CN117676099B - 基于物联网的安全预警方法及*** - Google Patents
基于物联网的安全预警方法及*** Download PDFInfo
- Publication number
- CN117676099B CN117676099B CN202410143227.5A CN202410143227A CN117676099B CN 117676099 B CN117676099 B CN 117676099B CN 202410143227 A CN202410143227 A CN 202410143227A CN 117676099 B CN117676099 B CN 117676099B
- Authority
- CN
- China
- Prior art keywords
- channel state
- feature map
- semantic feature
- training
- channel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims description 84
- 239000003623 enhancer Substances 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 230000002787 reinforcement Effects 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 16
- 230000002776 aggregation Effects 0.000 claims description 14
- 238000004220 aggregation Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000005728 strengthening Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 230000004044 response Effects 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 15
- 230000002159 abnormal effect Effects 0.000 description 13
- 238000011176 pooling Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 230000004913 activation Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000011897 real-time detection Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/44—Event detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/50—Safety; Security of things, users, data or systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Computer Security & Cryptography (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于物联网的安全预警方法及***,涉及物联网安全监测预警技术领域,其通过智能摄像头采集通道状态图像,并将该通道状态图像通过物联网通信网络传输给后台服务器,以在后台服务器中采用图像处理和分析算法来进行该通道状态图像的分析,从而进行通道占用的实时检测,并在检测到通道异常占用时发出预警提示信号。这样能够利用物联网技术有效地检测通道是否被异常占用,并及时发出预警提示信号,从而提高了安防监控***的效能和响应速度,帮助更好地应对安全风险。
Description
技术领域
本申请涉及物联网安全监测预警技术领域,且更为具体地,涉及一种基于物联网的安全预警方法及***。
背景技术
物联网(Internet of Things,简称IoT)是指通过互联网将各种物理设备、传感器、摄像头等连接起来,实现设备之间的信息交互和远程控制的网络***。随着物联网的发展,越来越多的设备和传感器被部署在各个领域,包括安防监控、交通管理等。物联网在安全领域有着广泛的应用,例如,可以通过物联网技术对重要通道进行监测,及时发现并预警异常占用的情况,从而保障通道的畅通和安全。然而,传统的基于物联网的安全预警方案通常使用预定规则或简单的算法来检测通道占用的异常情况,这种方法的识别能力有限,对于复杂的异常情况可能无法准确判断,导致误报或漏报的问题。
