器等。
网络120可以包括能够促进信息和/或数据交换的任何合适的网络。在一些实施例中,场景100的至少一个组件(例如,采集装置110、终端设备130、处理设备140、存储设备150)可以通过网络120与场景100中至少一个其他组件交换信息和/或数据。例如,处理设备140可以通过网络120从采集装置110获取图像信息和声音信息。
终端设备130可以是采集装置采集信息的请求终端以及报警信息的接收处理终端,通过终端设备130,用户可以获取采集装置110采集到的图像信息、声音信息、压力信息等,并基于以上信息执行对应操作。在一些实施例中,终端设备130可以基于处理设备140发出的报警执行对应操作。在一些实施例中,用户可以通过终端设备130输入报警参数、取消报警、或更改报警级别。在本说明书中,“用户”、“用户终端”可以互换使用。在本发明的实施例中,终端设备130可以包括移动设备131、平板电脑132、笔记本电脑133等或其任意组合。
处理设备140可以处理从采集装置110、终端设备130、存储设备150或场景100的其他组件获得的数据和/或信息。例如,处理设备140可以从采集装置110中获取图像信息、声音信息、压力信息等,并对其进行分析处理。又例如,处理设备140可以基于以上分析处理选择是否报警,并确认报警级别。还例如,处理设备140可以将采集到的信息和分析处理的结果发送到终端设备130中。在一些实施例中,处理设备140可以是单一服务器或服务器组。服务器组可以是集中式的或分布式的。在一些实施例中,处理设备140可以是本地或远程的。
在一些实施例中,处理设备140可以为采集装置110或终端设备130的一部分。例如,处理设备140可以集成在终端设备130内,用于分析采集到的信息并反馈等。
存储设备150可以存储数据、指令和/或任何其他信息。例如,存储设备150可以存储采集装置110采集的图像信息、声音信息、压力信息等。还例如,存储设备150可以存储与报警相关的如报警记录、报警时间、报警级别等信息。在一些实施例中,存储设备150可以存储处理设备140用来执行或使用来完成本说明书中描述的示例性方法的数据和/或指令。
在一些实施例中,存储设备150可以连接到网络120以与场景100中的至少一个其他组件(例如,采集装置110、终端设备130、处理设备140)通信。场景100中的至少一个组件可以通过网络120访问存储设备150中存储的数据(例如,图像信息、声音信息、压力信息等)。在一些实施例中,存储设备150可以是处理设备140的一部分。
应当注意智能报警***涉及的场景100仅仅是为了说明的目的而提供的,并不意图限制本申请的范围。对于本领域的普通技术人员来说,可以根据本说明书的描述,做出多种修改或变化。例如,场景100还可以包括信息源。又例如,场景100可以在其它设备上实现类似或不同的功能。然而,这些变化和修改不会背离本申请的范围。
图2是根据本说明书一些实施例所示的智能报警***的模块框图。如图2所示,***200包括获取模块210、识别模块220、确定模块230和报警模块240。在一些实施例中,***200对应的功能可以由处理设备140执行,如获取模块210、识别模块220、确定模块230和报警模块240可以为处理设备140中的模块。
获取模块210可以用于获取被监测空间的采集信息,所述被监测空间包括以下至少之一:电梯、车厢。
识别模块220可以用于基于采集信息进行风险识别,得到风险识别结果。
确定模块230可以用于基于风险识别结果,确定风险信息。
报警模块240可以用于基于风险信息,发出报警信号。
应当理解,图2所示的***200及其模块可以利用各种方式来实现。例如,在一些实施例中,***及其模块可以通过硬件、软件或者软件和硬件的结合来实现。
需要注意的是,以上对于***200及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该***的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子***与其他模块连接,如获取模块210、识别模块220、确定模块230和报警模块240的各项功能可以在同一模块上实现,或由多个模块共同实现以上模块的功能。
图3是根据本说明书一些实施例所示的智能报警方法的示例性流程图。如图3所示,流程300包括以下步骤。在一些实施例中,流程300可以由处理设备140执行,例如,由处理设备140内的相应模块执行。
步骤310,获取被监测空间的采集信息,所述被监测空间包括以下至少之一:电梯、车厢。在一些实施例中,该步骤310可以由获取模块210执行。
被监测空间可以是智能报警***监控的密闭或非密闭空间。例如,电梯,车厢等空间。
采集信息可以是采集到的与被监测空间内风险相关的各种信息。例如,图像信息、声音信息、压力信息、温度信息、烟雾浓度信息等。在一些实施例中,采集信息可以通过如图1中采集装置110采集得到,或通过调用网络、存储设备中的各种信息以组成采集信息。
在一些实施例中,采集信息包括被监测空间内的图像信息和被监测空间内的声音信息至少一种。
图像信息可以是通过摄像头、监控设备拍摄得到的信息。例如,图像信息可以是照片、视频、扫描数据等信息。在一些实施例中,图像信息的内容可以包括与人物类型相关的信息、与风险现象相关的信息、与危险物品相关的信息、与危险车辆相关的信息等。通过对图像信息分析处理可以进一步得到以上信息或其他信息。
