CN117333995A - 一种基于yolo-v3的高温气冷堆周界入侵探测报警方法及系统 - Google Patents
一种基于yolo-v3的高温气冷堆周界入侵探测报警方法及系统 Download PDFInfo
- Publication number
- CN117333995A CN117333995A CN202311219721.7A CN202311219721A CN117333995A CN 117333995 A CN117333995 A CN 117333995A CN 202311219721 A CN202311219721 A CN 202311219721A CN 117333995 A CN117333995 A CN 117333995A
- Authority
- CN
- China
- Prior art keywords
- alarm
- detection
- yolo
- level
- intrusion
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000009545 invasion Effects 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000008859 change Effects 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 3
- 230000009471 action Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000013145 classification model Methods 0.000 claims description 6
- 238000012790 confirmation Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000003702 image correction Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000011824 nuclear material Substances 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000002285 radioactive effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000132179 Eurotium medium Species 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于yolo‑v3的高温气冷堆周界入侵探测报警方法及系统,包括安装高清晰度监控摄像头,采集高温气冷堆周界的图像数据;对采集到的图像数据进行预处理;按照区域入侵和场景变化检测进行模型训练,并进行报警级别的处理与筛选;选取报警等级高的部分场景图像输入yolo‑v3模型,yolo‑v3模型结合报警级别,进行目标检测与属性判断。本发明具有高效准确的检测性能,能够及时发现入侵目标,可以实现智能化报警处理,减轻人工操作的压力,提高安全监控的效率。
Description
技术领域
本发明涉及高温气冷堆核电厂安保技术领域,特别是一种基于yolo-v3的高温气冷堆周界入侵探测报警方法及系统。
背景技术
核电站安防系统的目的主要是防止盗窃、抢劫或非法转移核材料,确保采取迅速和综合的措施,以查找和在适当时追回失踪或被盗的核材料,防止核电站重要设备被破坏,保护核材料和核设施免遭蓄意破坏,减轻或尽量减少蓄意破坏所造成的放射性后果,避免接受放射性后果的发生。虽然高温气冷堆具备固有安全性,但针对外部力量破坏的防御能力相对薄弱。根据公安部门敌情社情分析,国内已发现有针对核电厂的相关行动。核电厂遭到恶意破坏后极大可能会导致社会大众恐惧和恶劣的政治影响。
发明内容
鉴于上述核电站安防系统中存在的问题,提出了本发明。
因此,本发明所要解决的问题在于如何提供一种具有高效准确的检测性能,能够及时发现入侵目标的方法及系统。
为解决上述技术问题,本发明提供如下技术方案:一种基于yolo-v3的高温气冷堆周界入侵探测报警方法,其包括,安装高清晰度监控摄像头,采集高温气冷堆周界的图像数据;对采集到的图像数据进行预处理;按照区域入侵和场景变化检测进行模型训练,并进行报警级别的处理与筛选;选取报警等级高的部分场景图像输入yolo-v3模型,yolo-v3模型结合报警级别,进行目标检测与属性判断。
