CN117636607B - 一种基于人工智能的校园安全监控与预警*** - Google Patents
一种基于人工智能的校园安全监控与预警*** Download PDFInfo
- Publication number
- CN117636607B CN117636607B CN202410090153.3A CN202410090153A CN117636607B CN 117636607 B CN117636607 B CN 117636607B CN 202410090153 A CN202410090153 A CN 202410090153A CN 117636607 B CN117636607 B CN 117636607B
- Authority
- CN
- China
- Prior art keywords
- early warning
- module
- campus
- data
- police
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 21
- 238000007405 data analysis Methods 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims description 46
- 230000000875 corresponding effect Effects 0.000 claims description 34
- 238000011156 evaluation Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000006378 damage Effects 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000008713 feedback mechanism Effects 0.000 claims description 5
- 208000027418 Wounds and injury Diseases 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 208000014674 injury Diseases 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 14
- 230000010365 information processing Effects 0.000 description 8
- 238000012790 confirmation Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000391 smoking effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241000599931 Paris quadrifolia Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000036626 alertness Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Alarm Systems (AREA)
Abstract
本发明公布了一种基于人工智能的校园安全监控与预警***,它属于安全监控领域,包括校园数据采集模块、云端服务器、数据分析模块、预警推送模块、校园管理端模块、警察管理端模块和警察用户端模块。本发明的目的是提供一种基于人工智能的校园安全监控与预警***,利用人工智能技术对图像等数据进行特征提取和分类,提高了识别准确率和效率;通过校园管理端模块、警察管理端模块和警察用户端模块,实现了预警信息的处理、反馈和执行,提高了处置效果和质量。
Description
技术领域
本发明涉及安全监控领域,具体为一种基于人工智能的校园安全监控与预警***。
背景技术
校园安全是社会和家庭关注的重要问题,也是学校管理的重要内容。因此,如何有效地预防和处理校园安全事件,提高校园安全管理水平和效率,是亟待解决的问题。
为了应对校园安全问题,目前已经有一些基于视频监控***的校园安全监控与预警***被应用。其利用摄像头等设备采集校园内各个区域和场景的图像等数据,安全人员对采集的视频进行监视,当发现安全风险或异常时,安全人员通过现场处理、疏散和报警等方式对安全风险或异常进行处理。
但由于摄像头的数量较多、所需监控场景较多和人员数量等原因,会影响安全风险或异常识别的效率;同时无法与警察***等进行有效沟通,导致无法实现对安全风险或异常情况的快速响应和有效处置。所以需要进一步提高校园安全管理水平和效率。
发明内容
针对以上问题,本发明提供一种基于人工智能的校园安全监控与预警***,包括:
校园数据采集模块,用于采集校园内的图像数据,并通过加密模块对数据进行加密处理;
云端服务器通过无线、有线等方式接收校园数据采集模块传输的加密数据,并通过解密模块对数据进行解密还原,还原出原始图像数据,云端服务器还负责对数据进行保留;
数据分析模块用人工智能技术对云端服务器接收到的图像数据进行分析,以识别出校园存在的安全风险和异常情况,如打架、火灾、持棍闯入等,并生成相应的预警信息;
