一种安全防护方法、中控设备及计算机存储介质与流程
本发明涉及周界安全防护技术领域，尤其涉及一种安全防护方法、中控设备及计算机存储介质。
背景技术：
目前，光纤分布式声学传感系统广泛应用于多个领域，比如机场安防，国界安防，城市安全监控，油气管道与铁路沿线监控等周边安防。光纤分布式声学传感系统是一种可以通过光缆传感器采集振动信号，通过对直接或间接接触的物体所发出的振动型号进行传输，对振动信号进行实时长时间监控。通过采集数据，然后经过算法分析处理和模式识别智能学习，可以识别出不同类型的干扰信号，比如攀爬围墙，行人行走，车辆经过等干扰信号，可以实现系统实施的进行预警，起到对防入侵地区预警监测的作用。
现在常用的识别方法有很多种，当前常采用人工在时域，频域等方面提取特征，通过机器学习方法进行识别，但是这种方法存在缺陷人工提取特征复杂，实施困难，准确率并不能满足实际应用场景中的需要。另外还有采用小波分析计算能量占比作为信号识别特征。某些方案还通过把一维振动信号转化为能量谱图像用深度学习技术分析，这种方法存在处理速度慢，检测范围小等技术问题。
技术实现要素：
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的安全防护方法、设备及计算机存储介质。
第一方面，本发明实施例提供一种安全防护方法，应用于分布式声学传感安防系统的中控设备，所述中控设备与设置在不同安防区域的声学传感器连接，所述方法包括：
确定声学信号训练样本集，所述声学信号训练样本集中包括m类安防事件对应的声学信号，每个声学信号标记有所属安全事件的分类标签，每个声学信号通过所述分布式声学传感检测系统中对应的声学传感器采集获得，m为大于1的整数；
通过预先搭建的一维卷积神经网络对所述训练样本集中的信号进行多轮训练，其中，所述一维卷积神经网络包括依次设置的初步特征提取层、最大池化层、深层特征提取层、全局平均池化层、全连接层和m分类的softmax层，在每轮训练中，将所述训练样本集中的信号输入所述初步特征提取层进行特征初提取，通过所述最大池化层对初步提取的特征进行压缩后，输入所述深层特征提取层进行特征深层提取，再通过所述全局平均池化层对压缩后的特征进行平均池化后，输入所述全连接层进行融合，最后通过所述softmax层进行分类，得到分类结果，通过损失函数计算分类结果与实际分类标签的损失值，利用反向传播算法更新所述一维卷积神经网络模型的网络参数，通过验证样本集中的信号对更新网络参数的模型进行验证，直至达到收敛条件，得到每轮训练的安全事件分类模型，从多轮训练得到的多个安全事件分类模型中确定出目标安全事件分类模型；
通过所述目标安全事件分类模型对不同安防区域的声学传感器采集的信号进行安全事件分类识别，在识别出存在目标类型的安全事件情况下，按对应的报警策略控制报警装置进行报警。
可选的，所述确定声学信号训练样本集，包括：
获得在不同时间段对应的声学传感器采集的第一预设时长的各类事件安防事件对应的声学信号；
按第二预设时长的滑动窗口，每次滑动第三预设时长的方式对获得每个声学信号进行分帧处理，对获得的分帧信号标注对应的分类标签后，按第一预设比例从所有的分帧信号提取形成所述声学信号训练样本集。
可选的，所述初步特征提取层包括依次连接的第一卷积子层和第二卷积子层，所述深层特征提取层包括依次连接的第三卷积子层和第四卷积子层，所述一维卷积神经网络的全连接层与softmax层间还设置有dropout层，通过所述dropout层对特征进行丢弃处理。
可选的，通过验证样本集中的信号对更新网络参数的模型进行验证，直至达到收敛条件，包括：
采用10折交叉验证方式进行验证测试，如果在所述验证样本集上分类精度小于预设精度，启动早停，得到本轮训练的安全事件分类模型，否则直到完全迭代完后输出本轮训练的安全事件分类模型。
可选的，所述从多轮训练得到的多个安全事件分类模型中确定出目标安全事件分类模型，包括：
在所述对获得的分帧信号标注对应的分类标签之后，按第二预设比例从所有的分帧信号提取形成声学信号测试样本集；
基于所述声学信号测试样本集，对每个安全事件分类模型进行性能评估；
将性能最优的安全事件分类模型作为目标安全事件分类模型。
第二方面，本发明实施例提供一种中控设备，应用于分布式声学传感安防系统，所述中控设备与设置在不同安防区域的声学传感器连接，所述中控设备包括：