作为本发明所述基于yolo-v3的高温气冷堆周界入侵探测报警方法的一种优选方案,其中:所述对采集到的图像数据进行预处理包括去噪、图像增强和图像矫正。
作为本发明所述基于yolo-v3的高温气冷堆周界入侵探测报警方法的一种优选方案,其中:所述区域入侵的模型训练过程如下:根据核电站的防护区划分,将区域分为多个区域;采集每个区域的代表性图像数据,进行人工标注;对每个区域构建单独的检测模型M1i,i=1,...,n,并进行训练;在每个模型M1i中,区分正常情况和入侵情况,输出入侵置信度p:
p=M1i(image)
设置每个区域的入侵置信度阈值Ti,当p>Ti时,判定为区域i入侵;综合n个区域的模型,构成最终的区域检测模型M1:
M1={M11,M12,...,M1n}
所述区域的入侵置信度阈值Ti是根据每个区域的入侵判定模型输出值的均值μ和标准差δ,将每个区域的阈值Ti设为μ+2δ;在运行时,对输入图像使用M1进行预测,输出每个区域的入侵置信度,根据置信度p和入侵置信度阈值Ti判断区域入侵情况:若p<Ti,则判定未发生区域入侵;若p≥Ti,则判定发生了区域入侵,进一步进行围栏跨越检测;若确认发生了围栏跨越动作,则综合入侵区域的等级和围栏跨越动作,输出不同级别的报警。
作为本发明所述基于yolo-v3的高温气冷堆周界入侵探测报警方法的一种优选方案,其中:所述围栏跨越检测包括,在围栏上设置多个传感器;采集包含不同人员、不同的跨越动作的跨越围栏的视频样本;对每个视频样本提取一个跨越动作的开始和结束时间,并计算跨越持续时间;统计所有视频样本的跨越时间,并绘制分布直方图;根据分布直方图计算出跨越时间的均值μ和标准差σ,将时间阈值设定为:ti=μ+3σ;若传感器检测到信号变化,则进一步判断信号变化的时间间隔Δt;对于每两个相邻的传感器,若检测信号变化的时间间隔Δt<ti,则判定有发生跨越动作的概率;若满足多个相邻传感器检测到信号突变且相邻传感器Δt>ti,则判定发生了围栏跨越行为。
作为本发明所述基于yolo-v3的高温气冷堆周界入侵探测报警方法的一种优选方案,其中:所述综合入侵区域的等级和围栏跨越动作,输出不同级别的报警的具体过程包括,定义核电站的防护区多个区域优先级和多个跨越等级;
若仅发生低等级区域入侵,则报警级别取决于跨越等级;若同时发生多区域入侵,则取最高级区域的报警级别;若高等级区域入侵,则无论跨越情况,进行高级报警;若首次入侵就发生高等级区域入侵,则持续高级报警;若首次入侵为低等级区域,后续进入高等级,则升级报警;提供人工确认功能,若发生误报警,则人工确认后进行取消,同时录入案例供后续优化;优先级最高的入侵检测将首先显示,其次依次显示其他入侵信息;若继发多次入侵,则以首次入侵判断报警级别;同时入侵的多个区域,在系统界面上同时显示和定位;所述低等级区域为等级为区域等级中间值及以下的区域;所述高等级区域为等级为区域等级中间值以上的区域。
作为本发明所述基于yolo-v3的高温气冷堆周界入侵探测报警方法的一种优选方案,其中:所述场景变化检测的模型训练过程如下:采集正常工作和信号丢失两种场景下的图像序列数据以及正常场景和多种程度遮挡场景下的图像数据;在图像序列上提取特征,将特征输入分类模型,训练区分信号丢失和遮挡程度两类;分别设置分类模型输出置信度阈值和遮挡程度阈值,当丢失类置信度超过阈值时判定为信号丢失,当超过遮挡程度阈值时,则判定为遮挡发生;若摄像头信号完全丢失超过5分钟或遮挡超过R%,则进行高级报警;若摄像头信号间断丢失超过2分钟或遮挡W%-R%,则进行中级报警;若摄像头信号短暂丢失不超过2分钟或遮挡不超过W%,则进行低级报警,其中,W和R为自然数。
作为本发明所述基于yolo-v3的高温气冷堆周界入侵探测报警方法的一种优选方案,其中:所述选取报警等级高的部分场景图像输入yolo-v3模型的具体过程为:选择场景变化检测的模型和区域入侵的模型中进行高级报警的场景图像,并从原始采集的高温气冷堆周界的图像数据中进行截取;将截取的图像数据按顺序组织成节点,输入到yolo-v3模型中,进行目标检测与属性判断:yolo-v3模型对输入的图像进行并行高效检测;将检测到的目标,依据关联的报警级别,确定检测优先级;对高优先级目标,增大检测框,并标出文字标签;对检测目标,判断关键属性信息;将属性信息与报警级别关联,输出精确描述目标的文本报警。