预警推送模块接收数据分析模块生成的预警信息,并将其推送给校园管理端模块,以便及时处理安全风险或异常情况;
校园管理端模块接收预警推送模块发送的预警信息,并将其显示在校园管理端模块的界面上,根据预警信息,决定是否能够自行化解安全风险或异常情况,自行化解的方式可通过老师、保安现场处理、语音喊话等,化解后就关闭该预警信息,若无法化解就将该预警信息发送给警察管理端模块;
警察管理端模块接收校园管理端模块发过来的预警信息,并将其显示在警察管理端模块的界面上,根据预警信息的内容和紧急程度,以及基于大数据计算出的最符合出动的警察信息,将其转发给相应的警察用户端模块;
警察用户端模块接收警察管理端模块转发的预警信息,并将其显示在警察用户端模块的界面上,根据预警信息的内容和紧急程度,以及自身的职责和权限,采取相应的行动,如出动、到达、处置等。
上述各模块通过无线、有线等方式进行连接。
本方案所产生的有益效果是:可以实现对校园内各个区域和场景的全面监控和智能分析,及时发现并告知相关人员处理校园内存在的安全风险和异常情况,提高了校园安全管理水平和效率;同时通过数据分析模块,利用人工智能技术对复杂的图像等数据进行特征提取和分类,提高了识别准确率和效率;通过校园管理端模块、警察管理端模块和警察用户端模块,实现了预警信息的处理、反馈和执行,提高了处置效果和质量。
进一步的,为避免假警情对***性能和资源造成浪费;数据分析模块还能对校园数据采集模块所采集的数据进行真假判断,判断为假警情的数据在云端服务器进行记录后停止传输,判断为真警情的数据发送给预警推送模块。
对真假警情进行判定的公式为:
其中,P表示给定校园图像数据时,该数据对应的警情是真实的概率;表示模型参数;/>表示自然常数;/>表示/>的转置;/>表示/>和/>的点积,/>表示给定校园图像数据中的特征向量。
对数据的真假判断可以有效地过滤掉一些无关紧要或者恶意制造的数据,避免对***造成不必要的干扰和负担,提高***的响应速度和处理能力。
进一步的,所述加密模块和解密模块采用区块链技术,利用区块链技术的分布式、去中心化、不可篡改等特性,保证数据传输过程中的安全性和可靠性,防止数据被篡改或泄露。
进一步的,所述校园数据采集模块通过摄像头采集图像数据。
进一步的,所述预警信息包括:
预警等级,是根据安全风险或异常情况的影响范围、持续时间和发生概率等因素综合计算出来的,其中影响范围、持续时间和发生概率可以根据数据分析模块的分析结果或者历史数据进行估计;其能够快速地判断安全风险或异常情况的严重程度,便于采取相应的措施;预警等级采用以下公式:
其中,L表示预警等级,S表示安全风险或异常情况的影响范围,T表示安全风险或异常情况的持续时间,C表示安全风险或异常情况的危害程度。函数f是一个非线性函数,用于综合考虑各个因素对预警等级的影响。例如,如果f(S,T,C)>0.8,则认为预警等级为高;如果f(S,T,C)<0.2,则认为预警等级为低;如果两者都不满足,则认为预警等级为中。
预警内容,是根据数据分析模块对图像、视频、语音等数据进行特征提取和分类得到的,包括发生时间、地点、人物、物体、场景等信息;其能够清晰地了解安全风险或异常情况的具体情况,便于分析原因和责任;预警内容的生成过程采用公式:
其中N表示预警内容,表示事件的发生地点,t表示事件的发生时间,R表示事件的主要参与者,E表示事件的主要过程。函数h是一个生成函数,用于根据各个因素生成预警内容。
进一步的,为提高对预警信息的处理效率,预警信息还包括:预警建议,其用于针对安全风险或异常情况提供应急方案;其能够有效地指导处理安全风险或异常情况的应急方案和操作步骤,提高处置效率和质量。
进一步的,所述数据分析模块采用深度学习技术,利用神经网络对图像数据进行特征提取和分类;所述数据分析模块利用反馈机制对预警信息进行优化和调整。
进一步的,所述校园管理端模块包括:
校园预警数据接收子模块,用于接收预警推送模块发送的预警信息,并将其显示在校园管理端模块的界面上,界面展示在监视器、手机、平板等处;
校园预警数据处理子模块,用于对接收到的预警信息进行处理,包括确认、忽略、转发等操作,确认操作表示校园管理端模块能够自行化解安全风险或异常情况,并执行相应的操作;忽略操作表示校园管理端模块认为该预警信息无需处理或无效,比如校园活动中表演者手持表演棍具等情况时,可认为预警信息无需处理;转发操作表示校园管理端模块不能自行化解安全风险或异常情况,并将该预警信息转发给警察管理端模块;
校园预警数据反馈子模块,用于与预警推送模块和数据分析模块进行通信,以向预警推送模块发送校园预警数据处理子模块的处理结果和向数据分析模块发送校园预警数据处理子模块的评价;处理结果表示校园管理端模块对该预警信息采取了什么样的操作;评价表示校园管理端模块对该预警信息的满意度或建议,以用于调整预警信息的生成和推送参数。
通过校园管理端模块的各个子模块,能够及时地获取预警信息,并在校园管理端模块的界面上进行展示,提高了信息获取的便捷性和可视性;然后能够根据预警信息的内容和等级,进行相应的处理操作,如确认、忽略、转发等,提高了信息处理的灵活性和效率;同时能够向预警推送模块和数据分析模块发送处理结果和评价,实现了信息处理的闭环反馈,提高了信息处理的质量和准确性。
进一步的,所述警察管理端模块包括:
警察预警数据接收子模块,用于接收校园管理端模块发送的预警信息,并将其显示在警察管理端模块的界面上,界面可以通过监视器、手机、平板等展示;
