一种基于深度神经网络的智能安防系统的制作方法

1.本发明涉及智能安防技术领域，特别涉及一种基于深度神经网络的智能安防系统。


背景技术：

2.安全防范系统以维护社会公共安全为目的，运用安全防范产品和其它相关产品所构成的入侵报警系统、视频安防监控系统，能够有效地保障了人民生命和财产安全。但由于设施在使用的过程中会有设备故障、人为破坏等问题，会导致安防系统发生误报造成人员调度浪费、漏报导致环境中存在高风险因素。
3.公开号为cn112788305a的发明专利一种智能安防系统，包括压力监测垫、摄像头模组及控制装置，所述压力监测垫包括基板、设置于所述基板上的压敏电阻及电连接所述压敏电阻的测量电路，所述控制装置电连接所述压力监测垫及所述摄像头模组，所述测量电路电连接所述压敏电阻并与所述压敏电阻构成压力监测电路，所述压力监测电路用于在所述压力监测垫被施加压力时输出压力监测信号至所述控制装置，所述控制装置用于依据所述压力监测信号控制所述摄像头模组开启进行安防摄像。该发明解决的问题是实现实时监控且省电节能的安防系统，并未解决上述安防系统存在的问题，因此需要一种能够通过深度神经网络进行异常报警信息检测的智能安防系统。