第二方面,本发明为进一步解决核电站安防系统中存在的问题,提出了一种yolo-v3的高温气冷堆周界入侵探测报警系统,包括数据采集模块,用于采集高温气冷堆周界的图像数据;数据预处理模块,用于对采集到的图像数据进行预处理;模型训练模块,用于按照区域入侵和场景变化检测进行模型训练;数据处理模块,用于将报警等级高的部分场景图像,输入yolo-v3模型,yolo-v3模型结合报警级别,进行目标检测与属性判断。
第三方面,本发明实施例提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其中:所述计算机程序被处理器执行时实现如本发明第一方面所述的基于yolo-v3的高温气冷堆周界入侵探测报警方法的任一步骤。
第四方面,本发明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,其中:所述计算机程序被处理器执行时实现如本发明第一方面所述的基于yolo-v3的高温气冷堆周界入侵探测报警方法的任一步骤。
本发明有益效果为,本发明使用yolo-v3模型实现目标检测,具有高效准确的检测性能,能够及时发现入侵目标;采用模块化设计,可以方便地进行扩展和升级,满足不同应用场景的需求;采用开源技术,与其他系统的集成兼容性好,可以与现有的安防系统进行集成;可以实现智能化报警处理,减轻人工操作的压力,提高安全监控的效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。其中:
图1为实施例1中基于yolo-v3的高温气冷堆周界入侵探测报警方法的流程图。
图2为实施例1中区域入侵模型处理过程图。
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,下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
参照图1和图2,为本发明第一个实施例,该实施例提供了一种基于yolo-v3的高温气冷堆周界入侵探测报警方法,包括以下步骤:
S1:安装高清晰度监控摄像头,采集高温气冷堆周界的图像数据。
优选的,设备选择:根据实际需要选择高清晰度监控摄像头,考虑摄像头的分辨率、帧率、灵敏度等因素,例如1920*1080分辨率,60hz,红外照明型摄像头。
S2:对采集到的图像数据进行预处理。
优选的,预处理包括去噪、图像增强、图像矫正等步骤,以提高目标检测的精度。
S3:按照区域入侵和场景变化检测进行模型训练,并调整参数提高检测精度。
优选的,根据核电站的防护区划分,将区域分为n个区域,例如:区域1:要害区、区域2:保护区、区域3:监控区;收集每个区域的代表性图像数据,进行人工标注或模拟目标生成;对每个区域构建单独的检测模型M1_i,i=1,...,n,并进行训练;在每个模型M1_i中,区分正常情况和入侵情况,输出入侵置信度p:
p=M1_i(image)
设置每个区域的入侵置信度阈值ti,当p>ti时,判定为区域i入侵;综合所有n个区域的模型,构成最终的区域检测模型M1:
M1={M1_1,M1_2,...,M1_n}
在运行时,对输入图像使用M1进行预测,输出每个区域的入侵置信度,根据置信度和阈值判断区域入侵情况;根据入侵区域的等级,输出不同级别的报警。
进一步的,计算每个区域的入侵判定模型输出值的均值μ和标准差δ;将每个区域的阈值Ti设为μ+2δ。
进一步的,若判定发生了区域入侵,则进一步进行围栏跨越检测。
更进一步的,围栏跨越检测的步骤包括:在围栏上设置多个传感器,如红外线传感器或压力敏感传感器等;当传感器检测到信号变化,表示可能发生围栏跨越;对于每两个相邻的传感器,若检测信号变化的时间间隔Δt小于时间阈值t,则判定可能发生了跨越动作;若满足多个相邻传感器检测到信号突变且相邻传感器Δt<t,则最终判定确实发生了围栏跨越行为。
其中,时间阈值t的设定过程为:采集实际跨越围栏的视频样本,这些样本有不同的人员,不同的跨越动作;对每个视频样本,提取一个跨越动作的开始和结束时间,计算跨越持续时间dt;统计所有视频样本的跨越时间dt,绘制其分布直方图;计算出跨越时间的均值μ和标准差σ;将时间阈值设定为:T=μ+3σ。
需要说明的是,这样设定的时间阈值T满足覆盖大多数正常跨越情况。