警察预警数据分配子模块,用于对接收到的预警信息进行分配,根据基于大数据计算出的最符合出动的警察信息,将其转发给相应的警察用户端模块;
警察预警数据反馈子模块,用于向预警推送模块和校园管理端模块发送警察预警数据分配子模块的分配结果,以及向数据分析模块发送警察预警数据分配子模块的评价,用于调整预警信息的生成和推送参数。
通过警察管理端模块的各个子模块,能够及时地获取预警信息,并在警察管理端模块的界面上进行展示,提高了信息获取的便捷性和可视性;同时能够向预警推送模块和校园管理端模块发送分配结果和向数据分析模块发送对预警信息的评价,实现了信息处理的闭环反馈,提高了信息处理的质量和准确性。
进一步的,所述警察用户端模块包括:
警察预警数据接收子模块,用于接收警察管理端模块转发的预警信息,并将其显示在警察用户端模块的界面上;
警察预警数据执行子模块,用于对接收到的预警信息进行执行,包括出动、到达、处置等操作;
警察预警数据反馈子模块,用于向警察管理端模块发送警察预警数据执行子模块的执行结果,以及向数据分析模块发送警察预警数据执行子模块的评价,用于调整预警信息的生成和推送参数。
通过警察用户端模块的各个子模块,能够及时地获取预警信息,并在警察用户端模块的界面上进行展示,提高了信息获取的便捷性和可视性;然后能够根据预警信息的内容、等级等,进行相应的处理操作,如出动、到达、处置等操作,提高了信息处理的灵活性和效率;同时能够向警察管理端模块发送执行结果和向数据分析模块发送对预警信息的评价,实现了信息处理的闭环反馈,提高了信息处理的质量和准确性。
附图说明
图1为实施例4的工作流程图。
具体实施方式
为了使本领域技术人员更好地理解技术方案,下面结合实施例对技术方案进行详细描述,本部分的描述仅是示范性和解释性,不应对本申请的保护范围有任何的限制作用。
实施例1,一种基于人工智能的校园安全监控与预警***,包括:校园数据采集模块、云端服务器、数据分析模块、预警推送模块、校园管理端模块、警察管理端模块和警察用户端模块。
校园数据采集模块通过摄像头采集图像数据,并通过加密模块对数据进行加密处理,加密模块采用区块链技术,保证数据的安全性和完整性。云端服务器接收校园数据采集模块传输的加密数据,并通过解密模块对数据进行解密还原。数据分析模块对云端服务器接收的数据进行人工智能技术分析,其可通过VGG、ResNet、Inception等算法对采集的图像进行分类,同时通过***时间确定数据采集时间,通过校园数据采集模块的安装地点确定事件发生地点,识别出校园内存在的安全风险和异常情况,并生成相应的预警信息。预警推送模块接收数据分析模块生成的预警信息,并将预警信息的内容推送给校园管理端模块。校园管理端模块接收预警推送模块发送的预警信息,并根据预警信息的内容来决定是否能够自行化解安全风险或异常情况,不能化解的安全风险或异常情况转发给警察管理端模块。警察管理端模块接收校园管理端模块发送的预警信息,并根据预警信息的内容和紧急程度,以及基于大数据计算出的最符合出动的警察信息,将其转发给相应的警察用户端模块。警察用户端模块接收警察管理端模块转发的预警信息,并根据预警信息的内容和紧急程度,以及自身的职责和权限,采取相应的行动。
预警信息包括预警等级和预警内容,为了生成预警等级,数据分析模块需要考虑以下三个因素:
安全风险或异常情况的影响范围S:表示该事件可能影响到多大范围。例如,如果该事件发生在教室内,则影响范围较小;如果该事件发生在操场上,则影响范围较大。
安全风险或异常情况的持续时间T:表示该事件从开始到结束的时间长度。例如,如果该事件持续了几分钟,则持续时间较短;如果该事件持续了几小时,则持续时间较长。
安全风险或异常情况的危害程度C:表示该事件可能造成的伤害或损失的程度。例如,如果该事件只是一些口头争吵,则危害程度较低;如果该事件涉及到暴力或武器,则危害程度较高。
数据分析模块采用以下公式来计算预警等级:
其中:
。
预警内容,用于描述安全风险或异常情况的具体情况。为了生成预警内容,数据分析模块需要提取出以下信息:事件的发生地点、事件的发生时间、事件的主要参与者、事件的主要过程。
预警内容的生成过程采用公式:,其中N表示预警内容,表示事件的发生地点,t表示事件的发生时间,R表示事件的主要参与者,E表示事件的主要过程。函数h是一个生成函数,用于根据各个因素生成预警内容。
具体工作过程:
设有一人持棍闯校门,该事件被摄像头捕捉到,并传输到云端服务器。数据分析模块对该事件进行分析,识别出该事件属于安全风险或异常情况,并生成相应的预警信息。为了生成预警信息,数据分析模块需要计算出预警等级和预警内容。
其中数据分析模块判断出该事件的影响范围,持续时间/>,危害程度,则预警等级/>为:
根据设定的阈值,如果,则认为预警等级为高;如果/>,则认为预警等级为低;如果两者都不满足,则认为预警等级为中。因此,在本数据案例中,预警等级为中。
预警内容N为:“上午10点,在校门口一人持棍闯校门。”
数据分析模块将预警等级和预警内容组合成一个完整的预警信息,并发送给预警推送模块。在本数据案例中,预警信息为:
“预警等级:中;预警内容:上午10点,在校门口,一人持棍闯校门”。
此时,校园管理端模块接收到预警推送模块发送的预警信息,校园管理端模块派出老师、保安进行人员疏散并关闭校门。同时校园管理端模块将该预警信息发送给警察管理端模块,警察管理端模块将预警信息推送给距离校门口最近且没有出任务的执勤警察,执勤警察接收到预警信息后,携带器械赶往校门口,同时执勤警察在警察预警数据执行子模块中登记,执勤警察在处理完该事件后,就关闭该预警信息,然后向警察管理端模块发送执行结果和向数据分析模块发送针对预警信息的评价。
