一种便携式异常行为智能分析系统技术方案

本发明专利技术提供了一种便携式异常行为智能分析系统，系统主要包括边缘设备背包、云端服务器和移动端平台。边缘设备背包包括锂电池及智能逆变器、监控摄像头、三脚架、智能行为识别系统、边缘计算设备；智能异常行为识别以边缘端设备为载体，用于实现异常行为的实时报警，将结果展示在移动端并提供报警处理功能；云端服务器用于智能行为识别模型的训练以及参数的更新。本系统的目的为搭建便携式的视频监控报警平台，部署摄像头，添加边缘计算的规则，实现异常行为报警功能，实时处理报警信息，降低报警时延。警时延。警时延。

【技术实现步骤摘要】
一种便携式异常行为智能分析系统


[0001]本专利技术涉及图像处理，人工智能、边缘计算、云计算等
，具体涉及一种便携式异常行为智能分析系统。

技术介绍

[0002]随着经济的发展与时代的进步，大量的场景需要使用行为分析算法，比如工地施工现场、大型体育赛事和校园风险监控等。传统的行为分析是依靠人工监控摄像头的画面进行人工分析，成本高、效率低。经过计算机视觉与深度学习的发展，异常行为识别可以采取使用人工智能算法进去分析与处理，降低了成本也提高了识别的准确率。但人工智能算法需要具有强大运算能力的服务器设备才能达到识别的效果和精度。这样的缺点是人工智能服务器设备较为昂贵，设备体积与重量较大，需要消耗大量的电能，所以不能进行便携式部署。
[0003]为了解决了上述问题。我们设计了一种边缘设备背包，边缘背包包含边缘计算所需的所有设备，当用户在户外需要临时搭建一套边缘计算端时，只需要打开背包，组装各种设备。边缘计算端属于一种分布式计算，就近处理采集到的数据，而不需要将大量数据上传到云服务器端的核心管理平台。和云服务器计算相比，边缘计算以利用云服本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种便携式异常行为智能分析系统，其组成包括：边缘设备背包、云端服务器和移动端组成；边缘设备背包包括锂电池及智能逆变器、监控摄像头、三脚架、智能行为识别系统、边缘计算设备；所述锂电池及智能逆变器，用于给边缘计算设备提供电能；所述监控摄像头，用于获取监控区域实时视频画面；所述三脚架用于支撑摄像头；所述智能行为识别系统以边缘计算设备为载体，对监控摄像头获取的视频信息使用深度学习算法进行分析，判断是否存在异常行为；将异常行为数据发送到云服务器进行数据分析；所述云端服务器，用于处理、分析边缘端数据、使用深度学习算法进行异常行为识别模型训练以及参数更新、数据存储、资源管理；所述移动端，用于报警信息的通知，展示与处理，并提供远程更换异常行为识别模型的功能。2.根据权利要求1所述一种便携式异常行为智能分析系统，包括以下步骤：S21用于实现异常行为识别的步骤：摄像头将获取到的人体行为视频信息上传到边缘计算设备中，设备中提前部署好的智能行为识别系统对视频信息进行深度学习推理，得到相应的行为类别与置信度，将置信度高于预设值的报警信息上传到云端服务器；S22用于实现数据分析与模型更新的步骤：云端服务器接收边缘设备发送的异常信息，分析信息并保存报警画面视频，将报警信息发送到移动端；并将边缘设备发送的视频信息分为正样本与负样本，使用相关视频对所对应的异常行为识别模型进行新一轮深度学习算法训练，更新模型参数，提高模型识别精度；S23用于实现多种异常行为识别模型更换的步骤：移动端有多个异常行为识别模块可选择，将选中的异常行为识别模块信息发送到云服务器，服务器将其模型文件转发到边缘计算设备，智能行为识别系统中的深度学习算法启用新的模型文件进行异常行为识别；S24便携式的边缘端设备组合：边缘设备背包由锂电池及智能逆变器、监控摄像头、三脚架、智能行为识别系统、边缘计算设备组成；整个边缘端设备集成在一个背包中，设备集成度高、体积小、重量较轻，方便野外部署。3.根据权利要求2所述一种便携式异常行为智能分析系统，步骤S21用于实现异常行为识别，其特征在于：采集各类施工现场人体行为视频数据，对数据进行正负样本划分，对异常行为进行标注；将视频信息转换为图像,进行图像增强，增强的方法有：图像遮挡、自适应高斯滤波去噪和仿射变换等；将增强后图像传入D
‑
YOLOv5深度学习算法；算法输入端对图像进行自适应锚框计算及自适应图片缩放处理；将图片输入D
‑
Darkent50特征提取网络进行特征提取,特征提取网络一共有50层，每层使用3个3*3的可变形卷积进行特征提取，在减少了模型参数的同时也提...

【专利技术属性】
技术研发人员：周伟，邓粤鹏，闵宣霖，陈文鑫，陈凡，黎佳钇，易军，李鹏华，刘洪，
申请(专利权)人：重庆科技学院，
类型：发明
国别省市：