定义多个区域优先级:A>B>C>D,以及多个跨越等级:I>II>III;若仅发生低等级区域入侵,则报警级别取决于跨越等级;若同时发生多区域入侵,则取最高区的报警级别;若高等级区域入侵,则无论跨越情况,一律高级报警;若首次入侵就发生高等级区域入侵,则持续高级报警;若首次入侵为低等级,后续进入高等级,则升级报警;人工确认后可取消误报警,同时录入该案例供后续优化;优先级最高的入侵检测将首先显示,其次依次显示其他入侵信息若继发多次入侵,以首次入侵判断报警级别;提供人工确认功能,安保人员可以取消误报警;同时入侵的多个区域,在系统界面上同时显示和定位。
更进一步的,跨越等级的划分如下:I级,即最高危险等级:人员直接跨越,触发多组连续传感器(≥8组);Ⅱ级,即高危险等级:人员使用工具辅助跨越,大型动物直接跨越,触发一定量的传感器(如5-7组);III级,即中级危险等级:小型动物直接跨越、人员翻越或攀爬跨越或触发少量传感器(3-4组);未跨越:未检测到跨越行为或触发个别传感器,不符合跨越判定。
进一步的,场景变化检测包括:收集正常工作和信号丢失两种场景下的图像序列数据以及正常场景和多种程度遮挡场景下的图像数据;在图像序列上提取特征,比如每帧图像的直方图等;将特征输入分类模型,如SVM,训练区分信号丢失和遮挡程度两类;分别设置分类模型输出置信度阈值和遮挡程度阈值,当丢失类置信度超过阈值时判定为信号丢失,当超过遮挡程度阈值时,则判定为遮挡发生;在实际使用中,继续收集数据进行在线训练,动态调整阈值。
进一步的,报警级别为:高级报警:摄像头信号完全丢失超过5分钟或遮挡超过70%,声光报警器发出警报音及红色警示灯;监控中心弹出大字报警信息,并轮询该摄像头图像;中级报警:摄像头信号间断丢失超过2分钟或遮挡30%-70%,声光报警器发出提示音及黄色提示灯;监控中心弹出报警信息;低级报警:摄像头信号短暂丢失不超过2分钟或遮挡10%-30%,监控中心弹出提示信息;若高级报警持续超过10分钟,则通知相关人员前往检查摄像头;若中级报警持续超过5分钟没有消除,则升级为高级报警;若低级报警在2分钟内消除,则取消报警;如果持续超过2分钟,则升级为中级报警。
报警处理可以通过与现有安防系统进行集成,例如探测到入侵分子突破保护区围栏周界和要害区围栏周界的非法入侵行为后,为系统准确地定位入侵地点,并进行高级报警,使保卫控制中心的值班人员能够快速了解非法入侵的报警并联动显示对应区域的摄像机图像以复核报警原因,确认是否属于真正的入侵行径,从而进行及时且有效响应。
需要说明的是,对任一摄像头在24小时内超过3次中级报警,进行重点检查。
S4:使用yolo-v3模型对预处理后的图像数据进行目标检测,判断威胁种类后,确定报警级别。
优选的,对检测结果,依优先级规则选择报警级别最高的场景图像;从原始视频流中截取报警高优先级的场景图像;将选取的图像按顺序组织成一个节点,输入到yolo-v3模型中;yolo-v3结合报警级别,进行目标检测与属性判断:yolo-v3模型对输入batch图像进行并行高效检测;检测到的目标,依据关联的报警级别,确定检测优先级;对高优先级目标,增大检测框,并标出文字标签;对检测目标,判断关键属性信息,如颜色、大小等;属性信息与报警级别关联,输出精确描述目标的文本报警。
定期对系统进行维护和优化,如更新算法、优化参数等,以提高系统的可靠性和稳定性;在实际使用过程中,如果发现系统针对某一种情况经常发生误报,例如由于电厂周围经常下雨天色偏暗,系统常常误报摄像机被遮挡,则需要针对电厂实际环境重新训练模型,提高相关报警阈值,降低误报率。
本实施例还提供一种基于yolo-v3的高温气冷堆周界入侵探测报警系统,包括数据采集模块,用于采集高温气冷堆周界的图像数据;数据预处理模块,用于对采集到的图像数据进行预处理;模型训练模块,用于按照区域入侵和场景变化检测进行模型训练;数据处理模块,用于将报警等级高的部分场景图像,输入yolo-v3模型,yolo-v3模型结合报警级别,进行目标检测与属性判断。
本实施例还提供一种计算机设备,适用于基于yolo-v3的高温气冷堆周界入侵探测报警方法的情况,包括:存储器和处理器;存储器用于存储计算机可执行指令,处理器用于执行计算机可执行指令,实现如上述实施例提出的基于yolo-v3的高温气冷堆周界入侵探测报警方法。
该计算机设备可以是终端,该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本实施例还提供一种存储介质,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提出的实现基于yolo-v3的高温气冷堆周界入侵探测报警方法;存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM),可编程只读存储器(Programmable Red-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