声音信息可以是通过麦克风、录音设备录制得到的信息。例如,声音信息可以是一段录音/音频。在一些实施例中,声音信息可以包括与人物类型相关的信息(如老人、小孩的音色等)、与人物动作相关的信息(如吵闹声、叫喊声等)、与危险物品相关的信息(如***声、撞击声等)、与危险车辆相关的信息(如鸣笛声、引擎声等)等。通过对声音信息分析处理可以进一步得到以上信息或其他信息。关于图像信息、声音信息更多说明参见图4。
步骤320,基于采集信息进行风险识别,得到风险识别结果。在一些实施例中,该步骤320可以由识别模块220执行。
风险识别结果可以是通过对采集信息中的识别对象进行风险识别分析得到的分析结果。识别对象可以是人或非人的任何物质。在一些实施例中,风险识别结果可以包括人物类型的识别结果,如识别对象是工作人员还是闲杂人士等,风险识别结果还可以包括风险现象的识别结果、危险车辆识别结果、以及危险物品识别结果等。在一些实施例中,风险识别结果可以包括以上某一识别结果的置信度,例如识别对象是闲杂人士的置信度。
在一些实施例中,风险识别结果可以通过机器学习模型获得,例如可以将各种采集信息输入至少一个机器学习模型,通过模型进行风险识别以输出风险识别结果。关于风险识别过程的具体说明,参见图4及其相关描述。
在一些实施例中,采集信息还包括压力信息,所述基于所述采集信息进行风险识别,得到风险识别结果还包括:基于所述压力信息,可以确定风险车辆。
压力信息可以是被监测空间所承受的物理压力的相关信息,可以通过压力值(牛顿,N)或压强(帕,Pa)表示。在一些实施例中,压力信息可以通过布置在被监测空间内的压力传感器(如电梯下、车厢下的压力传感器)测量得到。
风险车辆可以是在被监测空间内可能会引起危险的车辆。如电瓶车、超载超重车辆等。
在一些实施例中,基于压力信息可以判断是否存在风险车辆,以及存在的风险车辆的种类。例如,当压力信息超过压力阈值时,判断被监测空间内有风险车辆,进一步地,基于不同风险车辆对应的压力信息,可以判断风险车辆的种类。例如,电瓶车进入被监测空间时,空间内的压力产生较大的变化如增加600N,此时可以判断有电瓶车进入空间。
在一些实施例中,可以基于模型处理压力信息判断被监测空间内是否存在风险车辆。
在一些实施例中,可以将多个时间点的压力信息输入机器学习模型,通过机器学习模型确定风险车辆。多个时间点的压力信息可以反映一段时间内被监测空间的压力变化,根据不同车辆进入被监测空间时在被监测空间内产生的压力变化,可以判断车辆类型。
在一些实施例中,可以基于多个时间点的压力信息,通过第四模型确定风险车辆。
第四模型可以是用于识别风险车辆的机器学习模型,第四模型可以是卷积神经网络(CNN)模型或其他模型。关于第四模型的具体说明,参见图7及其相关描述。
步骤330,基于风险识别结果,确定风险信息。在一些实施例中,该步骤330可以由确定模块230执行。
风险信息可以是基于风险识别结果判断的可能发生的风险。例如,风险信息可以包括财产安全风险、人身安全风险、保密安全风险等。在一些实施例中,以上风险信息的分类可以进一步细化为如盗窃风险、火灾风险、***风险、人身攻击风险、受伤风险等。
在一些实施例中,风险信息可以基于风险识别结果的判定来确定。例如,当风险识别结果是存在人物类型老人时,风险信息可以是存在人身安全风险;当风险识别结果是存在风险现象打架斗殴时,风险信息可以是存在人身安全风险、存在财产安全风险等。在一些实施例中,每种风险识别结果可以对应至少一个风险信息,每种风险信息也可以基于至少一个风险识别结果确定。
步骤340,基于风险信息,发出报警信号。在一些实施例中,该步骤340可以由报警模块340执行。
报警信号可以是响应于存在风险信息,处理设备发出的用于向预设人员报警的信号。在一些实施例中,报警信号可以通过各种方式呈现,如警报声、灯光变红色或灯光闪烁、警报图像和警报文字呈现、空间内如扶手振动等。在一些实施例中,预设人员可以是后台管理人员、空间内的其他人员、空间外的其他人员等。在一些实施例中,预设人员可以基于不同风险信息而产生变化,例如,当风险信息包括人身安全风险时,预设人员可以包括医护人员;当风险信息包括火灾风险时,预设人员可以包括消防救灾人员等。
在一些实施例中,报警信号可以基于风险信息不同而产生不同变化。例如,基于风险信息对财产安全、人身安全、保密安全等的危害程度,报警信号可以有不同形式的呈现。如,当儿童独自处于被监测空间内时,报警信号处于旨在驱赶儿童、提醒附近成年人的一般报警状态;当被监测空间内有危害人体生命安全的***物时,报警信号处于旨在驱散人员,请求相应处理人员支援的高级报警状态。在一些实施例中,报警信号可以包括报警级别和报警阈值,关于报警信号的进一步说明,参见图4、图8及其相关描述。
本说明书一些实施例通过对电梯、车厢等被监测空间内可能涉及的各种危险状况进行识别,并针对识别结果采用不同报警信号,在一定程度上减少警力资源、监管资源的浪费,对一般状况有相应的低级别提醒,而对于涉及生命安全的危险状况有相应的高级别报警措施,可以对实际场景中的各种复杂情况作出判断。
应当注意的是,上述有关流程300的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程300进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。例如,流程300还可以包括其他步骤。
图4是根据本说明书另一些实施例所示的风险识别结果和风险信息确定的示例性流程图。如图4所示,流程400包括以下步骤。在一些实施例中,流程400可以由处理设备140执行。