确定单元，用于确定声学信号训练样本集，所述声学信号训练样本集中包括m类安防事件对应的声学信号，每个声学信号标记有所属安全事件的分类标签，每个声学信号通过所述分布式声学传感检测系统中对应的声学传感器采集获得，m为大于1的整数；
模型训练单元，用于通过预先搭建的一维卷积神经网络对所述训练样本集中的信号进行多轮训练，其中，所述一维卷积神经网络包括依次设置的初步特征提取层、最大池化层、深层特征提取层、全局平均池化层、全连接层和m分类的softmax层，在每轮训练中，将所述训练样本集中的信号输入所述初步特征提取层进行特征初提取，通过所述最大池化层对初步提取的特征进行压缩后，输入所述深层特征提取层进行特征深层提取，再通过所述全局平均池化层对压缩后的特征进行平均池化后，输入所述全连接层进行融合，最后通过所述softmax层进行分类，得到分类结果，通过损失函数计算分类结果与实际分类标签的损失值，利用反向传播算法更新所述一维卷积神经网络模型的网络参数，通过验证样本集中的信号对更新网络参数的模型进行验证，直至达到收敛条件，得到每轮训练的安全事件分类模型，从多轮训练得到的多个安全事件分类模型中确定出目标安全事件分类模型；
安防单元，用于通过所述目标安全事件分类模型对不同安防区域的声学传感器采集的信号进行安全事件分类识别，在识别出存在目标类型的安全事件情况下，按对应的报警策略控制报警装置进行报警。
可选的，所述确定单元具体用于：
获得在不同时间段对应的声学传感器采集的第一预设时长的各类事件安防事件对应的声学信号；
按第二预设时长的滑动窗口，每次滑动第三预设时长的方式对获得每个声学信号进行分帧处理，对获得的分帧信号标注对应的分类标签后，按第一预设比例从所有的分帧信号提取形成所述声学信号训练样本集。
第三方面，本发明实施例提供一种中控设备，应用于分布式声学传感安防系统，所述中控设备包括处理器和存储器：
所述存储器用于存储执行前述第一方面中任一项所述方法的程序；
所述处理器被配置为用于执行所述存储器中存储的程序。
第四方面，本发明实施例提供一种计算机存储介质，用于储存为上述第一方面任一项所述的安全防护方法所用的计算机软件指令，其包含用于执行上述方面为所设计的程序。
第五方面，本发明实施例提供一种分布式声学传感安防系统，括中控设备和与所述中控设备连接的设置在不同安防区域的声学传感器，所述中控设备各个声学传感器采集对应安防区域对应的声学信号后，传输至所述中控设备，所述中控设备用于通过上述第一方面任一项所述的安全防护方法进行安全防护。
本申请实施例中的上述至少一个技术方案，至少具有如下一种或多种技术效果：
本发明实施例提供一种安全防护方法，应用于中控设备，中控设备与设置在不同安防区域的声学传感器连接，中控设备确定声学信号训练样本集，样本集中包括m类安防事件对应的声学信号，每个声学信号标记有所属安全事件的分类标签，每个声学信号通过分布式声学传感检测系统中对应的声学传感器采集获得，然后通过预先搭建的一维卷积神经网络对训练样本集中的信号进行多轮训练，在每轮训练中，将训练样本集中的信号输入初步特征提取层进行特征初提取，通过最大池化层对初步提取的特征进行压缩后，输入深层特征提取层进行特征深层提取，再通过全局平均池化层对压缩后的特征进行平均池化后，输入全连接层进行融合，最后通过softmax层进行分类，得到分类结果，通过损失函数计算分类结果与实际分类标签的损失值，利用反向传播算法更新一维卷积神经网络模型的网络参数，通过验证样本集中的信号对更新网络参数的模型进行验证，直至达到收敛条件，得到每轮训练的安全事件分类模型，从多轮训练得到的多个安全事件分类模型中确定出目标安全事件分类模型，最后，通过目标安全事件分类模型对不同安防区域的声学传感器采集的信号进行安全事件分类识别，在识别出存在目标类型的安全事件情况下，按对应的报警策略控制报警装置进行报警。可以省去手动提取特征的复杂性，而且可以在低采样率中达到良好的效果，处理速度快，识别率优于手工提取算法。
附图说明
通过阅读下文优选实施方式的详细描述，各种其它的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本发明第一实施例中的安全防护方法的流程图；
图2为本发明第一实施例中的安全防护方法的模型训练部分的具体流程图；
