CN116777713A - 基于数据分析的智慧园区安全管理方法和系统 - Google Patents
基于数据分析的智慧园区安全管理方法和系统 Download PDFInfo
- Publication number
- CN116777713A CN116777713A CN202311072920.XA CN202311072920A CN116777713A CN 116777713 A CN116777713 A CN 116777713A CN 202311072920 A CN202311072920 A CN 202311072920A CN 116777713 A CN116777713 A CN 116777713A
- Authority
- CN
- China
- Prior art keywords
- mobile computing
- risk assessment
- real
- target mobile
- target
- 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.)
- Granted
Links
- 238000007726 management method Methods 0.000 title claims abstract description 62
- 238000007405 data analysis Methods 0.000 title claims abstract description 27
- 238000012502 risk assessment Methods 0.000 claims abstract description 100
- 238000012544 monitoring process Methods 0.000 claims abstract description 79
- 238000005457 optimization Methods 0.000 claims abstract description 77
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000012552 review Methods 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims description 91
- 238000011156 evaluation Methods 0.000 claims description 29
- 230000004927 fusion Effects 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 8
- 230000000875 corresponding effect Effects 0.000 description 35
- 238000004891 communication Methods 0.000 description 16
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000003860 storage Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 230000008713 feedback mechanism Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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
-
- 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
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- 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
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Multimedia (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Security & Cryptography (AREA)
- Signal Processing (AREA)
- Alarm Systems (AREA)
Abstract
本申请公开了一种基于数据分析的智慧园区安全管理方法和系统,涉及智慧园区技术领域。该方法包括:首先,获取各个子区域的第一实时监控图像,并根据第一实时监控图像确定目标子区域,并在主显示区对目标子区域的第一实时监控图像进行展示,并向用户下发人工复核结果获取请求,然后响应于人工复核结果,生成目标移动计算设备的部署策略,并将部署策略和初始模型下发至每个目标移动计算设备,并获取每个目标移动计算设备上传的优化模型和由第二实时监控图像组成的图像集,并根据优化模型和图像集生成风险评估结果,最后根据风险评估结果,向用户下发对应的安全处理策略。解决了对于面积非常大,并且具有多种复杂环境的园区管理效果较差的问题。
Description
技术领域
本发明涉及智慧园区技术领域,尤其涉及一种基于数据分析的智慧园区安全管理方法和系统。
背景技术
智慧园区安全管理是指在现代科技与信息技术的支持下,对园区内的人员、设施、数据和运营过程进行综合管理和保护的一系列措施。其目的是确保园区内的人员、财产和信息处于安全可控的状态,以提高工作效率、降低风险、保护资产,并为园区的可持续发展创造有利条件。
现有的智慧园区安全管理方法对一些面积较小,环境单一的园区有较好的管理效果,但是对于面积非常大,并且具有多种复杂环境的园区管理效果较差。
发明内容
本发明提供了一种基于数据分析的智慧园区安全管理方法和系统,解决现有方法对于面积非常大,并且具有多种复杂环境的园区管理效果较差的问题。
第一方面,本发明实施例提供了.一种基于数据分析的智慧园区安全管理方法,方法包括:
获取各个子区域的第一实时监控图像,并根据第一实时监控图像确定目标子区域,其中,目标子区域具有最高实时潜在风险评估分数,第一实时监控图像由固定图像采集设备采集;
在主显示区对目标子区域的第一实时监控图像进行展示,并向用户下发人工复核结果获取请求;
响应于人工复核结果,生成目标移动计算设备的部署策略,并将部署策略和初始模型下发至每个目标移动计算设备;
获取每个目标移动计算设备上传的优化模型和由第二实时监控图像组成的图像集,并根据优化模型和图像集生成风险评估结果;其中,第二实时监控图像由目标移动计算设备采集;
根据风险评估结果,向用户下发对应的安全处理策略。
本申请实施例提供的技术方案至少带来以下有益效果:
本申请通过分阶段地实时监控图像采集和风险评估,结合用户参与和优化模型,在面积庞大、复杂环境的园区中实现了更精细、高效的安全管理。首先,系统利用固定图像采集设备获取各个子区域的实时监控图像,并根据潜在风险评估分数确定目标子区域。然后,在主显示区展示目标子区域的实时监控图像,用户可以进行人工复核。接着,根据人工复核结果,系统生成目标移动计算设备的部署策略,下发至每个目标移动计算设备,实现分布式计算。随后,系统获取每个目标移动计算设备上传的优化模型和第二实时监控图像,结合这些数据生成风险评估结果。最后,根据风险评估结果,系统向用户下发相应的安全处理策略,从而实现对园区的精准安全管理,充分利用分布式计算和风险评估优化安全策略,弥补了大面积、多环境园区智慧安全管理的不足之处。
在一种可选的实施方式中,根据第一实时监控图像确定目标子区域,包括:
根据第一实时监控图像中异常人员的数量,计算第一潜在风险评估分数,其中,第一潜在风险评估分数用于表征异常人员维度的风险程度;
根据第一实时监控图像中异常事件的数量,计算第二潜在风险评估分数,其中,第二潜在风险评估分数用于表征异常事件维度的风险程度;
根据第一潜在风险评估分数、第二潜在风险评估分数以及动态权重占比,确定各个子区域的潜在风险评估分数;
根据各个子区域的潜在风险评估分数,确定目标子区域初始识别结果,其中,初始识别结果包括异常人员的数量和异常事件的数量。
在一种可选的实施方式中,方法还包括:
获取当前采用的安全管理模式;
根据异常人员维度与当前安全管理模式的匹配程度,确定第一潜在风险评估分数对应的动态权重占比;
根据异常事件维度与当前安全管理模式的匹配程度,确定第二潜在风险评估分数对应的动态权重占比。
在一种可选的实施方式中,部署策略包括识别模式部署策略和运行路径部署策略,响应于人工复核结果,生成目标移动计算设备的部署策略,包括:
在人工复核结果与初始识别结果的差异率小于预设阈值的情况下,获取每个移动计算设备当前的状态信息和位置信息,并根据状态信息和位置信息筛选出至少一个目标移动计算设备;
根据异常人员和异常事件的关联关系,生成目标移动计算设备的识别模式部署策略;
根据目标子区域的位置特征,生成目标移动计算设备的运行路径部署策略。
在一种可选的实施方式中,方法还包括:
确定目标移动计算设备的第一距离特征和第二距离特征,其中,第一距离特征用于表征目标移动计算设备之间的相对距离关系,第二距离特征用于表征目标移动计算设备与目标子区域的相对距离关系;
根据第一距离特征和第二距离特征,对每个目标移动计算设备的部署策略进行协同优化。
在一种可选的实施方式中,根据第一距离特征和第二距离特征,对每个目标移动计算设备的部署策略进行协同优化,包括:
以第一距离特征和第二距离特征,建立部署策略对应的优化坐标系;
根据每个目标移动计算设备的第一距离特征和第二距离特征,将其映射到优化坐标系中,生成每个目标移动计算设备对应的初始坐标;
根据运行路径确定优化目标,并根据优化目标对目标移动计算设备对应的初始坐标进行调整,以获得优化坐标;
根据优化坐标,确定目标移动计算设备的优化部署策略。
在一种可选的实施方式中,根据优化模型和图像集生成风险评估结果,包括:
对优化模型进行融合,以获得风险评估模型;
将图像集输入风险评估模型,以生成风险评估结果。
在一种可选的实施方式中,对优化模型进行融合,以获得风险评估模型,包括:
根据各个优化模型的识别准确程度,确定其对应的融合权重占比;
根据融合权重占比,对优化模型进行融合。
第二方面,本发明实施例提供了一种基于数据分析的智慧园区安全管理系统,系统包括:
第一获取模块,用于获取各个子区域的第一实时监控图像,并根据第一实时监控图像确定目标子区域,其中,目标子区域具有最高实时潜在风险评估分数,第一实时监控图像由固定图像采集设备采集;
展示模块,用于在主显示区对目标子区域的第一实时监控图像进行展示,并向用户下发人工复核结果获取请求;
第一下发模块,用于响应于人工复核结果,生成目标移动计算设备的部署策略,并将部署策略和初始模型下发至每个目标移动计算设备;
第二获取模块,用于获取每个目标移动计算设备上传的优化模型和由第二实时监控图像组成的图像集,并根据优化模型和图像集生成风险评估结果;其中,第二实时监控图像由目标移动计算设备采集;
第二下发模块,用于根据风险评估结果,向用户下发对应的安全处理策略。
在一种可选的实施方式中,第一获取模块,包括:
第一计算子模块,用于根据第一实时监控图像中异常人员的数量,计算第一潜在风险评估分数,其中,第一潜在风险评估分数用于表征异常人员维度的风险程度;
第二计算子模块,用于根据第一实时监控图像中异常事件的数量,计算第二潜在风险评估分数,其中,第二潜在风险评估分数用于表征异常事件维度的风险程度;
第三计算子模块,用于根据第一潜在风险评估分数、第二潜在风险评估分数以及动态权重,确定各个子区域的潜在风险评估分数;
评估子模块,用于根据各个子区域的潜在风险评估分数,确定目标子区域初始识别结果,其中,初始识别结果包括异常人员的数量和异常事件的数量。
在一种可选的实施方式中,第一获取模块还包括动态权重确定子模块,动态权重确定子模块包括:
安全管理模式确定单元,用于获取当前采用的安全管理模式;
第一匹配单元,用于根据异常人员维度与当前安全管理模式的匹配程度,确定第一潜在风险评估分数对应的动态权重占比;
第二匹配单元,用于根据异常事件维度与当前安全管理模式的匹配程度,确定第二潜在风险评估分数对应的动态权重占比。
在一种可选的实施方式中,第一下发模块包括:
筛选子模块,用于在人工复核结果与初始识别结果的差异率小于预设阈值的情况下,获取每个移动计算设备当前的状态信息和位置信息,并根据状态信息和位置信息筛选出至少一个目标移动计算设备;
第一策略生成子模块,用于根据异常人员和异常事件的关联关系,生成目标移动计算设备的识别模式部署策略;
第二策略生成子模块,用于根据目标子区域的位置特征,生成目标移动计算设备的运行路径部署策略。
在一种可选的实施方式中,第一下发模块还包括:
距离确定子模块,用于确定目标移动计算设备的第一距离特征和第二距离特征,其中,第一距离特征用于表征目标移动计算设备之间的相对距离关系,第二距离特征用于表征目标移动计算设备与目标子区域的相对距离关系;
策略优化子模块,用于根据第一距离特征和第二距离特征,对每个目标移动计算设备的部署策略进行协同优化。
在一种可选的实施方式中,策略优化子模块包括:
坐标构建单元,用于以第一距离特征和第二距离特征,建立部署策略对应的优化坐标系;
坐标映射单元,用于根据每个目标移动计算设备的第一距离特征和第二距离特征,将其映射到优化坐标系中,生成每个目标移动计算设备对应的初始坐标;
坐标调整单元,用于根据运行路径确定优化目标,并根据优化目标对目标移动计算设备对应的初始坐标进行调整,以获得优化坐标;
策略优化单元,用于根据优化坐标,确定目标移动计算设备的优化部署策略。
在一种可选的实施方式中,第二获取模块,包括:
模型融合子模块,用于对优化模型进行融合,以获得风险评估模型;
评估子模块,用于将图像集输入风险评估模型,以生成风险评估结果。
在一种可选的实施方式中,模型融合子模块,包括:
融合权重确定单元,用于根据各个优化模型的识别准确程度,确定其对应的融合权重占比;
模型融合单元,用于根据融合权重占比,对优化模型进行融合。
本发明实施例第三方面提出一种电子设备,电子设备包括:
至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本发明实施例第一方面提出方法。
本发明实施例第四方面提出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本发明实施例第一方面提出方法。
附图说明
图1为本发明实施例涉及的硬件运行环境的电子设备结构示意图;
图2是本发明实施例提供的一种基于数据分析的智慧园区安全管理方法的步骤流程图;
图3是本发明实施例提供的一种基于数据分析的智慧园区安全管理系统的功能模块示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。显然,所描述的实施例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作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。
下面结合附图对本发明的方案进一步说明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的电子设备结构示意图。