步骤410,基于图像信息,通过第一模型确定风险图像。在一些实施例中,该步骤410可以由识别模块220执行。
风险图像可以是包含风险的视频/图片。例如,风险图像可以是包括摔倒老人、打架斗殴场面、危险车辆等的图像。风险图像可以基于第一模型提取确定。
第一模型可以是用于判断风险图像的机器学习模型。在一些实施例中,第一模型可以是卷积神经网络(CNN)、基于区域的卷积网络(R-CNN)、基于快速区域的卷积网络(FastR-CNN)等,或其任意组合,关于第一模型的进一步说明,参见图5及其相关描述。
步骤420,基于声音信息,通过第二模型确定风险声音。在一些实施例中,该步骤420可以由识别模块220执行。
风险声音可以是发生风险事件时采集到的音频。例如,风险声音可以是包括打闹声、呼救声的音频。
第二模型可以是用于判断风险声音的机器学习模型。在一些实施例中,第二模型可以是隐马尔可夫模型(HHM)、混合声学模型(GMM+HMM)、长短期记忆模型(LSTM)等,或其任意组合,关于第二模型的进一步说明,参见图5及其相关描述。
步骤410和步骤420不存在先后顺序关系,此处说明的顺序并不意味着对步骤顺序的限定,在一些实施例中,可以先进行步骤420后进行步骤410,或二者同时进行。
步骤430,基于风险图像和风险声音至少一种,得到风险识别结果。在一些实施例中,该步骤430可以由识别模块220执行。
在一些实施例中,可以基于包括风险的内容,得到风险识别结果。在一些实施例中,包括风险的内容可以是风险图像、风险声音等。例如,风险图像中包括存在危险车辆的图像,处理设备基于第一模型在风险图像中识别出存在危险车辆,处理设备即可判断风险识别结果为存在危险车辆。
在一些实施例中,风险识别结果还可以包括对应风险的内容的置信度,如风险图像和/或风险声音的置信度。
步骤440,基于风险图像的置信度和/或风险声音的置信度,确定风险信息。在一些实施例中,该步骤440可以由确定模块230执行。
置信度可以是包括风险的内容中风险判定的可信程度,其可以通过百分数或等级来表示。例如,风险图像中存在打架斗殴图像的置信度为95%或可能性较高等。
在一些实施例中,置信度可以是0至1之间的一个实数值。置信度的计算与风险的内容中存在某风险的可能性的取值相关,例如,若某风险存在的可能性的取值为p,则该风险判定的置信度为K,得到置信度的取值后即可基于设定置信度阈值来确认是否存在该风险,例如,设定两个置信度阈值分别为第一阈值及第二阈值,第一阈值为0.95,第二阈值为0.05,对应的第一置信区间为(0.95,1),第二置信区间为(0,0.05),即置信度大于0.95或小于0.05时,可以认为基于当前获取到的数据可以判断出是否存在该风险,如置信度大于0.95即可知当前存在该风险;置信度小于0.05,即认为当前不存在该风险。置信度取(0.05,0.95)中任意值时,则认为基于当前获取的数据无法判断是否存在该风险。
在一些实施例中,当置信度超过第一阈值如高于95%或可能性为较高时,则判断该包括风险的内容为可信,即认为被监测空间内会发生相应的风险事件。当置信度低于第一阈值(如95%),则判断该包括风险的内容为可疑/不可信,此时可以基于人工判断是否可信。
在一些实施例中,当与某一风险的内容相关的所有置信度中,至少一个置信度超过第一阈值(如95%),则判断该包括风险的内容为可信。例如,当存在打架斗殴的风险图像置信度为80%,同时,存在打架斗殴相关的风险声音置信度为98%时,则可以确定风险信息为存在人身安全风险。在一些实施例中,可以对与某一风险的内容相关的所有置信度设置权重,基于置信度和其权重加权平均后,判断被监测空间内是否可能发生相应的风险事件。
在一些实施例中,风险识别结果包括是否存在风险车辆的识别结果。
在一些实施例中,确定模块230可以响应于所述风险识别结果包括风险车辆时,通过压力传感器确定所述风险信息。在一些实施例中,当压力信息超过压力阈值时,判断存在风险车辆。在一些实施例中,当判断存在风险车辆时,确定模块230还可以基于不同风险车辆对应不同压力范围,判断风险车辆的类型,并基于风险车辆的类型确定风险信息。例如,当压力信息在电瓶车的压力范围内时,判断此时的风险车辆为电瓶车,并且得到风险信息为***风险。
在一些实施例中,报警模块340可以基于风险图像和风险声音的置信度,确定报警阈值或风险预测值。
风险预测值可以是用于判断风险对财产安全、人身安全、保密安全等的危害程度。在一些实施例中,风险预测值可以通过等级或数值路等形式表示,例如,可以以100以内的数值来表示,数值越高表示风险的危害程度越大。例如,小孩单独乘车时,风险预测值为10;存在违禁物品携带时,风险预测值为50;存在打架斗殴时,风险预测值为80。在一些实施例中,风险预测值可以基于风险识别结果及其置信度确定,例如置信度越高,风险预测值越大。风险预测值还可以通过其他方式确定,如通过人工识别确定。
报警阈值是表示可以触发报警的风险预测值阈值。在一些实施例中,可以根据不同的紧急程度分为不同级别的报警,如一级报警、二级报警等,例如,可以设定报警级别越高,表示其对应的风险越大,则越为紧急。相应的,每个级别对应有不同的报警阈值。例如,一级报警对应的报警阈值为一级风险级别阈值,其范围可以是风险预测值在10至50的范围,即当风险预测值属于10至50范围内时会相应的触发一级报警。关于风险级别阈值的进一步说明,参见图8及其相关描述。在一些实施例中,报警阈值可以基于人工设定。