图3为本发明第一实施例中的一维卷积神经网络结构图；
图4为本发明第一实施例中的模型训练可视化图；
图5为本发明第一实施例中的混淆矩阵图；
图6为本发明第二实施例中的中控设备的示意图；
图7为本发明第三实施例中的中控设备的示意图。
具体实施方式
本实施例公开一种安全防护方法，应用于分布式声学传感安防系统的中控设备，所述中控设备与设置在不同安防区域的声学传感器连接，所述方法包括：确定声学信号训练样本集，所述声学信号训练样本集中包括m类安防事件对应的声学信号，每个声学信号标记有所属安全事件的分类标签，每个声学信号通过所述分布式声学传感检测系统中对应的声学传感器采集获得，m为大于1的整数；通过预先搭建的一维卷积神经网络对所述训练样本集中的信号进行多轮训练，其中，所述一维卷积神经网络包括依次设置的初步特征提取层、最大池化层、深层特征提取层、全局平均池化层、全连接层和m分类的softmax层，在每轮训练中，将所述训练样本集中的信号输入所述初步特征提取层进行特征初提取，通过所述最大池化层对初步提取的特征进行压缩后，输入所述深层特征提取层进行特征深层提取，再通过所述全局平均池化层对压缩后的特征进行平均池化后，输入所述全连接层进行融合，最后通过所述softmax层进行分类，得到分类结果，通过损失函数计算分类结果与实际分类标签的损失值，利用反向传播算法更新所述一维卷积神经网络模型的网络参数，通过验证样本集中的信号对更新网络参数的模型进行验证，直至达到收敛条件，得到每轮训练的安全事件分类模型，从多轮训练得到的多个安全事件分类模型中确定出目标安全事件分类模型；通过所述目标安全事件分类模型对不同安防区域的声学传感器采集的信号进行安全事件分类识别，在识别出存在目标类型的安全事件情况下，按对应的报警策略控制报警装置进行报警。
下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本申请实施例以及实施例中具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
实施例
本发明第一实施例提供一种安全防护方法，应用于分布式声学传感安防系统的中控设备，所述中控设备与设置在不同安防区域的声学传感器连接，请参考图1，该方法包括如下步骤：
s101：确定声学信号训练样本集，所述声学信号训练样本集中包括m类安防事件对应的声学信号，每个声学信号标记有所属安全事件的分类标签，每个声学信号通过所述分布式声学传感检测系统中对应的声学传感器采集获得，m为大于1的整数；
s102：通过预先搭建的一维卷积神经网络对所述训练样本集中的信号进行多轮训练，其中，所述一维卷积神经网络包括依次设置的初步特征提取层、最大池化层、深层特征提取层、全局平均池化层、全连接层和m分类的softmax层，在每轮训练中，将所述训练样本集中的信号输入所述初步特征提取层进行特征初提取，通过所述最大池化层对初步提取的特征进行压缩后，输入所述深层特征提取层进行特征深层提取，再通过所述全局平均池化层对压缩后的特征进行平均池化后，输入所述全连接层进行融合，最后通过所述softmax层进行分类，得到分类结果，通过损失函数计算分类结果与实际分类标签的损失值，利用反向传播算法更新所述一维卷积神经网络模型的网络参数，通过验证样本集中的信号对更新网络参数的模型进行验证，直至达到收敛条件，得到每轮训练的安全事件分类模型，从多轮训练得到的多个安全事件分类模型中确定出目标安全事件分类模型；
s103：通过所述目标安全事件分类模型对不同安防区域的声学传感器采集的信号进行安全事件分类识别，在识别出存在目标类型的安全事件情况下，按对应的报警策略控制报警装置进行报警。
具体的，本实施例提供一种高效准确识别安全事件的安全防护方法，用于解决目前安防领域分布式声学传感系统识别的准确率低，识别速度慢，检测范围小的问题。本实施例中的方法依次分为数据准备、模型训练、事件识别及报警这三部分内容执行，详见图2所示，图2中仅以3类事件识别为例进行展示，在具体实施过程中，可根据实际需要进行设定，在此，本实施例不做限制。
首先，执行步骤s101，进行数据准备具体可通过如下步骤实现：
获得在不同时间段对应的声学传感器采集的第一预设时长的各类事件安防事件对应的声学信号；