如图1所示,该电子设备可以包括:处理器1001,例如中央处理器(CentralProcessing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储系统。
本领域技术人员可以理解,图1中示出的结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及电子程序。
在图1所示的电子设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明电子设备中的处理器1001、存储器1005可以设置在电子设备中,电子设备通过处理器1001调用存储器1005中存储的基于数据分析的智慧园区安全管理系统,并执行本发明实施例提供的基于数据分析的智慧园区安全管理方法。
参照图2,本发明的实施例提供了一种基于数据分析的智慧园区安全管理方法,具体可以包括以下步骤:
S201:获取各个子区域的第一实时监控图像,并根据第一实时监控图像确定目标子区域。
在本实施方式中,园区往往由许多不同的子区域组成,不同的子区域往往具有不同的功能属性,因此不同的子区域往往属于不同的功能区。作为示例的,子区域可以是建筑物、停车场、公共区域等等。通过使用固定的图像采集设备(例如摄像头或摄像机),在各个子区域内获取实时的监控图像,可以对子区域的安全状况有一定的了解。通过对子区域进行实时监控,从而筛选出目标子区域。中心计算是指具备高计算能力和处理能力的中央服务器或计算设备,目标子区域具有最高实时潜在风险评估分数,第一实时监控图像由固定图像采集设备采集。
而筛选目标子区域的具体步骤包括:
S2011:根据第一实时监控图像中异常人员的数量,计算第一潜在风险评估分数,其中,第一潜在风险评估分数用于表征异常人员维度的风险程度;
S2012:根据第一实时监控图像中异常事件的数量,计算第二潜在风险评估分数,其中,第二潜在风险评估分数用于表征异常事件维度的风险程度;
S2013:根据第一潜在风险评估分数、第二潜在风险评估分数以及动态权重占比,确定各个子区域的潜在风险评估分数;
S2014:根据各个子区域的潜在风险评估分数,确定目标子区域初始识别结果,其中,初始识别结果包括异常人员的数量和异常事件的数量。
在S2011至S2014的实施方式中,首先,根据监控图像中的异常人员数量来判断这个场景是否存在潜在的风险。第一潜在风险评估分数可以根据异常人员数量的多少来分级和计算分值,例如根据异常人员数量分为低、中、高三个级别。异常人员指代以下情形,未经授权的人员进入、潜在的危险行为的人员、非法活动的人员,以及不当访问的人员。
然后,根据实时监控图像中异常事件的数量来计算第二潜在风险评估分数,第二潜在风险评估分数用于表示异常事件这个维度的风险程度。同理,第二潜在风险评估分数可以根据异常事件数量的多少来分级。判断一个事件是否是异常事件涉及对特定环境中的行为、情况或状态进行比较,以确定是否与正常预期相符。异常事件通常与已知的模式、规则或标准存在明显的差异。作为示例的,如果某事件在特定时间段内发生的频率远超过正常情况下的概率,或者发生的概率极低但却发生了,那么可以将其视为异常事件。例如,在一个禁止明火的子区域内发生火警,则说明发生了异常事件。
最后,根据计算出的第一潜在风险评估分数和第二潜在风险评估分数以及动态权重占比,来确定不同子区域的潜在风险评估分数。会根据不同的权重,将异常人员和异常事件的风险程度进行合成,从而得到更全面的潜在风险评估分数。
需要说明的是,动态权重指的是根据不同情境和需求,针对潜在风险评估分数的不同组成部分(即第一潜在风险评估分数和第二潜在风险评估分数),为其分配一个适当的权重,以反映不同因素对总体风险的重要程度。这样的权重分配可以根据具体的应用场景、安全需求、业务规则等因素来调整,以满足实际需求。即对于异常人员维度和异常事件维度的动态权重,需要考虑不同的子区域的区别,因为不同的子区域具有不同的风险特点和安全需求。例如,安全要求高的子区域对于异常人员维度更为敏感,而负责生产的公共区域对于异常事件维度更为敏感。不同的敏感度反映了不同子区域的关注点,则其对应的敏感维度的权重占比则高,而确定动态权重占比的具体步骤包括:
获取当前采用的安全管理模式;
根据异常人员维度与当前安全管理模式的匹配程度,确定第一潜在风险评估分数对应的动态权重占比;
根据异常事件维度与当前安全管理模式的匹配程度,确定第二潜在风险评估分数对应的动态权重占比。
在本实施方式中,全管理模式是根据不同子区域的特点和需求来制定的,以强调各个区域的敏感侧重点和应对风险的策略。每个子区域存在不同的风险因素和安全需求,因此需要定制适合该区域的安全管理模式,以最大程度地提高安全性并减少潜在风险。对于任意一个子区域,首先比较异常人员维度与当前的安全管理模式之间的匹配程度。如果异常人员维度的特征和当前安全管理模式的要求或关注点相匹配,将为第一潜在风险评估分数分配相应的动态权重占比。这意味着在不同的安全管理模式下,异常人员维度的重要性会有所不同。匹配程度越高,该维度对总体风险评估的影响权重越大。然后,针对异常事件维度的匹配程度和当前安全管理模式进行的比较。如果异常事件维度的特征与当前安全管理模式的要求或关注点相符,将为第二潜在风险评估分数分配相应的动态权重占比。这意味着在不同的安全管理模式下,异常事件维度的重要性会有所不同,根据匹配程度来动态调整权重。
S202:在主显示区对目标子区域的第一实时监控图像进行展示,并向用户下发人工复核结果获取请求。
在本实施方式中,将目标子区域的实时监控图像展示在主显示区,同时向操作人员发送请求,要求他们对目标子区域的监控图像进行人工复核,并将复核结果提供给系统。这种操作可以有效地增强对特定区域的监控和安全管理,确保异常情况得到及时的人工干预和判断。但是当各个子区域的面积过大并且环境复杂时,则会降低识别精度。而由于图像采集设备的布设数量原因,存在很多监控视角时,则会进一步导致识别精度降低。因此当子区域潜在风险较高时,需要对其进行一步的了解,以进行进一步的管理。
S203:响应于人工复核结果,生成目标移动计算设备的部署策略,并将部署策略和初始模型下发至每个目标移动计算设备。
在本实施方式中,在人工复核的结果是目标子区域存在潜在风险的情况下,为了进一步了解现场情况,可以通过派遣移动计算设备对目标子区域进行巡检和风险确认,移动计算设备可以为无人机和无人小车等。部署策略包括决定哪些任务分配给哪些无人机或无人小车、如何规划它们的路径、如何分配计算资源等。目的是确保这些移动计算设备能够根据任务要求高效执行,同时考虑资源利用效率和路径规划等因素。而其具体的步骤包括:
S2031:在人工复核结果与初始识别结果的差异率小于预设阈值的情况下,获取每个移动计算设备当前的状态信息和位置信息,并根据状态信息和位置信息筛选出至少一个目标移动计算设备;
S2032:根据异常人员和异常事件的关联关系,生成目标移动计算设备的识别模式部署策略;
S2033:根据目标子区域的位置特征,生成目标移动计算设备的运行路径部署策略。
在S2031至S2033的实施方式中,当人工复核结果与初始识别结果之间的差异率小于预先设定的阈值时,将获取每个目标移动计算设备的当前状态信息和位置信息。然后,根据这些信息,筛选出至少一个目标移动计算设备。
作为示例的,每个移动计算设备都会发送其当前的状态信息至中心计算设备,状态信息包括电池电量、传感器状态(如摄像头、热成像、气象传感器等)、连接质量(如果设备通过网络与中心通信)、硬件运行状况(如飞行器的飞行稳定性、摄像头清晰度等)等。这些信息有助于判断设备是否处于正常运行状态,是否能够完成巡视任务。每个移动计算设备的位置信息会定期发送,可以使用GPS或其他定位技术获取。在园区中,不同位置对安全监控有不同的关注度,因此位置信息对于筛选目标移动设备至关重要。