因此,期望一种优化的基于物联网的安全预警方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于物联网的安全预警方法及***,其通过智能摄像头采集通道状态图像,并将该通道状态图像通过物联网通信网络传输给后台服务器,以在后台服务器中采用图像处理和分析算法来进行该通道状态图像的分析,从而进行通道占用的实时检测,并在检测到通道异常占用时发出预警提示信号,这样能够利用物联网技术有效地检测通道是否被异常占用,并及时发出预警提示信号,从而提高了安防监控***的效能和响应速度,帮助更好地应对安全风险。
根据本申请的一个方面,提供了一种基于物联网的安全预警方法,其包括:
获取由智能摄像头采集的通道状态图像;
将所述通道状态图像通过物联网通信网络传输给后台服务器;
在所述后台服务器,通过基于深度神经网络模型的通道状态特征提取器对所述通道状态图像进行特征提取以得到通道状态语义特征图;
使用特征图切分模块沿着通道维度对所述通道状态语义特征图进行切分以得到通道状态局部语义特征图的序列;
使用基于重参数化层的特征图增强器对所述通道状态局部语义特征图的序列中的各个通道状态局部语义特征图进行特征图强化以得到强化通道状态局部语义特征图的序列;
对所述强化通道状态局部语义特征图的序列进行聚合以得到全局强化通道状态语义特征;
基于所述全局强化通道状态语义特征,确定通道是否被异常占用,并确定是否产生安全预警提示信号。
根据本申请的另一个方面,提供了一种基于物联网的安全预警***,其包括:
图像获取模块,用于获取由智能摄像头采集的通道状态图像;
图像传输模块,用于将所述通道状态图像通过物联网通信网络传输给后台服务器;
特征提取模块,用于在所述后台服务器,通过基于深度神经网络模型的通道状态特征提取器对所述通道状态图像进行特征提取以得到通道状态语义特征图;
图像切分模块,用于使用特征图切分模块沿着通道维度对所述通道状态语义特征图进行切分以得到通道状态局部语义特征图的序列;
特征图强化模块,用于使用基于重参数化层的特征图增强器对所述通道状态局部语义特征图的序列中的各个通道状态局部语义特征图进行特征图强化以得到强化通道状态局部语义特征图的序列;
聚合模块,用于对所述强化通道状态局部语义特征图的序列进行聚合以得到全局强化通道状态语义特征;
异常检测模块,用于基于所述全局强化通道状态语义特征,确定通道是否被异常占用,并确定是否产生安全预警提示信号。
与现有技术相比,本申请提供的一种基于物联网的安全预警方法及***,其通过智能摄像头采集通道状态图像,并将该通道状态图像通过物联网通信网络传输给后台服务器,以在后台服务器中采用图像处理和分析算法来进行该通道状态图像的分析,从而进行通道占用的实时检测,并在检测到通道异常占用时发出预警提示信号,这样能够利用物联网技术有效地检测通道是否被异常占用,并及时发出预警提示信号,从而提高了安防监控***的效能和响应速度,帮助更好地应对安全风险。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于物联网的安全预警方法的流程图;
图2为根据本申请实施例的基于物联网的安全预警方法的***架构图;
图3为根据本申请实施例的基于物联网的安全预警方法的训练阶段的流程图;
图4为根据本申请实施例的基于物联网的安全预警方法的子步骤S7的流程图;
图5为根据本申请实施例的基于物联网的安全预警***的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如本申请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他的步骤或元素。
虽然本申请对根据本申请的实施例的***中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述***和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。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。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
传统的基于物联网的安全预警方案通常使用预定规则或简单的算法来检测通道占用的异常情况,这种方法的识别能力有限,对于复杂的异常情况可能无法准确判断,导致误报或漏报的问题。因此,期望一种优化的基于物联网的安全预警方案。
