【技术实现步骤摘要】
本专利技术公开一种方法、系统及电子设备，涉及检测识别，具体的地说是一种攀爬异常行为检测方法、系统及电子设备。
技术介绍
1、非允许闯入通常具有较强的目的性，更容易威胁到人们的生命财产安全以及社会安全，所以非允许闯入往往被列为安防系统的关键点。由于非允许闯入的方式可能很多，诸如蒙混闯入、翻越围墙强行进入等，现有安保方式主要为人为安保，需要耗费大量的人力、财力成本，往往需要协调大量的安保人员以及后勤保障人员进行安防检查，但仍容易存在盲点，引发安保风险。
技术实现思路
1、本专利技术针对现有技术的问题，提供一种攀爬异常行为检测方法、系统及电子设备，重构yolov5网络的基本卷积单元，拓展了yolov5网络的网络层次，增强了网络特征的提取能力，有效地提高了yolov5网络模型对攀爬行为特征的敏感度，提高了检测精准度，可通过摄像头等设备进行自动安保巡查，节省人力、财力成本，避免存在安保巡查盲点。
2、本专利技术提出的具体方案是：
3、本专利技术提供一种攀爬异常行为检测方法，包括：
4、步骤1：改进yolov5网络模型中yolov5卷积模块，其中所述yolov5卷积模块包括卷积单元、归一化层和leaky relu激活函数，所述卷积单元包括卷积层、卷积注意力模块、h-swish激活模块和relu激活函数，通过卷积注意力模块利用最大池化算法和平均池化算法对特征图在通道和空间两个维度上进行压缩，调节特征权重,引导网络模型对关键特征的关注度，减弱无关特征的学习，通过
5、步骤2：制作yolov5网络模型相关数据集；
6、步骤3：利用数据集训练并验证用于攀爬异常行为检测的yolov5网络模型；
7、步骤4：采集实时视频数据，利用yolov5网络模型进行攀爬异常行为的判定：
8、步骤41：获得预测结果的[ x,y,w,h,c]数组，( x,y)代表检测目标的中心点坐标，( w,h)代表检测目标的宽和高， c代表标签类别的可信度，
9、步骤42：设置可信度阈值，对预测结果进行过滤，若 c大于可信度阈值，则认为预测结果准确，否则认为是误检测，
10、步骤43：针对误检测引入二次判别，对误检测进行核实。
11、进一步，所述的一种攀爬异常行为检测方法中步骤2中，包括：抽取公开的照片以及模拟攀爬场景拍摄的照片，使用labelimg软件将照片中的目标人物进行矩形框选并制作标签，将标签分为两类，一类表示攀爬行为标记为climb， 另一类表示正常行为标记为normal，完成照片标注形成数据集，并生成xml格式文件，将数据集按照训练集：测试集为9:1的比例进行划分，生成训练集和测试集。
12、进一步，所述的一种攀爬异常行为检测方法中步骤3中搭建yolov5网络模型的训练环境，其中硬件环境采用应用ubuntu操作系统，内存为32g，采用nvidia geforcegtx1080ti 显卡进行yolov5网络模型训练，软件环境采用pytorch框架，通过pytorch的相关api进行损失函数的辅助训练，设置迭代训练200个周期，训练策略采用早停算法，设置验证集损失不下降的容忍度为20个周期。
13、进一步，所述的一种攀爬异常行为检测方法中步骤43中所述二次判别，包括：基于采集的视频数据的画面中墙体，设置墙体的位置红线，根据检测目标的中心点坐标( x,y)，判断中心点坐标是否已越过墙体的位置红线，如果越过则判定预测结果准确，否则判定为误检测。
14、本专利技术还提供一种攀爬异常行为检测系统，包括采集模块、模型训练模块和攀爬行为视频分析模块，
15、模型训练模块改进yolov5网络模型中yolov5卷积模块，其中所述yolov5卷积模块包括卷积单元、归一化层和leaky relu激活函数，所述卷积单元包括卷积层、卷积注意力模块、h-swish激活模块和relu激活函数，通过卷积注意力模块利用最大池化算法和平均池化算法对特征图在通道和空间两个维度上进行压缩，调节特征权重,引导网络模型对关键特征的关注度，减弱无关特征的学习，通过h-swish激活模块减小计算开销并实现激活函数的非线性复杂程度；
16、制作yolov5网络模型相关数据集；
17、利用数据集训练并验证用于攀爬异常行为检测的yolov5网络模型；
18、采集模块采集实时视频数据，攀爬行为视频分析模块利用yolov5网络模型进行攀爬异常行为的判定：
19、步骤41：获得预测结果的[ x,y,w,h,c]数组，( x,y)代表检测目标的中心点坐标，( w,h)代表检测目标的宽和高， c代表标签类别的可信度，
20、步骤42：设置可信度阈值，对预测结果进行过滤，若 c大于可信度阈值，则认为预测结果准确，否则认为是误检测，
21、步骤43：针对误检测引入二次判别，对误检测进行核实。
22、进一步，所述的一种攀爬异常行为检测系统中模型训练模块抽取公开的照片以及模拟攀爬场景拍摄的照片，使用labelimg软件将照片中的目标人物进行矩形框选并制作标签，将标签分为两类，一类表示攀爬行为标记为climb，另一类表示正常行为标记为normal，完成照片标注形成数据集，并生成xml格式文件，将数据集按照训练集：测试集为9:1的比例进行划分，生成训练集和测试集。
23、进一步，所述的一种攀爬异常行为检测系统中模型训练模块搭建yolov5网络模型的训练环境，其中硬件环境采用应用ubuntu操作系统，内存为32g，采用nvidia geforcegtx1080ti 显卡进行yolov5网络模型训练，软件环境采用pytorch框架，通过pytorch的相关api进行损失函数的辅助训练，设置迭代训练200个周期，训练策略采用早停算法，设置验证集损失不下降的容忍度为20个周期。
24、进一步，所述的一种攀爬异常行为检测系统中步骤43中攀爬行为视频分析模块进行二次判别，包括：基于采集的视频数据的画面中墙体，设置墙体的位置红线，根据检测目标的中心点坐标( x,y)，判断中心点坐标是否已越过墙体的位置红线，如果越过则判定预测结果准确，否则判定为误检测。
25、进一步，所述的一种攀爬异常行为检测系统中所述检测系统的前端页面基于vue架构搭建，通过后端获取视本文档来自技高网...
