一种基于边缘计算的机场围界入侵预报警处理设备及方法与流程

1.本发明涉及一种机场入侵预报警技术领域，具体涉及一种基于边缘计算的机场围界入侵预报警处理设备及方法。


背景技术：

2.机场因其特殊的性质需要保证机场控制区内的高安全性，尤其按机场安保设施标准要求在飞行区设置物理隔离措施和入侵报警系统，防止人员非法入侵，以保证飞行区的安全。
3.目前民用机场的机场围界入侵监控系统主要采用物理围网上安装振动传感器的方式来探测围界入侵行为，当发生围界入侵报警后，安保人员通过观看实时监控视频进行确认入侵报警事件的准确性。虽然传统的振动探测系统能探测入侵行为，但却无法判断和识别机场安保设施标准要求的入侵行为，无法自动快速识别入侵目标的类型，也无法识别入侵误报事件，如大风导致围网晃动可能触发的入侵报警。入侵报警系统的误报和智能化程度低，增加了工作人员的工作量，同时也增加了机场的安保风险。
4.目前机场围界入侵监控的研究主要在通过不同探测方式和不同精度的传感器提升入侵报警的准确性，有振动光缆、振动电缆、多轴振动传感器、带传感芯片的线缆、电容扰动电缆等。单一方式的传感器技术进步比较慢，并且受机场围界复杂环境的影响，例如恶劣天气、杂草、动物、物理围界稳固性等，无法突破现有技术瓶颈。
5.现有技术的缺点在于：第一，技术单一，无法满足机场安保对入侵报警准确性的要求；第二，机场围界环境非常复杂，在特殊情况下，技术会失效；第三，智能化程度低，不能辅助安保人员准确、高效地确认和处理入侵报警事件。
6.因此，本发明提供一种基于边缘计算的机场围界入侵预报警处理设备及方法，以解决上述存在的问题。