实施例2:某个校园内,有一名学生在教室内吸烟,该事件被摄像头捕捉到,并传输到云端服务器。数据分析模块对该事件进行分析,识别出该事件属于安全风险或异常情况,并生成相应的预警信息。预警信息包括预警等级和预警内容。
本实施例中预警等级采用实施例1的公式,判断出该事件的影响范围,持续时间/>,危害程度/>,则预警等级/>为:
根据设定的阈值,如果,则认为预警等级为高;如果/>,则认为预警等级为低;如果两者都不满足,则认为预警等级为中。因此,在本数据案例中,预警等级为低。
本实施例中,预警内容N为:
“上午10点,在教室内发生了一起吸烟事件,一人在教室内吸烟。”
最后,数据分析模块将预警等级和预警内容组合成一个完整的预警信息,并发送给预警推送模块。在本数据案例中,预警信息为:
“预警等级:低;预警内容:上午10点,在教室内发生了一起吸烟事件,一人在教室内吸烟。”
此时,校园管理端模块接收到预警推送模块发送的预警信息,并判断可以自行化解该事件,于是校园管理模块通知教导处或对应教室的班主任前往现场对学生进行劝导和教育。校园管理端模块在处理完该事件后,就关闭该预警信息,并向预警推送模块和数据分析模块发送处理结果和评价。
持续时间T值根据摄像头识别到的事件进行判定。
实施例1和实施例2中的影响范围S主要影响参数为事件发生所在区域面积以及校园的总面积,可采用如下公式:
erf是误差函数,A和B分别表示事件发生的区域面积和校园的总面积。如实施例1中设校园面积为10000平方米,校门口的面积为500平方米,教室面积100平方米,带入公式求得实施例1中的影响范围S=0.5,实施例2中的影响范围S=0.1。
实施例1和实施例2中的危害程度C主要影响参数为可能造成的损失的程度,可以用如下公式:
其中表示自然常数,约等于2.71828,D表示事件可能造成的最大伤害或损失的程度,d表示事件实际造成的伤害或损失的程度,k值为常数,设值为0.55,d值根据校园管理可能面临的情况进行预设。设事件可能造成的最大伤害或损失的程度为10,那么持棍闯校门可能造成人员受伤,所以实施例1中d值设为8,而吸烟一般不易造成人员受伤,所以实施例2中的d值设为2,将实施例1中的D值和d值带入公式,得到:
求解得到实施例1中危害程度C=0.8,将实施例2中的D值和d值带入公式,得到:
求解得到C=0.8,将实施例2中的D值和d值带入公式,得到实施例2中危害程度C=0.2。
实施例3,本实施例的其他结构和工作过程可参考实施例1或2得到,但本实施例中,为避免假警情对***性能和资源造成浪费;数据分析模块还能对校园数据采集模块所采集的数据进行真假判断,判断为假警情的数据在云端服务器进行记录后停止传输,判断为真警情的数据发送给预警推送模块。为此本实施例中采用如下公式对真假警情进行判定。
其中,P表示给定校园图像数据时,该数据对应的警情是真实的概率;表示模型参数,可以通过训练数据来学习;/>表示自然常数,约等于2.71828;/>表示/>的转置,也就是把/>的行和列互换,得到一个新的向量;/>表示/>和/>的点积,也就是把/>和/>的对应元素相乘再相加,得到一个标量,/>表示给定校园图像数据中的特征向量。
本公式采用逻辑回归模型,利用二分类算法。本实施例中,把警情分为两类:真警情和假警情。利用校园图像和对应的警情真假标签,并用这些数据来训练逻辑回归模型,得到最优的值。当有新的校园图像数据时,就可以用这个模型来计算出该数据对应的警情是真实的概率。如果这个概率大于某个阈值(比如0.5),我们就判断为真警情;否则,我们就判断为假警情。经过训练后,/>值为:
将对真假警情进行判定的公式带入实施例1,校园数据采集模块采集到了一张图像,显示有一人持棍闯校门,于是先确定这个情况对应的特征向量,也就是图像中人物数量、武器数量和逃跑姿态的特征值。经识别这个情况对应的特征向量为:
其中,第一个元素表示常数项,后面三个元素分别表示图像中有一个人、一个武器和没有逃跑姿态。那么,使用之前给出的值,该情况对应的警情是真实的概率为:
由于这个概率大于0.5,所以判断为真警情。于是数据分析模块预警信息发送给预警推送模块。
若校园数据采集模块采集到了一张图像,显示有一名男学生在校园内拿着一把表演用的棍具棍。经过加密和解密后,该图像被送到云端服务器,并由数据分析模块进行分析。那么这张图像对应的特征向量为:
其中,第一个元素表示常数项,后面三个元素分别表示图像中有一个人、没有武器和没有逃跑姿态。那么,该图像对应的警情是真实的概率为:
由于这个概率小于0.5,所以判断为假警情,并将该信息在云端服务器进行记录后停止传输。
实施例4:如图1所示,本实施例的其他结构和工作过程同时实施1-3,但本实施例中为提高信息识别的准确度等,数据分析模块采用深度学习技术,利用神经网络对图像数据进行特征提取和分类;所述数据分析模块利用反馈机制对预警信息进行优化和调整。
为此所述校园管理端模块包括:
校园预警数据接收子模块,用于接收预警推送模块发送的预警信息,并将其显示在校园管理端模块的界面上;
校园预警数据处理子模块,用于对接收到的预警信息进行处理,如查看、确认、转发等;
校园预警数据反馈子模块,用于向预警推送模块发送校园预警数据处理子模块的处理结果,以及向数据分析模块发送校园预警数据处理子模块的评价,用于调整预警信息的生成和推送参数。