综上,本发明使用yolo-v3模型实现目标检测,具有高效准确的检测性能,能够及时发现入侵目标;采用模块化设计,可以方便地进行扩展和升级,满足不同应用场景的需求;采用开源技术,与其他系统的集成兼容性好,可以与现有的安防系统进行集成;可以实现智能化报警处理,减轻人工操作的压力,提高安全监控的效率。
实施例2
参照表1,为本发明第二个实施例,在第一个实施例的基础之上,为了验证其有益效果,提供了本发明与现有技术的的实验对比数据。
本实施例中将采用粒子群算法和遗传算法的两种入侵检测模型和本方法分别对入侵检测模型的训练集准确率、测试集准确率、误报率和漏报率进行算法检测效果的对比,结果如表1所示;其中,方法一为本方法使用yolo-v3模型方法、方法二使用了核主成分和改进的粒子群方法、方法三为粒子群方法、方法四为遗传算法。
表1:检测效果对比
检测方法 | 训练集准确率 | 测试集准确率 | 误报率 | 漏报率 | 检测时间 |
方法一 | 98.32% | 90.17% | 0.61% | 1.62% | 65.8s |
方法二 | 97.6% | 89.2% | 0.51% | 2.74% | 56.5s |
方法三 | 95.5% | 86.5% | 1.02% | 5.54% | 60.1s |
方法四 | 92.3% | 84.5% | 1.03% | 5.79% | 80.0s |
由表可知,方法四在各方面的性能指标上都不存在优势;方法三和方法二在与其余方法对比上检测时间存在明显的优势,但在其他指标上方法二明显要优于方法三,在检测的准确率上提高了2.1%,在漏报率上下降了2.8%;方法一除了在检测时间上有少许的增加之外,其他各项指标均有明显的提升,与方法二对比在检测的准确率上提高了0.72%,在漏报率上下降了1.12%;通过上述分析可知,本方法虽存在检测时间增加的问题,但整体上各项指标都有提升,能有效对工控系统存在的入侵问题进行准确检测。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于yolo-v3的高温气冷堆周界入侵探测报警方法,其特征在于:包括:
安装高清晰度监控摄像头,采集高温气冷堆周界的图像数据;
对采集到的图像数据进行预处理;
按照区域入侵和场景变化检测进行模型训练,并进行报警级别的处理与筛选;
选取报警等级高的部分场景图像输入yolo-v3模型,yolo-v3模型结合报警级别,进行目标检测与属性判断。
2.如权利要求1所述的基于yolo-v3的高温气冷堆周界入侵探测报警方法,其特征在于:所述对采集到的图像数据进行预处理包括去噪、图像增强和图像矫正。
3.如权利要求2所述的基于yolo-v3的高温气冷堆周界入侵探测报警方法,其特征在于:所述区域入侵的模型训练过程如下:
根据核电站的防护区划分,将区域分为多个区域;
采集每个区域的代表性图像数据,进行人工标注;
对每个区域构建单独的检测模型M1i,i=1,...,n,并进行训练;
在每个模型M1i中,区分正常情况和入侵情况,输出入侵置信度p:
p=M1i(image)
设置每个区域的入侵置信度阈值Ti,当p>Ti时,判定为区域i入侵;综合n个区域的模型,构成最终的区域检测模型M1:
M1={M11,M12,...,M1n}
所述区域的入侵置信度阈值Ti是根据每个区域的入侵判定模型输出值的均值μ和标准差δ,将每个区域的阈值Ti设为μ+2δ;
在运行时,对输入图像使用M1进行预测,输出每个区域的入侵置信度,根据置信度p和入侵置信度阈值Ti判断区域入侵情况:若p<Ti,则判定未发生区域入侵;若p≥Ti,则判定发生了区域入侵,进一步进行围栏跨越检测;若确认发生了围栏跨越动作,则综合入侵区域的等级和围栏跨越动作,输出不同级别的报警。
4.如权利要求3所述的基于yolo-v3的高温气冷堆周界入侵探测报警方法,其特征在于:所述围栏跨越检测包括,
在围栏上设置多个传感器;
采集包含不同人员、不同的跨越动作的跨越围栏的视频样本;
对每个视频样本提取一个跨越动作的开始和结束时间,并计算跨越持续时间;
统计所有视频样本的跨越时间,并绘制分布直方图;