【技术保护点】
1.一种攀爬异常行为检测方法，其特征是包括：
2.根据权利要求1所述的一种攀爬异常行为检测方法，其特征是步骤2中，包括：抽取公开的照片以及模拟攀爬场景拍摄的照片，使用LabelImg软件将照片中的目标人物进行矩形框选并制作标签，将标签分为两类，一类表示攀爬行为标记为climb， 另一类表示正常行为标记为normal，完成照片标注形成数据集，并生成xml格式文件，将数据集按照训练集：测试集为9:1的比例进行划分，生成训练集和测试集。
3.根据权利要求1所述的一种攀爬异常行为检测方法，其特征是步骤3中搭建YOLOv5网络模型的训练环境，其中硬件环境采用应用Ubuntu操作系统，内存为32G，采用NVIDIAGeForce GTX1080Ti 显卡进行YOLOv5网络模型训练，软件环境采用PyTorch框架，通过PyTorch的相关API进行损失函数的辅助训练，设置迭代训练200个周期，训练策略采用早停算法，设置验证集损失不下降的容忍度为20个周期。
4.根据权利要求1所述的一种攀爬异常行为检测方法，其特征是步骤43中所述二次判别，包括：基于采集的视
5.一种攀爬异常行为检测系统，其特征是包括采集模块、模型训练模块和攀爬行为视频分析模块，
6.根据权利要求5所述的一种攀爬异常行为检测系统，其特征是模型训练模块抽取公开的照片以及模拟攀爬场景拍摄的照片，使用LabelImg软件将照片中的目标人物进行矩形框选并制作标签，将标签分为两类，一类表示攀爬行为标记为climb，另一类表示正常行为标记为normal，完成照片标注形成数据集，并生成xml格式文件，将数据集按照训练集：测试集为9:1的比例进行划分，生成训练集和测试集。
7.根据权利要求5所述的一种攀爬异常行为检测系统，其特征是模型训练模块搭建YOLOv5网络模型的训练环境，其中硬件环境采用应用Ubuntu操作系统，内存为32G，采用NVIDIA GeForce GTX1080Ti 显卡进行YOLOv5网络模型训练，软件环境采用PyTorch框架，通过PyTorch的相关API进行损失函数的辅助训练，设置迭代训练200个周期，训练策略采用早停算法，设置验证集损失不下降的容忍度为20个周期。
8.根据权利要求5所述的一种攀爬异常行为检测系统，其特征是步骤43中攀爬行为视频分析模块进行二次判别，包括：基于采集的视频数据的画面中墙体，设置墙体的位置红线，根据检测目标的中心点坐标(x,y)，判断中心点坐标是否已越过墙体的位置红线，如果越过则判定预测结果准确，否则判定为误检测。
9.根据权利要求5所述的一种攀爬异常行为检测系统，其特征是所述检测系统的前端页面基于Vue架构搭建，通过后端获取视频数据渲染到前端页面上，实现界面显示，所述检测系统的后端基于Django架构搭建，将YOLOv5网络模型的运行程序封装为具名函数，供后端调度执行。
10.一种攀爬异常行为检测电子设备，其特征是包括：至少一个存储器和至少一个处理器；
...【技术特征摘要】
1.一种攀爬异常行为检测方法，其特征是包括：
2.根据权利要求1所述的一种攀爬异常行为检测方法，其特征是步骤2中，包括：抽取公开的照片以及模拟攀爬场景拍摄的照片，使用labelimg软件将照片中的目标人物进行矩形框选并制作标签，将标签分为两类，一类表示攀爬行为标记为climb， 另一类表示正常行为标记为normal，完成照片标注形成数据集，并生成xml格式文件，将数据集按照训练集：测试集为9:1的比例进行划分，生成训练集和测试集。
3.根据权利要求1所述的一种攀爬异常行为检测方法，其特征是步骤3中搭建yolov5网络模型的训练环境，其中硬件环境采用应用ubuntu操作系统，内存为32g，采用nvidiageforce gtx1080ti 显卡进行yolov5网络模型训练，软件环境采用pytorch框架，通过pytorch的相关api进行损失函数的辅助训练，设置迭代训练200个周期，训练策略采用早停算法，设置验证集损失不下降的容忍度为20个周期。
4.根据权利要求1所述的一种攀爬异常行为检测方法，其特征是步骤43中所述二次判别，包括：基于采集的视频数据的画面中墙体，设置墙体的位置红线，根据检测目标的中心点坐标(x,y)，判断中心点坐标是否已越过墙体的位置红线，如果越过则判定预测结果准确，否则判定为误检测。
5.一种攀爬异常行为检测系统，其特征是包括采集模块、模型训练模块和攀爬行为视频分析模块，
6.根据权利要求5所述的一种攀爬异常行为检测系统，其特征是模型训练模块抽取公开的照片以及模拟攀爬场景拍摄的照...
【专利技术属性】
技术研发人员：李冰，储佳祥，王彦功，李照川，李蒙，王可，张悦，
申请(专利权)人：浪潮软件科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。