CN113935643A - 一种校园安全风险防控方法、系统、设备及存储介质 - Google Patents

一种校园安全风险防控方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN113935643A
CN113935643A CN202111229976.2A CN202111229976A CN113935643A CN 113935643 A CN113935643 A CN 113935643A CN 202111229976 A CN202111229976 A CN 202111229976A CN 113935643 A CN113935643 A CN 113935643A
Authority
CN
China
Prior art keywords
campus
safety
prevention
entities
control
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.)
Pending
Application number
CN202111229976.2A
Other languages
English (en)
Inventor
张辉
遇广亮
闫鹏
李治
曹文倩
邱朝晖
马亮
姚智
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Zhongyun Education Technology Co ltd
Shandong Trusted Cloud Information Technology Research Institute
Original Assignee
Shandong Zhongyun Education Technology Co ltd
Shandong Trusted Cloud Information Technology Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Zhongyun Education Technology Co ltd, Shandong Trusted Cloud Information Technology Research Institute filed Critical Shandong Zhongyun Education Technology Co ltd
Priority to CN202111229976.2A priority Critical patent/CN113935643A/zh
Publication of CN113935643A publication Critical patent/CN113935643A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063114—Status monitoring or status determination for a person or group
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Alarm Systems (AREA)

Abstract

本发明属于风险分析技术领域，提供了一种校园安全风险防控方法、系统、设备及存储介质。该方法包括：以校园安全为核心创建实体，评估实体之间的关系，确定实体之间的关系类型，构建校园安全防控的知识图谱；基于校园风控点和人员实体，构建卷积神经网络；获取实时图像和视频数据，结合校园安全防控的知识图谱，采用训练好的卷积神经网络，预测是否存在校园安全问题；若是，则开启防控措施。

