技术领域
[0001] 本发明涉及安防预警技术领域，具体涉及一种用于产业园区的智慧安防预警装置及方法。
相关背景技术
[0002] 针对产业园区等大型设施的智慧安防预警需求，传统安防系统存在诸多技术问题，一方面，不同应用场景和设施的安防需求各不相同，但传统安防系统难以准确识别具体的安防需求，导致资源分配不合理，无法有效防护，并且，传统安防系统中安防设备的部署往往依赖人工经验，缺乏科学依据，导致设备分布不合理，存在监控盲点；另一方面，传统安防系统中的边缘设备缺乏高效的协同机制，无法实现多设备之间的实时数据共享和协同工作，影响监控和预警的整体效率。
具体实施方式
[0012] 本申请实施例通过提供一种用于产业园区的智慧安防预警方法，解决了现有技术中安防设备的部署往往基于经验，无法针对具体应用场景和安防需求，导致安防资源分配不合理，并且安防设备之间缺乏高效的协同机制，导致安防预警的准确率和效率较低的技术问题。
[0013] 在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0014] 如图1所示，本申请实施例提供了一种用于产业园区的智慧安防预警装置，所述装置包括：
[0015] 安防需求读取模块10，所述安防需求读取模块10用于读取目标产业园区的安防需求；
[0016] 读取目标产业园区的安防需求，例如，通过与管理人员、安全负责人建立通信，交互获得对目标产业园区的安全防护的意见和建议，包括安防区域、关键设施、人员流动情况等；或者，通过分析产业园区以往的安全事件记录，进行风险评估，确定园区的高风险区域和重点防护目标。将获取的安防需求进行整理，形成综合性的需求清单，根据需求的紧急程度和重要性，对需求进行优先级排序，明确哪些需求需要优先满足，为后续步骤打下基础。
[0017] 部署决策模块20，所述部署决策模块20用于以所述安防需求为导向，结合智能决策模型进行部署决策，确定基于安防分布的数据流架构；
[0018] 选择适合的智能决策模型，如基于机器学习的决策树模型，将安防需求、历史数据作为输入数据，输入到智能决策模型中进行模型训练，具体地，提取安防需求相关的特征，如区域风险等级、历史事件频率、设备覆盖范围等，使用历史数据对模型进行训练，优化模型参数，提高模型的预测精度，通过对历史数据的训练，模型能够预测不同安防需求下的最佳部署方案。
[0019] 模型根据输入数据和预测结果，生成具体的部署决策，包括各个安防设备的部署位置、数量及配置参数等，例如建议在高风险区域部署更多的监控设备。分析产业园区内的安防分布情况，利用分布式计算技术，将安防数据在边缘设备和中央控制系统之间进行分布式处理，减少延迟，提高响应速度，基于各个安防设备之间的数据流关系，确定基于安防分布的数据流架构，确保数据流的高效传输，包括边缘设备与中央控制系统之间的数据交互。
[0020] 芯片配置模块30，所述芯片配置模块30用于基于所述数据流架构，配置AI视觉芯片；
[0021] 进一步而言，所述芯片配置模块30，基于所述数据流架构，配置AI视觉芯片，包括如下操作步骤：
[0022] 遍历所述数据流架构，确定有效安防目标与无效背景，其中，各安防设备的有效安防目标存在差异化；对所述有效安防目标进行聚类，确定多个聚类簇；遍历所述多个聚类簇，进行类内标准化，基于标准化的安防预警目标，对所述AI视觉芯片进行配置。
[0023] 从分布式设备中收集实时视频流，对数据进行初步处理，如去噪、滤波等，确保数据质量，使用图像处理和计算机视觉技术，从视频流中提取特征，如运动物体的形状、颜色、速度等，建立背景模型，通过时间序列分析，区分稳定背景和动态目标，识别有效安防目标，如车辆、人等，并忽略无效背景，如树木随风摆动等。