按第二预设时长的滑动窗口，每次滑动第三预设时长的方式对获得每个声学信号进行分帧处理，对获得的分帧信号标注对应的分类标签后，按第一预设比例从所有的分帧信号提取形成所述声学信号训练样本集。
具体的，在本实施例中，首先对待检测的安防区域进行部署，安防区域可以是围墙区域，进出口区域等，在具体实施中，可根据实际需要进行设定，在此，本实施例不做限制。举例来说，可以在铁路沿线铺设的分布式声学传感器进行防护事件采集。各个安防区域均分布式设置有对应的声学传感器，声学传感器通过地面或者围墙等介质间接或直接感应振动信号。在本实施例中，声学传感器可以是光纤传感器，光纤传感器的光纤采样频率为200hz，以传感器检测以20m为一个区域范围作为传感点，数据相位为(-π，π)。其中，声学传感器通过下位机采集设备实时获取传感器感应信号，每秒一次回传当前一秒内采集的所有传感节点的数据，获取的数据信号程波形序列状。其中，中控设备可以接入多台下位机采集设备，可以进行快速识别处理，因此可以检测长距离范围。
在光纤传感器附近进行事件数据采集，采集信号包含m类安防事件的信号。其中，m类安防事件的信号采集时间分为上午，下午和晚上，在每个时间段随机选取分布式声学传感安防系统中多个传感器节点对多种安防事件的信号进行采集，每次采集时长约两分钟，交替采集，采集多次。在本实施例中，安防事件可以是前述提及的爬墙事件、行人行走事件、车辆经过事件等，在具体实施过程中，可根据实际需要来设定安防事件，在此，本实施例不做限制。
在中控设备接收到分布式声学传感器采集的各类事件的声学信号后，还会对数据进行分帧，按前述示例所述，对于从声学传感器采集的2分钟的声学信号，以5s为事件滑动窗口，每次滑动1s，把一段2分钟的数据分解为多个数据帧，对每个数据帧标注上所属安全事件的分类标签。将得到的数据帧分为声学信号训练样本集和声学信号测试样本集的比例为4:1。进一步，在后续训练过程中，需要进行交叉验证，将其中声学信号训练样本集分为训练集和交叉验证集，比例为4:1。
在执行完步骤s101之后，执行步骤s102，首先，构建一维卷积神经网络，在本实施例中，一维卷积神经网络包括依次设置的初步特征提取层、最大池化层、深层特征提取层、全局平均池化层、全连接层和m分类的softmax层。其中，初步特征提取层包括依次连接的第一卷积子层和第二卷积子层，所述深层特征提取层包括依次连接的第三卷积子层和第四卷积子层，所述一维卷积神经网络的全连接层与softmax层间还设置有dropout层，通过所述dropout层对特征进行丢弃处理。
举例来说，如图3所示，最初两层是一维100*10的卷积层即为初始特征提取层，用来提取浅层时域和频域特征等初始特征，然后是一个步长为3的最大池化层，用来减少神经网络参数。接下来是两层160*10的卷积层即为深层特征提取层，用于提取更深层的特征。后接一个全局最大池化，用于处理最后的分类最铺垫。由于模型最后接了一个全连接(fc)层会导致参数过多，因此这里加了一层dropout层，用于防止过拟合。最后接一个输出为三分类的softmax层用于输出分类结果。
其中，softmax计算公式为：
在构建好一维卷积神经网络后，需要采用前述的声学信号训练样本集对其进行训练多轮，得到每轮训练得到的安全事件分类模型，该安全事件分类模型是m类的安全事件分类模型。
在网络训练的开始，采用正态分布方式初始化一维卷积神经网络的参数θ，其中参数θ服从正态分布。图3中的第一卷积子层c1为例，对卷积进行说明，c1是一维卷积层，c1卷积核个数为r，卷积长度为r，每个卷积核需要进行计算k次卷积。输入数据为xi＝{x1,x2,x3,…,xs}，第j个卷积核初始化参数后权值矩阵为wj＝[wj1,wj2,wj3,…，wjr]，设偏置单元为bj，采用relu函数，卷积计算公式如下：
convjk＝relu([xi,xi+1,…,xi+r]·[wj1,wj2,wj3,…，wjr]+bj)
上述公式中，i是第i个数据点，j是第j个卷积核，k是第k次卷积，s是输入数据长度，r是卷积核的大小。激活函数relu为：
relu＝max(x,0)
以池化层p1为例，这里池化选用的是最大池化，如图3，p1中各个核与卷积层c2的卷积核相对应，卷积核个数为r，大小为p，每个核进行p次池化。p1池化的输入为c2卷积层的输出，第j个核对c2中的第j个向量convj进行池化，设置步长为s，计算公式如下：