在本申请的技术方案中,提出了一种基于物联网的安全预警方法。图1为根据本申请实施例的基于物联网的安全预警方法的流程图。图2为根据本申请实施例的基于物联网的安全预警方法的***架构图。如图1和图2所示,根据本申请的实施例的基于物联网的安全预警方法,包括步骤:S1,获取由智能摄像头采集的通道状态图像;S2,将所述通道状态图像通过物联网通信网络传输给后台服务器;S3,在所述后台服务器,通过基于深度神经网络模型的通道状态特征提取器对所述通道状态图像进行特征提取以得到通道状态语义特征图;S4,使用特征图切分模块沿着通道维度对所述通道状态语义特征图进行切分以得到通道状态局部语义特征图的序列;S5,使用基于重参数化层的特征图增强器对所述通道状态局部语义特征图的序列中的各个通道状态局部语义特征图进行特征图强化以得到强化通道状态局部语义特征图的序列;S6,对所述强化通道状态局部语义特征图的序列进行聚合以得到全局强化通道状态语义特征;S7,基于所述全局强化通道状态语义特征,确定通道是否被异常占用,并确定是否产生安全预警提示信号。
特别地,所述S1和所述S2,获取由智能摄像头采集的通道状态图像,以及,将所述通道状态图像通过物联网通信网络传输给后台服务器。也就是,将所述通道状态图像通过物联网通信网络传输给后台服务器,以便于后续对于该通道状态图像进行处理和特征分析,以此来进行通道异常占用的检测和预警。
特别地,所述S3,在所述后台服务器,通过基于深度神经网络模型的通道状态特征提取器对所述通道状态图像进行特征提取以得到通道状态语义特征图。特别地,所述深度神经网络模型为卷积神经网络模型。也就是,在所述后台服务器中,使用在图像的隐含特征提取方面具有优异表现性能的基于卷积神经网络模型的通道状态特征提取器来对所述通道状态图像进行特征挖掘,以提取出所述通道状态图像中关于通道状态的特征分布信息,从而得到通道状态语义特征图。具体地,使用所述基于卷积神经网络模型的通道状态特征提取器的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述基于卷积神经网络模型的通道状态特征提取器的最后一层的输出为所述通道状态语义特征图,所述基于卷积神经网络模型的通道状态特征提取器的第一层的输入为所述通道状态图像。
值得注意的是,卷积神经网络(Convolutional Neural Network,CNN)是一种深度学***均池化。池化操作可以减少模型的参数数量,降低计算复杂度,并提高模型的鲁棒性;全连接层:全连接层将池化层的输出展平,并与输出层连接。全连接层的神经元与前一层的所有神经元相连,可以学习到更高级别的特征表示。最后一个全连接层通常用于分类任务,输出模型的预测结果。
特别地,所述S4,使用特征图切分模块沿着通道维度对所述通道状态语义特征图进行切分以得到通道状态局部语义特征图的序列。应可以理解,所述通道状态语义特征图是通过所述卷积神经网络模型提取得到的,它包含了通道状态的全局语义特征信息。然而,在某些情况下,通道状态的局部特征可能对于判断通道是否被异常占用更加重要,也就是说,在实际进行通道异常占用检测的过程中,局部的通道状态语义更能够反映出通道状态的细节和变化,这有利于提高对于通道异常占用检测的能力。因此,为了更好地捕捉关于通道状态的局部细节特征,并提高通道异常占用检测的准确性和鲁棒性,在本申请的技术方案中,使用特征图切分模块沿着通道维度对所述通道状态语义特征图进行切分以得到通道状态局部语义特征图的序列。
特别地,所述S5,使用基于重参数化层的特征图增强器对所述通道状态局部语义特征图的序列中的各个通道状态局部语义特征图进行特征图强化以得到强化通道状态局部语义特征图的序列。为了增强和丰富关于通道状态的这些局部特征的表达能力,使其更具区分性和鲁棒性,在本申请的技术方案中,进一步使用基于重参数化层的特征图增强器对所述通道状态局部语义特征图的序列中的各个通道状态局部语义特征图进行特征图强化以得到强化通道状态局部语义特征图的序列。通过所述基于重参数化层的特征图增强器进行处理,能够引入随机性,将原始特征图重新参数化为更丰富的特征表示,从而增强各个所述通道状态局部语义特征图的表达能力。在这个过程中,每个所述通道状态局部语义特征图的均值和方差被提取出来,并用于生成新的特征图。这种重参数化的形式可以看作是在语义特征空间中进行数据增强的一种方式,这有助于提高分类器对不同通道异常占用局部特征的感知和识别能力,使其更好地适应不同的通道异常占用情况,提高分类的准确性。具体地,使用基于重参数化层的特征图增强器对所述通道状态局部语义特征图的序列中的各个通道状态局部语义特征图进行特征图强化以得到强化通道状态局部语义特征图的序列,包括:使用所述基于重参数化层的特征图增强器以如下局部强化公式对所述通道状态局部语义特征图的序列中的各个通道状态局部语义特征图进行特征图强化以得到所述强化通道状态局部语义特征图的序列;其中,所述局部强化公式为:
其中,为每个所述通道状态局部语义特征图的全局均值,/>为每个所述通道状态局部语义特征图的方差,/>是对每个所述通道状态局部语义特征图的高斯分布进行随机采样得到的超参数,/>是所述强化通道状态局部语义特征图的序列中各个强化通道状态局部语义特征图。
特别地,所述S6,对所述强化通道状态局部语义特征图的序列进行聚合以得到全局强化通道状态语义特征。考虑到在所述强化通道状态局部语义特征图的序列中,每个强化通道状态局部语义特征图代表了通道状态的一个局部区域语义特征。这些局部语义特征图经过了所述特征图增强器的处理,已经被增强和优化,具有更好的表达能力和判别能力。然而,单独考虑每个局部语义特征图可能无法捕捉到通道状态的整体特征和上下文信息。因此,为了能够综合考虑增强后的关于通道状态的全局语义特征,在本申请的技术方案中,需要进一步使用特征图聚合模块将所述强化通道状态局部语义特征图的序列沿着通道维度进行拼接以得到全局强化通道状态语义特征图。这样,得到的所述全局强化通道状态语义特征图包含了通道状态的整体特征和上下文信息,能够更全面地表示通道状态的语义信息,从而能够提高通道占用检测***的性能和可靠性。
特别地,所述S7,基于所述全局强化通道状态语义特征,确定通道是否被异常占用,并确定是否产生安全预警提示信号。特别地,在本申请的一个具体示例中,如图4所示,所述S7,包括:S71,将所述全局强化通道状态语义特征图通过分类器以得到分类结果,所述分类结果用于表示通道是否被异常占用;S72,响应于所述分类结果为通道被异常占用,产生安全预警提示信号。
具体地,所述S71,将所述全局强化通道状态语义特征图通过分类器以得到分类结果,所述分类结果用于表示通道是否被异常占用。也就是,利用经过特征强化后的关于通道状态的全局语义特征信息来进行分类处理,以此来进行通道占用的实时检测。更具体地,将所述全局强化通道状态语义特征图基于行向量或列向量展开为分类特征向量;使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
也就是,在本申请的技术方案中,所述分类器的标签包括通道被异常占用(第一标签),以及,通道没有被异常占用(第二标签),其中,所述分类器通过软最大值函数来确定所述全局强化通道状态语义特征图属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“通道是否被异常占用”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,通道是否被异常占用的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“通道是否被异常占用”的语言文本意义。
分类器是指一种机器学习模型或算法,用于将输入数据分为不同的类别或标签。分类器是监督学习的一部分,它通过学习从输入数据到输出类别的映射关系来进行分类任务。
全连接层是神经网络中常见的一种层类型。在全连接层中,每个神经元都与上一层的所有神经元相连接,每个连接都有一个权重。这意味着全连接层中的每个神经元都接收来自上一层所有神经元的输入,并通过权重对这些输入进行加权求和,然后将结果传递给下一层。
Softmax分类函数是一种常用的激活函数,用于多分类问题。它将输入向量的每个元素转化为一个介于0和1之间的概率值,并且这些概率值的和等于1。Softmax函数常用于神经网络的输出层,特别适用于多分类问题,因为它能够将网络输出映射为各个类别的概率分布。在训练过程中,Softmax函数的输出可以用于计算损失函数,并通过反向传播算法来更新网络参数。值得注意的是,Softmax函数的输出并不会改变元素之间的相对大小关系,只是对其进行了归一化处理。因此,Softmax函数并不改变输入向量的特性,只是将其转化为概率分布形式。
具体地,所述S72,响应于所述分类结果为通道被异常占用,产生安全预警提示信号。也就是,响应于所述分类结果为通道被异常占用,产生安全预警提示信号。这样,能够利用物联网技术有效地检测通道是否被异常占用,并及时发出预警提示信号,从而提高了安防监控***的效能和响应速度。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式基于所述全局强化通道状态语义特征,确定通道是否被异常占用,并确定是否产生安全预警提示信号,例如:收集与通道状态相关的数据;对采集到的数据进行预处理,包括去除噪声、异常值处理、数据平滑等操作,以确保数据的质量和可靠性;从预处理的数据中提取特征。特征提取的目的是从原始数据中提取有用的信息,以便后续的异常检测和预测;基于提取的特征,构建全局强化通道状态语义特征;将全局强化通道状态语义特征输入到异常检测模型中,异常检测模型可以是基于统计方法、机器学习方法或深度学习方法构建的。模型将根据学习到的正常模式和特征表示,对通道状态进行异常检测;根据异常检测的结果,判断通道是否被异常占用;如果通道被异常占用,可以生成安全预警提示信号。