[0024] 从识别出的有效安防目标中提取特征，构建特征向量，对特征向量进行标准化处理，消除不同特征之间的量纲差异。使用聚类算法，如K‑means、DBSCAN等，对特征向量进行聚类分析，确定多个聚类簇，如不同车型、颜色的车辆。
[0025] 由于不同分布设备的监控预警需求不同，无法进行统一标准化，因此需要对每个聚类簇进行类内标准化，以确保各类目标在其应用场景中得到有效处理。具体而言，从聚类分析结果中获取多个聚类簇，每个簇包含特定类型的安防目标，对每个聚类簇中的安防目标进行遍历，收集各目标的特征数据，对簇内安防目标的特征数据进行标准化处理，使其在同一尺度下进行比较，例如，对每个特征值进行Z‑score标准化处理，即减去均值后除以标准差。
[0026] 基于类内标准化处理结果，设定标准化的安防预警目标，如不同类型目标的检测阈值、报警策略等，针对不同聚类簇的标准化目标，优化AI视觉芯片中的算法模型，如调整卷积神经网络的层数和参数，根据处理需求，调整AI视觉芯片的硬件配置，如提升GPU计算能力、优化内存管理等，以此提高目标检测的精度和速度。
[0027] 边缘AI融合模块40，所述边缘AI融合模块40用于基于所述AI视觉芯片，通过对分布式设备进行边缘AI融合，部署智慧安防系统；
[0028] 确定分布式设备，如智能摄像头、传感器、边缘计算节点等，这些设备能够与AI视觉芯片进行无缝集成，根据安防需求和数据流架构，制定设备部署策略，确保重要区域和高风险区域有足够的设备覆盖。
[0029] 将AI视觉芯片嵌入到分布式设备中，使每个设备具备独立的数据处理和智能分析能力，在每个分布式设备上部署优化的图像处理和行为分析算法，使得设备能够实时进行数据处理和威胁检测。通过网络将所有分布式设备连接起来，形成一个协同工作的智慧安防系统，各设备之间共享实时数据和分析结果，提高整体系统的响应速度和决策准确性。
[0030] 预警管理模块50，所述预警管理模块50用于基于所述智慧安防系统，进行基于所述分布式设备的边缘安防预警管理，与中控协同预警管理，其中，所述分布式设备可交互；
[0031] 分布式设备通过嵌入的AI视觉芯片，实时监控并分析视频流，检测潜在的安全威胁，当检测到异常事件时，设备立即生成预警信息，包括事件类型、位置、时间等详细信息，分布式设备之间通过网络进行信息交互，协同分析和响应，提高预警的准确性和及时性。
[0032] 各分布式设备将预警信息传输至中控系统，中控系统对信息进行汇总和进一步分析，做出综合决策，指导分布式设备采取相应的应对措施，如调度更多设备进行监控、报警等，中控系统将决策结果反馈给分布式设备，实时调整其监控和预警策略，确保整体系统的高效运转。
[0033] 进一步而言，所述预警管理模块50，所述中控协同预警管理，包括如下操作步骤：
[0034] 获取中心处理任务，预处理视频流确定视频碎片，传输至所述控制中心；基于所述控制中心，对所述视频碎片进行安防决策定位，确定安防事件；若所述安防事件满足决策精度，生成基于所述安防事件的预警信息。
[0035] 控制中心根据实时监控需求，向分布式设备分配处理任务，分布式设备接收任务指令，进行视频流预处理，具体地，将连续的视频流分解为若干个视频片段，或者，从视频流中提取关键帧，减少数据量并保留重要信息，根据处理结果获取视频碎片，便于后续处理。通过网络连接，将视频碎片传输至控制中心。
[0036] 控制中心接收来自分布式设备传输的视频碎片，利用AI算法对视频碎片进行分析，例如，使用深度学习模型对视频进行实时分析，检测出安防事件，结合视频中的地理信息，准确定位安防事件发生的位置，通过视频帧的时间戳，确定安防事件发生的具体时间。
[0037] 使用多重验证算法，如交叉验证、置信度计算，对安防事件进行精度验证，例如验证可疑人员进入禁区的置信度是否超过预设阈值，以此判断是否满足预警条件。当满足时，整合安防事件的详细信息，包括事件类型、位置、时间等，生成预警信息，将预警信息发送至相关部门，确保及时响应。