Description

一种校园安全风险防控方法、系统、设备及存储介质
技术领域
本发明属于风险分析技术领域，尤其涉及一种校园安全风险防控方法、系统、设备及存储介质。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
现有的风险防控系统的一般应用步骤：
(1)风险辨识,识别校园安全各项检查项中可能存在的风险点；
(2)风险评估，对风险点的危险进行评估分级；
(3)风险管控，采用分级管控，不同级别处理流程不同；
(4)风险公告，如果出现风险，经人工确认后启动公告程序；
(5)排查计划，根据风险安排排查巡检计划；
(6)隐患排查，提报发现的隐患；
(7)隐患处理，相应人员对隐患进行处理；
(8)隐患验收，安全负责人对隐患整改情况进行检查验收，如不合格继续整改，直至流程结束。
现有的技术方案，一般采用纸质表单或者系统，直接罗列风险检查点，然后各个学校安全负责人根据风险检查点清单，安排人工检查确认，如果发现隐患则进行处理，直至处理结果确认关闭。此种模式下，风险检查点都是教育局事先定好的，无法针对学校实际情况个性化应用，有的学校很多项不涉及，有些学校需要的项又没有，如果校园安全业务经验不足就无法有效安排安全工作和开展工作。
现有的系统，主要是在学校内人工检查，没有结合智能化巡检数据和外部数据，这种方式一方面没有与政府相关部门针对自然灾害、疫情、食品安全、周边环境等外部信息进行及时获取和突发事件进行及时上报。另一方面学校中，也无法及时将安全隐患预警出来。实际上是忽略了安全事件发生的因果关系，演变成应付上级检查的机械性工作，严重制约了学校安全工作的全面性和及时性。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种校园安全风险防控方法、系统、设备及存储介质，其采用知识图谱技术将校园安全工作的各种实体和关系进行关联，采用卷积神经网络技术进行分析，建立实时、智能化的校园安全风险防控系统。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种校园安全风险防控方法。
一种校园安全风险防控方法，包括：
以校园安全为核心创建实体，评估实体之间的关系，确定实体之间的关系类型，构建校园安全防控的知识图谱；
基于校园风控点和人员实体，构建卷积神经网络；
获取实时图像和视频数据，结合校园安全防控的知识图谱，采用训练好的卷积神经网络，预测是否存在校园安全问题；若是，则开启防控措施。
进一步地，所述构建校园安全防控的知识图谱的过程包括：
建立以校园大类、风控点和风险源的实体和关系的体系，所述风险源挂接有检查标准、引发事故类型、事故诱发原因的特征和预防办法；
按照政府级框架将省、市和区县的政府相关部门导入所述体系中；
根据校园的情况，设定包括相关风控点、风险源、安全责任人和应急预案实体，与对应实体进行关联，并导入所述体系中；
获取校园和教育局标准项调整和日常安全工作数据以及从政府部门相关数据形成实时增量更新机制；
将所述实时增量更新机制应用到所述体系中，得到校园安全防控的知识图谱。
进一步地，所述校园大类包括：组织领导与工作体系、人防物防技防、校园安全、校舍安全、消防安全、食品卫生安全、教育教学活动安全、安全教育与师生管理、接送学生车辆管理和校园周边安全。
进一步地，所述卷积神经网络训练的过程包括：
基于给定的输入向量和目标输出，采用卷积神经网络，得到输出结果；
计算所述输出结果与所述目标输出的偏量，判断所述偏量是否小于设定的阈值；若是，训练结束，固定神经网络的权值和阈值，得到训练好的卷积神经网络；
否则，计算网络层中神经元的误差，求解误差梯度，更新权值，重复得到输出结果和偏量判断的过程。
进一步地，获取实时图像和视频数据之后包括：获取实时图像的图像特征和视频数据的视频特征。
进一步地，所述采用训练好的卷积神经网络，预测是否存在校园安全问题包括：采用训练好的卷积神经网络识别提取的特征及推导事件之间的关系，从安全事件因果关系的角度，进行特征分析、卷积计算、池化和全连接推导实体之间的关系。
本发明的第二个方面提供一种校园安全风险防控系统。
一种校园安全风险防控系统，包括：
知识图谱构建模块，其被配置为：以校园安全为核心创建实体，评估实体之间的关系，确定实体之间的关系类型，构建校园安全防控的知识图谱；
网络构建模块，其被配置为：基于校园风控点和人员实体，构建卷积神经网络；
预测模块，其被配置为：获取实时图像和视频数据，结合校园安全防控的知识图谱，采用训练好的卷积神经网络，预测是否存在校园安全问题；若是，则开启防控措施。
进一步地，所述校园安全风险防控系统还包括：安装在校门口的摄像头，用于拍摄每一个通过的学生，所述摄像头将拍摄的图像发送至智能设备，所述智能设备识别出学生之后，会登记学生到校时间，统计班级出勤率，并推送学生到校的情况给学校及教育局，通过所述校园安全防控的知识图谱查找家长的手机号推送给家长学生到校的消息。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的校园安全风险防控方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的校园安全风险防控方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明一方面数据存储采用高效的知识图谱技术，方便语义理解与知识管理；另一方面采用基于图结构的卷积神经网络算法进行计算，大大节省了计算量，提高了运算性能。