应可以理解,在利用上述神经网络模型进行推断之前,需要对所述基于卷积神经网络模型的通道状态特征提取器、所述特征图切分模块、所述基于重参数化层的特征图增强器、所述特征图聚合模块和所述分类器进行训练。也就是说,在本申请的基于物联网的安全预警方法中,还包括训练阶段,用于对所述基于卷积神经网络模型的通道状态特征提取器、所述特征图切分模块、所述基于重参数化层的特征图增强器、所述特征图聚合模块和所述分类器进行训练。
图3为根据本申请实施例的基于物联网的安全预警方法的训练阶段的流程图。如图3所示,根据本申请实施例的基于物联网的安全预警方法,包括:训练阶段,包括:S110,获取训练数据,所述训练数据包括由智能摄像头采集的训练通道状态图像;S120,将所述训练通道状态图像通过物联网通信网络传输给后台服务器;S130,在所述后台服务器,通过基于卷积神经网络模型的通道状态特征提取器对所述训练通道状态图像进行特征提取以得到训练通道状态语义特征图;S140,使用特征图切分模块沿着通道维度对所述训练通道状态语义特征图进行切分以得到训练通道状态局部语义特征图的序列;S150,使用基于重参数化层的特征图增强器对所述训练通道状态局部语义特征图的序列中的各个训练通道状态局部语义特征图进行特征图强化以得到训练强化通道状态局部语义特征图的序列;S160,使用特征图聚合模块将所述训练强化通道状态局部语义特征图的序列沿着通道维度进行拼接以得到训练全局强化通道状态语义特征图;S170,对所述训练全局强化通道状态语义特征图进行特征优化以得到优化训练全局强化通道状态语义特征图;S180,将所述优化训练全局强化通道状态语义特征图通过分类器以得到分类损失函数;S190,基于所述分类损失函数对所述基于卷积神经网络模型的通道状态特征提取器、所述特征图切分模块、所述基于重参数化层的特征图增强器、所述特征图聚合模块和所述分类器进行训练。
值得一提的是,对所述训练全局强化通道状态语义特征图进行特征优化以得到优化训练全局强化通道状态语义特征图,包括:将所述训练全局强化通道状态语义特征图进行线性变换以使得所述全局强化通道状态语义特征图中沿通道维的每个特征矩阵的宽度和高度相等以得到转换后的训练全局强化通道状态语义特征图;对转换后的训练全局强化通道状态语义特征图进行通道维度优化以得到所述优化训练全局强化通道状态语义特征图。特别地,在本申请的技术方案中,所述训练通道状态语义特征图的各个特征矩阵用于表达所述训练通道状态图像的图像语义特征,而各个特征矩阵之间遵循所述卷积神经网络模型的通道分布,而在使用特征图切分模块对所述训练通道状态语义特征图进行沿通道维度切分以得到训练通道状态局部语义特征图的序列,并使用基于重参数化层的特征图增强器对所述训练通道状态局部语义特征图的序列中的各个训练通道状态局部语义特征图进行基于先验分布的特征表达强化以得到训练强化通道状态局部语义特征图的序列后,各个所述训练强化通道状态局部语义特征图会由于其图像语义特征先验分布差异而强化所述训练强化通道状态局部语义特征图的序列中的各个训练强化通道状态局部语义特征图的分布差异,从而引起所述训练强化通道状态局部语义特征图的序列整体的通道间关联下降。也就是,在将所述训练强化通道状态局部语义特征图的序列沿着通道维度聚合为训练全局强化通道状态语义特征图后,所述训练全局强化通道状态语义特征图的通道维度特征分布整体性较低,影响其通过分类器进行类概率收敛时的收敛效果。因此,优选地首先将所述训练全局强化通道状态语义特征图进行线性变换以使得特征矩阵的宽度和高度相等,然后对转换后的训练全局强化通道状态语义特征图进行通道维度优化,表示为:
其中和/>分别是所述转换后的训练全局强化通道状态语义特征图的沿通道方向的第/>和第/>位置的特征矩阵,且/>是尺度调节超参数,/>表示矩阵相乘,/>表示按位置点乘,/>表示按位置相加,/>是所述优化训练全局强化通道状态语义特征图的沿通道方向的第/>位置的特征矩阵。这里,通过所述训练全局强化通道状态语义特征图的具有通道相邻分布的特征矩阵的递进式结构化嵌入计算,来在高维特征空间内预测所述训练全局强化通道状态语义特征图的局部特征分布沿通道的耦合分布方向,从而以分布递进中心为基础来确定基于通道耦合的迭代生成的传递图式表示,以经由细化所述训练全局强化通道状态语义特征图整体沿通道维度由下而上的投影规范化提议的方式,来重建所述训练全局强化通道状态语义特征图的以特征矩阵的场景布局为基础的上下文关系,从而提升所述训练全局强化通道状态语义特征图的特征表示的通道维度整体性,以改善所述训练全局强化通道状态语义特征图通过分类器进行类概率收敛时的收敛效果,即提高分类训练速度和分类结果的准确性。这样,能够利用物联网技术有效地检测通道是否被异常占用,并及时发出预警提示信号,从而提高了安防监控***的效能和响应速度,帮助更好地应对安全风险。