不同的任务对设备的要求不同,比如需要更高的计算能力、特定类型的传感器、网络连接等。任务需求包括任务的优先级、时间敏感性以及所需资源等。中心计算设备根据所收集到的设备状态信息和位置信息,结合任务需求和目标子区域的特征,制定筛选规则来选取合适的设备。
异常人员和异常事件的关联关系指的是异常人员(非正常行为的个体)和异常事件(非正常的行为)之间可能存在的相互关系或相关性。具体来说,这说明某些人员在某些事件中扮演了特定的角色或起到了特定的作用,或者某些事件的发生可能是由于特定的人员参与或特定的人员行为。
这种关联关系的识别可以在安全监控和风险评估中起到重要作用。通过分析异常人员与异常事件之间的关系,可以更准确地理解事件发生的背景和原因,从而帮助预测潜在的风险或威胁。这种关联关系的发现可以通过数据分析、模式识别、人工智能等方法来实现。而在确定异常人员和异常事件的关联关系后,基于异常人员和异常事件之间的相关性,通过数据分析和模式识别来制定移动计算设备的工作模式,使其能够更好地识别和响应潜在的异常情况。
作为示例的,在园区中用于存储货物的子区域,发现了多次异常事件,如夜间有人闯入、未授权人员进入等。经过数据分析和关联分析,发现这些异常事件发生后,经常会在一段时间内有特定的员工(工作人员)出现在这个区域。系统的模式识别算法将识别出这个关联关系模式。根据这个模式,中心计算设备会调整目标移动计算设备在这个区域的识别模式,更加关注这段时间内员工的活动,以确保他们的行为合规。这可能包括增加监控频率、提高识别算法的精度,以应对这种关联关系。
使用路径规划算法来生成每个目标移动计算设备的运行路径。考虑到设备的移动速度、能源消耗、防止重复巡逻等因素,中心计算设备会尝试找到每个目标设备最优的运行路径。需要说明的是,每个目标移动计算设备所采用的运行路径部署策略是不相同的,以保证能够获得目标子区域相同时间下的多维视角特征,从而提高安全监控的效率和准确性。
进一步的,运行路径部署策略应该是动态的,能够根据实时数据、环境变化、历史事件等因素进行调整。这可以通过实时监控、反馈机制、自适应算法等来实现,确保策略在实际应用中始终保持有效。
在一种实施例中,其具体包括:
确定目标移动计算设备的第一距离特征和第二距离特征;
根据第一距离特征和第二距离特征,对每个目标移动计算设备的部署策略进行协同优化。
在本实施方式中,第一距离特征用于描述目标移动计算设备之间的相对距离关系,第二距离特征用于描述目标移动计算设备与目标子区域之间的相对距离关系。第一距离特征指代目标移动计算设备之间的相对距离关系,例如设备A与设备B之间的距离。这个特征可以表示设备之间的关联程度、通信效率等因素。第二距离特征指代目标移动计算设备与目标子区域之间的相对距离关系,例如设备C与子区域D之间的距离。这个特征可以表示设备与目标区域的接近程度、覆盖效果等因素。
为了找到同时满足这两种距离特征的目标,从而保证每个目标移动计算设备都具有最优的移动路径,本申请的实施例还包括:
以第一距离特征和第二距离特征,建立部署策略对应的优化坐标系;
根据每个目标移动计算设备的第一距离特征和第二距离特征,将其映射到优化坐标系中,生成每个目标移动计算设备对应的初始坐标;
根据运行路径确定优化目标,并根据优化目标对目标移动计算设备对应的初始坐标进行调整,以获得优化坐标;
根据优化坐标,确定目标移动计算设备的优化部署策略。
在本实施方式中,首先,以第一距离特征为横轴,第二距离特征为纵轴,建立部署策略对应的优化坐标系。优化坐标系是一个抽象的坐标系,它用于表示各个目标移动计算设备的位置和相对位置。该坐标系的建立需要考虑设备之间的相对距离(第一距离特征)和设备与目标子区域的距离(第二距离特征),以便更好地描述设备之间和设备与目标区域的关系。然后,根据每个目标移动计算设备的第一距离特征和第二距离特征,将其映射到所建立的优化坐标系中,生成每个设备的初始坐标。这些初始坐标代表了目标移动计算设备的初始位置关系。
每个目标移动计算设备的运行路径包括设备需要覆盖的子区域、特定地点、需要被巡逻的次数等路径要求,将这些路径要求转化为具体的优化目标。优化目标可以是:
覆盖率最大化: 使得运行路径覆盖特定区域的面积最大化,确保所有关键区域都被有效监测到。
路径最短化: 减少设备在运行路径上的总距离,以提高设备的效率和响应速度。
均匀分布: 确保设备在整个运行路径中的分布均匀,避免某些区域过度密集而其他区域忽略。
将上述优化目标转化为一个目标函数,该函数可以量化各个目标的权重和约束条件。这个目标函数将作为优化算法的目标,算法将优化这个函数以满足特定需求。优化算法进行迭代,根据目标函数的变化和优化进程,不断调整设备的位置和分配,以达到更好的优化目标值。最终,根据经过调整的坐标,确定每个目标移动计算设备的优化部署策略。
利用优化坐标系、映射初始坐标、设定运行路径以及进行坐标优化的过程,有助于确保目标移动计算设备的部署策略在满足实际需求的基础上达到最优效果,提高了智慧园区安全管理的有效性和效率。这种方法可以优化资源分配,减少盲区,提高覆盖率,并且适应不同场景和需求的变化。
在生成每个目标移动计算设备的部署策略之后,将生成的部署策略和初始模型传输、下发到每个目标无人机和无人小车上,以便它们能够按照这些策略和模型进行任务执行。这可以通过遥控信号传输、局域网连接等方式完成,确保每个目标移动计算设备都得到了正确的指令和配置,初始模型是一种通用识别模型,在大多数场景下具有较高的识别精度,但是对于复杂场景下的子区域,其识别准确度较低,因此需要目标移动计算设备在执行任务的过程中不断对初始模型进行优化。作为示例的,初始模型可以为人脸识别模型或姿态估计模型。
S204:获取每个目标移动计算设备上传的优化模型和由第二实时监控图像组成的图像集,并根据优化模型和图像集生成风险评估结果。
在本实施方式中,第二实时监控图像是指每个目标移动计算设备在实际运行过程中所采集的实时图像数据,这些图像可能包括目标子区域的监控画面,其中可能包含人员、事件、物体等信息。作为示例的,第二实时监控图像可以为目标区域中固定图像采集设备视角盲区外的异常人员的多视角图像。每个目标移动计算设备会根据其采集的第二实时监控图像在其本地对初始模型进行不断优化,从而获得优化模型。然后每个目标移动计算设备将其采集的第二实时监控图像和优化后的优化模型分别上传给中心计算设备,由于每个目标移动计算设备的运行路径部署策略不相同,因此对于同一个异常人员或者异常地点,不同的标移动计算设备的采集的第二实时监控图像的视角也是各不相同,因此优化后的优化模型也是各不相同。但是各个优化模型都具有当前视角和场景下最高的识别精度。
而中心计算设备在接收到所有目标移动计算设备上传的优化模型和由第二实时监控图像组成的图像集后,则会生成风险评估结果,其具体的步骤包括:
S2041:对优化模型进行融合,以获得风险评估模型。
在本实施方式中,由于每个目标移动计算设备其自身的算力有限,因此其上传的优化模型是针对不同方面或角度的,例如某个目标移动计算设备擅长识别人员异常,另一个目标移动计算擅长检测物体异常,那么将这些不同方面的模型融合,形成一个综合的风险评估模型。
而其具体的实现过程包括:
S20411:根据各个优化模型的识别准确程度,确定其对应的融合权重占比;
S20412:根据融合权重占比,对优化模型进行融合。
在S20411至S20412的实施方式中,中心计算设备会对每个优化模型进行识别准确程度的评估。识别准确程度可以是一个度量值,反映了该优化模型对当前情况(如人员识别、异常检测等)的自信程度。高识别准确程度意味着模型较为可信,低识别准确程度则可能表示模型对当前情况的判断较为不确定。根据这些识别准确程度,中心计算设备为每个优化模型分配一个权重占比。一般情况下,识别确程度较高的模型将获得更高的权重,而识别准确程度较低的模型将获得较低的权重。这样的权重分配策略可以基于不同的规则,例如,可以使用置信度的百分比、标准化处理后的得分等方法来确定融合权重占比。