本发明通过知识图谱和卷积神经网路，对校园安全防控系统进行优化和总结，进一步完善整个系统处理风险的能力和主动发现风险隐患的概率。事前，通过历史数据提高风险预测准确度与时效性；事中，能根据事件的类别和事件特点，推荐合理处置方案；事后，通过对处理过程的回溯，明确责任主体，迭代更新数据，处理概率偏差，总结提高模型的准确性。
本发明通过知识图谱将学生、学校，家庭、各级教育局、其它政府主管机构进行关联，将风控点和风险源标准、日常安全巡查任务、隐患处理流程，历史安全事件特征，应急预案等数据，从多维度进行碰撞，从而发现符合已知规律的安全事件风险，进行提前风险防控和智能化应急处理。
本发明一方面保证安全数据的全面性和及时性，另一方面使用新技术降低数据关联分析预测模型的数据准备和运算时间，从而达到实时、智能化的目标。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明示出的校园安全风险防控方法的流程图；
图2是本发明示出的卷积神经网络的训练过程图；
图3是本发明示出的知识图谱-上放学管理图；
图4是本发明示出的知识图谱-消防安全图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。
实施例一
如图1所示，本实施例提供了一种校园安全风险防控方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。本实施例中，该方法包括以下步骤：
以校园安全为核心创建实体，评估实体之间的关系，确定实体之间的关系类型，构建校园安全防控的知识图谱；
基于校园风控点和人员实体，构建卷积神经网络；
获取实时图像和视频数据，结合校园安全防控的知识图谱，采用训练好的卷积神经网络，预测是否存在校园安全问题；若是，则开启防控措施。
下面对本实施例的技术方案进行详细阐述，并结合示意图进行说明。
本实施例分为三个部分，一是校园安全风险防控体系知识图谱的建立和检索，二是应用图卷积神经网络技术识别提取的特征及推导事件之间的关系，三是结合实际的数据进行预警和事件处理。
一.基于单个校园10大类，70个风控点，310个风险源为主干的校园级风险管理框架，基于省市区县学校四级纵向到底，13个政府部门横向贯通的政府级风险管理框架。对学校日常产生的安全工作数据和学校外部安全相关信息进行整合。为学校和政府的安全工作提供全面的数据支持。
本发明知识图谱的构建过程，以山东省为例如下图所示：
建立校园大类，风控点，风险源的实体和关系体系，风险源都挂接有检查标准，引发事故类型，事故诱发原因的特征，预防办法等信息；
按照政府级框架将山东省教育厅，17地市教育局及政府相关部门，100多区县教育局及政府相关部门，3万多所的学校导入知识图谱；
给每所学校按照校级框架初始化10大类70个风控点310风险源数据，
导入全省摸排的学校情况数据，根据学校设定相关风控点和风险源，安全责任人，应急预案等信息，对每个学校数据进行裁剪和补充；
从政府部门和互联网获取的区域或学校相关信息导入系统，与对应实体进行关联。
将学校和教育局标准项调整、日常安全工作数据和从政府部门、互联网获取数据形成实时增量更新机制。
其中校园级框架包括10大类，分别为：组织领导与工作体系、人防物防技防、校园安全、校舍安全、消防安全、食品卫生安全、教育教学活动安全、安全教育与师生管理、接送学生车辆管理和校园周边安全。
上面10大类里包括70个风控点。
具体的，组织领导与工作体系包括的风控点有：安全职责管理、安全管理制度建设、应急预案执行、应急预案建设、应急队伍建设和安全工作体系建设。
人防物防技防包括的风控点有：专职保安、安保器械、监控设施、门卫值班、上下学管理、外来人员管理、网络信息安全、体育娱乐设施和校舍外墙高空坠物。
校园安全包括的风控点有：校内施工安全、景观工程、树木、宣传栏、板报栏、旗杆、其他和校内车辆安全管理。
校舍安全包括的风控点有：通用安全、教室、宿舍、办公室、图书馆、实验室、财务室、厕所和其他用房。
校舍安全包括的风控点有：消防设施、消防通道、宿舍消防、教室消防、办公室消防、图书馆消防、微机室消防和食堂消防。
食品卫生安全包括的风控点有：食堂安全、食品储存加工安全、工作人员、饮水安全、校内超市、健康档案和卫生保健机构及人员。
教育教学活动安全包括的风控点有：课堂教学、实验课、体育课、运动会、课间课外活动和实习实训。
安全教育与师生管理包括的风控点有：安全文化建设、安全教育知识与心理健康教育、假期安全教育、应急演练、管制刀具危险物品排查、宿舍管理、矛盾排查、教职工准入和退出管理、教职工岗位安全责任制度和安全培训和日常行为管理。
接送学生车辆管理包括的风控点有：校车安全、其他车辆和不良成长环境。
校园周边安全包括的风控点有：交通秩序、学校院墙及相邻建筑物、建筑施工工地和威胁安全高危场所。
