[发明专利]基于视频智能检测的分布式电缆防外破系统

摘要

本发明公开了一种基于视频智能检测的分布式电缆防外破系统，采用分布式光纤伴随电缆敷设以实现电缆敷设全程防外破的传感触发功能；之后，采用该触发信号，唤醒待机摄像头，进行预置位监测位置的场景抓取；将该场景图片上传至目标检测服务器，并在服务器上识别获取入侵事件的行为主体，判断行为危害。该装置可全天候无人值守，全覆盖电缆铺设线路，通过振动触发实现待机唤醒，具备较低功耗，适合光伏供电等野外场景。特别的，该装置利用计算机视觉和图像处理相关的目标检测技术，能够自动识别入侵对象的类别，为智能电网的检测提供一种有效的监控手段。

主权项

1.基于视频智能检测的分布式电缆防外破系统，其特征在于，包括防区光纤、光纤主机、联动报警继电器、球机摄像头、服务器和报警器；其中，所述防区光纤由传感光纤和参考光纤构成，按照迈克尔逊干涉原理搭建光学回路，并在光纤主机上实现相干光波的发射和干涉光波的接收；所述光纤主机内含激光光源和光电探测器，用于实现干涉光强的探测，并根据信号强弱产生报警信号；所述联动报警继电器采用干接点常开方式，外接5V直流电源，在产生外破触发信号后接通，给球机摄像头+5V电平，将球机摄像头从休眠状态唤醒；所述球机摄像头内置有4G模块，用于对所监控区域进行拍摄照片和获取现场视频信息，并通过4G无线网络将拍摄的照片和获取到的视频信息发送到服务器主机；所述服务器主机用于接收球机摄像头拍摄的照片，存储到指定文件夹；所述服务器主机用于在检测到文件夹内的更新照片后，启动分析；利用计算机视觉和图像处理相关的目标检测技术，识别外破事件，并标识包含外破事件的图片，确定入侵对象的类型；并生成的标识图片，在服务器主机上显示；所述服务器主机还内置有AI图像识别程序软件，所述服务器主机还用于驱动控制球机摄像头，主动唤醒摄像头，获取现场的视频信息和拍摄照片，并对视频信息和图片进行分析；所述报警器在确认有外破事件发生后由蜂鸣器持续发声报警；其中，所述服务器主机对视频信息和图片的处理步骤，具体为：步骤一：首先对视频信息或者图片进行预处理，调整合适的图片尺寸；步骤二：然后将其传入卷积神经网络得出众多候选结果，最后使用非极大值抑制算法得出最终结果；AI图像识别程序软件将目标检测的边界框，置信度分数和条件类别概率统一到一个独立的神经网络中，神经网络提取整幅图像的特征来预测每个边界框的位置参数及其所属目标类别；其中，训练深度神经网络构建目标识别模型的方法，该方法具体步骤如下：步骤(1)：将ImageNet竞赛数据集上的样本图片的分辨率调整为大小为448×448，并将调整过的图片划分为7×7网格；选取样本图片中的边界框作为目标检测的预测边界框的标准框，对样本图片的网格单元打上标签，其中标签含有目标的中心位置，宽度，高度和类别；步骤(2)：构建YOLO目标检测模型；具体过程为：S1：使用前20个卷积层，4个最大池化层进行预训练；S2：将分类任务迁移到目标检测；S3：在原来20个卷积层和4个最大池化层的基础上添加4个卷积层和2个全连接层，开始随机初始化网络参数，构成了YOLO目标检测模型，即得到了原始的神经网络模型；卷积层负责提取检测目标的特征；前20个卷积层，4个最大池化层，以及最后的4个卷积层和2个全连接层组成了一个完整的分类网络；S4：最后一层全连接层预测边界框坐标和类别概率；YOLO算法通过图像的宽度和高度来归一化边界框的宽度和高度得到了w，h，并将边界框的中心位置坐标转化为中心位置相对于相应的网络格子位置的偏移量，即同样归一化得到x，y；预测该目标的边界框，样本图片经过神经网络模型即YOLO模型将会输出目标的边界框，包括目标相对于网络单元边界框的中心坐标，宽度，高度；以及边界框和标准框之间的交并比的置信度，即为反应预测的边界框是否包含该目标的可能性以及准确度；其中，交并比定义为：预测框和标准框覆盖范围的交集和它们并集的比，预测框即模型输出的检测框，标准框即为人工标注的检测框；若预测框和标准框完全重合，交并比为1；置信度定义为若目标没有在该网格中，则置信度为0，若在网格中，交并比就是置信度的值；每个网格单元预测条件类别概率Pr(Class_i|Object),并将条件类别概率和单个边界框预测的置信度相乘：其中，Pr(Object)表示某个网格单元含有检测目标的概率，Pr(Class_i|Object)表示该网格单元对于检测目标的条件类别概率；Pr(Class_i)表示某个网格单元含有某种类别的检测目标的概率；表示模型输出的预测框和实际的检测框两者覆盖范围的交并比；相乘得到的值提供每个边界框的类特定的置信度分数，表现了该类出现在边界框中的概率以及评价边界框包含该目标的好坏程度；S5：采用线性激活函数作为最后一层全连接层的的激活函数，其他卷积层、池化层、全连接层的激活函数为泄漏修正线性激活函数；步骤(3)：修正分类和定位错误；将样本图片的分辨率调整为大小为448×448，并将调整过的图片划分为7×7网格之后输入步骤(2)得到的YOLO目标检测模型，即原始的神经网络模型，得到了原始的神经网络的LOSS值，适当改变随机初始化的网络权重值，得到一个新的神经网络模型；并通过多次训练迭代来微调网络权重值，并采用神经网络的LOSS变化曲线即模型训练过程中学习到的参数和标准参数之间误差的变化曲线，观察训练以及微调的推进下误差的变化，当误差在一恒定值附近震荡时，表明模型的误差不能进一步的减小；此时表明分类和定位错误已经基本修正成功；同时，随着训练次数的增加，观察并计算模型的整体性能指标，整体性能指标包括交并比IOU、精确率Precision、召回率Recall和准确精度AP；当整体性能指标逐渐上升，并且最终稳定在一个较高的值附近波动，且精确率，召回率和模型预测的平均准确精度达到0.9以上；表示得到了需要的深度神经网络模型；步骤(4)：将联动报警继电器触发球机摄像头获得智能检测系统的有效视频或照片的分辨率调整为大小为448×448，并将调整过的图片划分为7×7网格后输入步骤(3)得到的深度神经网络模型进行目标检测，得出众多候选结果，最后使用非极大值抑制算法得出最终结果，输出目标检测的边界框的位置参数，所属类别和定位结果。