一种基于智慧园区多模态监控信息的智能安防管理系统的制作方法
本发明涉及安防管理,尤其涉及一种基于智慧园区多模态监控信息的智能安防管理系统。
背景技术:
1、智慧园区作为城市数字化转型的重要载体,其安防管理系统的智能化水平直接关系到园区运营的安全性与可靠性,传统的园区安防系统通常以视频监控为核心,辅以门禁、周界报警、消防报警等独立子系统,各系统各自为政、独立运行,随着人工智能、物联网、多模态感知等技术的快速发展,智慧园区安防系统正逐步向多模态数据融合、智能分析与协同响应的方向演进,然而在封闭空间中仍面临显著局限,在设备机房、管廊、仓库等封闭空间内,大功率排风扇、新风机组等机电设备运转产生的机械噪声,如启动冲击声等在时频域特征上与入侵破坏声相似度较高,现有声纹识别系统难以有效区分设备自身异响与外源性入侵冲击,容易导致误报警,同时,多模态数据融合多停留于特征拼接层面,未能利用设备功率参数与声纹信号之间存在的物理耦合关系来深度区分声源属性,也难以实现误报与漏报的有效平衡,因此,提高多模态监控信息的智能安防管理系统的可靠性是亟待解决的技术问题。
2、例如,中国专利申请公开号:cn121284198a,该发明公开了一种基于人工智能的数字孪生智慧园区安防管理系统,涉及安防管理领域,包括多模态感知网络,用于通过多模态传感器网络采集园区环境数据,并进行预处理,得到环境数据集;数字孪生建模模块,用于基于环境数据集构建园区三维虚拟模型;语义对齐模块,用于基于三维虚拟模型定义动态安防语义规则,并对环境数据集进行多模态特征的语义对齐;威胁评估模块,用于基于知识图谱和贝叶斯网络对对齐的语义进行威胁评估;资源调度执行端,用于根据评估结果生成处置预案,并通过执行终端实现安防响应。
3、现有技术中还存在以下问题:
4、现有技术未考虑在智慧园区的封闭空间内机电设备运转产生的机械噪声与入侵破坏声在时频域特征上相似度较高,现有安防系统难以有效进行区分,容易导致误报,同时无法有效应对入侵者利用设备噪声掩护实施入侵的漏报风险,现有技术不能快速识别待监测园区空间的状态倾向,不能根据多模态的监控数据特征进行联合分析,影响多模态监控信息的智能安防管理系统的可靠性。
技术实现思路
1、为此,本发明提供一种基于智慧园区多模态监控信息的智能安防管理系统,用以克服现有技术不能快速识别待监测园区空间的状态倾向,不能根据多模态的监控数据特征进行联合分析,影响多模态监控信息的智能安防管理系统的可靠性的问题。
2、为实现上述目的,本发明提供一种基于智慧园区多模态监控信息的智能安防管理系统,包括:
3、数据获取模块,其用以在预设监测时段内获取待监测园区空间的声纹信号,以及所述待监测园区空间内各设备在若干监测时刻的功率数据;
4、预识别模块,其与所述数据获取模块相连,用以基于待监测园区空间的声纹信号确定声纹扰动参数以分析所述待监测园区空间的状态倾向;
5、多模态识别模块,其分别与所述数据获取模块和所述预识别模块相连,用以基于所述状态倾向,对所述待监测园区空间进行耦合分析;
6、所述耦合分析为基于若干功率数据构建各设备关联的负载动态曲线,确定所述负载动态曲线的负载特征时刻,并基于所述待监测园区空间的声纹信号确定声纹特征时刻;
7、多模态分析模块,其与所述多模态识别模块相连,用以基于所述负载特征时刻以及所述声纹特征时刻确定所述待监测园区空间的空间稳态倾向,并标记风险设备;
8、时域分析模块,其分别与所述数据获取模块和所述多模态分析模块相连,用以基于同一监测子时段内各风险设备的同步趋向参数标记特征子时段,所述同步趋向参数根据监测子时段内的任一设备的若干功率数据和若干声纹幅值确定;