政府级框架，包括：纵向到底，省教育厅，地市教育局，区县教育局，中小学、幼儿园学校。横向贯通，食品药品监督管理，交通运输管理部门，住房和城乡建设部门，卫生健康部门，交通管理部门，消防部门，应急管理部门，工商部门，广播电视部门，新闻出版部门，园林部门。
本发明建立的知识图谱的图数据库。
二.应用图卷积神经网络技术识别提取的特征及推导事件之间的关系，从安全事件因果关系的角度，进行特征分析，卷积计算，池化，全连接推导实体之间的关系。
校园风险防控体系推荐场景，体系中各个节点以及它们之间的关系，学校、风控点、风险源、安全隐患、安全事件、安全工作(预防措施)都是节点，风险源与预防措施之间的关系是自动巡检或人工巡检，风险源与安全隐患之间的关系是产生。通过这样一个空间结构图，可以分析学校跟什么风险源、什么安全事件相关，什么安全工作能发现什么隐患，进一步实现安全工作计划推荐机制。
分析特征，如果我们要建立一个预警规则，要看这个风险源的所在学校是否存在安全隐患级别如何、外部是否存在诱发因素影响度如何，如果这些特征信息综合分析后，那么系统就会判定针对这个学校风险源的安全事件就存在一定的发生风险。通过对这样的结构进行图卷积，我们可以用来做事件预警，这是对图节点特征信息的应用。
分析结构，如果某段时间某个安全隐患节点的连接节点非常多，也就是说从某个安全隐患节点延伸出来的边非常多，那么系统会判定这个地区存在大规模发生的风险。这是对图节点结构信息的应用。
在本实施例中，参考Zero-Shot Action Recognition via Two-Stream GraphConvolutional Networks and Knowledge Graphs论文中GCN框架的处理，对分类器分支和实例分支通过GCN编码对知识图谱-知识空间中的行为-属性，行为- 行为和属性-属性之间的关系进行建模。学习的分类器(分类器分支)可以以端到端的方式有效地评估每个视频的生成的属性特征(实例分支)。
本实施例采用的卷积神经网络训练过程如2，具体过程如下：
网络进行权值的初始化；
输入数据经过卷积层、下采样层、全连接层的向前传播得到输出值；
求出网络的输出值与目标值之间的误差；
当误差大于设定的期望值时，将误差传回网络中，依次求得全连接层，下采样层，卷积层的误差。各层的误差可以理解为对于网络的总误差，网络应承担多少；当误差等于或小于设定的期望值时，结束训练。
根据求得误差进行权值更新。然后在进入到第二步。
三.结合实际的数据进行预警和事件处理，可以根据智能人脸设备，智能安防摄像头，智能感应器等设备采集数据，实时分析，识别特征，发现安全隐患，及时通知相关人员进行处理。
例如，在学校安全的上放学安全管理中，通过在校门口安装的智能人脸识别设备，来对每一个通过的学生进行拍照，智能设备识别出学生之后，会登记学生到校时间，统计班级出勤率，并推送学生到校的情况给学校及教育局，通过知识网络查找家长的手机号推送给家长学生到校的消息。在这过程中，会根据出勤率，出勤时间，天气情况等，更新校门周边安全事件发生的概率并实时推送处理人。如图3所示。
例如，校园智能监控设备监控校园整体环境，针对风险源实时监控，如果抓拍到的图片和视频中，提取到了安全风险相关的特征值，就会通过知识图谱调查找实体之间的关系和属性，进行下一步处理，记录风险流程，更新风险发生的概率。实际中，设备识别到火焰的特征值，并比对特征库发现着火点和位置，会立即启动应急预案并发出警报，通过校园广播通知保安和责任人，通知相关老师和学生安全疏散，然后通过学校通知上级教育部门和周边的消防局，并及时推送给家长相关消息；风险处理完成之后，记录事件数据，更新风险模型及概率，更新模型偏差值。如图4所示。
本实施例通过知识图谱和卷积神经网路，对校园安全防控系统进行优化和总结，进一步完善整个系统处理风险的能力和主动发现风险隐患的概率。事前，通过历史数据提高风险预测准确度与时效性；事中，能根据事件的类别和事件特点，推荐合理处置方案；事后，通过对处理过程的回溯，明确责任主体，迭代更新数据，处理概率偏差，总结提高模型的准确性。
本实施例采用知识图谱技术建立校园安全风险防控体系，将安全相关的实体和关系充分标识。
本实施例采用基于图结构的卷积神经网络算法进行综合分析，预测发生概率高的安全事件，以风险源为单元，充分考量安全事件发生的内外部各种因素。
本实施例根据视频及图片提取的特征，结合事件和实体属性为依据，推导校园安全事件发生的概率，以及相关联动处理安全防控事件的机制及方法。
实施例二
本实施例提供了一种校园安全风险防控系统。
一种校园安全风险防控系统，包括：
知识图谱构建模块，其被配置为：以校园安全为核心创建实体，评估实体之间的关系，确定实体之间的关系类型，构建校园安全防控的知识图谱；
网络构建模块，其被配置为：基于校园风控点和人员实体，构建卷积神经网络；
预测模块，其被配置为：获取实时图像和视频数据，结合校园安全防控的知识图谱，采用训练好的卷积神经网络，预测是否存在校园安全问题；若是，则开启防控措施。
作为一种或多种实施方式，所述校园安全风险防控系统还包括：安装在校门口的摄像头，用于拍摄每一个通过的学生，所述摄像头将拍摄的图像发送至智能设备，所述智能设备识别出学生之后，会登记学生到校时间，统计班级出勤率，并推送学生到校的情况给学校及教育局，通过所述校园安全防控的知识图谱查找家长的手机号推送给家长学生到校的消息。
