CN115641236A - 一种基于大数据的校园智能安全管理系统 - Google Patents
一种基于大数据的校园智能安全管理系统 Download PDFInfo
- Publication number
- CN115641236A CN115641236A CN202211210779.0A CN202211210779A CN115641236A CN 115641236 A CN115641236 A CN 115641236A CN 202211210779 A CN202211210779 A CN 202211210779A CN 115641236 A CN115641236 A CN 115641236A
- Authority
- CN
- China
- Prior art keywords
- module
- data
- students
- processing module
- evaluation
- 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
Links
- 238000012545 processing Methods 0.000 claims abstract description 75
- 238000011156 evaluation Methods 0.000 claims abstract description 62
- 238000004458 analytical method Methods 0.000 claims abstract description 41
- 230000008451 emotion Effects 0.000 claims abstract description 29
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 39
- 238000000034 method Methods 0.000 claims description 35
- 230000006399 behavior Effects 0.000 claims description 15
- 230000010485 coping Effects 0.000 claims description 13
- 238000012502 risk assessment Methods 0.000 claims description 13
- 230000002996 emotional effect Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 238000000546 chi-square test Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000012353 t test Methods 0.000 claims description 5
- 238000012352 Spearman correlation analysis Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 101100477520 Homo sapiens SHOX gene Proteins 0.000 claims description 3
- 102000048489 Short Stature Homeobox Human genes 0.000 claims description 3
- 108700025071 Short Stature Homeobox Proteins 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 abstract description 2
- 238000011835 investigation Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 206010001488 Aggression Diseases 0.000 description 1
- 206010020400 Hostility Diseases 0.000 description 1
- 206010022998 Irritability Diseases 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的校园智能安全管理系统，包括处理模块、采集模块、评估模块及数据模块，处理模块为以大数据为基础的计算机服务平台，且处理模块用于对采集模块采集的数据、评估模块评估的数据进行分析，采集模块由摄像头、拾音器、智能卡三类构成。本发明通过情绪分析识别技术对采集模块进行控制，能够有效发现异常情况并进行及时预警，使得采集模块能够快速从人群中识别出学生身份，并根据日常表现进行评分，避免其在学校中实施校园暴力，使得弱势学生得到及时进行救护和帮助，有效提升学校的安全性。
Description
技术领域
本发明涉及校园智能安全管理技术，具体涉及一种基于大数据的校园智能安全管理系统。
背景技术
校园安全一致是学校和家长非常关注的问题。学生在安全的环境中才能健康生活和学习。但是校园暴力、校园意外还是会屡屡发生，加强校园安全的需求刻不容缓。
如授权公告号为CN111583075A，授权公告日为20200825的一种校园安全教育管理系统，包括：服务器端、移动终端。服务器端包括：平台服务管理模块、高校系统管理模块、高校安全教育门户网站模块、高校校园110工作管理模块、高校心理咨询管理模块。平台服务管理模块为平台运行商提供平台运行管理；高校系统管理模块为高校提供内部管理服务；高校安全教育门户网站模块为师生提供安全教育力知识；高校校园110工作管理模块提供校园接报警处置管理功能；高校心理咨询管理模块提供心理咨询服务。移动终端为学生端提供校园安全教育服务、为管理员端调度安保人员执行安保处理动作。与现有技术相比，本发明能够实现提升师生安全学生的积极性、以及提高校园保卫人员处置事件的便捷性与准确性的目的。
上述以及在现有技术中的校园安全管理一般采用传统监控方式进行监控管理，但现有传统监控仅能事后作为证据，而无法提前预警，导致学校往往在有学生受伤时进行处理，无法提高学校的安全性，因此亟需设计一种基于大数据的校园智能安全管理系统解决上述问题。
发明内容
本发明的目的是提供一种基于大数据的校园智能安全管理系统，以解决现有技术中的上述不足之处。
为了实现上述目的，本发明提供如下技术方案：
一种基于大数据的校园智能安全管理系统，包括管理端，所述管理端由处理模块、采集模块、评估模块及数据模块构成，所述评估模块对学生进行评估，且将评估结果输入到数据模块中，所述处理模块能根据分析数据模块的结果控制采集模块运作，并获得需要加强监督的目标人群；
所述采集模块能在处理模块控制下对目标人群进行数据采集，且采集的数据会通过存入数据模块，所述处理模块会对数据模块中采集模块采集的数据进行分析，且处理模块会根据分析结果通过网络将信息发送给教师端，所述处理模块为以大数据为基础的计算机服务平台，且处理模块用于对采集模块采集的数据、评估模块评估的数据进行安全分析；
同时采集模块还用于目标人群的情绪分析识别。
进一步地，具体的安全分析步骤：
S11、先根据学生的学号对学生编号，而后再通过评估模块对学生及家庭环境进行测试与调查；
S12、评估结束后将评估信息输入数据模块与处理模块中进行存储与分析，获取目标人群；
S13、分析时应用卡方检验、t检验、Mann.WhitneyU非参数检验、 Spearman相关分析、Logistic回归统计学方法进行初次数据处理；
S14、初次数据处理后通过高斯分布图表示出来，之后在通过精算模式的风险评估法对处理的数据进行再次分析，从而得到更为精确的测试结果；
S15、初次数据处理后通过高斯分布图表示出来，之后在通过精算模式的风险评估法对处理的数据进行再次分析，从而得到更为精确的测试结果；
S16、测试结果存入数据模块，而且处理模块根据评估模块测试的结果会控制采集模块运作，使得采集模块对目标人群进行数据采集及评分，同处理模块会将测试信息与日常采集信息发送给教师端，使得教师对目标人群进行关注与教育。
进一步地，所述处理模块通过图像特征提取提取的方式对采集模块采集的图像进行情绪分析识别，通过分析学生往期情绪图像获取情绪特征图，然后对实时采集的图像进行特征提取，方式如下：
S21、图像进行灰度化，Gamma矫正，重叠快归一化，分块预处理。分割图像HOG的图像分割策略，采用non-overlap，Overlap指的是分割出的区块，提取完HOG特征之后会分析接下来的分类效果；
S22、将图像分割后，接下来就要计算每个patch的方向梯度直方图，对该patch进行卷积，然后利用下面公式得到每个像素点处的梯度方向和幅值，公式如下：
Gx(x，y)＝I(x+1，y)-I(x-1，y)
Gy(x，y)＝I(x，y+1)-I(x，y-1)
Gx和Gy代表水平和垂直方向的梯度值，M(x,y)代表梯度的幅值，θ(x,y)代表梯度方向；
S23、组成特征，将每个patch中提取出的小HOG特征首位相连，组成一个大的一维向量，这就是最终的图像特征，将这个特征送到分类器中训练例如有16个patch,则有16*12＝192维长度的特征，改进的HOG与 pyramid相结合，即PHOG，对一幅图像进行不同尺度的分割，然后计算每个尺度中patch的小HOG，最后将他们连成一个很长的一维向量作为特征，将不同尺度上获得的HOG特征归一化获得情绪特征点，将情绪特征点与情绪特征图进行比对，获得当前学生的情绪状态。
进一步地，所述处理模块采用精算模式的风险评估法使用迭代分级树法来评估预测学生的行为，且迭代分级树法是综合各类变量把评估对象重新分类，之后再重新组合评估变量进一步把评估对象从高风险到低风险分级，最后逐步确定高风险对象，所述分类时新变量分为个性变量、背景变量、临床变量及经历变量。
进一步地，所述采集模块由摄像头、拾音器、智能卡中的一种或多种组成，所述摄像头、拾音器设置在校园走道、或教室、或图书馆的指定区域，所述处理模块会优先对目标人群进行情绪分析识别。
所述处理模块采用的情绪分析识别技术通过摄像头对学生识别，且通过拾音器对学生谈话的声音进行识别，所述处理模块通过智能卡对学生的位置进行监测。
进一步地，所述评估模块的测试手段包括：心理测试、人际关系调查、社会环境调查中的一种或多种，所述数据模块用于存储采集模块、评估模块收集及处理模块处理的数据，且数据模块会通过处理模块的分析对数据进行分类归纳，所述处理模块采用精算模式的风险评估法对收纳于数据模块的学生数据进行分析，所述处理模块能结合学生往期情绪数据分析后对学生行为进行预警。
进一步地，所述评估模块的测试方式包括：一般性情况问卷、Barratt 冲动性量表、Buss-Perry攻击性量表、自尊量表、简易应对方式问卷、青少年生活事件量表、家庭环境量表、社会支持评定量表、状态-特质愤怒表达问卷、教师问卷中的一种或多种，所述评估模块通过计算机、纸质文件对学生、教师端进行测试，且在测试通过学生编号对学生填写的文件进行编号；
所述一般性问卷采集的信息包括人口学资料、家庭基本情况、家庭结构、父母婚姻状况、父母受教育程度、与父母关系、学生自评暴力相关行为史中的一种或多种；
所述教师问卷由教师端的老师负责填写，教师问卷评估的内容包括：学生课堂表现、往期肢体冲突记录、往期冲动行为记录、同学评价记录的一种或多种。。
在上述技术方案中，本发明提供的一种基于大数据的校园智能安全管理系统；
(1)本发明通过情绪分析识别技术对采集模块进行控制，能够有效发现异常情况并进行及时预警，使得采集模块能够快速从人群中识别出学生身份，并根据日常表现进行评分，同时采集模块对重点学生会进行重点关注，避免其在学校中实施校园暴力，而且还会对弱势学生也进行重点关注，使得弱势学生得到及时进行救护和帮助，有效提升学校的安全性；
(2)本发明所设计的评估模块，评估模块对学生的心理状态进行测试，使得教师了解学生的心理状态，使得教师重点关注心理出问题的学生，降低学生产生暴力的风险；
(3)本发明所设计的处理模块，处理模块应用卡方检验、t检验、 Mann.WhitneyU非参数检验、Spearman相关分析、Logistic回归统计学方法进行数据处理，之后再通过精算模式的风险评估法对学生的评估信息进行二次精细化分析处理，从而更加精确的得到对学生的评估结果，使得该管理系统准确的对学生进行监测。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还根据这些附图获得其他的附图。
图1为本申请的一种实施例提供的立体结构示意图；
图2为本申请的一种实施例的评估模块分类示意图；
图3为本申请的一种实施例的干预方法流程图；
图4为本申请的一种实施例的运作流程图。
具体实施方式
下面结合具体实施例对本发明做进一步详细说明。下面所列举的具体实施例为是示例性的而非限制性的，以下具体实施例中的术语“包括”和“具有”以及它们的常规变形表达方式，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。凡是依据本申请的技术实质对以下具体实施例所作的任何细微修改、等同替换和改进，均应包含在本申请技术方案的保护范围之内。
如图1-4所示
实施例1
本发明实施例提供的一种基于大数据的校园智能安全管理系统，包括管理端，管理端由处理模块、采集模块、评估模块及数据模块构成，评估模块对学生进行评估，且将评估结果输入到数据模块中，处理模块能根据分析数据模块的结果控制采集模块运作，并获得需要加强监督的目标人群；
采集模块能在处理模块控制下对目标人群进行数据采集，且采集的数据会通过存入数据模块，处理模块会对数据模块中采集模块采集的数据进行分析，且处理模块会根据分析结果通过网络将信息发送给教师端，处理模块为以大数据为基础的计算机服务平台，且处理模块用于对采集模块采集的数据、评估模块评估的数据进行安全分析；
同时采集模块还用于目标人群的情绪分析识别。
具体的安全分析步骤：
S11、先根据学生的学号对学生编号，而后再通过评估模块对学生及家庭环境进行测试与调查；
S12、评估结束后将评估信息输入数据模块与处理模块中进行存储与分析，获取目标人群；
S13、分析时应用卡方检验、t检验、Mann.WhitneyU非参数检验、 Spearman相关分析、Logistic回归统计学方法进行初次数据处理；
S14、初次数据处理后通过高斯分布图表示出来，之后在通过精算模式的风险评估法对处理的数据进行再次分析，从而得到更为精确的测试结果；
S15、初次数据处理后通过高斯分布图表示出来，之后在通过精算模式的风险评估法对处理的数据进行再次分析，从而得到更为精确的测试结果；
S16、测试结果存入数据模块，而且处理模块根据评估模块测试的结果会控制采集模块运作，使得采集模块对目标人群进行数据采集及评分，同处理模块会将测试信息与日常采集信息发送给教师端，使得教师对目标人群进行关注与教育。
实施例2
处理模块通过图像特征提取提取的方式对采集模块采集的图像进行情绪分析识别，通过分析学生往期情绪图像获取情绪特征图，然后对实时采集的图像进行特征提取，方式如下：
S21、进行灰度化，Gamma矫正，重叠快归一化，分块预处理。分割图像HOG的图像分割策略，采用non-overlap，Overlap指的是分割出的区块，提取完HOG特征之后会分析接下来的分类效果；
需要说明的是进行灰度化，Gamma矫正，重叠快归一化，分块预处理。分割图像HOG的图像分割策略，一般来说有overlap和non-overlap两种， Overlap指的是分割出的区块(patch，是任意尺度的)互相交叠，有重合的区域，non-overlap没有重合的区域，overlap：防止对一些物体的分割，以眼睛为例，如果分割的时候正好把眼睛从中间切割并分到两个patch中，提取完HOG特征之后会影响接下来的分类效果，但是如果两个patch之间有重叠，那么至少有一个patch会有完整的眼睛，overlap的缺点是计算量大，因为重叠区域的像素需要重复计算。Non-overlap优点是计算量小，缺点是会将一个连续的物体分隔开。
S22、将图像分割后，接下来就要计算每个patch的方向梯度直方图。 A：利用任意一种梯度算子的核，例如sobel,laplacian，对该patch进行卷积，然后利用下面公式得到每个像素点处的梯度方向和幅值，公式如下：
Gx(x，y)＝I(x+1，y)-I(x-1，y)
Gy(x，y)＝I(x，y+1)-I(x，y-1)
Gx和Gy代表水平和垂直方向的梯度值，M(x,y)代表梯度的幅值，θ(x,y)代表梯度方向；
S23、组成特征，将每个patch中提取出的小HOG特征首位相连，组成一个大的一维向量，这就是最终的图像特征，将这个特征送到分类器中训练例如有16个patch,则有16*12＝192维长度的特征，改进的HOG与 pyramid相结合，即PHOG，对一幅图像进行不同尺度的分割，然后计算每个尺度中patch的小HOG，最后将他们连成一个很长的一维向量作为特征，不同尺度上获得的HOG特征必须对其归一化获得情绪特征点，将情绪特征点与情绪特征图进行比对，获得当前学生的情绪状态。
本发明提供的再一个实施例中，处理模块采用精算模式的风险评估法使用迭代分级树法来评估预测学生的行为，且迭代分级树法是综合各类变量把评估对象重新分类，之后再重新组合评估变量进一步把评估对象从高风险到低风险分级，最后逐步确定高风险对象，分类时新变量分为个性变量、背景变量、临床变量及经历变量。
本发明提供的再一个实施例中，精算模式的风险评估法使用迭代分级树法来评估预测学生的行为，且迭代分级树法是综合各类变量把评估对象重新分类，之后再重新组合评估变量进一步把评估对象从高风险到低风险分级，最后逐步确定高风险对象的方法，分类时新变量分为个性变量、背景变量、临床变量及经历变量
本发明提供的再一个实施例中，采集模块由摄像头、拾音器、智能卡中的一种或多种组成，摄像头、拾音器设置在校园走道、或教室、或图书馆的指定区域，处理模块会优先对目标人群进行情绪分析识别。
需要说明的是智能卡具有支付、身份认证、定位、门禁、借记卡功能，采集模块采集的对象为学生、教师、校内工作人员及校外人员，处理模块会通过情绪分析识别技术对采集模块进行控制，且用于对重点人员进行采集。
处理模块采用的情绪分析识别技术通过摄像头对学生识别，且通过拾音器对学生谈话的声音进行识别，处理模块通过智能卡对学生的位置进行监测。
需要说明的是，处理模块预警后会通过网络向教师端发送信息使得教师进行干预，且干预时根据学生情况采用平衡模式、认知模式和心理社会转变模式三种模式进行干预，平衡模式适合于早期干预，且主张帮助个体改变情绪或心理的失衡状态，认知模式认为通过改变思维方式个体能够获得对自己生活中的危机控制，心理社会转变模式主张结合内部应付方式、社会支持和环境资源帮助个体获得对自己生活的自主控制，而且在干预时通过以下步骤进行干预：
第一，确认具有暴力风险的个体；
第二，介入，运用核心倾听技术、同情、理解、真诚、接纳以及尊重围绕个体的暴力风险因素如愤怒情绪介入；
第三，危险性分析，结合个体暴力行为史、应激状态、负向情绪、社会支持、特质应对、人格进行危险程度的分析；
第四，提出应对方式和干预计划；
第五，承诺，获得个体对干预计划的认同和承诺。
本发明提供的再一个实施例中，评估模块的测试手段包括：心理测试、人际关系调查、社会环境调查中的一种或多种，数据模块用于存储采集模块、评估模块收集及处理模块处理的数据，且数据模块会通过处理模块的分析对数据进行分类归纳，处理模块采用精算模式的风险评估法对收纳于数据模块的学生数据进行分析，处理模块能结合学生往期情绪数据分析后对学生行为进行预警。
本发明提供的再一个实施例中，评估模块的测试方式包括：一般性情况问卷、Barratt冲动性量表、Buss-Perry攻击性量表、自尊量表、简易应对方式问卷、青少年生活事件量表、家庭环境量表、社会支持评定量表、状态-特质愤怒表达问卷、教师问卷中的一种或多种，评估模块通过计算机、纸质文件对学生、教师端进行测试，且在测试通过学生编号对学生填写的文件进行编号；
具体的本实施例中，一般问卷采用自编，且用于采集的信息包括人口学资料、家庭基本情况、家庭结构、父母婚姻状况、父母受教育程度、与父母关系)、学生自评暴力相关行为史，Barratt冲动性量表、Buss-Perry攻击性量表、自尊量表、简易应对方式问卷、青少年生活事件量表、家庭环境量表、社会支持评定量表、状态-特质愤怒表达问卷均采用已有心理测量表格，教师问卷由教师端负责填写，且评估的内容包括：目击过参与校内外肢体冲突的学生、听说过参与校内外肢体冲突的学生、平时观察容易冲动的学生及一部分人格测试表格。
需要说明的是需要说明的是，Barratt冲动性量表该量表共30个条目，每个条目按1-4(不同频率)计分。本研究中使用该量表来筛选冲动性攻击行为。国外文献中将74分定为分界值；
Buss-Perry攻击性量表中文版共30个条目，每个条目为5分制，包括 5个分量表，分别为身体攻击、言语攻击、愤怒、敌意和指向自我的攻击性；
自尊量表共10个条目，分四级评分，1-4分从“非常符合”到“很不符合”共四个级；
简易应对方式问卷共20个条目，由积极应对和消极应对两个维度(分量表)组成。积极应对维度由条目1-12组成，重点反映了积极应对的特点；消极应对维度由条目13-20组成，重点反映了消极应对的特点。问卷为自评量表，采用多级评分，在每一对应的应对方式项目后，列有“不采用”、“偶尔采用”、“有时采用”“经常采用”4种选择(相应评分为0、1、2、3)，由受试者根据自己情况选择好一种作答；
青少年生活事件量表由27项可能给青少年带来心理反应的负性生活事件构成，包括“人际关系”，“学习压力”，“受惩罚”，“丧失”，“健康适应”和“其他”共六项因子。填写量表时注意，如果时间未发生过则选择未发生，若发生过则根据事件发生时的心理感受分5级评定，即无影响、轻度、中度、重度或极重度。累积各事件评分为总应激量，得分越高表明各事件的总应激量越高。同时也可分别计算六个因子的得分进行分析；
家庭环境量表为10个分量表，分别评价10个不同的家庭社会和环境特征。所有项目按选择的答案来评分，若回答“是”评“1”分，若回答“否”则评为“2”分；
状态-特质愤怒表达问卷共有4个分量表，状态愤怒(躯体/言语愤怒、愤怒感觉)，特质愤怒(易怒气质、愤怒反应)，愤怒控制，愤怒表达(内投、外投)。每个条目均有1-4共四级评分，全量表合计32项条目，每项因子分于各条目分总和除以条目数。
一般性问卷采集的信息包括人口学资料、家庭基本情况、家庭结构、父母婚姻状况、父母受教育程度、与父母关系、学生自评暴力相关行为史中的一种或多种；
教师问卷由教师端的老师负责填写，教师问卷评估的内容包括：学生课堂表现、往期肢体冲突记录、往期冲动行为记录、同学评价记录的一种或多种。
本发明提供的再一个实施例中，评估模块包括心理测试、人际关系调查、社会环境调查三方面，数据模块用于存储采集模块、评估模块收集及处理模块处理的数据，且数据模块会通过处理模块的分析对数据进行分类归纳，处理模块采用精算模式的风险评估法对收纳于数据模块的学生数据进行分析，且分析后结合大数据分析能力对学生行为进行预警。
实施例3
在学生开学进入校园后，通过安全管理系统上的评估模块对学生的心理进行测试，此时通过计算机软件、纸质问卷对学生进行测试，而后处理模块会对评估模块测试的结果进行分析对比，此时应用卡方检验、t检验、 Mann.WhitneyU非参数检验、Spearman相关分析、Logistic回归统计学方法进行数据处理，且处理后通过高斯分布图表示出来，之后在通过精算模式的风险评估法对处理的数据进行再次分析，从而得到更为精确的测试结果，而后处理模块会将测试结果存入数据模块内部，同时处理模块根据评估模块测试的结果会控制采集模块运作，此时采集模块会根据情绪分析识别技术运作，使得摄像头、拾音器运作，从而对测试结果不好的学生或者弱势学生进行重点监控，并根据日常表现进行评分，并且根据智能卡了解学生位置信息，以便于及时找到学生，并且在测试结束后，该安全管理系统会将信息发送给教师，使得教师对学生进行干预，此时根据学生情况采用平衡模式、认知模式和心理社会转变模式三种模式进行干预，及时制止学生不良行为，并且及时救助弱势学生。
一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现的方法。
一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，其特征在于，计算机程序被处理器执行时实现的方法。
在本申请的具体实施例中，各个过程的序号的大小并不意味着执行顺序的必然先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
在本申请各实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述功能单元可以软件形式实现并作为独立的产品销售或使用时，可以存储在一个计算机设备可获取的存储器中。故本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或者部分，可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干请求用以使得一台计算机设备执本申请的各个实施例上述方法的部分或全部步骤。
以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。
Claims (7)
1.一种基于大数据的校园智能安全管理系统，其特征在于：包括管理端，所述管理端由处理模块、采集模块、评估模块及数据模块构成，所述评估模块对学生进行评估，且将评估结果输入到数据模块中，所述处理模块能根据分析数据模块的结果控制采集模块运作，并获得需要加强监督的目标人群；
所述采集模块能在处理模块控制下对目标人群进行数据采集，且采集的数据会通过存入数据模块，所述处理模块会对数据模块中采集模块采集的数据进行分析，且处理模块会根据分析结果通过网络将信息发送给教师端，所述处理模块为以大数据为基础的计算机服务平台，且处理模块用于对采集模块采集的数据、评估模块评估的数据进行安全分析；
同时采集模块还用于目标人群的情绪分析识别。
2.根据权利要求1所述的基于大数据的校园智能安全管理系统，其特征在于，具体的安全分析步骤：
S11、先根据学生的学号对学生编号，而后再通过评估模块对学生及家庭环境进行测试与调查；
S12、评估结束后将评估信息输入数据模块与处理模块中进行存储与分析，获取目标人群；
S13、分析时应用卡方检验、t检验、Mann.WhitneyU非参数检验、Spearman相关分析、Logistic回归统计学方法进行初次数据处理；
S14、初次数据处理后通过高斯分布图表示出来，之后在通过精算模式的风险评估法对处理的数据进行再次分析，从而得到更为精确的测试结果；
S15、初次数据处理后通过高斯分布图表示出来，之后在通过精算模式的风险评估法对处理的数据进行再次分析，从而得到更为精确的测试结果；
S16、测试结果存入数据模块，而且处理模块根据评估模块测试的结果会控制采集模块运作，使得采集模块对目标人群进行数据采集及评分，同处理模块会将测试信息与日常采集信息发送给教师端，使得教师对目标人群进行关注与教育。
3.根据权利要求2所述的基于大数据的校园智能安全管理系统，，所述处理模块通过图像特征提取提取的方式对采集模块采集的图像进行情绪分析识别，通过分析学生往期情绪图像获取情绪特征图，然后对实时采集的图像进行特征提取，特征提取方式如下：
S21、图像进行灰度化，Gamma矫正，重叠快归一化，分块预处理。分割图像HOG的图像分割策略，采用non-overlap，Overlap指的是分割出的区块，提取完HOG特征之后会分析接下来的分类效果；
S22、将图像分割后，接下来就要计算每个patch的方向梯度直方图，对该patch进行卷积，然后利用下面公式得到每个像素点处的梯度方向和幅值，公式如下：
Gx(x，y)＝I(x+1，y)-I(x-1，y)
Gy(x，y)＝I(x，y+1)-I(x，y-1)
Gx和Gy代表水平和垂直方向的梯度值，M(x,y)代表梯度的幅值，θ(x,y)代表梯度方向；
S23、组成特征，将每个patch中提取出的小HOG特征首位相连，组成一个大的一维向量，这就是最终的图像特征，将这个特征送到分类器中训练例如有16个patch,则有16*12＝192维长度的特征，改进的HOG与pyramid相结合，即PHOG，对一幅图像进行不同尺度的分割，然后计算每个尺度中patch的小HOG，最后将他们连成一个很长的一维向量作为特征，将不同尺度上获得的HOG特征归一化获得情绪特征点，将情绪特征点与情绪特征图进行比对，获得当前学生的情绪状态。
4.根据权利要求2所述的基于大数据的校园智能安全管理系统，其特征在于，所述处理模块采用精算模式的风险评估法使用迭代分级树法来评估预测学生的行为，且迭代分级树法是综合各类变量把评估对象重新分类，之后再重新组合评估变量进一步把评估对象从高风险到低风险分级，最后逐步确定高风险对象，所述分类时新变量分为个性变量、背景变量、临床变量及经历变量。
5.根据权利要求2所述的基于大数据的校园智能安全管理系统，其特征在于，所述采集模块由摄像头、拾音器、智能卡中的一种或多种组成，所述摄像头、拾音器设置在校园走道、或教室、或图书馆的指定区域；
所述处理模块会优先对目标人群进行情绪分析识别。
所述处理模块采用的情绪分析识别技术通过摄像头对学生识别，且通过拾音器对学生谈话的声音进行识别，所述处理模块通过智能卡对学生的位置进行监测。
6.根据权利要求2所述的基于大数据的校园智能安全管理系统，其特征在于，所述评估模块的测试手段包括：心理测试、人际关系调查、社会环境调查中的一种或多种；
所述数据模块用于存储采集模块、评估模块收集及处理模块处理的数据，且数据模块会通过处理模块的分析对数据进行分类归纳，所述处理模块采用精算模式的风险评估法对收纳于数据模块的学生数据进行分析，所述处理模块能结合学生往期情绪数据分析后对学生行为进行预警。
7.根据权利要求1所述的基于大数据的校园智能安全管理系统，其特征在于，所述评估模块的测试方式包括：一般性情况问卷、Barratt冲动性量表、Buss-Perry攻击性量表、自尊量表、简易应对方式问卷、青少年生活事件量表、家庭环境量表、社会支持评定量表、状态-特质愤怒表达问卷、教师问卷中的一种或多种，所述评估模块通过计算机、纸质文件对学生、教师端进行测试，且在测试通过学生编号对学生填写的文件进行编号；
所述一般性问卷采集的信息包括人口学资料、家庭基本情况、家庭结构、父母婚姻状况、父母受教育程度、与父母关系、学生自评暴力相关行为史中的一种或多种；
所述教师问卷由教师端的老师负责填写，教师问卷评估的内容包括：学生课堂表现、往期肢体冲突记录、往期冲动行为记录、同学评价记录的一种或多种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211210779.0A CN115641236A (zh) | 2022-09-30 | 2022-09-30 | 一种基于大数据的校园智能安全管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211210779.0A CN115641236A (zh) | 2022-09-30 | 2022-09-30 | 一种基于大数据的校园智能安全管理系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115641236A true CN115641236A (zh) | 2023-01-24 |
Family
ID=84941824
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211210779.0A Pending CN115641236A (zh) | 2022-09-30 | 2022-09-30 | 一种基于大数据的校园智能安全管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115641236A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116486586A (zh) * | 2023-06-20 | 2023-07-25 | 广州宏途数字科技有限公司 | 一种校园安全智能化监管预警系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107423707A (zh) * | 2017-07-25 | 2017-12-01 | 深圳帕罗人工智能科技有限公司 | 一种基于复杂环境下的人脸情绪识别方法 |
| US20190266912A1 (en) * | 2018-02-27 | 2019-08-29 | Children's Hospital Medical Center | System and Method for Automated Risk Assessment for School Violence |
| CN111312367A (zh) * | 2020-05-11 | 2020-06-19 | 成都派沃智通科技有限公司 | 一种基于自适应云管理平台的校园人员异常心理预测方法 |
| CN114388103A (zh) * | 2021-12-07 | 2022-04-22 | 云启未来(重庆)科技有限公司 | 一种针对青少年心理预警分析的算法 |
| CN114983418A (zh) * | 2022-06-07 | 2022-09-02 | 信阳农林学院 | 一种用于心理健康状况采集的反馈系统 |
-
2022
- 2022-09-30 CN CN202211210779.0A patent/CN115641236A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107423707A (zh) * | 2017-07-25 | 2017-12-01 | 深圳帕罗人工智能科技有限公司 | 一种基于复杂环境下的人脸情绪识别方法 |
| US20190266912A1 (en) * | 2018-02-27 | 2019-08-29 | Children's Hospital Medical Center | System and Method for Automated Risk Assessment for School Violence |
| CN111312367A (zh) * | 2020-05-11 | 2020-06-19 | 成都派沃智通科技有限公司 | 一种基于自适应云管理平台的校园人员异常心理预测方法 |
| CN114388103A (zh) * | 2021-12-07 | 2022-04-22 | 云启未来(重庆)科技有限公司 | 一种针对青少年心理预警分析的算法 |
| CN114983418A (zh) * | 2022-06-07 | 2022-09-02 | 信阳农林学院 | 一种用于心理健康状况采集的反馈系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116486586A (zh) * | 2023-06-20 | 2023-07-25 | 广州宏途数字科技有限公司 | 一种校园安全智能化监管预警系统及方法 |
| CN116486586B (zh) * | 2023-06-20 | 2023-08-15 | 广州宏途数字科技有限公司 | 一种校园安全智能化监管预警系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101969540B1 (ko) | 인지 기능 재활 훈련 방법 및 장치 | |
| CN109740446A (zh) | 课堂学生行为分析方法及装置 | |
| CN110443427A (zh) | 基于认知知识谱的成绩预测方法及其系统 | |
| KR20210075511A (ko) | 재난대응 추천방법 및 그 장치 | |
| CN114388103A (zh) | 一种针对青少年心理预警分析的算法 | |
| Katti et al. | How do targets, nontargets, and scene context influence real-world object detection? | |
| CN115641236A (zh) | 一种基于大数据的校园智能安全管理系统 | |
| CN115527289A (zh) | 一种基于驾驶行为的智能靶向培训方法及存储介质 | |
| CN113723774A (zh) | 答题评分方法、装置、计算机设备和存储介质 | |
| Pinthong et al. | The License Plate Recognition system for tracking stolen vehicles | |
| CN117219127A (zh) | 认知状态识别方法以及相关设备 | |
| CN111724050A (zh) | 一种基于教学过程数据的教学风险预警方法 | |
| CN116434203A (zh) | 考虑驾驶人语言因素的愤怒驾驶状态识别方法 | |
| Taylor et al. | The bounds of cognitive heuristic performance on the geographic profiling task | |
| CN116484290A (zh) | 一种基于Stacking集成的抑郁症识别模型构建方法 | |
| CN115659221A (zh) | 一种教学质量的评估方法、装置及计算机可读存储介质 | |
| Blackmore et al. | Data mining of missing persons data | |
| CN112633163B (zh) | 一种基于机器学习算法实现非法运营车辆检测的检测方法 | |
| Yang | Recognition and classification of knee osteoporosis and osteoarthritis severity using deep learning techniques | |
| CN114091844B (zh) | 一种暴力类人员重新犯罪的预警方法、装置及存储介质 | |
| RU2809490C1 (ru) | Способ и система автоматической полиграфической проверки с применением двух ансамблей моделей машинного обучения | |
| RU2809595C1 (ru) | Способ и система автоматической полиграфической проверки с применением трех ансамблей моделей машинного обучения | |
| CN117710118B (zh) | 一种智能理赔分析方法及系统 | |
| Demir | Diffusion of police technology across time and space and the impact of technology use on police effectiveness and its contribution to decision-making | |
| CN115359325B (zh) | 图像识别模型的训练方法、装置、设备和介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230124 |
|
| RJ01 | Rejection of invention patent application after publication |