9、安防响应模块,其分别与所述多模态分析模块和所述时域分析模块相连,用以基于所述特征子时段的声纹信号确定冲击前沿参数和高频分量参数,以确定是否存在非稳态风险,根据所述状态倾向以及所述非稳态风险判定是否触发安防报警信号。
10、进一步地,所述预识别模块用以分析所述待监测园区空间的状态倾向,其中,
11、所述预识别模块基于待监测园区空间的声纹扰动参数超过预设的声纹扰动基准值的判定结果,确定所述待监测园区空间的状态倾向为风险状态倾向;
12、所述声纹扰动参数为预设监测时段内声纹信号的幅值标准差。
13、进一步地,所述多模态识别模块用以基于待监测园区空间的状态倾向为风险状态倾向的判定结果,确定对所述待监测园区空间进行耦合分析。
14、进一步地,所述多模态识别模块用以分别确定所述负载特征时刻和所述声纹特征时刻,其中,
15、所述多模态识别模块用以分别获取待监测园区空间内各设备关联的负载动态曲线,确定功率数据最大值所在时刻为所述设备的负载特征时刻;
16、用以获取预设监测时段内所述待监测园区空间的声纹信号,确定幅值最大值所在时刻为所述声纹特征时刻;
17、用以在预设监测时段内获取各设备的若干功率数据,所述负载动态曲线以时间为横轴,以功率数据为纵轴进行构建。
18、进一步地,所述多模态分析模块用以确定所述待监测园区空间的空间稳态倾向并标记风险设备,其中,
19、若存在至少一个时序偏移参数不超过预设的时序偏移基准值的设备,所述多模态分析模块确定所述待监测园区空间为空间潜稳态倾向,并将不超过时序偏移基准值的设备标记为风险设备;
20、若不存在时序偏移参数不超过预设的时序偏移基准值的设备,所述多模态分析模块确定所述待监测园区空间为空间非稳态倾向。
21、进一步地,所述多模态分析模块用以确定所述时序偏移参数,其中,
22、所述多模态分析模块用以获取所述待监测园区空间的声纹特征时刻以及若干设备的负载特征时刻,分别计算各负载特征时刻与所述声纹特征时刻之间的时间间隔,确定所述时间间隔为所述设备的时序偏移参数。
23、进一步地,所述时域分析模块用以响应于待监测园区空间为空间潜稳态倾向,将所述预设监测时段划分若干监测子时段,确定各风险设备的同步趋向参数,其中,
24、所述时域分析模块用以基于同一监测子时段内的同一风险设备的若干功率数据以及若干声纹幅值计算皮尔逊相关系数,确定所述皮尔逊相关系数为所述同步趋向参数。
25、进一步地,所述时域分析模块用以基于同一监测子时段内各风险设备的同步趋向参数标记特征子时段,其中,
26、所述时域分析模块基于监测子时段内各风险设备符合标记条件的判定结果,将所述监测子时段标记为特征子时段;
27、所述标记条件为监测子时段内存在至少一个同步趋向参数不超过同步趋向基准值的风险设备。
28、进一步地,所述安防响应模块用以确定是否存在非稳态风险,其中,
29、所述安防响应模块基于待监测园区空间符合风险条件的判定结果,确定所述待监测园区空间存在非稳态风险;
30、所述风险条件为存在至少一个冲击前沿参数小于预设的冲击前沿基准值,且高频分量参数超过预设的高频分量基准值的特征子时段;
31、所述冲击前沿参数为特征子时段内声纹信号的幅值最小值所在时刻与幅值最大值所在时刻之间的间隔时长,所述高频分量参数为特征子时段内声纹信号高频能量占比。
32、进一步地,所述安防响应模块用以判定是否触发安防报警信号,其中,
33、所述安防响应模块基于所述待监测园区空间为空间非稳态倾向或存在非稳态风险的判定结果,判定触发安防报警信号。