根据分布直方图计算出跨越时间的均值μ和标准差σ,将时间阈值设定为:ti=μ+3σ;若传感器检测到信号变化,则进一步判断信号变化的时间间隔Δt;对于每两个相邻的传感器,若检测信号变化的时间间隔Δt<ti,则判定有发生跨越动作的概率;若满足多个相邻传感器检测到信号突变且相邻传感器Δt>ti,则判定发生了围栏跨越行为。
5.如权利要求4所述的基于yolo-v3的高温气冷堆周界入侵探测报警方法,其特征在于:所述综合入侵区域的等级和围栏跨越动作,输出不同级别的报警的具体过程包括,
定义核电站的防护区多个区域优先级和多个跨越等级;
若仅发生低等级区域入侵,则报警级别取决于跨越等级;若同时发生多区域入侵,则取最高级区域的报警级别;若高等级区域入侵,则无论跨越情况,进行高级报警;若首次入侵就发生高等级区域入侵,则持续高级报警;若首次入侵为低等级区域,后续进入高等级,则升级报警;提供人工确认功能,若发生误报警,则人工确认后进行取消,同时录入案例供后续优化;优先级最高的入侵检测将首先显示,其次依次显示其他入侵信息;若继发多次入侵,则以首次入侵判断报警级别;同时入侵的多个区域,在系统界面上同时显示和定位;所述低等级区域为等级为区域等级中间值及以下的区域;所述高等级区域为等级为区域等级中间值以上的区域。
6.如权利要求5所述的基于yolo-v3的高温气冷堆周界入侵探测报警方法,其特征在于:所述场景变化检测的模型训练过程如下:
采集正常工作和信号丢失两种场景下的图像序列数据以及正常场景和多种程度遮挡场景下的图像数据;在图像序列上提取特征,将特征输入分类模型,训练区分信号丢失和遮挡程度两类;分别设置分类模型输出置信度阈值和遮挡程度阈值,当丢失类置信度超过阈值时判定为信号丢失,当超过遮挡程度阈值时,则判定为遮挡发生;
若摄像头信号完全丢失超过5分钟或遮挡超过R%,则进行高级报警;若摄像头信号间断丢失超过2分钟或遮挡W%-R%,则进行中级报警;若摄像头信号短暂丢失不超过2分钟或遮挡不超过W%,则进行低级报警,其中,W和R为自然数。
7.如权利要求6所述的基于yolo-v3的高温气冷堆周界入侵探测报警方法,其特征在于:所述选取报警等级高的部分场景图像输入yolo-v3模型的具体过程为:
选择场景变化检测的模型和区域入侵的模型中进行高级报警的场景图像,并从原始采集的高温气冷堆周界的图像数据中进行截取;将截取的图像数据按顺序组织成节点,输入到yolo-v3模型中,进行目标检测与属性判断:
yolo-v3模型对输入的图像进行并行高效检测;将检测到的目标,依据关联的报警级别,确定检测优先级;对高优先级目标,增大检测框,并标出文字标签;对检测目标,判断关键属性信息;将属性信息与报警级别关联,输出精确描述目标的文本报警。
8.一种基于yolo-v3的高温气冷堆周界入侵探测报警系统,基于权利要求1~7任一所述的基于yolo-v3的高温气冷堆周界入侵探测报警方法,其特征在于:包括,
数据采集模块,用于采集高温气冷堆周界的图像数据;
数据预处理模块,用于对采集到的图像数据进行预处理;
模型训练模块,用于按照区域入侵和场景变化检测进行模型训练;
数据处理模块,用于将报警等级高的部分场景图像,输入yolo-v3模型,yolo-v3模型结合报警级别,进行目标检测与属性判断。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于:所述处理器执行所述计算机程序时实现权利要求1~7任一所述的基于yolo-v3的高温气冷堆周界入侵探测报警方法的步骤。
10.一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:所述计算机程序被处理器执行时实现权利要求1~7任一所述的基于yolo-v3的高温气冷堆周界入侵探测报警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311219721.7A CN117333995A (zh) | 2023-09-20 | 2023-09-20 | 一种基于yolo-v3的高温气冷堆周界入侵探测报警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311219721.7A CN117333995A (zh) | 2023-09-20 | 2023-09-20 | 一种基于yolo-v3的高温气冷堆周界入侵探测报警方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117333995A true CN117333995A (zh) | 2024-01-02 |