在一些实施例中,上述流程400还可以包括用于人工确定报警参数的步骤450。在一些实施例中,该步骤可以通过处理设备实现。
步骤450,将所述风险信息发送至管理者并获取管理者反馈的报警参数。在一些实施例中,该步骤450可以由报警模块240执行。
报警参数可以是与报警过程相关的信息。例如,报警参数可以包括是否同意报警、报警级别、报警方式等信息。
管理者可以是智能报警***的实际管理人员。例如,管理者可以是报警中心、保安室、火车控制台等的管理人员。
在一些实施例中,报警参数可以基于管理者的反馈确定。所述反馈可以是管理者对终端设备130进行文字、语音、按键等输入反馈。
步骤460,响应于报警参数中包括同意报警的参数,发出报警信号。在一些实施例中,该步骤460可以由报警模块240执行。
在一些实施例中,处理设备响应于管理者同意报警,并基于管理者反馈的报警参数中包括的报警级别和报警方式,发出相应的报警信号。
在一些实施例中,确定风险信息时还可结合其他信息,例如,结合人物类型信息,并基于人物类型设定报警阈值或确定风险预测值。结合人物类型信息确定风险信息时的相应操作步骤如下:
基于图像信息和声音信息至少一种,通过第三模型确定人物类型。在一些实施例中,该操作可以由识别模块220执行。
人物类型可以是人物身份、人物生理特征的信息。例如,人物类型可以包括身份信息如工作人员、闲杂人士等;人物类型还可以包括生理信息如老人、小孩、残疾人等。
第三模型可以是用于识别人物类型的机器学习模型,第三模型可以包括卷积神经网络(CNN)、基于区域的卷积网络(R-CNN)、基于快速区域的卷积网络(Fast R-CNN)、基于区域的卷积网络(Faster R-CNN)等,或其任意组合。关于第三模型的具体说明,参见图6及其相关描述。
在一些实施例中,图像信息和声音信息可以包括能够反映人物类型的信息,通过训练后的机器学习模型,可以实现基于对能够反映人物类型的信息的提取和识别,确定输入的图像信息和/或声音信息中的人物类型。
在确定人物类型后,即可基于人物类型确定报警阈值或风险预测值。在一些实施例中,该步骤可以由确定模块230执行。
在一些实施例中,基于人物类型可以确定或更改报警阈值。例如,对于人物类型为工作人员或成年男子等对于风险具有一定的抵抗或承受能力的,可以设定较高的报警阈值,对应的如人物类型为老人、儿童等更需要被照顾的人物类型时,则可以设定较低的报警阈值。
在一些实施例中,基于人物类型可以确定或更改风险预测值。例如,对于同样的场景,在人物类型不同时,可以根据人物类型确定对应的风险预测值。例如,在存在易炸物品的电梯内,若同乘人员为青壮年,则确定的风险预测值可以较低,如为30,若同乘人员为儿童,则确定的风险预测值可以较高,如为60。
在一些实施例中,确定模块230可以响应于所述风险识别结果包括风险车辆时,结合获取的同行人员的人物类型及对应的人数信息确定所述风险信息。
人数信息可以指被监测空间内的总人数。在一些实施例中,人数信息可以包括与危险车辆同在被监测空间内的人数。在一些实施例中,可以预先设定对于某类型风险车辆,可以允许规定人数内的工作人员同乘。例如,对于规定的某风险车辆,在电梯内与其同乘的必须是工作人员,且人数不能超过两人,若此时获取的人数信息超过2,则确定风险信息为风险车辆超员。
通过流程400中一些实施例所述的方法,智能报警***可以基于多种信息如人物类型、风险车辆等确定是否报警以及报警级别,对于复杂的实际车厢空间状况,有各种适应性报警对策,实现基于复杂实际情况有的放矢。
应当注意的是,上述有关流程400的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程400进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。例如,流程400还可以包括其他步骤。
图5是根据本说明书另一些实施例所示的风险识别结果确定的示例性模型结构图。在一些实施例中,风险识别结果可以基于图5所示的模型结构500获取。
第一模型503可以是用于判断风险图像的机器学习模型。
第一模型503的输入可以是图像信息501,输出可以是风险图像505。
在一些实施例中,第一模型可以通过带有风险标签的历史图像数据训练得到,例如电梯在一段时间内通过摄像头拍摄得到的图像数据,或通过互联网下载得到的电梯发生危险时的图像等训练得到。通过将带有风险标签的历史图像数据输入模型,基于风险标签和第一模型的结果构建损失函数,基于损失函数迭代更新第一模型的参数。当初始第一模型的损失函数满足预设条件时模型训练完成,得到训练好的第一模型。其中,预设条件可以是损失函数收敛、迭代的次数达到阈值等。标签可以是各种风险如存在电瓶车、老人摔倒等。在一些实施例中,标签可以通过人工标注获取。
在一些实施例中,第一模型还可以输出与风险图像相关的其他信息,例如输出0至1之间的任意一个实数值代表该风险图像发生的可能性p。在一些实施例中,可以把的值作为判定发生风险图像的置信度,当所述置信度的值接近1(如大于第一阈值0.95)时表示风险图像的发生概率很高,可以认为是存在该风险图像,若置信度的值接近于0(如小于第二阈值0.05)时表示风险图像的发生概率很低,可以认为不存在该风险图像。若置信度的值是第二阈值到第一阈值之间的任意值(如0.5)时,则可以认为当前无法判断是否发生该风险图像。
对应的,第一模型训练时标签数据中还包括0、1两个实数值,其中,若标签取值为0,则代表不是标签中表述的风险图像(即标签中表述的风险图像未发生),若标签取值为1,则代表是标签中表述的风险图像(即发生了标签中表述的风险图像)。