中心计算设备根据确定的融合权重占比,将多个优化模型的输出结果进行融合。融合可以采用加权平均、加权求和、投票法等不同的方式,具体取决于每个模型的输出和融合的需求。权重占比决定了每个模型对最终融合结果的贡献程度。融合后的结果将综合考虑了多个优化模型的判断,旨在提高整体判断的准确性和可靠性。融合可以平衡各个模型之间的优势和不足,弥补单一模型的局限性,从而提高整个系统的性能。
S2042:将图像集输入风险评估模型,以生成风险评估结果。
在本实施方式中,完成融合的风险评估模型会接收图像集作为输入,通过模型的计算和分析,生成最终的风险评估结果。风险评估结果是对特定事件、行为或环境的潜在风险程度或风险等级的定量或定性描述。在智慧园区的安全管理中,风险评估结果通常用于衡量和描述潜在的威胁、危害或不良事件的可能性和严重程度。风险评估结果可以是一个分数、等级或描述性的标签,反映了当前环境的安全状况这些结果旨在为决策者、管理者或相关人员提供有关如何应对潜在风险以及采取何种预防措施的重要信息。
S205:根据风险评估结果,向用户下发对应的安全处理策略。
在本实施方式中,根据评估的风险情况,制定相应的安全处理策略,并将这些策略通知或下发给相关的用户或操作人员。一旦安全处理策略下发,相关的用户或操作人员会根据策略采取相应的行动。同时,需要实时监测策略的执行情况和效果,确保策略的有效性。
作为示例的,存在一个目标子区域是仓库出入口,其风险评估结果显示出较高的风险,可能出现非授权人员进出。在这种情况下,系统会根据风险评估结果生成一些安全处理策略:
低风险: 如果评估结果显示风险较低,系统可能下发一个通知策略,告知相关人员目标子区域的正常状态,无需特别注意。
中风险: 如果评估结果显示风险较中等,系统可能下发一个资源调配策略,要求加强人员巡逻,或增加监控设备的密度,以确保该区域的安全性。
高风险: 如果评估结果显示风险较高,系统可能触发一个紧急响应策略,要求立即派遣保安人员前往该区域进行检查,同时通知相关主管进行更深入的调查和处理。
综上,根据风险评估结果下发安全处理策略有助于实时响应潜在风险,从而保障智慧园区的安全性。这样的反馈机制能够确保相关人员能够迅速做出适当的反应,减少潜在的安全隐患。
本发明实施例还提供了一种基于数据分析的智慧园区安全管理系统,参照图3,示出了本发明一种基于数据分析的智慧园区安全管理系统300的功能模块图,该系统可以包括以下模块:
第一获取模块301,用于获取各个子区域的第一实时监控图像,并根据第一实时监控图像确定目标子区域,其中,目标子区域具有最高实时潜在风险评估分数,第一实时监控图像由固定图像采集设备采集;
展示模块302,用于在主显示区对目标子区域的第一实时监控图像进行展示,并向用户下发人工复核结果获取请求;
第一下发模块303,用于响应于人工复核结果,生成目标移动计算设备的部署策略,并将部署策略和初始模型下发至每个目标移动计算设备;
第二获取模块304,用于获取每个目标移动计算设备上传的优化模型和由第二实时监控图像组成的图像集,并根据优化模型和图像集生成风险评估结果;其中,第二实时监控图像由目标移动计算设备采集;
第二下发模块305,用于根据风险评估结果,向用户下发对应的安全处理策略。
在一种可选的实施方式中,第一获取模块,包括:
第一计算子模块,用于根据第一实时监控图像中异常人员的数量,计算第一潜在风险评估分数,其中,第一潜在风险评估分数用于表征异常人员维度的风险程度;
第二计算子模块,用于根据第一实时监控图像中异常事件的数量,计算第二潜在风险评估分数,其中,第二潜在风险评估分数用于表征异常事件维度的风险程度;
第三计算子模块,用于根据第一潜在风险评估分数、第二潜在风险评估分数以及动态权重,确定各个子区域的潜在风险评估分数;
评估子模块,用于根据各个子区域的潜在风险评估分数,确定目标子区域初始识别结果,其中,初始识别结果包括异常人员的数量和异常事件的数量。
在一种可选的实施方式中,第一获取模块还包括动态权重确定子模块,动态权重确定子模块包括:
安全管理模式确定单元,用于获取当前采用的安全管理模式;
第一匹配单元,用于根据异常人员维度与当前安全管理模式的匹配程度,确定第一潜在风险评估分数对应的动态权重占比;
第二匹配单元,用于根据异常事件维度与当前安全管理模式的匹配程度,确定第二潜在风险评估分数对应的动态权重占比。
在一种可选的实施方式中,第一下发模块包括:
筛选子模块,用于在人工复核结果与初始识别结果的差异率小于预设阈值的情况下,获取每个移动计算设备当前的状态信息和位置信息,并根据状态信息和位置信息筛选出至少一个目标移动计算设备;
第一策略生成子模块,用于根据异常人员和异常事件的关联关系,生成目标移动计算设备的识别模式部署策略;
第二策略生成子模块,用于根据目标子区域的位置特征,生成目标移动计算设备的运行路径部署策略。
在一种可选的实施方式中,第一下发模块还包括:
距离确定子模块,用于确定目标移动计算设备的第一距离特征和第二距离特征,其中,第一距离特征用于表征目标移动计算设备之间的相对距离关系,第二距离特征用于表征目标移动计算设备与目标子区域的相对距离关系;
策略优化子模块,用于根据第一距离特征和第二距离特征,对每个目标移动计算设备的部署策略进行协同优化。
在一种可选的实施方式中,策略优化子模块包括:
坐标构建单元,用于以第一距离特征和第二距离特征,建立部署策略对应的优化坐标系;
坐标映射单元,用于根据每个目标移动计算设备的第一距离特征和第二距离特征,将其映射到优化坐标系中,生成每个目标移动计算设备对应的初始坐标;
坐标调整单元,用于根据运行路径确定优化目标,并根据优化目标对目标移动计算设备对应的初始坐标进行调整,以获得优化坐标;
策略优化单元,用于根据优化坐标,确定目标移动计算设备的优化部署策略。
在一种可选的实施方式中,第二获取模块,包括:
模型融合子模块,用于对优化模型进行融合,以获得风险评估模型;
评估子模块,用于将图像集输入风险评估模型,以生成风险评估结果。
在一种可选的实施方式中,模型融合子模块,包括:
融合权重确定单元,用于根据各个优化模型的识别准确程度,确定其对应的融合权重占比;
模型融合单元,用于根据融合权重占比,对优化模型进行融合。
基于同一发明构思,本发明另一实施例提供一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信,
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现本发明的基于数据分析的智慧园区安全管理方法。
上述终端提到的通信总线可以是外设部件互联标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口用于上述终端与其他设备之间的通信。存储器可以包括随机存取存储器(Random AccessMemory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储系统。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