poolj＝[max(convj1,…,convjp)…max(convj(1+s)…convj(1+s)+p)…]
把最大池化层的输出依次再输入两个卷积层，再经过一个全局最大池化和全连接层，最后输出预测值
一维卷积神经网络的超参数设置训练批量batchsize为10，训练轮次epochs为100，采用早停方式，防止训练过拟合，算法收敛不好。
根据全连接层的输出计算交叉熵损失函数l，计算样本真实值与预测值之间的误差，公式如下：
其中，公式中n表示样本总数，
mt＝μ*mt-1+(1-μ)*gt
在上式中，gt是目标函数梯度，mt，nt表示梯度的一阶和二阶矩估计，μ,v分别是梯度一阶和二阶矩的指数衰减率。当第t次迭代时，
一维卷积神经网络参数更新如下：
在式子中，α为学习率，ε为无穷小的数。
根据上述公式，更新神经网络参数，使用10折交叉验证方式进行验证测试，若发现在验证集上效果变差，启动早停，本轮训练的安全事件分类模型，否则直到完全迭代完后输出本轮训练的安全事件分类模型。训练过程可视化如图4所示。
最后，需要从多轮训练得到的多个安全事件分类模型中确定出目标安全事件分类模型，具体可通过如下步骤实现：
在所述对获得的分帧信号标注对应的分类标签之后，按第二预设比例从所有的分帧信号提取形成声学信号测试样本集；
基于所述声学信号测试样本集，对每个安全事件分类模型进行性能评估；
将性能最优的安全事件分类模型作为目标安全事件分类模型。
具体的按前述方式确定出声学信号训练样本集后，剩余的即为声学信号测试样本集。将准备好的声学信号测试样本集输入到训练好的每个安全事件分类模型中，输出测试的分类结果。对于测试的分类结果与实际的标签对比计算准确率accuracy、精确率precision、召回率recall、f-score等多种衡量的性能，详细公式如下：
在式子中，tp代表预测为正例和实际相符合的样本数，fp代表预测为正例但实际为负例的样本数，fn代表预测为负例但实际为正例的样本数，tn代表预测为负例实际为负例的样本数。准确率accuracy指的是预测与实际正确的占所有样本总数的比率。精确率precision指的是预测所有正例样本数中含有实际正例的数目，召回率recall指的是预测正确为正例的样本数占实际为正例的样本数。f-score为精确率和召回率的综合评价指标。
最后，依据上述公式计算混淆矩阵，分析模型每种类别的分类情况。如图5所示。确认最后性能评估最优的模型作为目标安全事件分类模型。
最后，可通过目标安全事件分类模型对声学传感器检测到的声学信号进行识别，
具体的，中控设备整理每个采集节点的数据合并为5s的数据帧，然后把每个数据帧输入到目标安全事件分类模型中进行分类预测，其中最后会预测出多个事件，把这些数据事件存储起来自动标注上所属安全事件的分类标签，然后待人工审核这些标签后进行算法模型迭代训练，最终使得模型对入侵事件的识别越来越精准。
最后，通过目标安全事件分类模型对不同安防区域的声学传感器采集的信号进行安全事件分类识别，在识别出存在目标类型的安全事件情况下，按对应的报警策略控制报警装置进行报警。举例来说，如果识别出翻墙类型的安全事件，会触发警报装置进行报警，警报装置可以是扬声装置，也可以是通知监控人员警报信息的信息传输装置等，在具体实施过程中，目标类型的安全事件可根据实际需要进行设定，报警策略也可根据实际需要进行设定，在此，本实施例不做限制。
本实施例中的方法，通过设计的一维卷积神经网络结构，利用安防区域的分布式声学振动传感器采集多类安防事件的样本集，用于算法的学习和训练，实现算法对传感器振动信号进行自动特征挖掘，可以准确快速的识别事件，最终结果优于传统手工特征提取和时频域转化等方法。本实施例中的方法，与其他利用cnn方法的不同之处在于信号采样频率不同，的低频信号高效提取可以实现更大范围的实时精确监控；其次是网络结构不同，采用自主设计的网络结构达到更好的识别效果。
请参照图6，本发明第二实施例还提供了一种中控设备，应用于分布式声学传感安防系统，所述中控设备与设置在不同安防区域的声学传感器连接，所述中控设备包括：
