一种基于深度神经网络的智能安防系统技术方案

本发明专利技术公开了一种基于深度神经网络的智能安防系统，属于智能安防技术领域，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。本发明专利技术通过设置带有深度神经网络的异常检测装置，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。全性和稳定性。全性和稳定性。

【技术实现步骤摘要】
一种基于深度神经网络的智能安防系统


[0001]本专利技术涉及智能安防
，特别涉及一种基于深度神经网络的智能安防系统。

技术介绍

[0002]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。
[0003]公开号为CN112788305A的专利技术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。该专利技术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。

技术实现思路

[0004]专利技术要解决的问题是：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。
[0005]针对上述技术问题，本专利技术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。
[0006]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。
[0007]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。
[0008]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。
[0009]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：
[0010]获取第一序列信息，第一序列信息用于指示安防警报信息。
[0011]对第一序列信息输入神经网络识别，得到识别结果。
[0012]若识别为异常信息，拦截识别结果。
[0013]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。
[0014]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。
[0015]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。
[0016]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。
[0017]本专利技术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
[0018]图1为本专利技术整体的系统组成框图示意图。
[0019]图2为本专利技术基于深度神经网络异常检测的过程示意图。
[0020]图3为本专利技术门禁系统的组成框图示意图。
[0021]图4为本专利技术异常检测装置的组成结构示意图。
[0022]图5为本专利技术报警系统的组成框图示意图。
[0023]图6为本专利技术异常检测系统的组成示意图。
[0024]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
[0025]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专利技术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专利技术的进一步理解，构成本专利技术的一部分。
[0026]为使本专利技术的上述目的、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专利技术作进一步详细说明。
[0027]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。
[0028]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。
[0029]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。
[0030]如图1所示，为本申请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。门禁系统本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的智能安防系统，其特征在于：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(400)。2.根据权利要求1所述的一种基于深度神经网络的智能安防系统，其特征在于：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(400)中。3.根据权利要求1所述的一种基于深度神经网络的智能安防系统，其特征在于：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。4.根据权利要求2所述的一种基于深度神经网络的智能安防系统，其特征在于：所述的异常监测装置(400)，包括数据获取单元(401)、模型训练单元(402)、异常数据检测单元(403)、异常数据输出单元(404)，数据获取单元(401)用于对序列数据进行格式化，数据获取单...

【专利技术属性】
技术研发人员：朱明甫，武志强，李青修，孙鹏，刘尚鑫，秦攀科，段崇，赵文俊，陈亚飞，贾亚平，苏柏顺，张坤，
申请(专利权)人：河南国立智能技术研究院有限公司，
类型：发明
国别省市：