此外,为实现上述目的,本发明的实施例还提出了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时实现本发明实施例的基于数据分析的智慧园区安全管理方法。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、系统、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例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车辆(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例方法、终端设备(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终端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终端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系统。
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终端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系统的制造品,该指令系统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终端设备上,使得在计算机或其他可编程终端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终端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。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。“”和/或“”表示可以选择两者之中的任意一个,也可以两者都选择。而且,术语“”包括“”“”包含“”或者其任何其他变体意在涵盖非排他性地包含,从而使得包括一系列要素的过程、方法、物品或者终端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、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“”包括一个……“”限定的要素,并不排除在包括要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于数据分析的智慧园区安全管理方法,其特征在于,应用于中心计算设备,所述方法包括:
获取各个子区域的第一实时监控图像,并根据所述第一实时监控图像确定目标子区域,其中,所述目标子区域具有最高实时潜在风险评估分数,所述第一实时监控图像由固定图像采集设备采集;
在主显示区对所述目标子区域的第一实时监控图像进行展示,并向用户下发人工复核结果获取请求;
响应于所述人工复核结果,生成目标移动计算设备的部署策略,并将所述部署策略和初始模型下发至每个目标移动计算设备,其中,初始模型是识别准确度较低的通用识别模型;
获取每个所述目标移动计算设备上传的优化模型和由第二实时监控图像组成的图像集,并根据所述优化模型和所述图像集生成风险评估结果;其中,所述第二实时监控图像由所述目标移动计算设备采集,优化模型由所述目标移动计算设备采集的第二实时监控图像在其本地对初始模型进行不断优化获得;
根据所述风险评估结果,向用户下发对应的安全处理策略;
其中,所述根据所述第一实时监控图像确定目标子区域,包括:
根据所述第一实时监控图像中异常人员的数量,计算第一潜在风险评估分数,其中,所述第一潜在风险评估分数用于表征异常人员维度的风险程度;根据所述第一实时监控图像中异常事件的数量,计算第二潜在风险评估分数,其中,所述第二潜在风险评估分数用于表征异常事件维度的风险程度;根据所述第一潜在风险评估分数、第二潜在风险评估分数以及动态权重占比,确定各个子区域的潜在风险评估分数;根据所述各个子区域的潜在风险评估分数,确定所述目标子区域初始识别结果,其中,所述初始识别结果包括所述异常人员的数量和所述异常事件的数量;
所述部署策略包括识别模式部署策略和运行路径部署策略,所述响应于所述人工复核结果,生成目标移动计算设备的部署策略,包括:
在所述人工复核结果与所述初始识别结果的差异率小于预设阈值的情况下,获取每个所述移动计算设备当前的状态信息和位置信息,并根据所述状态信息和位置信息筛选出至少一个目标移动计算设备;
根据所述异常人员和异常事件的关联关系,生成所述目标移动计算设备的识别模式部署策略;
根据所述目标子区域的位置特征,生成所述目标移动计算设备的运行路径部署策略。
2.根据权利要求1所述的基于数据分析的智慧园区安全管理方法,其特征在于,所述方法还包括:
获取当前采用的安全管理模式;
根据异常人员维度与所述当前安全管理模式的匹配程度,确定所述第一潜在风险评估分数对应的动态权重占比;
根据异常事件维度与所述当前安全管理模式的匹配程度,确定所述第二潜在风险评估分数对应的动态权重占比。
3.根据权利要求2所述的基于数据分析的智慧园区安全管理方法,其特征在于,所述方法还包括:
确定目标移动计算设备的第一距离特征和第二距离特征,其中,所述第一距离特征用于表征所述目标移动计算设备之间的相对距离关系,所述第二距离特征用于表征所述目标移动计算设备与所述目标子区域的相对距离关系;
根据所述第一距离特征和所述第二距离特征,对每个所述目标移动计算设备的部署策略进行协同优化。
4.根据权利要求3所述的基于数据分析的智慧园区安全管理方法,其特征在于,所述根据所述第一距离特征和第二距离特征,对每个所述目标移动计算设备的部署策略进行协同优化,包括:
以所述第一距离特征和所述第二距离特征,建立部署策略对应的优化坐标系;
根据每个目标移动计算设备的所述第一距离特征和所述第二距离特征,将其映射到所述优化坐标系中,生成每个目标移动计算设备对应的初始坐标;
根据所述运行路径确定优化目标,并根据所述优化目标对目标移动计算设备对应的初始坐标进行调整,以获得优化坐标;
根据所述优化坐标,确定所述目标移动计算设备的优化部署策略。
5.根据权利要求1所述的基于数据分析的智慧园区安全管理方法,其特征在于,所述根据所述优化模型和所述图像集生成风险评估结果,包括:
对所述优化模型进行融合,以获得风险评估模型;
将所述图像集输入所述风险评估模型,以生成所述风险评估结果。
6.根据权利要求1所述的基于数据分析的智慧园区安全管理方法,其特征在于,所述对所述优化模型进行融合,以获得风险评估模型,包括:
根据各个所述优化模型的识别准确程度,确定其对应的融合权重占比;
根据所述融合权重占比,对所述优化模型进行融合。
7.一种基于数据分析的智慧园区安全管理系统,其特征在于,所述系统包括:
第一获取模块,用于获取各个子区域的第一实时监控图像,并根据所述第一实时监控图像确定目标子区域,其中,所述目标子区域具有最高实时潜在风险评估分数,所述第一实时监控图像由固定图像采集设备采集;
展示模块,用于在主显示区对所述目标子区域的第一实时监控图像进行展示,并向用户下发人工复核结果获取请求;
第一下发模块,用于响应于所述人工复核结果,生成目标移动计算设备的部署策略,并将所述部署策略和初始模型下发至每个目标移动计算设备;
第二获取模块,用于获取每个所述目标移动计算设备上传的优化模型和由第二实时监控图像组成的图像集,并根据所述优化模型和所述图像集生成风险评估结果;其中,所述第二实时监控图像由所述目标移动计算设备采集;
第二下发模块,用于根据所述风险评估结果,向用户下发对应的安全处理策略。
8.根据权利要求7所述的基于数据分析的智慧园区安全管理系统,其特征在于,所述第一获取模块,包括:
第一计算子模块,用于根据所述第一实时监控图像中异常人员的数量,计算第一潜在风险评估分数,其中,所述第一潜在风险评估分数用于表征异常人员维度的风险程度;
第二计算子模块,用于根据所述第一实时监控图像中异常事件的数量,计算第二潜在风险评估分数,其中,所述第二潜在风险评估分数用于表征异常事件维度的风险程度;
