[發(fā)明專利]一種安全防護(hù)方法、中控設(shè)備及計算機(jī)存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202010168130.1
• 申請日: 2020-03-11
• 公開（公告）號: CN111476102A
• 公開（公告）日: 2020-07-31
• 發(fā)明（設(shè)計）人: 莫益軍;張若飛
• 申請（專利權(quán)）人: 華中科技大學(xué)鄂州工業(yè)技術(shù)研究院;華中科技大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京眾達(dá)德權(quán)知識產(chǎn)權(quán)代理有限公司 11570
• 代理人: 劉杰

1.一種安全防護(hù)方法，其特征在于，應(yīng)用于分布式聲學(xué)傳感安防系統(tǒng)的中控設(shè)備，所述中控設(shè)備與設(shè)置在不同安防區(qū)域的聲學(xué)傳感器連接，所述方法包括：

確定聲學(xué)信號訓(xùn)練樣本集，所述聲學(xué)信號訓(xùn)練樣本集中包括M類安防事件對應(yīng)的聲學(xué)信號，每個聲學(xué)信號標(biāo)記有所屬安全事件的分類標(biāo)簽，每個聲學(xué)信號通過所述分布式聲學(xué)傳感檢測系統(tǒng)中對應(yīng)的聲學(xué)傳感器采集獲得，M為大于1的整數(shù)；

通過預(yù)先搭建的一維卷積神經(jīng)網(wǎng)絡(luò)對所述訓(xùn)練樣本集中的信號進(jìn)行多輪訓(xùn)練，其中，所述一維卷積神經(jīng)網(wǎng)絡(luò)包括依次設(shè)置的初步特征提取層、最大池化層、深層特征提取層、全局平均池化層、全連接層和M分類的Softmax層，在每輪訓(xùn)練中，將所述訓(xùn)練樣本集中的信號輸入所述初步特征提取層進(jìn)行特征初提取，通過所述最大池化層對初步提取的特征進(jìn)行壓縮后，輸入所述深層特征提取層進(jìn)行特征深層提取，再通過所述全局平均池化層對壓縮后的特征進(jìn)行平均池化后，輸入所述全連接層進(jìn)行融合，最后通過所述Softmax層進(jìn)行分類，得到分類結(jié)果，通過損失函數(shù)計算分類結(jié)果與實(shí)際分類標(biāo)簽的損失值，利用反向傳播算法更新所述一維卷積神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)，通過驗(yàn)證樣本集中的信號對更新網(wǎng)絡(luò)參數(shù)的模型進(jìn)行驗(yàn)證，直至達(dá)到收斂條件，得到每輪訓(xùn)練的安全事件分類模型，從多輪訓(xùn)練得到的多個安全事件分類模型中確定出目標(biāo)安全事件分類模型；

通過所述目標(biāo)安全事件分類模型對不同安防區(qū)域的聲學(xué)傳感器采集的信號進(jìn)行安全事件分類識別，在識別出存在目標(biāo)類型的安全事件情況下，按對應(yīng)的報警策略控制報警裝置進(jìn)行報警。

2.如權(quán)利要求1所述的方法，其特征在于，所述確定聲學(xué)信號訓(xùn)練樣本集，包括：

獲得在不同時間段對應(yīng)的聲學(xué)傳感器采集的第一預(yù)設(shè)時長的各類事件安防事件對應(yīng)的聲學(xué)信號；

按第二預(yù)設(shè)時長的滑動窗口，每次滑動第三預(yù)設(shè)時長的方式對獲得每個聲學(xué)信號進(jìn)行分幀處理，對獲得的分幀信號標(biāo)注對應(yīng)的分類標(biāo)簽后，按第一預(yù)設(shè)比例從所有的分幀信號提取形成所述聲學(xué)信號訓(xùn)練樣本集。

3.如權(quán)利要求1所述的方法，其特征在于，所述初步特征提取層包括依次連接的第一卷積子層和第二卷積子層，所述深層特征提取層包括依次連接的第三卷積子層和第四卷積子層，所述一維卷積神經(jīng)網(wǎng)絡(luò)的全連接層與Softmax層間還設(shè)置有Dropout層，通過所述Dropout層對特征進(jìn)行丟棄處理。

4.如權(quán)利要求1所述的方法，其特征在于，所述通過驗(yàn)證樣本集中的信號對更新網(wǎng)絡(luò)參數(shù)的模型進(jìn)行驗(yàn)證，直至達(dá)到收斂條件，包括：

采用10折交叉驗(yàn)證方式進(jìn)行驗(yàn)證測試，如果在所述驗(yàn)證樣本集上分類精度小于預(yù)設(shè)精度，啟動早停，得到本輪訓(xùn)練的安全事件分類模型，否則直到完全迭代完后輸出本輪訓(xùn)練的安全事件分類模型。

5.如權(quán)利要求2所述的方法，其特征在于，所述從多輪訓(xùn)練得到的多個安全事件分類模型中確定出目標(biāo)安全事件分類模型，包括：

在所述對獲得的分幀信號標(biāo)注對應(yīng)的分類標(biāo)簽之后，按第二預(yù)設(shè)比例從所有的分幀信號提取形成聲學(xué)信號測試樣本集；

基于所述聲學(xué)信號測試樣本集，對每個安全事件分類模型進(jìn)行性能評估；

將性能最優(yōu)的安全事件分類模型作為目標(biāo)安全事件分類模型。