警察管理端模块包括:
警察预警数据接收子模块,用于接收校园管理端模块发送的预警信息,并将其显示在警察管理端模块的界面上;
警察预警数据分配子模块,用于对接收到的预警信息进行分配,根据基于大数据计算出的最符合出动的警察信息,将其转发给相应的警察用户端模块;
警察预警数据反馈子模块,用于向预警推送模块和校园管理端模块发送警察预警数据分配子模块的分配结果,以及向数据分析模块发送警察预警数据分配子模块的评价,用于调整预警信息的生成和推送参数。
警察用户端模块包括:
警察预警数据接收子模块,用于接收警察管理端模块转发的预警信息,并将其显示在警察用户端模块的界面上;
警察预警数据执行子模块,用于对接收到的预警信息进行执行,如查看、确认、反馈、完成等;
警察预警数据反馈子模块,用于向警察管理端模块发送警察预警数据执行子模块的执行结果,以及向数据分析模块发送警察预警数据执行子模块的评价,用于调整预警信息的生成和推送参数。
具体工作过程:校园数据采集模块可以是任何能够采集校园图像数据的设备,如摄像头、无人机、智能手机等。以对校园内的人员、车辆、设施等进行拍摄或者录像,获取图像数据。图像数据可以是静态的图片或者动态的视频。校园数据采集模块可以根据需要对图像数据进行预处理,如压缩、裁剪、滤波、增强、校正、变换、编码等,以便于后续的传输和分析。
云端服务器可以是任何能够接收、存储、处理和发送图像数据的服务器,如云计算服务器、边缘计算服务器、分布式计算服务器等。云端服务器可以根据需要对图像数据进行存储、备份、删除等管理操作。
数据分析模块可以采用深度学习、机器学习、计算机视觉、自然语言处理等对图像数据进行人工智能技术分析。数据分析模块可以利用神经网络对图像数据进行特征提取和分类,如卷积神经网络、循环神经网络等。数据分析模块可以根据预设的安全规则和异常标准,对图像数据中的人员、车辆、设施等进行检测、识别、跟踪、分析、判断等,如人脸识别、车牌识别、行为识别、场景识别、异常检测等。数据分析模块可以根据分析结果,生成预警信息。数据分析模块可以利用反馈机制对预警信息进行优化和调整,如增加或减少预警阈值、修改或更新预警规则、增加或删除预警类型等。数据分析模块可以与云端服务器集成在一起,也可以单独设置。
预警推送模块可以是任何能够接收、处理和发送预警信息的模块,如通过APP推送预警信息等。预警推送模块的作用是将预警信息的内容推送给校园管理端模块,以便于校园管理人员及时了解校园内的安全状况,并采取相应的措施。预警推送模块可以与云端服务器集成在一起,也可以单独设置。
校园管理端模块可以是任何能够接收、处理和发送预警信息的设备,如计算机、平板等。校园管理端模块的作用是让校园管理人员及时了解校园内的安全状况,并根据预警信息的内容来决定是否能够自行化解安全风险或异常情况,不能化解的安全风险或异常情况转发给警察管理端模块,以便于警察机关及时介入处理。
警察管理端模块可以是任何能够接收、处理和发送预警信息的设备,如计算机等。警察管理端模块的作用是让警察机关及时了解校园内的安全状况,并根据预警信息的内容,以及基于大数据计算出的最符合出动的警察信息,将其转发给相应的警察用户端模块,以便于警察及时赶赴现场处理。
警察用户端模块可以是任何能够接收、处理和发送预警信息的设备,如手机、平板等。警察用户端模块的作用是让警察及时了解校园内的安全状况,并根据预警信息的内容和紧急程度,以及自身的职责和权限,采取相应的行动,如赶赴现场、调查取证、制止违法、抓捕犯罪等。
本实施例中校园内有若干个摄像头作为校园数据采集模块,分别安装在教学楼、宿舍楼、食堂、操场等区域,实时采集校园的图像数据。校园数据采集模块通过网络将图像数据发送给加密模块,加密模块对图像数据进行加密处理,以保护数据的隐私和安全。加密后的数据通过网络传输给云端服务器,云端服务器接收到加密数据后,通过解密模块对数据进行解密还原,恢复原始的图像数据。
解密后的图像数据输入到数据分析模块,数据分析模块采用深度学习技术,利用神经网络对图像数据进行特征提取和分类,识别出校园内存在的安全风险和异常情况,例如火灾、打架、闯入、盗窃等,并生成相应的预警信息。预警信息包括预警等级、预警内容和预警建议,其中预警建议是根据所使别的安全风险或异常情况提供应急方案,如识别为火灾,则提供疏散方案和报警电话,其能够有效地指导处理安全风险或异常情况的应急方案和操作步骤,提高处置效率和质量。
预警信息输出到预警推送模块,预警推送模块将预警信息的内容推送给校园管理端模块,校园管理端模块接收到预警信息后,通过校园预警数据接收子模块将其显示在校园管理端模块的界面上,供校园管理人员查看和处理。校园管理人员根据预警信息的内容,通过校园预警数据处理子模块进行处理,例如调取相关的视频监控画面,联系相关的教师或学生,或者派遣相关的工作人员前往现场等,以化解安全风险或异常情况。处理结果通过校园预警数据反馈子模块发送给预警推送模块,以及数据分析模块,用于调整预警信息的生成和推送参数,例如提高或降低预警等级,增加或减少预警频率等。
如果校园管理人员判断安全风险或异常情况无法自行化解,或者涉及刑事案件,需要警察机关介入,那么校园管理人员可以通过校园预警数据处理子模块将预警信息转发给警察管理端模块,警察管理端模块接收到预警信息后,通过警察预警数据接收子模块将其显示在警察管理端模块的界面上,供警察管理人员查看和处理。警察管理人员根据预警信息的内容和紧急程度,通过警察预警数据分配子模块进行分配,根据基于大数据计算出的最符合出动的警察信息,将预警信息转发给相应的警察用户端模块,分配结果通过警察预警数据反馈子模块发送给预警推送模块和校园管理端模块,以方便管理人员和校园人员了解出警情况。