[0038] 进一步而言，所述预警管理模块50，还包括如下操作步骤：
[0039] 若所述安防事件不满足决策精度，生成反馈监测信息，所述反馈监测信息标识有协同设备组，基于所述反馈监测信息，对所述协同设备组进行同目标协同监控与决策；其中，所述协同设备组的确定，包括：读取回传设备的邻域设备分布；以监控全视角为筛选需求，以监控重叠域与闲置状态为约束条件，基于所述邻域设备分布筛选确定所述协同设备组。
[0040] 若安防事件不满足决策精度，检测是否存在由于角度、光线、目标遮挡等因素导致的分析误差，生成包含当前分析结果、精度评估、异常检测原因等信息的反馈监测信息，根据当前设备的监控范围和邻域设备的分布，确定附近具有协同能力的设备组。
[0041] 将生成的反馈监测信息发送至标识的协同设备组，协同设备接收反馈信息，解析并进行同目标协同监控，即，对同一目标进行多角度、多视角的实时监控，各协同设备之间共享监控数据和分析结果，提高整体分析的准确性。
[0042] 基于多设备的监控数据，进行综合分析和决策，例如采用多视角融合算法，如多视角立体视觉、特征融合方法，综合各设备的监控数据，提升目标识别精度，判定安防事件的真实情况。若确认安防事件，生成高精度的预警信息并发布。
[0043] 确定当前存在分析误差或低精度的设备，即回传设备，通过设备位置信息，确认回传设备的具体位置，从设备管理系统中查询回传设备周围的其他监控设备，即邻域设备，的分布情况，整合邻域设备的位置信息、监控范围、当前状态等数据。
[0044] 以监控全视角为筛选需求，确保选择的协同设备组能够覆盖回传设备监控不到的视角。确定约束条件，包括监控重叠域与闲置状态，具体地，尽量选择监控重叠域较低的设备，确保协同设备能够提供新的监控视角；优先选择当前处于闲置状态的设备，避免影响其他监控任务。
[0045] 分析邻域设备的监控范围、重叠区域、当前状态等信息，根据设定的筛选需求和约束条件，选择满足要求的邻域设备，确定协同设备组，具体地，通过计算各设备的监控视角和覆盖范围，确定视角重叠情况，选择满足全视角覆盖的设备，查询设备的当前状态，优先选择闲置或负载较低的设备，根据选择出来的设备组成协同设备组，从而实现高效同目标协同监控与决策。
[0046] 进一步而言，所述预警管理模块50，所述预处理视频流确定视频碎片，包括如下操作步骤：
[0047] 通过进行边缘识别，对所述视频流进行关键帧图像提取，其中，预设边缘移动区间为关键帧确定标准；对所述关键帧图像进行图像校准处理与图像模糊分割处理，确定所述视频碎片，其中，图像处理需求为多元图像缺陷，图像分割标准为有效安防目标与无效背景。
[0048] 从分布式监控设备获取实时视频流，利用AI视觉芯片中的算法，例如Canny边缘检测算法，对视频流进行边缘检测，识别图像中的边缘，设置预设的边缘移动区间，识别出可能包含目标事件的边缘区域。通过检测边缘移动情况，选择边缘变化最大的图像帧作为关键帧图像进行提取。
[0049] 对关键帧图像进行图像校准处理，包括进行几何校准，纠正图像的倾斜和畸变，以及颜色校准，调整图像的颜色和亮度，确保图像的一致性和可视性。利用模糊分割技术，对关键帧图像进行分割，提取可能包含目标事件的区域，针对图像中的多元缺陷，如噪声、模糊区域等，进行去噪和增强处理，提高图像质量。根据图像分割标准，将有效安防目标与无效背景区分开来，将包含有效安防目标的图像片段确定为视频碎片，进行后续分析。
[0050] 传输管理模块60，所述传输管理模块60用于随着所述分布式设备进行边缘侧监控与自主决策响应，基于网络时间协议，进行安防交互的视频流传输管理，其中，通过交互邻域设备进行安防追踪。
[0051] 分布式设备在边缘侧实时监控环境，通过内置的AI视觉芯片进行视频流分析，检测潜在的安全威胁，并根据预设的算法，对检测到的威胁进行自主决策，生成预警信息或采取相应的措施，如报警、跟踪。