确定单元601，用于确定声学信号训练样本集，所述声学信号训练样本集中包括m类安防事件对应的声学信号，每个声学信号标记有所属安全事件的分类标签，每个声学信号通过所述分布式声学传感检测系统中对应的声学传感器采集获得，m为大于1的整数；
模型训练单元602，用于通过预先搭建的一维卷积神经网络对所述训练样本集中的信号进行多轮训练，其中，所述一维卷积神经网络包括依次设置的初步特征提取层、最大池化层、深层特征提取层、全局平均池化层、全连接层和m分类的softmax层，在每轮训练中，将所述训练样本集中的信号输入所述初步特征提取层进行特征初提取，通过所述最大池化层对初步提取的特征进行压缩后，输入所述深层特征提取层进行特征深层提取，再通过所述全局平均池化层对压缩后的特征进行平均池化后，输入所述全连接层进行融合，最后通过所述softmax层进行分类，得到分类结果，通过损失函数计算分类结果与实际分类标签的损失值，利用反向传播算法更新所述一维卷积神经网络模型的网络参数，通过验证样本集中的信号对更新网络参数的模型进行验证，直至达到收敛条件，得到每轮训练的安全事件分类模型，从多轮训练得到的多个安全事件分类模型中确定出目标安全事件分类模型；
安防单元603，用于通过所述目标安全事件分类模型对不同安防区域的声学传感器采集的信号进行安全事件分类识别，在识别出存在目标类型的安全事件情况下，按对应的报警策略控制报警装置进行报警。
作为一种可选的实施例，所述确定单元具体用于：
获得在不同时间段对应的声学传感器采集的第一预设时长的各类事件安防事件对应的声学信号；
按第二预设时长的滑动窗口，每次滑动第三预设时长的方式对获得每个声学信号进行分帧处理，对获得的分帧信号标注对应的分类标签后，按第一预设比例从所有的分帧信号提取形成所述声学信号训练样本集。
作为一种可选的实施例，所述初步特征提取层包括依次连接的第一卷积子层和第二卷积子层，所述深层特征提取层包括依次连接的第三卷积子层和第四卷积子层，所述一维卷积神经网络的全连接层与softmax层间还设置有dropout层，通过所述dropout层对特征进行丢弃处理。
作为一种可选的实施例，所述模型训练单元具体用于：
采用10折交叉验证方式进行验证测试，如果在所述验证样本集上分类精度小于预设精度，启动早停，得到本轮训练的安全事件分类模型，否则直到完全迭代完后输出本轮训练的安全事件分类模型。
作为一种可选的实施例，所述模型训练单元具体用于：
在所述对获得的分帧信号标注对应的分类标签之后，按第二预设比例从所有的分帧信号提取形成声学信号测试样本集；
基于所述声学信号测试样本集，对每个安全事件分类模型进行性能评估；
将性能最优的安全事件分类模型作为目标安全事件分类模型。
本实施例的中控设备进行安全防护的具体实施方式已在前述第一实施例中详细阐述，可参照第一实施例中的内容，在此，本实施例不再赘述。
本发明第三实施例还提供了一种中控设备，请参照图7，为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。
图7示出的是与本发明实施例提供的中控设备的部分结构的示意图。该中控设备包括存储器701，所述存储器701用于存储执行前述第一实施例中的安全防护方法的程序。该中控设备还包括处理器702，与所述存储器701连接，所述处理器702被配置为用于执行所述存储器701中存储的程序。所述中控设备与设置在不同安防区域的声学传感器连接。
所述处理器702执行所述计算机程序时实现上述第一实施例中安全防护方法中的步骤。或者，所述处理器执行所述计算机程序时实现上述第二实施例中的中控设备中各模块/单元的功能。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述计算机装置中的执行过程。
所述装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图7仅仅是中控设备的功能部件的示例图，并不构成对中控设备的限定，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，例如所述中控设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器702可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