技术实现要素：

4.发明要解决的问题是：提供一种基于深度神经网络的智能安防系统，对安防系统中异常报警进行检测，减少误报、漏报，提高系统稳定性。
5.针对上述技术问题，本发明提供一种基于深度神经网络的智能安防系统，包括门禁系统、报警系统、监控系统，所述的监控系统包括监控摄像头和巡检机器人，监控摄像头通过有线网络接入到监控系统中，巡检机器人通过wifi和zigbee的无线通信网络接入到监控系统中，监控系统将巡检数据发送至异常监测装置。
6.进一步的，所述的门禁系统包括rfid刷卡模块、可视化通讯模块、数据上传模块，所述的rfid刷卡模块用于读取访问门禁系统人员的权限，并通过可视化通讯模块将访问人员的生物信息进行采集，数据上传模块将权限数据和生物信息数据上传至异常监测装置中。
7.进一步的，所述的报警系统包括红外模块和烟雾报警模块，红外模块设置在安防现场的外围，用于防入侵监测，烟雾报警模块设置在室内设施中，对室内进行烟雾报警监测。
8.进一步的，所述的异常监测装置，包括数据获取单元、模型训练单元、异常数据检测单元、异常数据输出单元，数据获取单元用于对序列数据进行格式化，数据获取单元将格式化后的数据发送给模型训练单元，模型训练单元对数据进行训练，并通过异常数据检测单元对数据进行检测，经过神经网络识别输出结果，输出结果保存到异常数据输出单元中。
9.进一步的，所述的基于神经网络装置进行序列数据进行识别的具体步骤为：
10.获取第一序列信息，第一序列信息用于指示安防警报信息。
11.对第一序列信息输入神经网络识别，得到识别结果。
12.若识别为异常信息，拦截识别结果。
13.若识别结果为未知，将第一序列信息和识别结果存入训练单元。
14.进一步的，所述的异常信息为异常检测装置根据输入序列数据得到异常的权限获取结果，异常信息不在异常数据输出单元中保存。
15.进一步的，所述的异常信息包括，恶意破解序列、防盗误触序列、异常报警序列、巡检异常序列，异常序列信息通过数据上传模块发送给异常检测装置。
16.进一步的，所述的异常检测装置包括能够存储程序的存储器和能够运行神经网络程序的芯片或集成电路。
17.本发明与现有技术相比的有益效果是：(1)通过设置门禁系统、报警系统、监控系统，构成智能安防系统，对布设的场景进行安防监控；(2)设置带有神经网络的异常检测装置对安防系统中的上报的数据信息进行异常检测，对于正常的报警信息进行放行；对于异常的报警信息进行拦截，并将数据进行保存再训练，能够做到精准的安防监控，提高系统的安全性和稳定性。
附图说明
18.图1为本发明整体的系统组成框图示意图。
19.图2为本发明基于深度神经网络异常检测的过程示意图。
20.图3为本发明门禁系统的组成框图示意图。
21.图4为本发明异常检测装置的组成结构示意图。
22.图5为本发明报警系统的组成框图示意图。
23.图6为本发明异常检测系统的组成示意图。
24.附图标号：400-异常监测装置；401-数据获取单元；402-模型训练单元；403-异常数据检测单元；404-异常数据输出单元。
具体实施方式
25.当结合附图考虑时，通过参照下面的详细描述，能够更完整更好地理解本发明以及容易得知其中许多伴随的优点，但此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分。
26.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说明。
27.本实施例提供了一种基于深度神经网络的智能安防系统，能够检测异常的报警信息进行拦截，从而提高安防系统的稳定性。
28.深度神经网络(deep neural networks，dnn)是机器学习(ml,machine learning)领域中的一种技术，这里deep所指的神经网络的深度就是指神经网络层数多，ai业界没有清晰地、具体地给出多少层的深度网络算是深层神经网络。所以在这里我们也就不强调多深算深的概念了，我们就权且管超过2个隐藏层的深度都叫深度神经网络。实际上，dnn这个
深度神经网络概念广义上一般来说cnn、rnn、gan等都属于其范畴之内。dnn与cnn(卷积神经网络)的区别是dnn特指全连接的神经元结构，并不包含卷积单元或是时间上的关联。dnn是指包含多个隐层的神经网络，根据神经元的特点，可以分为mlp(多层感知机)、cnns(卷积神经网络)、rnns(循环神经网络)等，从神经元的角度来讲解，mlp是最朴素的dnn，cnns是编码了空间相关性的深度神经网络，rnns是编码进了时间相关性的dnn。
29.在dnn中，用于处理输入的神经网络一般有两种主要结构：前馈神经网络以及循环神经网络。在前馈神经网络中，所有输入计算处理都是在前一层输出基础上进行的，直到最后一层就是深度神经网络的输出；在循环神经网络(例如lstm)中，网络中间环节是有内在记忆的，数据输入计算处理顺序依存上一次输出为相关影响，循环反馈作用于神经网络后输出，在这样深度神经网络中，一些中间值会被存储于网络中，也被用作与后续输入影响神经计算。在本实施例中，采用循环神经网络lstm对安防系统中的时序数据信息进行训练并识别。
30.如图1所示，为本技术系统组成的一个示例性实施例示意图，其中包括门禁系统、报警系统、监控系统。门禁系统主要负责在布设安防场景中，对于进出人员的门禁权限进行查询访问。报警系统负责在布设的安防场景中，用于防入侵检测、火警等突发情况。监控系统包含了固定监控摄像头和移动的巡检机器人，对于安防场景进行巡检监控。
31.如图3，为本技术门禁系统一个示例性组成框图，其中包括rfid刷卡模块、可视化模块、数据上传模块,rfid刷卡模块负责对进出人员进行门禁卡的权限检查，并且根据刷卡人员的刷卡操作会产生一个时序序列，该时序序列包含了卡号、刷卡时间、刷卡频率，然后通过数据上传模块将时序序列进行上传，根据门禁系统布设的位置，数据上传模块可选用不同的通讯协议，如可通过rs485/rs232协议进行有线的通讯；也可以采用wifi、zigbee等无线通讯协议。本实施例中，可视化模块选用能够收集人脸信息和瞳孔信息的摄像头，并且带有显示屏幕。通过摄像头对刷卡人员进行生物识别，并将识别结果通过数据上传模块进行上传。数据上传模块将时序序列上传给异常检测装置。
32.如图5，为本技术报警系统一个示例性组成框图，报警系统包括红外模块，红外模块设置实在围墙处用于防入侵检测，由于红外模块在暴露的环境下，因此会受到外界因素的干扰，如异物接近、鸟类误触，因而会引发报警，此时需要进行排查，如管理人员距离发生异常位置较远，会浪费管理人员的时间，因此可以通过异常检测装置对红外模块的报警序列信息进行识别。同样，烟雾报警模块在对烟雾进行检测报警时，如遇到非严重情况发出警报，会引起室内人员的恐慌，造成不必要的后果。
33.如图4所示，为本技术异常检测装置的一个示例性实施例，在本实施例中，所采用的神经网络为lstm长短期记忆神经网络，其中包括了数据获取单元401，数据获取单元401对上传的时序序列进行格式化，转换为lstm网络的输入，从而进行训练。根据不同的刷卡特征会产生不同的刷卡序列，通过对刷卡特征进行标注然后利用模型训练单元402进行训练，识别到时序序列的对应结果。当一条异常的刷卡数据重新被数据获取单元401捕获，通过异常数据检测单元403进行结果识别，如果异常数据检测单元403的结果识别为异常，则异常数据输出单元404会对结果进行拦截，即检测结果不会上报；如果异常检测数据403的结果识别为无异常，则将结果保存到异常数据输出单元404中，并上传识别结果。
34.如图2所示，为本实施例中基于深度神经网络的异常检测单元具体的工作步骤：首
先获取第一序列信息，第一序列信息用于指示安防警报信息，即在门禁系统中为刷卡序列，在警报系统中为红外防入侵检测序列和烟雾报警传感器序列，在监控系统中为监控异常行为、巡检机器人的异常位置等序列信息。通过深度神经网络对第一序列信息进行识别，得到识别结果；若识别结果为异常信息，对结果进行拦截；若识别结果为未知，即先前并未训练过相关时序序列，则将第一序列信息和识别结果存入训练单元，进行再训练，此时的训练为无标记的训练，即非监督学习。
35.本实施例中，lstm网络的输入为变长的时序序列，而输出向量为指示异常结果信息，通过最后一层的全连接层，对指示信息进行识别，主要分类为0：未知；1：正常；2：异常。对输出向量判断置信度得到识别结果。
36.如图6所示，为异常检测装置与系统中的异常信息的关系示例图，异常检测装置能够识别门禁系统的恶意破解，当入侵人员进行恶意破解时，此时的刷卡序列与正常的刷卡序列不同，通过深度神经网络进行序列识别，检测恶意破解的请求权限，进行拦截，防止恶意破解；同样，异常检测装置对报警系统中的入侵检测、防盗误触产生时序序列进行识别，拦截异常报警信息。监控系统中设置有巡检机器人，巡检机器人会对安防场景进行巡视，巡视的路线可以进行规划，如果巡视路线发生异常，能够通过监控系统及时报警，并通过监控摄像头进行查看。
37.安防系统中包含的系统可以任意组合，如将报警系统与监控系统进行组合，在布设红外模块的场景下也设置有监控摄像头，因此可以进一步提高安防系统的安全性，能够大大提高管理人员的工作效率。
38.本发明实施例是参照根据本发明实施例的方法、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装置。
39.以上所述仅为本技术的较佳实施例，并不用以限制本技术，凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。