[0052] 所有分布式设备通过网络时间协议进行时间同步，时间同步保证了不同设备之间数据传输的时序一致性，避免由于时钟差异导致的数据混乱。基于网络时间协议，各设备将实时监控视频流传输至中控系统或其他设备，其中，当一个设备检测到异常行为时，邻域设备立即接收到协同信息，开始同步监控并进行跟踪，通过多个设备共同协作，分析和预测威胁目标的行为轨迹，确保全面监控和精准追踪。
[0053] 进一步而言，所述传输管理模块60，基于网络时间协议，进行安防交互的视频流传输管理，包括如下操作步骤：
[0054] 遍历所述分布式设备，对监控视频流进行时间戳标识；读取协同监控任务，基于所述网络时间协议，执行基于所述协同监控任务的关联数据流同步传输管理，其中，数据传输包含边缘侧与控制中心，边缘侧之间；其中，所述网络时间协议可进行传输碰撞协调管理。
[0055] 遍历所有分布式设备，从每个分布式设备中获取监控视频流，对所有分布式设备进行时间同步，并在视频流的每一帧视频中插入精确的时间戳，确保每帧视频都有对应的时间戳标识。
[0056] 控制中心根据实时监控需求，分配协同监控任务给各分布式设备，分布式设备接收并解析协同监控任务，进行数据传输，其中包括边缘侧与控制中心的数据传输、边缘设备之间的数据交互，具体地，一方面，边缘设备采集实时视频流和分析数据，通过网络将视频流和数据传输至控制中心，确保数据的实时性和完整性；另一方面，一个设备检测到安防预警目标后，根据目标的轨迹，通知附近的接替设备进行监控，边缘设备之间共享监控数据，协同分析和决策。
[0057] 进一步而言，所述传输管理模块60，所述通过交互邻域设备进行安防追踪，包括如下操作步骤：
[0058] 基于第一分布设备，进行视野域监控与视频流分析，确定第一预警目标，所述第一分布设备为所述分布式设备中任一设备；生成基于所述第一预警目标的第一预警信息并示警，预测所述第一预警目标的行为轨迹，确定第一预测信息；基于所述第一预测信息，定位第二分布设备，所述第二分布设备为所述第一分布设备邻域的轨迹偏向设备；生成第一追踪信号，传输至所述第二分布设备，对所述第一预警目标进行追踪监控。
[0059] 选择任意一个分布式设备作为第一分布设备，第一分布设备对其视野范围内进行实时监控，捕捉视频流。利用AI视觉芯片和目标检测算法对视频流进行分析，检测出第一预警目标。
[0060] 根据检测到的第一预警目标，生成包含目标位置、时间、类型等信息的预警信息，通过音频、视频或短信等方式向监控中心发送预警信息，进行即时示警。利用视频流中的多帧数据，对第一预警目标的运动轨迹进行分析，预测目标的未来运动轨迹，生成包含目标预测位置、时间等的第一预测信息，供后续决策使用。
[0061] 根据第一预测信息获取预警目标的预测轨迹，确定其可能的运动方向和目标预测位置，查询第一分布设备的邻域设备分布，找到覆盖目标预测位置的设备，从邻域设备中选择轨迹偏向设备，即能够最好地覆盖目标预测位置的第二分布设备。
[0062] 生成包括第一预警目标的第一追踪信号，第二分布设备接收第一追踪信号，根据所述第一追踪信号锁定并追踪第一预警目标，实时捕捉目标的移动情况，确保连续监控。
[0063] 综上所述，本申请实施例所提供的一种用于产业园区的智慧安防预警装置具有如下技术效果：
[0064] 通过安防需求读取模块10，准确读取并分析目标产业园区的具体安防需求，确保安防资源的合理分配和有效防护；部署决策模块20结合智能决策模型进行部署决策，确定基于安防分布的数据流架构，保证设备分布合理，无监控盲点；芯片配置模块30基于数据流架构，优化配置AI视觉芯片，简化了设备配置与管理，满足复杂多变的安防需求；边缘AI融合模块40通过对分布式设备进行边缘AI融合，部署智慧安防系统，实现高效的边缘侧监控和实时预警管理；预警管理模块50基于分布式设备的边缘安防预警管理，与中控协同预警管理，确保安防事件检测与响应的及时性，快速处理突发事件；传输管理模块60基于网络时间协议，进行安防交互的视频流传输管理，保证数据传输的低延迟和高可靠性，通过交互邻域设备实现安防追踪，全面保障产业园区的安全。
