本發(fā)明涉及安防監(jiān)控，具體為一種網絡攝像機工作異常的檢測方法及系統。

背景技術：

1、在當今安防監(jiān)控領域，攝像頭作為安防系統的基礎且關鍵的組件，其正常工作與否直接關系到整個安防體系的有效性和可靠性。隨著社會的發(fā)展，安防系統的規(guī)模不斷擴大，所涵蓋的監(jiān)控區(qū)域日益廣泛，攝像頭數量急劇增加。這一發(fā)展趨勢在帶來更全面監(jiān)控覆蓋的同時，也給監(jiān)控畫面的管理和異常檢測帶來了巨大挑戰(zhàn)。

2、傳統上，監(jiān)控畫面的審核主要依賴人工方式。然而，面對海量的監(jiān)控視頻數據，人工審核面臨著諸多難以克服的問題。一方面，人工審核的工作量呈指數級增長，使得工作人員在長時間連續(xù)查看畫面過程中容易疲勞，從而導致注意力不集中，難以保證審核的準確性和全面性。另一方面，即使投入大量人力，也無法實現對所有監(jiān)控畫面進行7*24小時的實時審核，這就使得安防系統在部分時段存在監(jiān)控漏洞，無法及時發(fā)現異常情況，給安全防范帶來潛在風險。

3、為了緩解人工審核的壓力，基于opencv的畫面圖形檢測技術應運而生，并在一定程度上替代了人工進行畫面異常檢測。該技術能夠對多種常見的畫面異常情況進行識別，包括信號丟失、畫面凍結、攝像頭遮擋、畫面亮度異常、畫面偏色、畫面模糊、畫面出現噪聲或條帶、攝像頭抖動等。然而，這種傳統的識別技術在實際應用中仍存在明顯的局限性。

4、在性能方面，當對視頻畫面進行截取視頻幀然后對視頻幀的前后進行比對檢測時，尤其是在處理多監(jiān)控視頻畫面的異常檢測任務時，計算資源消耗巨大，檢測效率低下，難以滿足大規(guī)模安防系統對實時性的要求。這意味著在實際應用中，可能會出現異常情況發(fā)生后，系統不能及時給出警報的情況，從而延誤了問題的處理時機。

5、此外，基于opencv的圖形檢測技術對于不同的畫面異常需要設定不同的閾值，只有當異常量化值達到或者超過閾值才能判斷視頻畫面是否正常。對于龐大的安防系統而言，每個監(jiān)控點的環(huán)境和畫面特征都可能存在差異，這就使得為每一路監(jiān)控都去設置合理的閾值操作變得極為復雜和繁瑣。在系統建設初期，需要耗費大量的人力和時間來進行閾值設定工作，且在后續(xù)使用過程中，若環(huán)境發(fā)生變化或出現新的異常模式，還需要重新調整閾值，這無疑增加了系統維護的難度和成本。

6、綜上所述，現有的人工審核和基于opencv的檢測技術均存在諸多不足之處，迫切需要一種新的、更高效、更智能的網絡攝像機工作異常檢測方法及系統，以適應安防行業(yè)日益增長的需求，提高安防系統的可靠性和智能化水平，因此，針對上述問題提出一種網絡攝像機工作異常的檢測方法及系統。

技術實現思路

1、本發(fā)明的目的在于提供一種網絡攝像機工作異常的檢測方法及系統，以解決上述背景技術中提出的問題。

2、為實現上述目的，本發(fā)明提供如下技術方案：

3、一種網絡攝像機工作異常的檢測方法，包括以下步驟：

4、步驟s1、訓練基礎數據集形成的基礎大模型；

5、步驟s1-1、從現有的安防系統中收集正常的監(jiān)控畫面和異常的監(jiān)控畫面或視頻片段作為數據基礎，對每個畫面進行均勻分塊切割；

6、步驟s1-2、將分割的數據基礎放入基礎大模型中進行訓練，在訓練時為每個數據基礎樣本進行標注，如果是畫面正常的數據基礎，則標記為正常畫面/視頻，后對標記完成的數據基礎進行預處理；

7、步驟s1-3、數據基礎經過預處理后，通過基于cnn卷積神經網絡的網絡結構模型進行多任務學習，同時檢測不同類型異常，依據視頻幀提取特征分類判斷，輸出異常狀態(tài)并識別異常類型；模型訓練使用結構相似指數ssim作為損失函數，并使用合成異常數據生成模擬異常視頻畫面幀增強泛化能力；

8、步驟s1-4、使用準確率、精確率、召回率、f1-score對模型性能綜合評定；

9、步驟s2、從安防系統獲取視頻流，從視頻流中取出關鍵幀或視頻片段作為待檢測數據；將待檢測數據中的視頻幀分塊作為待檢測素材，將待檢測素材放入基礎大模型中識別，得出檢測結果r0；

10、步驟s3、審查人員定期審查檢測結果r0，若畫面異常則輸出畫面異常；

11、步驟s4、檢測結果r0積累到設定數量時，將其作為新檢測素材訓練基礎大模型；

12、步驟s5、新檢測素材到達設定閾值時，定期執(zhí)行步驟s3和步驟s4。

13、作為一種優(yōu)選方案，對每個畫面進行均勻分塊切割時，確定畫面分塊方式，將每個畫面均勻分割為個矩形塊，其中，為正整數；計算每個矩形分塊的大小，對于分辨率為的畫面，水平方向每個分塊像素數為,垂直方向為；從畫面左上角開始，按照計算的分塊大小依次分割畫面，對分割后的分塊進行編號。