综上,根据本申请实施例的基于物联网的安全预警方法被阐明,其通过智能摄像头采集通道状态图像,并将该通道状态图像通过物联网通信网络传输给后台服务器,以在后台服务器中采用图像处理和分析算法来进行该通道状态图像的分析,从而进行通道占用的实时检测,并在检测到通道异常占用时发出预警提示信号。这样,能够利用物联网技术有效地检测通道是否被异常占用,并及时发出预警提示信号,从而提高了安防监控***的效能和响应速度,帮助更好地应对安全风险。
进一步地,还提供一种基于物联网的安全预警***。
图5为根据本申请实施例的基于物联网的安全预警***的框图。如图5所示,根据本申请实施例的基于物联网的安全预警***300,包括:图像获取模块310,用于获取由智能摄像头采集的通道状态图像;图像传输模块320,用于将所述通道状态图像通过物联网通信网络传输给后台服务器;特征提取模块330,用于在所述后台服务器,通过基于深度神经网络模型的通道状态特征提取器对所述通道状态图像进行特征提取以得到通道状态语义特征图;图像切分模块340,用于使用特征图切分模块沿着通道维度对所述通道状态语义特征图进行切分以得到通道状态局部语义特征图的序列;特征图强化模块350,用于使用基于重参数化层的特征图增强器对所述通道状态局部语义特征图的序列中的各个通道状态局部语义特征图进行特征图强化以得到强化通道状态局部语义特征图的序列;聚合模块360,用于对所述强化通道状态局部语义特征图的序列进行聚合以得到全局强化通道状态语义特征;异常检测模块370,用于基于所述全局强化通道状态语义特征,确定通道是否被异常占用,并确定是否产生安全预警提示信号。
如上所述,根据本申请实施例的基于物联网的安全预警***300可以实现在各种无线终端中,例如具有基于物联网的安全预警算法的服务器等。在一种可能的实现方式中,根据本申请实施例的基于物联网的安全预警***300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该基于物联网的安全预警***300可以是该无线终端的操作***中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该基于物联网的安全预警***300同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该基于物联网的安全预警***300与该无线终端也可以是分立的设备,并且该基于物联网的安全预警***300可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (4)
1.一种基于物联网的安全预警方法,其特征在于,包括:
获取由智能摄像头采集的通道状态图像;
将所述通道状态图像通过物联网通信网络传输给后台服务器;
在所述后台服务器,通过基于深度神经网络模型的通道状态特征提取器对所述通道状态图像进行特征提取以得到通道状态语义特征图;
使用特征图切分模块沿着通道维度对所述通道状态语义特征图进行切分以得到通道状态局部语义特征图的序列;
使用基于重参数化层的特征图增强器对所述通道状态局部语义特征图的序列中的各个通道状态局部语义特征图进行特征图强化以得到强化通道状态局部语义特征图的序列;
对所述强化通道状态局部语义特征图的序列进行聚合以得到全局强化通道状态语义特征;
基于所述全局强化通道状态语义特征,确定通道是否被异常占用,并确定是否产生安全预警提示信号;
其中,所述深度神经网络模型为卷积神经网络模型;
其中,使用基于重参数化层的特征图增强器对所述通道状态局部语义特征图的序列中的各个通道状态局部语义特征图进行特征图强化以得到强化通道状态局部语义特征图的序列,包括:使用所述基于重参数化层的特征图增强器以如下局部强化公式对所述通道状态局部语义特征图的序列中的各个通道状态局部语义特征图进行特征图强化以得到所述强化通道状态局部语义特征图的序列;
其中,所述局部强化公式为:
;
其中,为每个所述通道状态局部语义特征图的全局均值,/>为每个所述通道状态局部语义特征图的方差,/>是对每个所述通道状态局部语义特征图的高斯分布进行随机采样得到的超参数,/>是所述强化通道状态局部语义特征图的序列中各个强化通道状态局部语义特征图;
其中,对所述强化通道状态局部语义特征图的序列进行聚合以得到全局强化通道状态语义特征,包括:使用特征图聚合模块将所述强化通道状态局部语义特征图的序列沿着通道维度进行拼接以得到全局强化通道状态语义特征图作为所述全局强化通道状态语义特征;
其中,基于所述全局强化通道状态语义特征,确定通道是否被异常占用,并确定是否产生安全预警提示信号,包括:
将所述全局强化通道状态语义特征图通过分类器以得到分类结果,所述分类结果用于表示通道是否被异常占用;