所述存储器701可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、一个或多个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据中控设备的使用所创建的数据(比如音频数据、视频数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)、一个或多个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在本发明实施例中，处理器702具有以下功能：
确定声学信号训练样本集，所述声学信号训练样本集中包括m类安防事件对应的声学信号，每个声学信号标记有所属安全事件的分类标签，每个声学信号通过所述分布式声学传感检测系统中对应的声学传感器采集获得，m为大于1的整数；
通过预先搭建的一维卷积神经网络对所述训练样本集中的信号进行多轮训练，其中，所述一维卷积神经网络包括依次设置的初步特征提取层、最大池化层、深层特征提取层、全局平均池化层、全连接层和m分类的softmax层，在每轮训练中，将所述训练样本集中的信号输入所述初步特征提取层进行特征初提取，通过所述最大池化层对初步提取的特征进行压缩后，输入所述深层特征提取层进行特征深层提取，再通过所述全局平均池化层对压缩后的特征进行平均池化后，输入所述全连接层进行融合，最后通过所述softmax层进行分类，得到分类结果，通过损失函数计算分类结果与实际分类标签的损失值，利用反向传播算法更新所述一维卷积神经网络模型的网络参数，通过验证样本集中的信号对更新网络参数的模型进行验证，直至达到收敛条件，得到每轮训练的安全事件分类模型，从多轮训练得到的多个安全事件分类模型中确定出目标安全事件分类模型；
通过所述目标安全事件分类模型对不同安防区域的声学传感器采集的信号进行安全事件分类识别，在识别出存在目标类型的安全事件情况下，按对应的报警策略控制报警装置进行报警。
在本发明实施例中，处理器702具有以下功能：
获得在不同时间段对应的声学传感器采集的第一预设时长的各类事件安防事件对应的声学信号；
按第二预设时长的滑动窗口，每次滑动第三预设时长的方式对获得每个声学信号进行分帧处理，对获得的分帧信号标注对应的分类标签后，按第一预设比例从所有的分帧信号提取形成所述声学信号训练样本集。
其中，所述初步特征提取层包括依次连接的第一卷积子层和第二卷积子层，所述深层特征提取层包括依次连接的第三卷积子层和第四卷积子层，所述一维卷积神经网络的全连接层与softmax层间还设置有dropout层，通过所述dropout层对特征进行丢弃处理。
在本发明实施例中，处理器702具有以下功能：
采用10折交叉验证方式进行验证测试，如果在所述验证样本集上分类精度小于预设精度，启动早停，得到本轮训练的安全事件分类模型，否则直到完全迭代完后输出本轮训练的安全事件分类模型。
在本发明实施例中，处理器702具有以下功能：
在所述对获得的分帧信号标注对应的分类标签之后，按第二预设比例从所有的分帧信号提取形成声学信号测试样本集；
基于所述声学信号测试样本集，对每个安全事件分类模型进行性能评估；
将性能最优的安全事件分类模型作为目标安全事件分类模型。
本发明第四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，本发明第二实施例中的所述中控设备集成的功能单元如果以软件功能单元的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可读取存储介质中。基于这样的理解，本发明实现上述第一实施例的安全防护方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
本发明第五实施例提供了一种分布式声学传感安防系统，包括前述第三实施例的中控设备和与所述中控设备连接的设置在不同安防区域的声学传感器，所述中控设备各个声学传感器采集对应安防区域对应的声学信号后，传输至所述中控设备，所述中控设备用于通过前述第一实施例中所述的方法进行安全防护。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
- 还没有人留言评论。精彩留言会获得点赞！