第三计算子模块,用于根据所述第一潜在风险评估分数、第二潜在风险评估分数以及动态权重,确定各个子区域的潜在风险评估分数;
评估子模块,用于根据所述各个子区域的潜在风险评估分数,确定所述目标子区域初始识别结果,其中,所述初始识别结果包括所述异常人员的数量和所述异常事件的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311072920.XA CN116777713B (zh) | 2023-08-24 | 2023-08-24 | 基于数据分析的智慧园区安全管理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311072920.XA CN116777713B (zh) | 2023-08-24 | 2023-08-24 | 基于数据分析的智慧园区安全管理方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116777713A true CN116777713A (zh) | 2023-09-19 |
CN116777713B CN116777713B (zh) | 2023-11-03 |
Family
ID=87986410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311072920.XA Active CN116777713B (zh) | 2023-08-24 | 2023-08-24 | 基于数据分析的智慧园区安全管理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116777713B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117251492A (zh) * | 2023-09-20 | 2023-12-19 | 怀宁县政通中小企业服务中心 | 智慧园区产业集群数据对比分析系统及方法 |
CN117455918A (zh) * | 2023-12-25 | 2024-01-26 | 深圳市辉熙智能科技有限公司 | 基于图像分析的防堵送料方法及系统 |
CN117521977A (zh) * | 2024-01-04 | 2024-02-06 | 深圳市光明顶技术有限公司 | 基于智慧平台的数据处理方法、装置、设备及存储介质 |
CN117579993A (zh) * | 2024-01-16 | 2024-02-20 | 石家庄学院 | 基于大数据的数字围栏安全管理系统 |
CN117612095A (zh) * | 2023-11-27 | 2024-02-27 | 中国南方电网有限责任公司 | 一种电力安全控制方法及装置 |
CN117614992A (zh) * | 2023-12-21 | 2024-02-27 | 天津建设发展集团股份公司 | 一种工程远程监控的边缘决策方法及系统 |
CN117746338A (zh) * | 2024-01-16 | 2024-03-22 | 柏森智慧空间科技集团有限公司 | 基于人工智能的物业园区安全管理方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170206423A1 (en) * | 2014-07-22 | 2017-07-20 | S-1 Corporation | Device and method surveilling abnormal behavior using 3d image information |
CN108052925A (zh) * | 2017-12-28 | 2018-05-18 | 江西高创保安服务技术有限公司 | 一种小区人员档案智能管理方法 |
US20180324392A1 (en) * | 2015-10-26 | 2018-11-08 | Hyeong Yong LEE | Cctv automatic selection monitoring system, and cctv automatic selection monitoring management server and management method |
CN109615256A (zh) * | 2018-12-17 | 2019-04-12 | 武汉烽火信息集成技术有限公司 | 智慧园区安防风险控制方法、存储介质、电子设备及系统 |
CN113808399A (zh) * | 2021-09-15 | 2021-12-17 | 谦亨信息化技术与系统(苏州)有限公司 | 一种基于大数据的智慧交通管理方法和系统 |
CN114418388A (zh) * | 2022-01-19 | 2022-04-29 | 中国信息通信研究院 | 一种基于图像识别的人员管理方法、装置及存储介质 |
CN114743141A (zh) * | 2022-04-07 | 2022-07-12 | 安徽晶奇网络科技股份有限公司 | 一种用于智慧小区的危险行为检测系统 |
CN115223100A (zh) * | 2022-08-02 | 2022-10-21 | 上海三力信息科技有限公司 | 一种智慧园区异常人员识别方法、系统、设备及存储介质 |
CN115511255A (zh) * | 2022-08-09 | 2022-12-23 | 南通明途通信服务有限公司 | 一种智慧园区的立体智能管理方法及系统 |
US20230066101A1 (en) * | 2022-09-29 | 2023-03-02 | Chengdu Qinchuan Iot Technology Co., Ltd. | Early warning method and system for regional public security management in smart city based on the internet of things |
CN115984767A (zh) * | 2022-12-13 | 2023-04-18 | 南通市亿控自动化系统有限公司 | 一种基于监控画面实时分析的异常预警方法及系统 |
-
2023
- 2023-08-24 CN CN202311072920.XA patent/CN116777713B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170206423A1 (en) * | 2014-07-22 | 2017-07-20 | S-1 Corporation | Device and method surveilling abnormal behavior using 3d image information |
US20180324392A1 (en) * | 2015-10-26 | 2018-11-08 | Hyeong Yong LEE | Cctv automatic selection monitoring system, and cctv automatic selection monitoring management server and management method |
CN108052925A (zh) * | 2017-12-28 | 2018-05-18 | 江西高创保安服务技术有限公司 | 一种小区人员档案智能管理方法 |
CN109615256A (zh) * | 2018-12-17 | 2019-04-12 | 武汉烽火信息集成技术有限公司 | 智慧园区安防风险控制方法、存储介质、电子设备及系统 |