响应于所述分类结果为通道被异常占用,产生安全预警提示信号;
还包括训练步骤:用于对基于卷积神经网络模型的通道状态特征提取器、所述特征图切分模块、所述基于重参数化层的特征图增强器、所述特征图聚合模块和所述分类器进行训练;
所述训练步骤,包括:
获取训练数据,所述训练数据包括由智能摄像头采集的训练通道状态图像;
将所述训练通道状态图像通过物联网通信网络传输给后台服务器;
在所述后台服务器,通过基于卷积神经网络模型的通道状态特征提取器对所述训练通道状态图像进行特征提取以得到训练通道状态语义特征图;
使用特征图切分模块沿着通道维度对所述训练通道状态语义特征图进行切分以得到训练通道状态局部语义特征图的序列;
使用基于重参数化层的特征图增强器对所述训练通道状态局部语义特征图的序列中的各个训练通道状态局部语义特征图进行特征图强化以得到训练强化通道状态局部语义特征图的序列;
使用特征图聚合模块将所述训练强化通道状态局部语义特征图的序列沿着通道维度进行拼接以得到训练全局强化通道状态语义特征图;
对所述训练全局强化通道状态语义特征图进行特征优化以得到优化训练全局强化通道状态语义特征图;
将所述优化训练全局强化通道状态语义特征图通过分类器以得到分类损失函数;
基于所述分类损失函数对所述基于卷积神经网络模型的通道状态特征提取器、所述特征图切分模块、所述基于重参数化层的特征图增强器、所述特征图聚合模块和所述分类器进行训练。
2.根据权利要求1所述的基于物联网的安全预警方法,其特征在于,对所述训练全局强化通道状态语义特征图进行特征优化以得到优化训练全局强化通道状态语义特征图,包括:
将所述训练全局强化通道状态语义特征图进行线性变换以使得所述全局强化通道状态语义特征图中沿通道维的每个特征矩阵的宽度和高度相等以得到转换后的训练全局强化通道状态语义特征图;
对转换后的训练全局强化通道状态语义特征图进行通道维度优化以得到所述优化训练全局强化通道状态语义特征图。
3.一种基于物联网的安全预警***,所述基于物联网的安全预警***用于实现如权利要求2所述的基于物联网的安全预警方法,其特征在于,包括:
图像获取模块,用于获取由智能摄像头采集的通道状态图像;
图像传输模块,用于将所述通道状态图像通过物联网通信网络传输给后台服务器;
特征提取模块,用于在所述后台服务器,通过基于深度神经网络模型的通道状态特征提取器对所述通道状态图像进行特征提取以得到通道状态语义特征图;
图像切分模块,用于使用特征图切分模块沿着通道维度对所述通道状态语义特征图进行切分以得到通道状态局部语义特征图的序列;
特征图强化模块,用于使用基于重参数化层的特征图增强器对所述通道状态局部语义特征图的序列中的各个通道状态局部语义特征图进行特征图强化以得到强化通道状态局部语义特征图的序列;
聚合模块,用于对所述强化通道状态局部语义特征图的序列进行聚合以得到全局强化通道状态语义特征。
4.根据权利要求3所述的基于物联网的安全预警***,其特征在于,还包括异常检测模块,用于基于所述全局强化通道状态语义特征,确定通道是否被异常占用,并确定是否产生安全预警提示信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410143227.5A CN117676099B (zh) | 2024-02-01 | 2024-02-01 | 基于物联网的安全预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410143227.5A CN117676099B (zh) | 2024-02-01 | 2024-02-01 | 基于物联网的安全预警方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117676099A CN117676099A (zh) | 2024-03-08 |
CN117676099B true CN117676099B (zh) | 2024-04-05 |
Family
ID=90086680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410143227.5A Active CN117676099B (zh) | 2024-02-01 | 2024-02-01 | 基于物联网的安全预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117676099B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118015785B (zh) * | 2024-04-07 | 2024-06-07 | 吉林大学 | 远程监测护理***及其方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228754A (zh) * | 2023-05-08 | 2023-06-06 | 山东锋士信息技术有限公司 | 一种基于深度学习和全局差异性信息的表面缺陷检测方法 |