警察用户端模块接收到警察管理端模块转发的预警信息后,通过警察预警数据接收子模块将其显示在警察用户端模块的界面上,供警察查看和执行。警察根据预警信息的内容和紧急程度,以及自身的职责和权限,通过警察预警数据执行子模块进行执行,例如出警、调查、抓捕等,以维护校园的安全和秩序。执行结果通过警察预警数据反馈子模块发送给警察管理端模块,以方便警察管理人员了解实时情况,警察用户端模块可集成在手机或平板等处。
同时校园预警数据反馈子模块、警察预警数据反馈子模块和警察预警数据反馈子模块将对预警信息的评价发送给数据分析模块,用于调整预警信息的生成和推送参数;评价包括对预警信息内容的满意度以及对预警信息的建议,通过数据分析模块的反馈机制,实现了对预警信息的优化和调整,提高了预警信息的准确性和有效性。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。本文中应用了具体个例对本申请技术方案的原理及实施方式进行了阐述,以上实例的说明只是用于帮助理解本申请的方法及其核心思想。以上所述仅是本申请的优选实施方式,应当指出,由于文字表达的有限性,而客观上存在无限的具体结构,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进、润饰或变化,也可以将上述技术特征以适当的方式进行组合;这些改进润饰、变化或组合,或未经改进将本发明的构思和技术方案直接应用于其它场合的,均应视为本申请的保护范围。
Claims (9)
1.一种基于人工智能的校园安全监控与预警***,其特征在于,包括:
校园数据采集模块,用于采集校园的图像数据,并通过加密模块对数据进行加密处理;
云端服务器,用于接收校园数据采集模块传输的加密数据,并通过解密模块对数据进行解密还原;
数据分析模块,用于对云端服务器接收的数据进行人工智能技术分析,识别出校园内存在的安全风险和异常情况,并生成相应的预警信息;预警信息包括:
预警等级,用于表示安全风险或异常情况的严重程度,预警等级根据安全风险或异常情况的影响范围、安全风险或异常情况的持续时间和安全风险或异常情况的危害程度进行判定,数据分析模块采用以下公式来计算预警等级:
L=f(S,T,C)
其中,L表示预警等级,S表示安全风险或异常情况的影响范围,T表示安全风险或异常情况的持续时间,C表示安全风险或异常情况的危害程度;
erf是误差函数,A和B分别表示事件发生的区域面积和校园的总面积;
其中,e表示自然常数,D表示事件可能造成的最大伤害或损失的程度,d表示事件实际造成的伤害或损失的程度,k值为常数,设值为0.55;
数据分析模块对校园数据采集模块所采集的数据进行真假判断,判断为假警情的数据在云端服务器进行记录后停止传输,判断为真警情的数据发送给预警推送模块;对真假警情进行判定的公式为:
其中,P表示给定校园图像数据时,该数据对应的警情是真实的概率;θ表示模型参数;e表示自然常数;θT表示θ的转置;θTx表示θ和x的点积;x表示给定校园图像数据中的特征向量;
预警推送模块,用于接收数据分析模块生成的预警信息,并将预警信息的内容推送给校园管理端模块;
校园管理端模块,用于接收预警推送模块发送的预警信息,并根据预警信息的内容来决定是否能够自行化解安全风险或异常情况,不能化解的安全风险或异常情况转发给警察管理端模块;
警察管理端模块,用于接收校园管理端模块发送的预警信息,并根据预警信息的内容和紧急程度,以及基于大数据计算出的最符合出动的警察信息,将其转发给相应的警察用户端模块;
警察用户端模块,用于接收警察管理端模块转发的预警信息,并根据预警信息的内容和紧急程度,以及自身的职责和权限,采取相应的行动。
2.根据权利要求1所述的一种基于人工智能的校园安全监控与预警***,其特征在于,所述加密模块和解密模块采用区块链技术。
3.根据权利要求1所述的一种基于人工智能的校园安全监控与预警***,其特征在于,所述校园数据采集模块通过摄像头采集图像数据。
4.根据权利要求1所述的一种基于人工智能的校园安全监控与预警***,其特征在于,所述预警信息还包括预警内容,用于描述安全风险或异常情况的具体情况。
5.根据权利要求1所述的一种基于人工智能的校园安全监控与预警***,其特征在于,预警信息还包括预警建议,用于针对安全风险或异常情况提供应急方案。
6.根据权利要求1所述的一种基于人工智能的校园安全监控与预警***,其特征在于,所述数据分析模块采用深度学习技术,利用神经网络对图像数据进行特征提取和分类;所述数据分析模块利用反馈机制对预警信息进行优化和调整。
7.根据权利要求6所述的一种基于人工智能的校园安全监控与预警***,其特征在于,所述校园管理端模块包括:
校园预警数据接收子模块,用于接收预警推送模块发送的预警信息,并将其显示在校园管理端模块的界面上;
校园预警数据处理子模块,用于对接收到的预警信息进行处理;
校园预警数据反馈子模块,用于向预警推送模块发送校园预警数据处理子模块的处理结果,以及向数据分析模块发送校园预警数据处理子模块的评价,用于调整预警信息的生成和推送参数。