CN113808399A (zh) * | 2021-09-15 | 2021-12-17 | 谦亨信息化技术与系统(苏州)有限公司 | 一种基于大数据的智慧交通管理方法和系统 |
CN114418388A (zh) * | 2022-01-19 | 2022-04-29 | 中国信息通信研究院 | 一种基于图像识别的人员管理方法、装置及存储介质 |
CN114743141A (zh) * | 2022-04-07 | 2022-07-12 | 安徽晶奇网络科技股份有限公司 | 一种用于智慧小区的危险行为检测系统 |
CN115223100A (zh) * | 2022-08-02 | 2022-10-21 | 上海三力信息科技有限公司 | 一种智慧园区异常人员识别方法、系统、设备及存储介质 |
CN115511255A (zh) * | 2022-08-09 | 2022-12-23 | 南通明途通信服务有限公司 | 一种智慧园区的立体智能管理方法及系统 |
US20230066101A1 (en) * | 2022-09-29 | 2023-03-02 | Chengdu Qinchuan Iot Technology Co., Ltd. | Early warning method and system for regional public security management in smart city based on the internet of things |
CN115984767A (zh) * | 2022-12-13 | 2023-04-18 | 南通市亿控自动化系统有限公司 | 一种基于监控画面实时分析的异常预警方法及系统 |
Non-Patent Citations (1)
Title |
---|
陈鹏;蔡;: "专用园区网络系统安全风险评估研究", 计算机工程与设计, no. 09 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117251492A (zh) * | 2023-09-20 | 2023-12-19 | 怀宁县政通中小企业服务中心 | 智慧园区产业集群数据对比分析系统及方法 |
CN117612095A (zh) * | 2023-11-27 | 2024-02-27 | 中国南方电网有限责任公司 | 一种电力安全控制方法及装置 |
CN117614992A (zh) * | 2023-12-21 | 2024-02-27 | 天津建设发展集团股份公司 | 一种工程远程监控的边缘决策方法及系统 |
CN117455918A (zh) * | 2023-12-25 | 2024-01-26 | 深圳市辉熙智能科技有限公司 | 基于图像分析的防堵送料方法及系统 |
CN117455918B (zh) * | 2023-12-25 | 2024-03-26 | 深圳市辉熙智能科技有限公司 | 基于图像分析的防堵送料方法及系统 |
CN117521977A (zh) * | 2024-01-04 | 2024-02-06 | 深圳市光明顶技术有限公司 | 基于智慧平台的数据处理方法、装置、设备及存储介质 |
CN117521977B (zh) * | 2024-01-04 | 2024-04-30 | 深圳市光明顶技术有限公司 | 基于智慧平台的数据处理方法、装置、设备及存储介质 |
CN117579993A (zh) * | 2024-01-16 | 2024-02-20 | 石家庄学院 | 基于大数据的数字围栏安全管理系统 |
CN117579993B (zh) * | 2024-01-16 | 2024-03-22 | 石家庄学院 | 基于大数据的数字围栏安全管理系统 |
CN117746338A (zh) * | 2024-01-16 | 2024-03-22 | 柏森智慧空间科技集团有限公司 | 基于人工智能的物业园区安全管理方法及系统 |
CN117746338B (zh) * | 2024-01-16 | 2024-05-28 | 柏森智慧空间科技集团有限公司 | 基于人工智能的物业园区安全管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116777713B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116777713B (zh) | 基于数据分析的智慧园区安全管理方法和系统 | |
CN106412501B (zh) | 一种视频的施工安全行为智能监控系统及其监控方法 | |
JP5224401B2 (ja) | 監視システムおよび方法 | |
US9852342B2 (en) | Surveillance system | |
US20180278894A1 (en) | Surveillance system | |
JP2018173914A (ja) | 画像処理システム、撮像装置、学習モデル作成方法、情報処理装置 | |
US20170344832A1 (en) | System and method for event monitoring and detection | |
CN111294561A (zh) | 基于视频的在线巡更方法、电子设备、存储介质及系统 | |
CN116155694B (zh) | 物联设备的管理方法、设备和可读存储介质 | |
CN112164049A (zh) | 一种违建监测方法及装置 | |
US10586130B2 (en) | Method, system and apparatus for providing access to videos | |
CN112288320A (zh) | 一种地铁运行风险监控和管理系统 | |
CN115146878A (zh) | 指挥调度方法、系统、车载设备及计算机可读存储介质 | |
CN115880631A (zh) | 一种配电站故障识别系统、方法、介质 | |
CN114677640A (zh) | 基于机器视觉的智慧工地安全监测系统及方法 | |
CN116862244B (zh) | 一种工业现场视觉ai分析与安全预警系统和方法 | |
CN106682590A (zh) | 一种监控业务的处理方法以及服务器 | |
CN116582339B (zh) | 一种智能楼宇网络安全监控方法、监控系统 | |
JP2023055636A (ja) | 監視システムにおける更新された分析手順の検証 | |
CN116208633A (zh) | 一种人工智能服务平台系统、方法、设备及介质 | |
Xie et al. | On‐line physical security monitoring of power substations | |
de Diego et al. | Scalable and flexible wireless distributed architecture for intelligent video surveillance systems | |
CN114241400A (zh) | 电网系统的监控方法及其装置、计算机可读存储介质 | |
CN112969057A (zh) | 一种5g mec分流的电力系统人员行为自动识别系统 | |
KR20120118339A (ko) | 지능형 무인 감시 서비스 방법 |
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 |