第二模型504可以是用于判断风险声音的机器学习模型。
第二模型504的输入可以是声音信息502,输出可以是风险声音506。在一些实施例中,第二模型504可以包括语义识别结构。所述语义识别结构用于识别音频文件中的语义内容。语义识别结构的输入可以是声音信息502,输出可以是语义内容,如“救命”、“有人吗”等内容。
在一些实施例中,第二模型可以通过带有风险标签的历史声音数据训练得到,例如电梯在一段时间内通过拾音器或麦克风获取的***声、叫喊声、呼救声等音频数据,或通过互联网下载得到的电梯发生危险时的音频等训练得到。通过将带有风险标签的历史声音数据输入模型,基于风险标签和第二模型的结果构建损失函数,基于损失函数迭代更新第二模型的参数。当初始第二模型的损失函数满足预设条件时模型训练完成,得到训练好的第二模型。其中,预设条件可以是损失函数收敛、迭代的次数达到阈值等。标签可以是呼救、报警、惨叫等。在一些实施例中,标签可以通过人工标注获取。
在一些实施例中,第二模型还可以输出与风险声音相关的其他信息,例如输出0至1之间的任意一个实数值代表该风险声音发生的可能性q。在一些实施例中,可以把的值作为判定发生风险声音的置信度,当所述置信度的值接近1(如大于第一阈值0.95)时表示风险声音的发生概率很高,可以认为是存在该风险声音,若置信度的值接近于0(如小于第二阈值0.05)时表示风险声音的发生概率很低,可以认为不存在该风险声音。若置信度的值是第二阈值到第一阈值之间的任意值(如0.5)时,则可以认为当前无法判断是否发生该风险声音。
对应的,第二模型训练时标签数据中还包括0、1两个实数值,其中,若标签取值为0,则代表不是标签中表述的风险声音(即标签中表述的风险声音未发生),若标签取值为1,则代表是标签中表述的风险声音(即发生了标签中表述的风险声音)。
在一些实施例中,语义识别结构可以通过已知语义内容的训练音频训练得到,例如在电梯内通过拾音器或麦克风获取的说话内容、通过互联网下载得到的与上述语义内容相关的音频等训练得到。语义识别结构的具体训练过程参见上述第二模型的训练过程,此处不再赘述。
基于第一模型输出的风险图像和第二模型输出的风险声音,处理设备将风险图像和风险声音中包括的风险的内容作为风险识别结果,关于该步骤的描述可以参考步骤430。
在一些实施例中,风险识别结果可以基于风险图像和风险声音综合得到。例如,当判断风险图像包括小孩打闹的图像、风险声音包括小孩打闹的声音时,可以综合判断风险识别结果为小孩打闹;当判断风险图像包括小孩打闹的图像,而风险声音不包括小孩打闹的声音或包括其他内容时,此时通过获取风险图像和风险声音的置信度,并通过比较置信度大小的方式综合判断风险识别结果,例如,可以取置信度较大的判断结果作为最终判断结果。
图6是根据本说明书一些实施例所示的人物类型确定的示例性模型结构图。在一些实施例中,人物类型604可以通过图6所示的模型结构600获取。
第三模型603可以是用于识别人物类型的机器学习模型。
第三模型603的输入可以是图像信息601、声音信息602或二者同时输入,输出可以是人物类型604。
在一些实施例中,第三模型可以通过包含人物特征的历史图像数据、历史声音数据训练得到,例如电梯在一段时间内获取的人物图像、人物说话音频等,或通过互联网下载得到的以上数据训练得到。通过将包含人物特征的历史图像数据、历史声音数据至少一种输入模型,基于人物特征标签和第三模型的结果构建损失函数,基于损失函数迭代更新第三模型的参数。当初始第三模型的损失函数满足预设条件时模型训练完成,得到训练好的第三模型。其中,预设条件可以是损失函数收敛、迭代的次数达到阈值等。标签可以是人物特征如老人、小孩、工作人员等。在一些实施例中,标签可以通过人工标注获取。
图7是根据本说明书一些实施例所示的风险车辆确定的示例性模型结构图。在一些实施例中,风险车辆703可以通过图7所示的模型结构700确定。
第四模型702可以是用于获取风险车辆703的模型。
第四模型702的输入可以是压力信息701,输出可以是风险车辆703。
在一些实施例中,第四模型可以通过带有风险车辆种类标签的历史压力数据训练得到,通过将多个带有风险车辆种类标签的压力数据输入模型,基于风险车辆种类标签和第四模型的结果构建损失函数,基于损失函数迭代更新第四模型的参数。当初始第四模型的损失函数满足预设条件时模型训练完成,得到训练好的第四模型。其中,预设条件可以是损失函数收敛、迭代的次数达到阈值等。标签可以是各种风险车辆的种类等。在一些实施例中,标签可以通过人工标注获取。
在一些实施例中,第一模型、第二模型、第三模型、第四模型可以通过联合训练得到,或通过一个联合训练模型实现。例如,将能够实现第一模型、第二模型、第三模型、第四模型功能的模型作为层配置在联合训练模型中,如风险图像识别层、风险声音识别层、人物特征识别层、风险车辆识别层。该联合训练模型的输入为图像信息、声音信息、压力信息,输出为风险识别结果,标签可以是预设的包括风险的内容,该标签可以基于电梯等被监测空间在一段时间内获取的历史图像信息、历史声音信息、历史压力信息获取,或通过人工标注、互联网搜索获取。在一些实施例中,联合训练模型还可以输出风险识别结果的置信度。关于置信度的说明,参见图5第一模型、第二模型输出置信度的相关描述。
在一些实施例中,以上模型的功能还可以通过其他数量、种类的模型实现,本说明书的描述旨在对模型功能的介绍,并不作为对模型数量、种类的限定。