此处需要说明的是，上述知识图谱构建模块、网络构建模块和预测模块与实施例一中的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的校园安全风险防控方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的校园安全风险防控方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory， ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种校园安全风险防控方法，其特征在于，包括：
以校园安全为核心创建实体，评估实体之间的关系，确定实体之间的关系类型，构建校园安全防控的知识图谱；
基于校园风控点和人员实体，构建卷积神经网络；
获取实时图像和视频数据，结合校园安全防控的知识图谱，采用训练好的卷积神经网络，预测是否存在校园安全问题；若是，则开启防控措施。
2.根据权利要求1所述的校园安全风险防控方法，其特征在于，所述构建校园安全防控的知识图谱的过程包括：
建立以校园大类、风控点和风险源的实体和关系的体系，所述风险源挂接有检查标准、引发事故类型、事故诱发原因的特征和预防办法；
按照政府级框架将省、市和区县的政府相关部门导入所述体系中；
根据校园的情况，设定包括相关风控点、风险源、安全责任人和应急预案实体，与对应实体进行关联，并导入所述体系中；
获取校园和教育局标准项调整和日常安全工作数据以及从政府部门相关数据形成实时增量更新机制；
将所述实时增量更新机制应用到所述体系中，得到校园安全防控的知识图谱。
3.根据权利要求2所述的校园安全风险防控方法，其特征在于，所述校园大类包括：组织领导与工作体系、人防物防技防、校园安全、校舍安全、消防安全、食品卫生安全、教育教学活动安全、安全教育与师生管理、接送学生车辆管理和校园周边安全。
4.根据权利要求1所述的校园安全风险防控方法，其特征在于，所述卷积神经网络训练的过程包括：
基于给定的输入向量和目标输出，采用卷积神经网络，得到输出结果；
计算所述输出结果与所述目标输出的偏量，判断所述偏量是否小于设定的阈值；若是，训练结束，固定神经网络的权值和阈值，得到训练好的卷积神经网络；
否则，计算网络层中神经元的误差，求解误差梯度，更新权值，重复得到输出结果和偏量判断的过程。
5.根据权利要求1所述的校园安全风险防控方法，其特征在于，获取实时图像和视频数据之后包括：获取实时图像的图像特征和视频数据的视频特征。
6.根据权利要求1所述的校园安全风险防控方法，其特征在于，所述采用训练好的卷积神经网络，预测是否存在校园安全问题包括：采用训练好的卷积神经网络识别提取的特征及推导事件之间的关系，从安全事件因果关系的角度，进行特征分析、卷积计算、池化和全连接推导实体之间的关系。
7.一种校园安全风险防控系统，其特征在于，包括：
知识图谱构建模块，其被配置为：以校园安全为核心创建实体，评估实体之间的关系，确定实体之间的关系类型，构建校园安全防控的知识图谱；
网络构建模块，其被配置为：基于校园风控点和人员实体，构建卷积神经网络；
预测模块，其被配置为：获取实时图像和视频数据，结合校园安全防控的知识图谱，采用训练好的卷积神经网络，预测是否存在校园安全问题；若是，则开启防控措施。
8.根据权利要求7所述的校园安全风险防控系统，其特征在于，所述校园安全风险防控系统还包括：安装在校门口的摄像头，用于拍摄每一个通过的学生，所述摄像头将拍摄的图像发送至智能设备，所述智能设备识别出学生之后，会登记学生到校时间，统计班级出勤率，并推送学生到校的情况给学校及教育局，通过所述校园安全防控的知识图谱查找家长的手机号推送给家长学生到校的消息。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的校园安全风险防控方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的校园安全风险防控方法中的步骤。
CN202111229976.2A 2021-10-19 2021-10-19 一种校园安全风险防控方法、系统、设备及存储介质 Pending CN113935643A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111229976.2A CN113935643A (zh) 2021-10-19 2021-10-19 一种校园安全风险防控方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111229976.2A CN113935643A (zh) 2021-10-19 2021-10-19 一种校园安全风险防控方法、系统、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113935643A true CN113935643A (zh) 2022-01-14

Family

ID=79283656

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111229976.2A Pending CN113935643A (zh) 2021-10-19 2021-10-19 一种校园安全风险防控方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113935643A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115099631A (zh) * 2022-06-27 2022-09-23 中南民族大学 基于异构图注意力网络的文物安防系统风险评估方法
WO2023179176A1 (zh) * 2022-03-23 2023-09-28 支付宝(杭州)信息技术有限公司 更新知识图谱的方法及装置
CN118014371A (zh) * 2024-04-07 2024-05-10 青岛酒店管理职业技术学院 基于信息共享的校园安全服务方法及系统
CN118133156A (zh) * 2024-03-21 2024-06-04 广州翌拓软件开发有限公司 用于校园风险监控的物联网数据处理方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023179176A1 (zh) * 2022-03-23 2023-09-28 支付宝(杭州)信息技术有限公司 更新知识图谱的方法及装置
CN115099631A (zh) * 2022-06-27 2022-09-23 中南民族大学 基于异构图注意力网络的文物安防系统风险评估方法
CN115099631B (zh) * 2022-06-27 2023-10-13 中南民族大学 基于异构图注意力网络的文物安防系统风险评估方法
CN118133156A (zh) * 2024-03-21 2024-06-04 广州翌拓软件开发有限公司 用于校园风险监控的物联网数据处理方法及系统
CN118133156B (zh) * 2024-03-21 2024-08-06 广州翌拓软件开发有限公司 用于校园风险监控的物联网数据处理方法及系统
CN118014371A (zh) * 2024-04-07 2024-05-10 青岛酒店管理职业技术学院 基于信息共享的校园安全服务方法及系统

Similar Documents

Publication Publication Date Title
CN113935643A (zh) 一种校园安全风险防控方法、系统、设备及存储介质
Jain et al. An integrating framework for modeling and simulation for incident management
Haghani et al. A roadmap for the future of crowd safety research and practice: Introducing the Swiss Cheese Model of Crowd Safety and the imperative of a Vision Zero target
Perera et al. Evaluation of gaps in early warning mechanisms and evacuation procedures for coastal communities in Sri Lanka
Hasan et al. Social assessment of community resilience to earthquake in Old Dhaka
Rothkrantz Flood control of the smart city Prague
Stewart et al. Revisiting STREMII: Social media crisis communication during Hurricane Matthew
Kamissoko et al. Improved model for continuous, real-time assessment and monitoring of the resilience of systems based on multiple data sources and stakeholders
Rodríguez-Espíndola et al. Achieving agility in evacuation operations: an evidence-based framework
Mattioli et al. A crisis response situation model
Korka et al. The protection of natural and cultural heritage monuments, museums and archives from risks: Bridging artificial intelligence, risk assessment and stakeholders
Haghani et al. Contemporary challenges in crowd safety research and practice, and a roadmap for the future: The Swiss Cheese Model of Crowd Safety and the need for a Vision Zero target
Ellingwood et al. The role of performance-based engineering in achieving community resilience: A first step
Sharma et al. Statistical and Machine Learning Models for Predicting Fire and Other Emergency Events
Fischer-Preßler Towards Effective Use of Technology-Enabled Systems in Emergency Management and Crisis Situations
Rothkrantz et al. Information system supporting the management of a flooding crisis in the city of Prague
Asgary et al. Simulating campus evacuation: case of york university
Dupepe et al. Emergency Response and Management
Mousavi et al. Analysis of the Human Behavior trapped in the Fire Hazards based on Protective Action Decision Model [PADM](Case Study: Office high-rise buildings in Tehran)
Isni et al. Community Participation to Promote Disaster Risk Reduction in Yogyakarta, Indonesia: A Qualitative Study
Amirgaliyev et al. Development of a systematic approach and mathematical support for the evacuation process
Bonati Disaster vulnerability knowledge base–A consolidated understanding of disaster vulnerability in social media and crowdsourcing, funded by the European Union’s Horizon 2020 Research and Innovation Programme (No. 883490)
Nurmandi et al. Comparing cross-sectoral governance in managing post-disaster in Indonesia
Nagarajan An operational research-based integrated approach for mass evacuation planning of a city
Kim Innovating inter-governmental collaboration for smart emergency response system

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