34、与现有技术相比,本发明的有益效果在于,本发明设置数据获取模块、预识别模块、多模态识别模块、多模态分析模块、时域分析模块,以及安防响应模块,通过数据获取模块获取待监测园区空间的声纹信号以及各设备的若干功率数据,通过预识别模块基于待监测园区空间的声纹信号确定声纹扰动参数以分析待监测园区空间的状态倾向,通过多模态识别模块基于状态倾向,对待监测园区空间进行耦合分析,通过多模态分析模块基于负载特征时刻以及声纹特征时刻确定待监测园区空间的空间稳态倾向,并标记风险设备,通过时域分析模块基于同一监测子时段内各风险设备的同步趋向参数标记特征子时段,通过安防响应模块根据状态倾向以及非稳态风险判定是否触发安防报警信号,进而,实现了快速识别待监测园区空间的状态倾向,根据多模态的监控数据特征进行联合分析,提高多模态监控信息的智能安防管理系统的可靠性。
35、尤其,本发明通过预识别模块基于待监测园区空间的声纹信号确定声纹扰动参数以分析待监测园区空间的状态倾向,可以理解的是,声纹扰动参数仅需单次遍历信号数据即可完成计算,运算量低,可在边缘端实时运行,无需消耗云端算力,实现异常风险识别的零延迟,确保系统不会因计算瓶颈而延迟响应,在初筛环节实现对各类异常事件的广泛覆盖,避免因异常类型未知而导致的漏报,对存在异常扰动的时段进入后续多模态精细分析,使系统算力资源集中在真正需要深度判定的可疑时段上,提升整体处理效率,进而,实现了快速识别待监测园区空间的状态倾向,提高了多模态监控信息的智能安防管理系统的可靠性。
36、尤其,本发明通过多模态分析模块基于负载特征时刻以及声纹特征时刻确定待监测园区空间的空间稳态倾向并标记风险设备,可以理解的是,设备功率峰值与声纹峰值在时间上的对齐程度反映了声纹最大峰值是否可归因于设备功率变化,通过时序偏移参数将异常空间状态明确区分为潜稳态和非稳态,实现异常风险的两级分流,对于声纹最大峰值可被设备功率峰值解释的潜在嫌疑场景,系统不直接报警而进行后续精细分析,对于声纹最大峰值完全无法被解释的外源性场景,系统直接触发报警,确保强可疑事件的高效响应,同时,将时序同步的设备标记为风险设备,为后续分析提供明确的聚焦对象,使计算资源集中于真正需要排查的设备上,避免无目标的全空间盲目分析,进而,实现了对多模态的监控数据特征进行联合分析,提高了多模态监控信息的智能安防管理系统的可靠性。
37、尤其,本发明通过时域分析模块基于同一监测子时段内各风险设备的同步趋向参数标记特征子时段,可以理解的是,以监测子时段为基本分析单元,通过确定同步趋向参数量化功率与声纹的局部趋势一致性,将存在至少一个设备功率与声纹趋势不一致的监测子时段标记为特征子时段,将判定维度从单点比对提升至全局形态匹配,在更大时间跨度内捕捉功率与声纹的局部协同状态,同时,通过将分析对象从全部设备聚焦至标记的有限风险设备,使后续安防响应模块仅需对标记出的特征子时段而非整个监测时段的声纹信号进行高频冲击分析,降低后续处理的数据量和计算复杂度,进而,实现了对多模态的监控数据特征进行联合分析,提高了多模态监控信息的智能安防管理系统的可靠性。
38、尤其,本发明通过安防响应模块根据状态倾向以及非稳态风险判定是否触发安防报警信号,可以理解的是,以特征子时段的声纹信号为分析对象,通过冲击前沿参数表征时域波形从低幅值跃升至峰值的陡峭程度,通过高频分量参数表征声纹在高频带内的能量占比,从时域和频域两个维度确定外源性入侵冲击的本质声学特征,使两个维度的判定结果相互印证,抑制单一维度异常引发的误报,在保证入侵检出率的同时降低误报率,同时,将空间非稳态倾向与非稳态风险进行综合决策,使系统在高度可疑时直接报警与精细确认后报警两条路径上均能触发安防响应,实现强可疑事件的快速响应与隐蔽入侵的准确检出之间的统一,进而,实现了对多模态的监控数据特征进行联合分析,提高了多模态监控信息的智能安防管理系统的可靠性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com