在一些实施例中,第四模型的训练标签可以基于第一模型的识别结果确定,例如,第一模型输出的识别结果为风险车辆的具体种类时,则可以将采集到该风险图像时对应获取到的压力信息作为第四模型的训练样本,并将第一模型输出的识别结果作为该训练样本对应的标签。
图8是根据本说明书一些实施例所示的报警级别的示例性示意图。在一些实施例中,如图8中报警***800所示,基于上述四个模型输出的风险图像、风险声音、人物类型、风险车辆(或其置信度),可以确定对应的风险预测值。风险预测值可以通过100以内的数值来表示,数值越高表示风险的危害程度越大。
一级风险级别阈值可以是发生较小危害的风险对应的风险预测值范围。例如,一级风险级别阈值可以是风险预测值为10至20的范围。在一些实施例中,当触发报警时,若风险预测值处于一级风险级别阈值内,报警内容和报警方式旨在劝导、建议,并采用影响力较小的手段提醒。例如,小孩单独乘车时,风险预测值为10且处于一级风险级别阈值范围,则报警方式为广播提醒,劝导小孩在大人陪同下乘车。在一些实施例中,一级风险级别阈值还可以对应较低的广播报警音量和缓和的报警语气。
二级风险级别阈值可以是发生较大危害的风险对应的风险预测值范围。例如,二级风险级别阈值可以是风险预测值为20至100的范围。在一些实施例中,当触发报警时,若风险预测值处于二级风险级别阈值内,报警内容和报警方式旨在命令、警告,并采用影响力较大的手段。例如,电梯内存在电瓶车时,风险预测值为80且处于二级风险级别阈值范围,则报警方式为呼叫保安,广播警告,电梯强制停车、呼叫接警中心等。在一些实施例中,二级风险级别阈值还可以对应较高的广播报警音量和急促的警报声。在一些实施例中,接警中心响应于接到报警,可以进行人工判断,如与被监测空间内进行视频或语音交互、基于报警误判接触报警等。
上述关于一级风险级别阈值、二级风险级别阈值的描述仅为了说明清楚,并不是对说明书内容的限制。在一些实施例中,还可以包括三级风险级别阈值、四级风险级别阈值等。在一些实施例中,一级风险级别阈值、二级风险级别阈值可以表示与上述描述相反的风险预测值范围或其他风险预测值范围。
本说明书一些实施例还公开了一种智能报警装置,该装置包括处理器以及存储器;存储器用于存储指令,该指令被处理器执行时,导致智能报警装置实现该智能报警方法。
本说明书一些实施例还公开了一种计算机可读存储介质,该存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行该智能报警方法。
通过本说明书一些实施例介绍的智能报警方法,可以实现基于不同风险场景的针对性分级报警,在普通情况下简单提醒风险,节约警力资源和管理资源;在危机情况下及时报警,提高报警效率。另外,该智能报警方法基于机器学习模型识别不同程度的风险,能够减少误报,并且能够依据不同风险报警,使管理人员/抢救人员第一时间获取风险信息。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种智能报警方法,其特征在于,所述方法包括:
获取被监测空间的采集信息,所述被监测空间包括以下至少之一:电梯、车厢;
基于所述采集信息进行风险识别,得到风险识别结果;
基于所述风险识别结果,确定风险信息;
基于所述风险信息,发出报警信号。
2.如权利要求1所述的方法,其特征在于,所述采集信息包括图像信息和声音信息至少一种;
所述基于所述采集信息进行风险识别,得到风险识别结果包括:
基于所述图像信息,通过第一模型确定风险图像;
基于所述声音信息,通过第二模型确定风险声音;
基于所述风险图像和所述风险声音至少一种,得到风险识别结果,所述风险识别结果包括置信度;
所述基于所述风险识别结果,确定风险信息包括:
基于所述风险图像的置信度和/或所述风险声音的置信度,确定所述风险信息。
3.如权利要求2所述的方法,其特征在于,所述基于所述采集信息进行风险识别还包括:
基于所述图像信息和声音信息至少一种,通过第三模型确定人物类型;
所述基于所述风险识别结果,确定风险信息还包括:
基于所述人物类型确定报警阈值或风险预测值。
4.如权利要求1所述的方法,其特征在于,所述采集信息还包括压力信息,所述基于所述采集信息进行风险识别,得到风险识别结果还包括:
基于所述压力信息,确定风险车辆。
5.一种智能报警***,其特征在于,所述***包括:
获取模块,用于获取被监测空间的采集信息,所述被监测空间包括以下至少之一:电梯、车厢;
识别模块,用于基于所述采集信息进行风险识别,得到风险识别结果;
确定模块,用于基于所述风险识别结果,确定风险信息;
报警模块,用于基于所述风险信息,发出报警信号。
6.如权利要求5所述的***,其特征在于,所述采集信息包括图像信息和声音信息至少一种,所述识别模块进一步用于:
基于所述图像信息,通过第一模型确定风险图像;
基于所述声音信息,通过第二模型确定风险声音;
基于所述风险图像和所述风险声音至少一种,得到风险识别结果;
所述确定模块进一步用于:
基于所述风险图像的置信度和/或所述风险声音的置信度,确定所述风险信息。
7.如权利要求6所述的***,其特征在于,所述识别模块进一步用于:
基于所述图像信息和声音信息至少一种,通过第三模型确定人物类型;
所述确定模块进一步用于:
基于所述人物类型确定报警阈值或风险预测值。
8.如权利要求5所述的***,其特征在于,所述采集信息还包括压力信息,所述识别模块进一步用于:
基于所述压力信息,确定风险车辆。
