一种校园智能摄像头安全系统

本发明涉及目标检测，更确切地说，它涉及一种校园智能摄像头安全系统。

背景技术：

1、校园户外绿化带、林下、围墙边角易滋生蛇、野生刺猬等危险野生动物，该类生物存在双重检测难点：一是仅露出局部躯体，画面内像素尺寸极小；二是体表颜色与植被背景高度近似形成保护色，人工巡逻难以提前预警，伤人事故易造成学生人身伤害与校园恐慌，大幅提升安保管控压力。传统校园监控仅具备录像存储功能，无定向预警、智能识别能力，依靠人工值守无法实现全天候风险防控。

2、物联网监控、通用 yolo 目标检测网络已应用于校园安防，但现有通用检测模型无法适配校园野生动物的双重检测难点：通用检测网络仅设置三层下采样检测头，浅层微小目标经过多次下采样后空间细节丢失严重；同时缺少多尺度上下文感知结构，难以区分保护色动物与相似植被背景；现有技术仅能对常规尺寸、高对比度目标实现有效识别，针对微小 + 保护色共存的交叉困难样本漏检率极高。

3、现有技术具有以下两类耦合式技术瓶颈：(1)微小目标识别瓶颈：野生动物仅露出局部躯体时目标像素面积小于32×32，原生yolov8-seg经过8/16/32倍下采样后微小目标细节完全丢失；(2)保护色目标识别瓶颈：蛇、刺猬体表色彩纹理与草丛、泥土高度近似，目标与背景在特征空间高度耦合。

技术实现思路

1、本发明的目的是克服现有技术中的不足，提供了一种校园智能摄像头安全系统。

2、第一方面，提供了一种校园智能摄像头安全系统，包括：多个定点分布于校园角落的监控终端和云端服务器，所述监控终端与云端服务器建立无线通信连接；

3、所述监控终端以嵌入式主控板为主控，集成摄像头、灯光警示模组、本地存储模块，所述主控板内置wifi模块；所述摄像头用于实时捕捉校园监控图像，通过所述主控板内置wifi模块持续将实时视频流上传至云端服务器；所述灯光警示模组为全域警示led灯组；

4、所述云端服务器内置改进的轻量级yolov8-seg目标检测模型，所述yolov8-seg模型通过增设多尺度特征编码模块、特征解耦融合模块、多任务预测模块完成轻量化改进；云端服务器利用改进后的模型对接收的图像进行实时推理，识别预设的危险动物，当识别到危险动物时向监控终端发送报警信号；所述监控终端接收到报警信号后，驱动全域灯光警示模组整体频闪警示。

5、作为优选，所述云端服务器识别到危险动物后，根据目标检测框的坐标计算目标中心点位，并将包含摄像头编号、报警时间及所述目标中心点位的预警指令下发至对应的监控终端。

6、作为优选，所述监控终端通过主控板内置wifi模块将摄像头捕获的实时视频流持续上传至云端服务器指定的ip地址。

7、作为优选，所述监控终端通过主控板内置wifi模块不间断地监听来自云端服务器的报警信号，接收到报警信号后立即驱动全域灯光警示模组整体频闪报警。

8、作为优选，所述多尺度特征编码模块内部包含基于浅层高分辨率特征图搭建的微小目标检测分支，该分支在yolov8-seg原生检测头基础上新增浅层检测头，负责检测像素尺寸小于预设阈值的微小目标，利用浅层特征图保留的空间细节与边缘信息提升对部分躯干被遮挡目标的检测能力。

9、作为优选，所述多尺度特征编码模块还包含多尺度空洞卷积上下文编码单元，该编码单元设置于yolov8-seg特征金字塔颈部网络的多个层级；编码单元包含多个并行空洞卷积分支，各分支采用不同膨胀率模拟多尺度感受野，各分支输出经坐标注意力机制自适应加权融合后，与scconv输出做残差连接，以增强模型区分保护色目标与背景细微纹理差异的能力。

10、作为优选，所述多任务预测模块在模型训练阶段引入特征对比增强损失，该损失函数对检测框内的前景目标区域特征与检测框外邻域背景区域特征计算对比损失，引导模型在特征空间中拉大前景目标与背景的嵌入距离。

