[发明专利]一种基于深度学习的电子围栏风险预警方法

说明书

本发明涉及一种基于深度学习的电子围栏风险预警方法，基于深度学习构建锥形桶检测模型并进行训练，训练完成后通过锥形桶检测模型对实时采集的图像中的锥形桶进行识别，识别完成后选定识别点，计算确定电子围栏范围，进一步识别图像中的活动目标，并判断活动目标是否处于电子围栏的覆盖范围内，在判断为是时发出警报信号。通过本发明，能够通过图像识别的方式判断在事故发生地点建立电子围栏，并判断电子围栏范围内是否存在有碍事故排查的障碍，避免对事故清除造成影响。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种基于深度学习的电子围栏风险预警方法。

背景技术

电子围栏是目前最先进的周界防盗报警系统，通常，电子围栏设置于室外，沿着原有围墙(例如砖墙、水泥墙、铁栅栏或锥形桶)安装,通过信号传输设备将报警信号传至后端控制中心，显示防区工作状态。如今大多数电子围栏用于农业围栏和其他形式的动物管理，同时也经常用于加强诸如军事设施,监狱和其他安全敏感地点等敏感地区的安全，存在致命电压的地方。

现绝大部分周界报警系统还停留在前端报警和单一设备的控制管理之上，如要实现跨地域远程控制及理，必须依托第三方报警系统进行集成。但是提供报警系统的厂商可能无法提供开放协议和接口，也就难以形成统一集成平台，致使本应统一筹划的安防系统变成了“分散管理”的系统，同时，现有的电子围栏不便捷性难以根据需求实时更改调节。

发明内容

本发明为了解决上述提到的问题，提供了一种基于深度学习的电子围栏风险预警方法。

本发明解决其技术问题所采用的技术方案是：构造一种基于深度学习的电子围栏风险预警方法，包括：

获取包含锥形桶的图像并进行位置标记，构建锥形桶检测模型，并将标记锥形桶位置的图像输入锥形桶检测模型进行训练；

通过训练好的锥形桶检测模型，对实时图像中的锥形桶位置进行识别和标记；

基于完成锥形桶标记的实时图像，通过计算，就识别得到的锥形桶，在实时图像中生成电子围栏；

识别实时图像的电子围栏中是否存在活动目标，若存在则发出警报信号；其中，所述活动目标的类型至少包括：人、动物、机动车、非机动车或障碍物。

其中，锥形桶检测模型进行训练的步骤包括：

收集大量包含锥形桶的图像，手动使用矩形框标注出图像中锥形桶的位置；

使用开源深度学习目标检测框架，构建用于图像目标检测的锥形桶检测模型；

将标注出锥形桶位置的图像划分为训练集和测试集，将其中的训练集输入至构建的锥形桶检测模型中，通过输出结果调节模型的函数和参数，至输出结果与图像中锥形桶位置标记结果相同，结束训练；

通过测试集对锥形桶检测模型的检测结果的准确性进行测试。

其中，在实时图像中生成电子围栏的步骤包括：

将图像中每一锥形桶的尖端作为识别点，形成锥形桶的识别点集；

将识别点集中所有点两两配对，配对点的连线组成n(n-1)/2条线段；

针对每一条线段，判断识别点集中除连接组成该线段的两点外的（n-2）个识别点，相对线段的位置关系；

仅保留除连接组成该线段的两点外的（n-2）个识别点位于对应现对同一侧的n条线段，即得到电子围栏。

其中，在判断识别点集中除连接组成该线段的两点外的（n-2）个识别点，相对线段的位置关系的步骤中，

设定线段p1p2，坐标分别为 p1(x1,y1)，p2(x2,y2)，判断除连接组成该线段的两点外的（n-2）个识别点中任一点p3相对线段p1p2的位置关系时，设定p3的坐标为p3(x3,y3)，则通过将各点坐标代入公式（1）计算结果；