9.一种智能报警装置,所述装置包括处理器以及存储器;所述存储器用于存储指令,其特征在于,所述指令被所述处理器执行时,导致所述装置实现如权利要求1~4中任一项所述智能报警方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求1~4中任一项所述智能报警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111638363.4A CN114463928B (zh) | 2021-12-29 | 2021-12-29 | 一种智能报警方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111638363.4A CN114463928B (zh) | 2021-12-29 | 2021-12-29 | 一种智能报警方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114463928A true CN114463928A (zh) | 2022-05-10 |
CN114463928B CN114463928B (zh) | 2022-11-25 |
Family
ID=81408511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111638363.4A Active CN114463928B (zh) | 2021-12-29 | 2021-12-29 | 一种智能报警方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114463928B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117315592A (zh) * | 2023-11-27 | 2023-12-29 | 四川省医学科学院·四川省人民医院 | 一种基于机器人端实时监控摄像的识别预警*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101670973A (zh) * | 2008-09-09 | 2010-03-17 | 东芝电梯株式会社 | 自动扶梯监视*** |
JP2010128920A (ja) * | 2008-11-28 | 2010-06-10 | Toyota Motor Corp | 車両用安全装置 |
CN104751663A (zh) * | 2015-02-28 | 2015-07-01 | 北京壹卡行科技有限公司 | 驾驶员安全驾驶辅助***和方法 |
KR101655397B1 (ko) * | 2015-04-30 | 2016-09-07 | 주식회사 리트빅 | 상황 제보 단말장치 및 시스템 |
CN110008804A (zh) * | 2018-12-12 | 2019-07-12 | 浙江新再灵科技股份有限公司 | 基于深度学习的电梯监控关键帧获取及检测方法 |
CN110712591A (zh) * | 2019-09-25 | 2020-01-21 | 江西沃可视发展有限公司 | 一种基于后拉摄像头图像adas分析的倒车安全*** |
CN110782111A (zh) * | 2019-02-21 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 一种风险评估方法和*** |
CN111063162A (zh) * | 2019-12-05 | 2020-04-24 | 恒大新能源汽车科技(广东)有限公司 | 静默报警方法、装置、计算机设备和存储介质 |
CN212966489U (zh) * | 2020-10-19 | 2021-04-13 | 郑州大学 | 基于智能分析技术的电动车上电梯预警*** |
CN113830092A (zh) * | 2021-01-25 | 2021-12-24 | 西安睿博智能股份有限公司 | 行车安全管理方法、装置及计算机可读存储介质 |
-
2021
- 2021-12-29 CN CN202111638363.4A patent/CN114463928B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101670973A (zh) * | 2008-09-09 | 2010-03-17 | 东芝电梯株式会社 | 自动扶梯监视*** |
JP2010128920A (ja) * | 2008-11-28 | 2010-06-10 | Toyota Motor Corp | 車両用安全装置 |
CN104751663A (zh) * | 2015-02-28 | 2015-07-01 | 北京壹卡行科技有限公司 | 驾驶员安全驾驶辅助***和方法 |
KR101655397B1 (ko) * | 2015-04-30 | 2016-09-07 | 주식회사 리트빅 | 상황 제보 단말장치 및 시스템 |
CN110008804A (zh) * | 2018-12-12 | 2019-07-12 | 浙江新再灵科技股份有限公司 | 基于深度学习的电梯监控关键帧获取及检测方法 |
CN110782111A (zh) * | 2019-02-21 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 一种风险评估方法和*** |