Family
ID=89294414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311219721.7A Pending CN117333995A (zh) | 2023-09-20 | 2023-09-20 | 一种基于yolo-v3的高温气冷堆周界入侵探测报警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117333995A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030156030A1 (en) * | 2000-08-09 | 2003-08-21 | Menix Engineering Co., Ltd. | Apparatus and method for automatically storing an intrusion scene, and method for controlling the apparatus using wireless signal |
JP2010067206A (ja) * | 2008-09-12 | 2010-03-25 | Secom Co Ltd | 画像センサ |
CN107331097A (zh) * | 2017-08-01 | 2017-11-07 | 中科融通物联科技无锡有限公司 | 基于目标位置信息融合的周界防入侵装置与方法 |
KR20190046351A (ko) * | 2017-10-26 | 2019-05-07 | 에스케이텔레콤 주식회사 | 침입 탐지방법 및 그 장치 |
CN110675586A (zh) * | 2019-09-25 | 2020-01-10 | 捻果科技(深圳)有限公司 | 一种视频分析和深度学习的机场围界入侵监控方法 |
KR20220057213A (ko) * | 2020-10-29 | 2022-05-09 | 주식회사 아디아랩 | 인공지능 기반의 이상행동 감지 시스템 |
WO2022141962A1 (zh) * | 2020-12-31 | 2022-07-07 | 深圳市商汤科技有限公司 | 入侵检测方法、装置、设备、存储介质和程序产品 |
CN115410114A (zh) * | 2022-08-02 | 2022-11-29 | 南京熊猫电子股份有限公司 | 一种基于多特征的城轨防汛预警方法及系统 |
CN115690496A (zh) * | 2022-10-27 | 2023-02-03 | 武汉大学 | 基于YOLOv5的实时区域入侵检测方法 |
CN116665385A (zh) * | 2023-06-01 | 2023-08-29 | 中科润程(北京)物联科技有限责任公司 | 基于机器视觉微波振动入侵探测方法、装置、设备及介质 |
-
2023
- 2023-09-20 CN CN202311219721.7A patent/CN117333995A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030156030A1 (en) * | 2000-08-09 | 2003-08-21 | Menix Engineering Co., Ltd. | Apparatus and method for automatically storing an intrusion scene, and method for controlling the apparatus using wireless signal |
JP2010067206A (ja) * | 2008-09-12 | 2010-03-25 | Secom Co Ltd | 画像センサ |
CN107331097A (zh) * | 2017-08-01 | 2017-11-07 | 中科融通物联科技无锡有限公司 | 基于目标位置信息融合的周界防入侵装置与方法 |
KR20190046351A (ko) * | 2017-10-26 | 2019-05-07 | 에스케이텔레콤 주식회사 | 침입 탐지방법 및 그 장치 |
CN110675586A (zh) * | 2019-09-25 | 2020-01-10 | 捻果科技(深圳)有限公司 | 一种视频分析和深度学习的机场围界入侵监控方法 |