CN116257406A (zh) * | 2023-03-15 | 2023-06-13 | 湖南华彩伟业网络科技有限公司 | 用于智慧城市的网关数据管理方法及其*** |
CN116503376A (zh) * | 2023-05-12 | 2023-07-28 | 深圳市顺安钢纤复合制件有限公司 | 生态挡土墙砌块及其智能化制备方法 |
CN117218127A (zh) * | 2023-11-09 | 2023-12-12 | 吉林大学 | 超声内镜辅助监测***及方法 |
-
2024
- 2024-02-01 CN CN202410143227.5A patent/CN117676099B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116257406A (zh) * | 2023-03-15 | 2023-06-13 | 湖南华彩伟业网络科技有限公司 | 用于智慧城市的网关数据管理方法及其*** |
CN116228754A (zh) * | 2023-05-08 | 2023-06-06 | 山东锋士信息技术有限公司 | 一种基于深度学习和全局差异性信息的表面缺陷检测方法 |
CN116503376A (zh) * | 2023-05-12 | 2023-07-28 | 深圳市顺安钢纤复合制件有限公司 | 生态挡土墙砌块及其智能化制备方法 |
CN117218127A (zh) * | 2023-11-09 | 2023-12-12 | 吉林大学 | 超声内镜辅助监测***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117676099A (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117676099B (zh) | 基于物联网的安全预警方法及*** | |
CN110704842A (zh) | 一种恶意代码家族分类检测方法 | |
CN116934304B (zh) | 智能配电房设备运行维护管理***及其方法 | |
CN117155706B (zh) | 网络异常行为检测方法及其*** | |
CN111523421A (zh) | 基于深度学习融合各种交互信息的多人行为检测方法及*** | |
CN117041017B (zh) | 数据中心的智能运维管理方法及*** | |
CN117784710B (zh) | 数控机床远程状态监控***及其方法 | |
CN115018012B (zh) | 一种高维度特性下的物联网时间序列异常检测方法及*** | |
CN113283414A (zh) | 行人属性识别方法、相关设备及计算机可读存储介质 | |
CN117392604A (zh) | 物联网实时信息监控管理***及方法 | |
CN117578715A (zh) | 一种电力运维智能监测预警方法、***及存储介质 | |
CN116704431A (zh) | 水污染的在线监测***及其方法 | |
CN116929815A (zh) | 基于物联网的设备工作状态监测***及其方法 | |
CN118135800B (zh) | 基于深度学习的异常交通事件精准识别告警方法 | |
CN115731513A (zh) | 基于数字孪生的智慧园区管理*** | |
CN116310563A (zh) | 一种贵金属库存的管理方法及*** | |
CN117951646A (zh) | 一种基于边缘云的数据融合方法及*** | |
CN116985793B (zh) | 基于深度学习算法的自动驾驶安全控制***及方法 | |
CN117350635A (zh) | 建筑材料出入库管理***及方法 | |
CN117485842A (zh) | 门式斗轮机轮斗横梁姿态实时监测方法及其*** | |
CN117274926A (zh) | 交通信号设备的控制方法及*** | |
CN117197746A (zh) | 基于深度学习的安全监测***及方法 | |
CN116863406A (zh) | 一种基于人工智能的智能报警安防***及其方法 | |
CN116402777A (zh) | 基于机器视觉的电力设备检测方法及*** | |
CN117689278B (zh) | 施工质量智能管理***及方法 |
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 |