11、作为优选，所述特征对比增强损失作为辅助损失项纳入多任务预测模块的联合损失函数中，仅在训练阶段生效，推理阶段不增加额外计算开销。

12、第二方面，提供了一种校园智能摄像头安全监控方法，由第一方面任一所述的系统执行，包括：

13、s1、分布式部署于校园角落的监控终端实时采集监控图像，并通过内置wifi模块将视频流持续上传至云端服务器；

14、s2、云端服务器接收视频流后，利用改进的轻量级yolov8-seg目标检测模型对图像进行实时推理；所述改进的yolov8-seg模型通过多尺度特征编码模块提取多层级特征并增强微小目标与保护色目标的特征表达，通过特征解耦融合模块自适应融合多层级特征并抑制背景干扰，通过多任务预测模块同步输出目标检测结果；

15、s3、当识别到预设的危险动物时，云端服务器向对应监控终端发送报警信号；

16、s4、监控终端接收到报警信号后，驱动全域灯光警示模组整体频闪报警。

17、本发明的有益效果是：

18、1.本发明自主设计多尺度特征编码模块，采用 4 倍下采样浅层特征单独构建预测分支并搭配跨层语义通路，完整保留小型动物像素细节，解决原生 yolov8-seg 深层检测头丢失微小目标纹理、极易漏检的缺陷。

19、2.本发明自主构建特征解耦融合模块，采用分层自适应加权 + 背景纹理抑制的融合逻辑实现前景、背景特征差异化处理，而非通用简单通道拼接，精准区分保护色野生动物与外观近似杂草植被。

20、3.本发明自主设计多任务预测模块协同优化微小、保护色两类困难样本识别精度，同步拉远前景动物与周边背景的特征距离；后文对比实验数据证实，本模型相较原生yolov8-seg在不同植被、光照校园场景均具备稳定识别优势。

21、4.本发明整套改进网络算力增幅极低，适配树莓派边缘设备轻量化部署，在保证低漏检精度前提下推理开销提升幅度极小，兼顾检测精度与现场工程落地性。

1.一种校园智能摄像头安全系统，其特征在于，包括：多个定点分布于校园角落的监控终端和云端服务器，所述监控终端与云端服务器建立无线通信连接；

2.根据权利要求1所述的校园智能摄像头安全系统，其特征在于，所述云端服务器识别到危险动物后，根据目标检测框的坐标计算目标中心点位，并将包含摄像头编号、报警时间及所述目标中心点位的预警指令下发至对应的监控终端。

3.根据权利要求2所述的校园智能摄像头安全系统，其特征在于，所述监控终端通过主控板内置wifi模块将摄像头捕获的实时视频流持续上传至云端服务器指定的ip地址。

4.根据权利要求3所述的校园智能摄像头安全系统，其特征在于，所述监控终端通过主控板内置wifi模块不间断地监听来自云端服务器的报警信号，接收到报警信号后立即驱动全域灯光警示模组整体频闪报警。

5.根据权利要求4所述的校园智能摄像头安全系统，其特征在于，所述多尺度特征编码模块内部包含基于浅层高分辨率特征图搭建的微小目标检测分支，该分支在yolov8-seg原生检测头基础上新增浅层检测头，负责检测像素尺寸小于预设阈值的微小目标，利用浅层特征图保留的空间细节与边缘信息提升对部分躯干被遮挡目标的检测能力。

6.根据权利要求5所述的校园智能摄像头安全系统，其特征在于，所述多尺度特征编码模块还包含多尺度空洞卷积上下文编码单元，该编码单元设置于yolov8-seg特征金字塔颈部网络的多个层级；编码单元包含多个并行空洞卷积分支，各分支采用不同膨胀率模拟多尺度感受野，各分支输出经坐标注意力机制自适应加权融合后，与scconv输出做残差连接，以增强模型区分保护色目标与背景细微纹理差异的能力。

7.根据权利要求6所述的校园智能摄像头安全系统，其特征在于，所述多任务预测模块在模型训练阶段引入特征对比增强损失，该损失函数对检测框内的前景目标区域特征与检测框外邻域背景区域特征计算对比损失，引导模型在特征空间中拉大前景目标与背景的嵌入距离。

8.根据权利要求7所述的校园智能摄像头安全系统，其特征在于，所述特征对比增强损失作为辅助损失项纳入多任务预测模块的联合损失函数中，仅在训练阶段生效，推理阶段不增加额外计算开销。

9.一种校园智能摄像头安全监控方法，其特征在于，由权利要求1至8任一所述的系统执行，包括：