KR20220057213A (ko) * | 2020-10-29 | 2022-05-09 | 주식회사 아디아랩 | 인공지능 기반의 이상행동 감지 시스템 |
WO2022141962A1 (zh) * | 2020-12-31 | 2022-07-07 | 深圳市商汤科技有限公司 | 入侵检测方法、装置、设备、存储介质和程序产品 |
CN115410114A (zh) * | 2022-08-02 | 2022-11-29 | 南京熊猫电子股份有限公司 | 一种基于多特征的城轨防汛预警方法及系统 |
CN115690496A (zh) * | 2022-10-27 | 2023-02-03 | 武汉大学 | 基于YOLOv5的实时区域入侵检测方法 |
CN116665385A (zh) * | 2023-06-01 | 2023-08-29 | 中科润程(北京)物联科技有限责任公司 | 基于机器视觉微波振动入侵探测方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
张萼辉;: "基于高清视频的高速铁路周界入侵预警技术研究", 中国铁路, no. 07, 15 July 2018 (2018-07-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111475804B (zh) | 一种告警预测方法及系统 | |
CN107392015B (zh) | 一种基于半监督学习的入侵检测方法 | |
US8346592B2 (en) | Method and system for determining a threat against a border | |
CN104050771B (zh) | 异常检测的系统和方法 | |
CN1950778A (zh) | 数据库用户行为监控系统及方法 | |
CN104700534A (zh) | 核电厂监控系统的报警方法、装置及系统 | |
CN116524691B (zh) | 输电线路隐患告警方法、装置、存储介质及计算机设备 | |
CN104700524A (zh) | 多机组核电基地的综合安保响应系统及装置 | |
US20190347366A1 (en) | Computer-aided design and analysis method for physical protection systems | |
CN112671767A (zh) | 一种基于告警数据分析的安全事件预警方法及装置 | |
CN112230584A (zh) | 应用于工控领域的安全监视可视化系统及安全监视方法 | |
CN117079397A (zh) | 一种基于视频监控的野外人兽安全预警方法 | |
US9865158B2 (en) | Method for detecting false alarm | |
CN109918901A (zh) | 实时检测基于Cache攻击的方法 | |
CN116389148B (zh) | 一种基于人工智能的网络安全态势预测系统 | |
CN117333995A (zh) | 一种基于yolo-v3的高温气冷堆周界入侵探测报警方法及系统 | |
Mwedzi et al. | Machine learning applications for fire detection in a residential building | |
CN114926317B (zh) | 基于大数据的消防监控视频智能防篡改方法 | |
CN116778657A (zh) | 一种智能识别入侵行为的方法及系统 | |
CN113792665B (zh) | 一种针对不同角色权限的违禁区域侵入检测方法 | |
CN115223078A (zh) | 一种基于高位监控的电力行为识别预警方法、系统及设备 | |
CN114584358A (zh) | 基于贝叶斯正则化的智能网络安全系统、装置及存储介质 | |
CN117152890B (zh) | 指定区域监控方法、系统和终端 | |
CN118135719A (zh) | 一种用于电厂的监控方法及系统 | |
CN113506419B (zh) | 基于视频数据的室内安全状态分析方法及系统 |
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 |