[0065] 基于与前述实施例中一种用于产业园区的智慧安防预警装置相同的发明构思，如图2所示，本申请实施例提供了一种用于产业园区的智慧安防预警方法，所述方法包括：
[0066] 读取目标产业园区的安防需求；以所述安防需求为导向，结合智能决策模型进行部署决策，确定基于安防分布的数据流架构；基于所述数据流架构，配置AI视觉芯片；基于所述AI视觉芯片，通过对分布式设备进行边缘AI融合，部署智慧安防系统；基于所述智慧安防系统，进行基于所述分布式设备的边缘安防预警管理，与中控协同预警管理，其中，所述分布式设备可交互；随着所述分布式设备进行边缘侧监控与自主决策响应，基于网络时间协议，进行安防交互的视频流传输管理，其中，通过交互邻域设备进行安防追踪。
[0067] 进一步而言，基于所述数据流架构，配置AI视觉芯片，包括：
[0068] 遍历所述数据流架构，确定有效安防目标与无效背景，其中，各安防设备的有效安防目标存在差异化；对所述有效安防目标进行聚类，确定多个聚类簇；遍历所述多个聚类簇，进行类内标准化，基于标准化的安防预警目标，对所述AI视觉芯片进行配置。
[0069] 进一步而言，基于网络时间协议，进行安防交互的视频流传输管理，包括：
[0070] 遍历所述分布式设备，对监控视频流进行时间戳标识；读取协同监控任务，基于所述网络时间协议，执行基于所述协同监控任务的关联数据流同步传输管理，其中，数据传输包含边缘侧与控制中心，边缘侧之间；其中，所述网络时间协议可进行传输碰撞协调管理。
[0071] 进一步而言，所述中控协同预警管理，包括：
[0072] 获取中心处理任务，预处理视频流确定视频碎片，传输至所述控制中心；基于所述控制中心，对所述视频碎片进行安防决策定位，确定安防事件；若所述安防事件满足决策精度，生成基于所述安防事件的预警信息。
[0073] 进一步而言，所述方法包括：
[0074] 若所述安防事件不满足决策精度，生成反馈监测信息，所述反馈监测信息标识有协同设备组；基于所述反馈监测信息，对所述协同设备组进行同目标协同监控与决策；其中，所述协同设备组的确定，包括：读取回传设备的邻域设备分布；以监控全视角为筛选需求，以监控重叠域与闲置状态为约束条件，基于所述邻域设备分布筛选确定所述协同设备组。
[0075] 进一步而言，所述预处理视频流确定视频碎片，包括：
[0076] 通过进行边缘识别，对所述视频流进行关键帧图像提取，其中，预设边缘移动区间为关键帧确定标准；对所述关键帧图像进行图像校准处理与图像模糊分割处理，确定所述视频碎片，其中，图像处理需求为多元图像缺陷，图像分割标准为有效安防目标与无效背景。
[0077] 进一步而言，所述通过交互邻域设备进行安防追踪，包括：
[0078] 基于第一分布设备，进行视野域监控与视频流分析，确定第一预警目标，所述第一分布设备为所述分布式设备中任一设备；生成基于所述第一预警目标的第一预警信息并示警，预测所述第一预警目标的行为轨迹，确定第一预测信息；基于所述第一预测信息，定位第二分布设备，所述第二分布设备为所述第一分布设备邻域的轨迹偏向设备；生成第一追踪信号，传输至所述第二分布设备，对所述第一预警目标进行追踪监控。
[0079] 本说明书通过前述对一种用于产业园区的智慧安防预警装置的详细描述，本领域技术人员可以清楚知道本实施例中的一种用于产业园区的智慧安防预警方法，由于其与实施例公开的装置相对应，所以描述得比较简单，相关之处参见方法部分说明即可。
[0080] 对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