8.根据权利要求6所述的一种基于人工智能的校园安全监控与预警***,其特征在于,所述警察管理端模块包括:
警察预警数据接收子模块,用于接收校园管理端模块发送的预警信息,并将其显示在警察管理端模块的界面上;
警察预警数据分配子模块,用于对接收到的预警信息进行分配,根据基于大数据计算出的最符合出动的警察信息,将其转发给相应的警察用户端模块;
警察预警数据反馈子模块,用于向预警推送模块和校园管理端模块发送警察预警数据分配子模块的分配结果,以及向数据分析模块发送警察预警数据分配子模块的评价,用于调整预警信息的生成和推送参数。
9.根据权利要求6所述的一种基于人工智能的校园安全监控与预警***,其特征在于,所述警察用户端模块包括:
警察预警数据接收子模块,用于接收警察管理端模块转发的预警信息,并将其显示在警察用户端模块的界面上;
警察预警数据执行子模块,用于对接收到的预警信息进行执行;
警察预警数据反馈子模块,用于向警察管理端模块发送警察预警数据执行子模块的执行结果,以及向数据分析模块发送警察预警数据执行子模块的评价,用于调整预警信息的生成和推送参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410090153.3A CN117636607B (zh) | 2024-01-23 | 2024-01-23 | 一种基于人工智能的校园安全监控与预警*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410090153.3A CN117636607B (zh) | 2024-01-23 | 2024-01-23 | 一种基于人工智能的校园安全监控与预警*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117636607A CN117636607A (zh) | 2024-03-01 |
CN117636607B true CN117636607B (zh) | 2024-04-26 |
Family
ID=90016581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410090153.3A Active CN117636607B (zh) | 2024-01-23 | 2024-01-23 | 一种基于人工智能的校园安全监控与预警*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117636607B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105388826A (zh) * | 2015-12-11 | 2016-03-09 | 中国环境科学研究院 | 一种混合型稀土矿区水环境质量监控预警***的建立方法 |
CN105405150A (zh) * | 2015-10-21 | 2016-03-16 | 东方网力科技股份有限公司 | 基于融合特征的异常行为检测方法和装置 |
CN107134112A (zh) * | 2017-06-08 | 2017-09-05 | 安徽和力成信息科技有限公司 | 一种用于校园的多方位安防监控*** |
CN108416715A (zh) * | 2018-05-11 | 2018-08-17 | 长江大学 | 一种基于智能摄像头的校园安全管理*** |
CN110363098A (zh) * | 2019-06-24 | 2019-10-22 | 深圳市中电数通智慧安全科技股份有限公司 | 一种暴力行为预警方法、装置、可读存储介质及终端设备 |
CN115035439A (zh) * | 2022-05-30 | 2022-09-09 | 广州交信投科技股份有限公司 | 一种基于深度网络学习的校园异常事件监控*** |
CN116502818A (zh) * | 2023-02-13 | 2023-07-28 | 深圳天域世界科技有限公司 | 一种用于应急指挥的动态监测gis地理信息*** |
CN116895128A (zh) * | 2023-05-08 | 2023-10-17 | 广州博音信息技术有限公司 | 校园行为综合预警*** |
KR20230167549A (ko) * | 2022-06-02 | 2023-12-11 | 전민호 | 지능형 하이브리드 감시제어모듈을 통한 단계별자율 경보형 스마트 cctv 감시장치 및 감시방법 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG11201707022PA (en) * | 2015-01-29 | 2017-10-30 | Jtb Corp | Risk information distribution device and risk information distribution method |
-
2024
- 2024-01-23 CN CN202410090153.3A patent/CN117636607B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105405150A (zh) * | 2015-10-21 | 2016-03-16 | 东方网力科技股份有限公司 | 基于融合特征的异常行为检测方法和装置 |