技术实现要素：

7.本发明的目的在于提供一种基于边缘计算的机场围界入侵预报警处理设备及方法，以解决上述背景技术中提出的问题。
8.为实现上述目的，本发明提供如下技术方案：
9.一种基于边缘计算的机场围界入侵预报警处理设备，包括：中央控制处理模块与图像智能预警模块、入侵报警模块、自动跟踪模块、ai深度学习模块和执行模块，所述中央控制处理模块与图像智能预警模块、入侵报警模块、自动跟踪模块、ai深度学习模块和执行模块交互通信，所述自动跟踪模块与高速球机电性相连，所述执行模块通过与led灯光、声光报警器和广播设备电性相连。
10.优选的，一种基于边缘计算的机场围界入侵预报警处理设备，所述图像智能预警模块与振动传感器电性连接，所述执行模块与网络摄像机电性连接。
11.一种基于边缘计算的机场围界入侵预报警处理方法，采用基于边缘计算的机场围
界入侵预报警处理设备，所述方法包括：
12.通过图像智能预警模块实现基于红外热成像和可见光视频的图像智能预警技术进行入侵检测，分别输出不同级别检测区域的热成像分析预警和可见光分析预警分析信号；
13.通过入侵报警模块实现基于波形、陀螺仪、防拆数据信息的振动信号分析算法判断和识别入侵行为，能过虑大风引起的误报，输出机场安保设施标准要求的剪切、攀爬、倾斜和拆卸的报警信号；
14.通过中央控制处理模块接收图像智能预警模块和入侵报警模块发送的预警、报警信息，调用ai深度学习模块的反馈结果，进行中央分析处理和逻辑运算，结合预设的突发事件响应级别，实现一系列的自动跟踪和联动策略；
15.通过ai深度学习模块，判断和识别入侵目标类型，并实将识别目标类型反馈至中央控制处理模块；
16.自动跟踪模块根据中央控制处理模块的指令，控制高速球机对目标进行跟踪，保持目标在中心，放大目标特写；
17.执行模块根据中央控制处理模块的指令，联动网络摄像机、led灯光、声光报警器和广播设备。
18.优选的，一种基于边缘计算的机场围界入侵预报警处理方法，所述图像智能预警模块通过检测算法对实时输入的红外热成像和可见光视频帧检测，基于背景学习的复杂监控环境下目标检测算法检测，检测是否有活动目标进入预定区域，并识别入侵目标，所述目标检测算法包括了检测区域设定、滤波图像处理、背景分割、运动目标提取，目标检测算法能有效过滤机场围界常见的风吹草动、光线的干扰，将入侵目标输出。
19.优选的，一种基于边缘计算的机场围界入侵预报警处理方法，所述入侵报警模块通过振动传感器的振动信号分析算法判断和识别入侵行为，包括过滤大风引起的误报，根据输出机场安保设施标准要求的剪切、攀爬、倾斜和拆卸的报警信号。
20.优选的，一种基于边缘计算的机场围界入侵预报警处理方法，根据图像智能预警模块、入侵报警模块和ai深度学习模块输入的数据进行分析处理和逻辑运算，对预警/报警进行确认，并输出不同的联动策略，根据预设的突发事件响应级别，分别联动网络摄像机、led灯光、声光报警器，同时结合系统联动广播设备，整体由弱至强提醒和警示试图入侵者。
21.优选的，一种基于边缘计算的机场围界入侵预报警处理方法，所述ai深度学习模块接收中央控制处理模块推送的图片，通过深度学习算法识别目标的类型，区分人员、车和动物，深度学习算法支持机场围界场景中常见目标的识别，如人员、车辆、鸟类。
22.优选的，一种基于边缘计算的机场围界入侵预报警处理方法，所述自动跟踪模块与高速球机电性相连，驱动高速球机自动跟踪目标，光学变焦，确保目标始终位于视场中心，自动跟踪方法具备较强的抗目标丢失能力，在目标丢失后，依然能够发现并继续跟踪。
23.优选的，一种基于边缘计算的机场围界入侵预报警处理方法，所述执行模块通过与led灯光、声光报警器和广播设备电性相连，执行中央控制处理模块的控制指令。
24.与现有技术相比，本发明的有益效果是：采用了基于红外热成像和可见光视频的图像智能预警技术，并且与入侵报警技术相结合进行分析处理和逻辑运算，有效过滤机场围界常见的环境因素影响，提高入侵报警准确性；通过ai算法判断和识别入侵行为和入侵
目标类型，并通过自动跟踪和联动策略，辅助安保人员准确、高效地确认和处理入侵报警事件。
附图说明
25.图1为本发明基于边缘计算的机场围界入侵报警处理设备的结构示意图；
26.图2为本发明基于边缘计算的机场围界入侵报警处理方法的流程示意图；
27.图3为本发明图像智能预警方法的流程示意图；
28.图4为本发明入侵报警方法的流程示意图；
29.图5为本发明ai深度学习方法的流程示意图；
30.图6为本发明自动跟踪方法的流程示意图。
具体实施方式
31.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
32.除非单独定义指出的方向外，本文涉及的上、下、左、右、前、后等方向均是以本发明所示的图中的上、下、左、右、前、后等方向为准，在此一并说明。
33.图1为本发明基于边缘计算的机场围界入侵报警处理设备的结构示意图；如图1所示，本发明提供一种技术方案：
34.一种基于边缘计算的机场围界入侵预报警处理设备，包括：中央控制处理模块与图像智能预警模块、入侵报警模块、自动跟踪模块、ai深度学习模块和执行模块，所述中央控制处理模块与图像智能预警模块、入侵报警模块、自动跟踪模块、ai深度学习模块和执行模块交互通信，所述自动跟踪模块与高速球机电性相连，所述执行模块通过与led灯光、声光报警器和广播设备电性相连。
35.一种基于边缘计算的机场围界入侵预报警处理设备，所述图像智能预警模块与振动传感器电性连接，所述执行模块与网络摄像机电性连接。