CN110712591A (zh) * | 2019-09-25 | 2020-01-21 | 江西沃可视发展有限公司 | 一种基于后拉摄像头图像adas分析的倒车安全*** |
CN111063162A (zh) * | 2019-12-05 | 2020-04-24 | 恒大新能源汽车科技(广东)有限公司 | 静默报警方法、装置、计算机设备和存储介质 |
CN212966489U (zh) * | 2020-10-19 | 2021-04-13 | 郑州大学 | 基于智能分析技术的电动车上电梯预警*** |
CN113830092A (zh) * | 2021-01-25 | 2021-12-24 | 西安睿博智能股份有限公司 | 行车安全管理方法、装置及计算机可读存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117315592A (zh) * | 2023-11-27 | 2023-12-29 | 四川省医学科学院·四川省人民医院 | 一种基于机器人端实时监控摄像的识别预警*** |
CN117315592B (zh) * | 2023-11-27 | 2024-01-30 | 四川省医学科学院·四川省人民医院 | 一种基于机器人端实时监控摄像的识别预警*** |
Also Published As
Publication number | Publication date |
---|---|
CN114463928B (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11394933B2 (en) | System and method for gate monitoring during departure or arrival of an autonomous vehicle | |
Biswal et al. | IoT‐based smart alert system for drowsy driver detection | |
Uma et al. | Accident prevention and safety assistance using IOT and machine learning | |
JP5560397B2 (ja) | 自律型防犯警戒システム及び自律型防犯警戒方法 | |
CN111063162A (zh) | 静默报警方法、装置、计算机设备和存储介质 | |
US9412142B2 (en) | Intelligent observation and identification database system | |
CN109548408B (zh) | 向处于危难中的人提供安全区的自主车辆 | |
CN105556581A (zh) | 对车载环境条件做出响应 | |
CN116308960B (zh) | 基于数据分析的智慧园区物业防控管理***及其实现方法 | |
EP4141813A1 (en) | Detection and mitigation of inappropriate behaviors of autonomous vehicle passengers | |
CN114463928B (zh) | 一种智能报警方法和*** | |
US20210271217A1 (en) | Using Real Time Data For Facilities Control Systems | |
KR20160028542A (ko) | 차량의 응급구조 및 범죄예방 시스템 및 그 방법 | |
RU2721178C1 (ru) | Интеллектуальная автоматическая система обнаружения нарушителей | |
CN112829705A (zh) | 一种基于车内遗留人员特征的车辆控制管理方法 | |
KR102556447B1 (ko) | 패턴 분석을 통한 상황 판단 시스템 | |
KR101437406B1 (ko) | 차량의 응급구조 및 범죄예방 시스템 및 그 방법 | |
CN209199284U (zh) | 一种家庭安防*** | |
US20230153424A1 (en) | Systems and methods for an automous security system | |
KR102648004B1 (ko) | 폭력감지장치 및 방법, 이를 포함하는 스마트 폭력감시시스템 | |
CN115171335A (zh) | 一种融合图像和语音的独居老人室内安全保护方法及装置 | |
KR102665312B1 (ko) | 안전대피를 위한 터널제어함체 원격 제어방법 | |
US20230089720A1 (en) | Systems and methods for providing assistance in an emergency | |
CN113870525B (zh) | 电子监控方法、装置、设备、存储介质、程序产品 | |
KR102643541B1 (ko) | 인공지능을 이용한 졸음 운전 방지 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |