CN115884006B

CN115884006B - 基于AIoT的校园安全防控系统和方法

Info

Publication number: CN115884006B
Application number: CN202310153571.8A
Authority: CN
Inventors: 刘军胜; 于连勇; 史文广; 赵建芳; 于文龙
Original assignee: Qishi Yantai Data Technology Co ltd
Current assignee: Qishi Yantai Data Technology Co ltd
Priority date: 2023-02-23
Filing date: 2023-02-23
Publication date: 2023-06-09
Anticipated expiration: 2043-02-23
Also published as: CN115884006A

Abstract

本发明涉及一种基于AIoT的校园安全防控系统和方法，属于信息处理技术领域，安全防控系统包括物联网网关单元、主控单元和显示单元，物联网网关单元包括环境采集模块以及网关模块，用于将采集的环境数据传输至主控单元；主控单元包括数据融合与决策模块，用于对经过局部决策后的环境数据进行异常分析；显示单元和主控单元电连接，用于异常信息显示。本发明所提供的安全防控系统通过采用边缘计算技术，在现场对数据进行分析，及时发现异常情况，与传统技术中将巨量的视频数据集中到云端处理的方式相比，本系统可以节省大量的带宽与流量，并减少系统延时，提高异常分析的处理速度，降低了云端服务器的压力。

Description

基于AIoT的校园安全防控系统和方法

技术领域

本发明涉及信息处理技术领域，具体为一种基于AIoT的校园安全防控系统和方法。

背景技术

校园安全，是学校管理工作中的重要组成部分。校园安全涉及多个方面，既有物品和环境方面的安全，例如水、电、火等因素的监测，又有人员方面的安全需要监测。现有的校园防范通常依靠各自独立的、功能单一的门禁、视频监控系统来实现，数据难于整合与分析，很难自动给出多因素考虑的自动报警。

在公开号为CN215182302U，名称为“一种基于安防大脑的校园安全防控终端及系统”的专利中，提出一种基于安防大脑的校园安全防控终端。主控单元用于接收和处理环境监测单元所采集的环境监测信息，将环境监测信息发送至智能中控装置。智能中控装置通常为桌上型计算机、笔记本、云端服务器等计算设备，依据传感器的监测信息以及视频数据可以发现异常情况并报警。但是防控终端的处理能力有限，负责的任务依赖智能中控装置。如果每个场景都布置一个智能中控装置，成本过高，而且占据空间较大。如果多个防控终端连接到一个智能中控装置，则会导致数据传输成本增加、处理延时增加，而且对智能中控装置的处理能力提出挑战，普通的计算设备难以胜任。另外，因为设备较多，防控终端和传感器都以有线的方式连接，部署起来比较困难。

查阅文献《基于AIoT的“智慧消防”系统的研究与设计》，研究智慧消防系统平台建设所涉及的关键技术，并为智慧消防系统和平台设计提供建议。文中建议，智慧消防系统要通过各种信息传感设备，将数据动态上传至智能云平台，把消防设施与互联网相连接，进行信息交换和通信，将物理实体和虚拟世界的信息进行交换处理，并作出反应的智能服务器端的系统。把所有的传感器数据上传到云端平台，从而构建全面、实时、标准的消防大数据资源体系。但是该系统中数据的传输、存储、分析成本过高，会产生大量的冗余数据，处理延时也会增加，难以满足一些实时性要求。

因此，当前存在的主要问题概括为，利用智能中控装置接收处理并分析环境监测信息，成本过高且占据空间较大，如果采用多个防控终端连接到一个智能中控装置，则会导致数据传输成本增加、处理延时增加。而采用将所有环境监测信息上传至云端平台的方式，则数据的传输、存储、分析成本过高，会产生大量的冗余数据，处理延时也会增加。

发明内容

本发明的目的在于提供一种基于AIoT的校园安全防控系统和方法，以解决上述背景技术提及的技术问题。

为实现上述目的，本发明提供如下技术方案：一种基于AIoT的校园安全防控系统，包括物联网网关单元、主控单元和显示单元，物联网网关单元包括用于采集环境数据的环境采集模块以及网关模块，所述环境数据传输至主控单元；主控单元包括数据融合与决策模块，所述数据融合与决策模块是提前训练好的神经网络，所述环境数据经过局部决策后输入神经网络，采用所述神经网络进行异常分析；显示单元，所述显示单元和主控单元电连接，用于显示异常信息。

作为优选方案，所述环境采集模块包括环境传感器和/或摄像机构。

作为优选方案，所述环境传感器和网关模块通过无线通讯模块连接，所述无线通讯模块可采用的技术包括LoRa、ZigBee，各环境传感器和网关模块通过无线通讯模块无线连接，易于各传感器的部署和扩展。

作为优选方案，所述主控单元包括CPU和/或GPU，既基于CPU运行普通程序进行流程控制，同时，还可以基于GPU运行深度神经网络算法。

作为优选方案，所述主控单元采用深度神经网络算法对所述环境数据进行分析。

一种校园安全防控方法，采用上述任一方案所述的校园安全防控系统，包括以下步骤：

采集目标监测区域的环境数据，所述环境数据包括感应数据和/或视频数据；

将所述环境数据进行预处理；

对预处理的数据进行异常分析。

作为优选方案，对所述感应数据进行同类融合预处理，通过局部决策器对预处理后的数据进行异常检测。

作为优选方案，所述局部决策器通过检测信号的变化速率是否持续超过预定阈值进行异常判断。

作为优选方案，通过数据融合与决策模块对预处理的数据进行异常分析，所述数据融合与决策模块采用神经网络进行异常分析。

作为优选方案，所述神经网络采用RBF神经网络。

与现有技术相比，本发明的有益效果是：本发明所提供的安全防控系统，通过物联网网关单元和内置AI计算芯片的主控单元，一方面可以利用物联网技术和各种环境传感器（温度、湿度、烟雾等）组成局域网，收集丰富的环境信息，传输至主控单元。

更重要的是，利用内置的AI计算芯片，能够把不同传感器的异构数据进行融合，终端通过采用边缘计算技术，在现场对数据进行分析，及时发现异常情况，并通过远程通信模块上传云端。与传统技术中将巨量的环境监测数据集中到云端处理的方式相比，本方法可以节省大量的带宽与流量，并减少系统延时，提高异常分析的处理速度，降低了云端服务器的压力。其中环境采集模块以无线的方式部署，易于扩展。

附图说明

图1为本发明基于AIoT的校园安全防控系统的内部模块示意图；

图2为本发明基于AIoT的校园安全防控系统的外部模块示意图；

图3为本发明中环境数据处理流程图；

图4为本发明中神经网络的结构示意图。

图中各个标号意义为：

1、物联网网关单元；2、主控单元；3、显示单元；4、远程通信单元。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

本发明基于AIoT（AI+IoT，人工智能+物联网）技术，提供一种校园安全防控系统，参见图1、图2，本实施例提供的校园安全防控系统包括箱体，通过箱体连接有物联网网关单元1、主控单元2以及显示单元3，物联网网关单元1部分设置于箱体之内，显示单元3设置于箱体外表面，用于对安全异常信息进行显示。物联网网关单元1包括环境采集模块以及网关模块，用于采集目标监测区域的环境数据，并将采集的环境数据传输至主控单元2；主控单元2包括数据融合与决策模块，用于对经过局部决策后的环境数据进行异常分析；显示单元3和主控单元2电连接。本实施例中，校园安全防控系统还包括云端服务器，云端服务器和主控单元2之间通过远程通信单元4进行通信，远程通信单元4可以采用包括但不限于Wi-Fi或有线以太网的方式。

具体的，物联网网关单元1中，环境采集模块用于目标监测区域的环境数据采集，环境采集模块可以采用传感器，包括但不限于：用于采集人声的声音采集器、用于采集环境噪音的噪音采集器、用于采集光强度的光强度采集器、及用于采集温度和湿度的温湿度采集器、用于采集烟雾的烟雾传感器等。也可以结合摄像机构，摄像机构可以采用摄像头等设备，以确保后续更为准确的异常信息判断。物联网网关单元1中，环境采集模块和网关模块组成局域网，且各传感器和网关模块通过无线通讯模块无线连接，易于各传感器的部署和扩展，通过无线通讯模块实现环境采集模块和网关模块的无线通信连接。无线通讯模块可以采用包括但不限于LoRa（Long Range Radio，远距离无线电）或ZigBee通信模组，且环境采集模块中，各传感器需要支持LoRa或ZigBee技术。摄像机构和主控单元2通过以太网或Wi-Fi或USB方式连接。

主控单元2包括CPU（中央处理单元），可基于CPU运行普通程序进行流程控制，同时，基于环境采集模块中的摄像机构，主控单元2还可以包括GPU（图像处理单元），能够基于GPU运行深度神经网络算法。

通过环境采集模块采集的环境数据传输至主控单元2，可以理解的是，经过环境采集模块初采集的环境数据体量巨大且价值密度低，主控单元2对环境数据的处理包括两个分支，分别为传感器数据处理分支和视频数据处理分支：

在传感器数据处理分支，主控单元2按固定的时间间隔采集所有环境传感器的数据。为了避免因某些传感器异常而带来误差，先对同类传感器数据进行融合，即将描述同一环境参数的多个传感器数据进行融合。同类传感器融合后的数据由局部决策器进行异常检测。局部决策器通过检测信号的变化速率是否持续超过预定的阈值来判别异常。异常检测完成后将决策结果输送至数据融合与决策模块。

在视频数据处理分支，主控单元2首先对视频数据进行预处理，例如去噪、对比度增强等。然后，主控单元2会运行不同的深度神经网络进行视频数据的检测。深度神经网络面向不同的应用，例如人脸识别、佩戴口罩、人群聚集等各种异常行为的检测。并将异常监测数据传输至数据融合与决策模块。这些神经网络提前在服务器上用标注的数据训练好，并转换为可以在防控终端运行的格式，然后部署到主控单元2。

数据融合与决策模块是一个提前训练好的神经网络，会把多个分支的数据都作为输入，然后进行综合判断。如果判断有异常，则把异常数据通过远程通信单元4上传到云端服务器。如果没有异常，则返回到最初，重新开始采集环境数据和视频数据。

可以理解的是，环境采集模块中，传感器和摄像机构配合使用，会利于更加准确的数据识别。示例性的，如果要监测目标区域的人群聚集行为，可以提前训练识别人群聚集的神经网络，并部署到主控单元2，同时安装环境噪音传感器和摄像机构。主控单元2中，数据融合与决策模块对各分支数据进行综合判断，如果同时检测到人群聚集行为以及异常的噪音数据，可通过设置报警装置发出警报。如果发生流感，可以提前训练识别是否佩戴口罩的神经网络，并部署到主控单元2，同时安装环境CQ₂传感器。主控单元2中，数据融合与决策模块对各分支数据进行综合判断，如果检测到未佩戴口罩行为，或室内CQ₂含量过高，通风不足，发出警报。

参见图3，为便于理解，以下对同类传感器融合、局部决策、全局数据融合与决策的融合和决策过程进行详细介绍：

（一）同类传感器数据融合

环境采集模块中可以设置多个传感器对目标区域进行实时监测，例如在一个房间内，可以部署多个温度传感器、湿度传感器、烟雾传感器、光照传感器、CQ₂传感器，各传感器均通过无线通讯模块进行数据传输。为了避免因某些传感器异常而带来误差，先对同类传感器数据进行融合，即将描述同一环境参数的多个传感器数据进行融合。

假设房间内有n个温度传感器。n个温度传感器的测量值表示为列向量Y=[y ₁,y ₂,…,y _n]^T，其中T表示向量的转置，x为环境的真实值，e=[e ₁,e ₂,…,e _n]^T为噪声数据，H为各元素均为1的列向量，H=[1,1,…,1]^T，则以下方程成立：

Y=Hx+ e （1）

设

为真实值x的估计值，数据融合的目的是找到一组/>

，使误差的平方和最小，即使关于/>

的函数/>

的值最小。W=diag(w ₁ w ₂…w _n)，是一个正定对角加权矩阵。因此，通过求偏导，可得/>

的最优值为：

（2）

为了求得

的最优值，需要求得W。

不失一般性，可以假设各传感器测量噪声服从正态分布且相互独立。多个相互独立的随机变量相加的和接近正态分布，因此测量噪声的分布是正态的。可得，

（3）

其中E表示期望值。

（4）

其中

是第i个传感器的测量方差。

x的估计差的平方和为

（5）

为了求得式（5）的极小值，把式（5）对w _i求偏导，并令其等于0，可求得

（6）

将式（6）代入式（2）可得

（7）

由式（7）可见，在进行数据融合时各传感器的权重系数由其测量方差决定。

用y _mi表示第i个传感器第m次采样的结果，则第m次采样时传感器测量的算术平均值为：

（8）

第i个传感器第m次采样时测量值的方差为：

（9）

真实值x无法获得，用它的估计值即多次采样后得到的算术平均值

代替

（10）

对n个传感器的

求和，并代入式（10），可得

（11）

把求得的结果代入式（7），可得同类传感器融合后的数据。

（二）局部决策

同类传感器融合后的数据由局部决策器进行异常检测。局部决策器通过检测信号的变化速率是否持续超过预定阈值来判别异常。具体方法为：

设同类传感器融合后的数据序列为x(n)，定义一累加函数a(m)为多次累加相邻采样值x(n)的差值之和

（12）

局部决策结果u为

（13）

其中f为单位阶跃函数，STD为局部报警阈值。

（三）全局数据融合与决策

在各类传感器局部决策的基础上，利用神经网络进行全局数据融合和决策。全局数据融合采用三层前馈RBF神经网络，网络结构如图4所示，可以任意精度逼近任何连续函数。RBF网络包括输入层、隐含层和输出层。其输入层的单元分别对应温度、烟雾、湿度、视频等信号源的局部决策结果，经过归一化，取值范围为0~1；输出层的单元为最终的决策结果，取值范围为0~1。输入层与输出层之间为m个神经元的隐层。输入层到隐层是非线性变换，隐层到输出层是线性变换。

RBF神经网络完成如下非线性映射：

（14）

式中，

为训练数据集，/>

为第i个训练样本，对应温度、烟雾、湿度、视频等信号源的局部决策结果。w ₀为调整输出的偏移量，m为隐层节点个数，w _j为第j个隐层节点的基函数与输出节点的连接权值，φ _j为第j个隐层节点采用的基函数。隐层采用高斯核函数作为基函数，其定义如下：

（15）

式中，c _j为第j个隐层神经元的径向基函数的中心，

为x _i和c _j之间的距离，δ _j为第j个隐层神经元的场域宽度。神经网络参数包括径向基函数中心c _j、场域宽度δ _j、隐层到输出层的连接权值w _j都需要通过训练得到。

粒子群优化算法（PSO）是一种随机优化算法，利用PSO的寻优能力可以对隐层神经元中径向基函数中心、场域宽度、隐层到输出层的连接权值进行调整，提升RBF神经网络函数逼近能力。基于PSO优化的RBF神经网络训练过程如下：

1）对用于训练的样本采用最近邻聚类算法进行聚类，根据得到的聚类个数设定RBF神经网络隐层中的神经元个数。

2）初始化粒子种群。初始代数iter=1，选取n个粒子，各粒子初始速度随机产生记为v _i，粒子群的位置为x _i，每个粒子个体最优值为p _i。

3）对n个p _i值不同的粒子，训练n个RBF神经网络。

4）基于训练好的RBF神经网络，对于输入的第k个样本，得到预测值

，假设样本的真实值为y _k，可根据下式计算每个粒子的适应度

（16）

式中f代表计算出的适应度，N为样本的数目。

5）对粒子适应度值排序，根据粒子更新公式更新粒子的速度和位置，产生新种群。粒子更新公式为

（17）

式中

为第k次迭代时，粒子i飞行速度矢量的第d维分量；c ₁和c ₂为加速常数；r ₁和r ₂为两个随机函数，取值范围为[0,1]；p _id为粒子i个体经历过的最好位置矢量的第d维分量；/>

为第k次迭代粒子i位置矢量的第d维分量；/>

为种群经历过的最好位置矢量的第d维分量；w _c为粒子i的惯性权重，表明上一代粒子速度对当代速度的影响，当w _c值较大时，粒子全局收敛能力强，局部收敛能力弱，当w _c值较小时，粒子局部收敛能力强，全局收敛能力弱。由于在普通PSO算法中，参数w _c是固定的，这将导致在对RBF神经网络进行优化时，算法的优化精度会降低。为解决此问题，使用一种惯性权重非线性递减策略，使算法在迭代前期全局收敛能力强，迭代后期局部收敛能力强。

（18）

式中w _min为最小惯性权重，w _max为最大惯性权重，iter为当前迭代次数，iter _max为最大迭代次数，τ为曲线调整因子。

6）若满足系统要求，迭代结束，返回当前全局极值为最优值，跳转执行步骤7）；否则iter=iter+1，跳转执行步骤3）。

7）根据群体全局极值，得到最优RBF神经网络的参数。

把一组新的检测数据输入，RBF神经网络的输出为最终经过数据融合的决策结果。

基于上述校园安全防控系统，本发明还提供了一种校园安全防控方法，包括以下步骤：

步骤一：通过环境采集模块采集目标监测区域的环境数据，环境数据包括感应数据和或视频数据或者两者的结合，其中，感应数据通过传感器采集，视频数据通过摄像机构采集；

步骤二：将所述环境数据进行预处理，将环境数据传输至主控单元2，主控单元2分别通过传感器数据处理分支和视频数据处理分支对感应数据和视频数据进行分别预处理；

对于感应数据进行同类融合预处理，通过局部决策器对预处理后的数据进行异常监测，局部决策器通过检测信号的变化速率是否持续超过预定阈值进行异常判断；

对于视频数据进行预处理及异常行为检测；

步骤三：通过数据融合与决策模块对预处理的数据进行异常分析，所述数据融合与决策模块采用神经网络进行异常分析，神经网络采用RBF神经网络。

本发明所提供的安全防控系统，通过物联网网关单元1和内置AI计算芯片的主控单元2，一方面可以利用物联网技术和各种环境传感器（温度、湿度、烟雾等）组成局域网，收集丰富的环境信息，同时采集视频数据。另一方面，利用内置的AI计算芯片，能够把不同传感器的异构数据进行融合，终端通过采用边缘计算技术，在现场对数据进行分析，及时发现异常情况，并通过远程通信模块上传云端。与传统技术中将巨量的视频数据集中到云端处理的方式相比，本方法可以节省大量的带宽与流量，并减少系统延时，提高异常分析的处理速度，降低了云端服务器的压力。其中环境采集模块以无线的方式部署，易于扩展。

本发明所提供的安全防控系统可部署到校园的任意场景，可以理解的是，本发明不仅能够应用于校园安全防控工作中，还可应用于其他场所如工厂、商场、餐厅等人流密集的场所进行异常监控。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。