CN105388826A (zh) * | 2015-12-11 | 2016-03-09 | 中国环境科学研究院 | 一种混合型稀土矿区水环境质量监控预警***的建立方法 |
CN107134112A (zh) * | 2017-06-08 | 2017-09-05 | 安徽和力成信息科技有限公司 | 一种用于校园的多方位安防监控*** |
CN108416715A (zh) * | 2018-05-11 | 2018-08-17 | 长江大学 | 一种基于智能摄像头的校园安全管理*** |
CN110363098A (zh) * | 2019-06-24 | 2019-10-22 | 深圳市中电数通智慧安全科技股份有限公司 | 一种暴力行为预警方法、装置、可读存储介质及终端设备 |
CN115035439A (zh) * | 2022-05-30 | 2022-09-09 | 广州交信投科技股份有限公司 | 一种基于深度网络学习的校园异常事件监控*** |
KR20230167549A (ko) * | 2022-06-02 | 2023-12-11 | 전민호 | 지능형 하이브리드 감시제어모듈을 통한 단계별자율 경보형 스마트 cctv 감시장치 및 감시방법 |
CN116502818A (zh) * | 2023-02-13 | 2023-07-28 | 深圳天域世界科技有限公司 | 一种用于应急指挥的动态监测gis地理信息*** |
CN116895128A (zh) * | 2023-05-08 | 2023-10-17 | 广州博音信息技术有限公司 | 校园行为综合预警*** |
Also Published As
Publication number | Publication date |
---|---|
CN117636607A (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7036186B2 (ja) | 映像処理システム、映像処理方法及び映像処理プログラム | |
JP7160154B2 (ja) | システム、異常判定装置及び方法 | |
CN111414873B (zh) | 基于安全帽佩戴状态的告警提示方法、装置和告警*** | |
CN108039008B (zh) | 智能视频监控方法、装置及*** | |
CN111131771B (zh) | 一种视频监控*** | |
CN109426798A (zh) | 一种边界入侵检测方法、装置及*** | |
CN113011833A (zh) | 施工现场的安全管理方法、装置、计算机设备和存储介质 | |
CN110111515A (zh) | 一种边界入侵检测方法、装置、服务器及*** | |
KR20230004421A (ko) | 인공지능 기반의 이상행동 감지 시스템 | |
US20210350256A1 (en) | Measuring risk within a media scene | |
CN110544362A (zh) | 基于区块链的施工现场异常识别方法及装置 | |
CN112419639A (zh) | 一种视频信息的获取方法及装置 | |
US11328567B2 (en) | Frictionless security processing | |
KR102182660B1 (ko) | 시공간 특징을 이용한 폭력 감지 시스템, 방법 및 상기 방법을 수행하도록 하는 프로그램이 저장된 컴퓨터 판독 가능한 기록매체 | |
CN116129490A (zh) | 一种用于复杂环境行为识别的监控装置及监控方法 | |
KR102676020B1 (ko) | 영상의 객체 간 상호작용행위 검출 장치 및 방법 | |
Bushra et al. | Predicting Anomalous and Consigning Apprise During Heists | |
CN117636607B (zh) | 一种基于人工智能的校园安全监控与预警*** | |
CN113011300A (zh) | 一种ai视觉辨识违规行为的方法、***及设备 | |
CN109460714A (zh) | 识别对象的方法、***和装置 | |
CN115100572A (zh) | 一种校园异常行为的分析***及方法 | |
Villegas-Ch et al. | Authentication, access, and monitoring system for critical areas with the use of artificial intelligence integrated into perimeter security in a data center | |
CN112419638B (zh) | 一种告警视频的获取方法及装置 | |
CN110519562B (zh) | 移动侦测方法、装置和*** | |
US11798285B2 (en) | Frictionless and autonomous activity and behavioral monitoring |
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 |