36.与上述实施例提供的一种基于边缘计算的机场围界入侵预报警处理设备相对应，本技术还提供了一种基于边缘计算的机场围界入侵预报警处理方法，参照图2所示，具体实施方式如下：
37.步骤1：通过图像智能预警模块实现基于红外热成像和可见光视频的图像智能预警技术进行入侵检测，分别输出不同级别检测区域的热成像分析预警和可见光分析预警分析信号；
38.步骤2：通过入侵报警模块实现基于波形、陀螺仪、防拆数据信息的振动信号分析算法判断和识别入侵行为，能过虑大风引起的误报，输出机场安保设施标准要求的剪切、攀爬、倾斜和拆卸的报警信号；
39.步骤3：通过中央控制处理模块接收图像智能预警模块和入侵报警模块发送的预警、报警信息，调用ai深度学习模块的反馈结果，进行中央分析处理和逻辑运算，结合预设的突发事件响应级别，实现一系列的自动跟踪和联动策略；
40.步骤4：通过ai深度学习模块，判断和识别入侵目标类型，并实将识别目标类型反馈至中央控制处理模块；
41.步骤5：自动跟踪模块根据中央控制处理模块的指令，控制高速球机对目标进行跟踪，保持目标在中心，放大目标特写；
42.步骤6：执行模块根据中央控制处理模块的指令，联动网络摄像机、led灯光、声光报警器和广播设备。
43.入侵报警方法的流程示意图参照图3所示，具体实施方式如下：
44.本实施例中的入侵报警方法包括：
45.步骤101：在红外热成像和可见光视频中分别设置不同级别检测区域，不同检测区域可设置不同的检测方向、灵敏度、置信度等参数；
46.步骤102：获取红外热成像和可见光的视频流，提取关键帧；
47.步骤103：采用消抖滤波法对关键帧进行图像处理，针对机场围界变化缓慢场景的被测参数优化滤波效果；
48.步骤104：采用混合高斯模型对背景分割，并在机场围界复杂监控环境下有效过滤常见的风吹草动、光线的干扰；
49.步骤105：采用形态学处理从复杂背景环境中提取运动目标，特别是机场围界常见的小目标和缓慢活动目标；
50.步骤106：判断是否有入侵目标，如果没有则回到步骤102，如果有则进入步骤107；
51.步骤107：根据检测结果结合步骤101的设置，确定入侵目标在哪一级别预警检测区；
52.步骤108：将预警检测的相关信息，包括预警事件、目标位置、预警级别，推送至中央控制处理模块；
53.步骤109：根据预警检测规则和中央控制处理模块判断是否结束，如果否则回到步骤102，如果有则结束。
54.图像智能预警方法的流程示意图参照图4所示，具体实施方式如下：
55.本实施例中的图像智能预警方法包括：
56.步骤201：图像智能预警模块接收振动传感器提供的振动波形、陀螺仪、防拆等振动数据和信号；
57.步骤202：对振动数据进行处理，并根据预设的知识库进行分析；
58.步骤203：判断是否大风引起的误报，如果是则回到步骤201，如果不是则进入步骤204；
59.步骤204：判断振动类型，输出剪切、攀爬、倾斜或拆卸的入侵报警信号；
60.步骤205：将入侵报警信息，包括报警事件、目标位置、报警类型，推送至中央控制处理模块；
61.步骤206：根据报警检测规则和中央控制处理模块判断是否结束，如果否则回到步骤201，如果是则结束。
62.ai深度学习方法的流程示意图参照图5所示，具体实施方式如下：
63.本实施例中的ai深度学习方法包括：
64.步骤301：将深度学习模型搭载在本发明的设备中运行，模型支持机场围界场景中
常见目标的识别，如人员、车辆、鸟类等；
65.步骤302：接收中央控制处理模块实时推送的图片，支持6通道并发，每个通道25帧频接收；
66.步骤303：对图像预处理，并放大目标特写；
67.步骤304：对照深度学习模型，识别目标类型；
68.步骤305：将目标类型反馈至中央控制处理模块；
69.步骤306：根据ai深度学习规则和中央控制处理模块判断是否结束，如果否则回到步骤302，如果是则结束。
70.自动跟踪方法的流程示意图参照图6所示，具体实施方式如下：
71.本实施例中的自动跟踪方法包括：
72.步骤401：接收中央控制处理模块推送预警或者报警的位置，包括热成像预警分析或者可见光预警分析给出的相对坐标，入侵报警给出的防区位置；
73.步骤402：通过电性rs485控制线控制高速球，根据预警/报警的位置信息跳转；
74.步骤403：获取高速球机拍摄的视频流，提取关键帧；
75.步骤404：采用消抖滤波法对关键帧进行图像处理，针对机场围界变化缓慢场景的被测参数优化的滤波效果；
76.步骤405：采用混合高斯模型对背景分割，并在机场围界复杂监控环境下有效过滤常见的风吹草动、光线的干扰；
77.步骤406：采用形态学处理从复杂背景环境中提取运动目标，特别是机场围界常见的小目标和缓慢活动目标；
78.步骤407：判断是否有入侵目标，如果没有则回到步骤403，如果有则进入步骤408；
79.步骤408：采用goturn方法，基于图像对输入的卷积网络，输出在搜索区域内相对于上一帧位置的变化，从而得到目标在当前帧上的位置，实现对目标进行跟踪控制；
80.步骤409：持续判断目标是否在画面中心，并且对目标占屏比进行持续的鲁棒控制，高速球机保持目标在中心，放大目标特写，占屏比控制在30％左右；
81.步骤410：判断是否有目标是否丢失，如果是则回到步骤403，如果否则进入步骤411；
82.步骤411：根据自动跟踪规则和中央控制处理模块判断是否结束，如果否则回到步骤408，如果是则结束。
83.最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。