14、作為一種優(yōu)選方案，對標注完成的數據基礎進行預處理時，將數據基礎通過公式進行歸一化處理，其中，表示原始圖像數據集中的某一像素值，表示經過歸一化處理后的像素值，是圖像數據集的均值，是圖像數據集的標準差，使用imagenet數據集的常用均值和標準差,使數據標準化到均值為0，標準差為1。

15、作為一種優(yōu)選方案，基于cnn卷積神經網絡的網絡結構模型包含多個卷積層、池化層和全連接層，卷積層通過卷積核在圖像上滑動進行卷積操作，由以下公式表示：

16、；

17、其中，為卷積層輸出特征圖在位置的像素值，為卷積核權重，為輸入圖像在對應位置的像素值，為偏置項，為卷積核大小，提取視頻幀的局部特征；

18、池化層利用以下公式進行降維操作：

19、；其中，為池化窗口區(qū)域；

20、全連接層將提取的特征映射到不同的異常類別空間，通過公式計算輸出值，根據輸出值進行分類判斷，其中，為第個類別對應的全連接層輸出值，為權重，為輸入特征向量的第i個元素，為輸入特征向量維度，為偏置項，同時，檢測不同類型異常，依據視頻幀提取特征分類判斷，輸出異常狀態(tài)并識別異常類型。

21、作為一種優(yōu)選方案，模型訓練使用結構相似指數ssim作為損失函數，損失函數公式如下：

22、；

23、其中，和是兩幅待比較的圖像，和是圖像和的均值，和是圖像和的方差，是和的協方差，和是為避免分母為而引入的小常數；

24、通過最小化該損失函數優(yōu)化模型參數；使用合成異常數據生成模擬異常視頻畫面幀以增加模型對異常模式的泛化能力。

25、作為一種優(yōu)選方案，使用準確率、精確率、召回率、f1-score對模型性能綜合評定包括以下步驟：

26、準確率衡量正確分類樣本數占總樣本數的比例使用下面方式進行計算：

27、；

28、其中，為真陽性，即正確檢測為異常的樣本數，為真陰性，即正確檢測為正常的樣本數，為假陽性，即將正常樣本錯誤地檢測為異常的數目，為假陰性，即將異常樣本錯誤地檢測為正常的數目；

29、精確率衡量所有預測為異常的樣本中，實際異常的樣本比例使用下面方式進行計算：

30、；

31、召回率衡量實際異常樣本中被正確檢測出的比例使用下面方式進行計算：

32、；

33、f1-score是精確率和召回率的調和平均值，計算公式為：

34、；根據評估結果判斷模型是否滿足要求，若不滿足則調整模型參數或重新訓練。

35、一種網絡攝像機工作異常的檢測系統，該系統應用于網絡攝像機工作異常的檢測方法。

36、由上述本發(fā)明提供的技術方案可以看出，本發(fā)明提供的一種網絡攝像機工作異常的檢測方法及系統，有益效果是：

37、一、高效檢測能力

38、基于大模型架構和獨特的分塊檢測策略，實現了對視頻畫面的快速處理；在實際應用場景中，如大型企業(yè)園區(qū)或城市安防監(jiān)控系統，面對海量的監(jiān)控視頻數據，本發(fā)明能夠迅速對視頻幀進行分塊并輸入大模型進行識別；與傳統檢測方法相比，檢測速度大幅提升，可在短時間內完成對多路視頻的檢測，確保及時發(fā)現異常情況，極大地增強了安防系統的響應及時性，有效應對各類突發(fā)狀況；

39、采用多任務學習機制，借助cnn卷積神經網絡的強大并行處理能力，同時對多種異常類型進行檢測；模型中的多個卷積層、池化層和全連接層協同工作，充分利用硬件資源（如gpu）實現并行計算，大大縮短了處理時間；無論是常見的畫面凍結、遮擋，還是較為復雜的亮度異常、偏色等問題，都能在一次檢測過程中全面分析判斷，顯著提高了整體檢測效率，使得安防系統能夠在有限的時間內處理更多的監(jiān)控信息；

40、二、精準檢測性能

41、豐富多樣的數據基礎為模型提供了全面的學習素材；通過收集大量涵蓋各種實際場景（不同光照、場景內容、異常類型和程度）的正常與異常監(jiān)控畫面及視頻片段，模型得以學習到廣泛而細致的特征模式，從而具備強大的泛化能力；在復雜多變的實際環(huán)境中，如惡劣天氣條件下的戶外監(jiān)控或光線復雜的室內場景，本發(fā)明的模型能夠準確識別各類異常，有效減少漏檢和誤檢情況，為安防監(jiān)控提供了可靠的保障；

42、合成異常數據的運用進一步拓展了模型對異常模式的認知；通過模擬各種可能的異常情況，如像素級修改、添加不同噪聲、模擬遮擋等，使模型接觸到更多潛在異常，增強了對未知異常的識別能力；同時，閉環(huán)的檢測與優(yōu)化系統確保模型不斷學習新的異常特征；隨著系統運行，新檢測結果持續(xù)反饋用于模型再訓練，使其能夠動態(tài)適應新出現的異常模式，不斷提高檢測準確性，精準定位異常情況，為后續(xù)的處理和決策提供準確依據；

43、三、降低人工依賴

44、實現了高度自動化的異常檢測與輸出；在系統穩(wěn)定運行后，無需人工實時緊盯監(jiān)控畫面，能夠自動對網絡攝像機工作狀態(tài)進行持續(xù)監(jiān)測并及時輸出異常結果；這在大規(guī)模安防系統中尤為重要，大大節(jié)省了人力成本，提高了安防工作的效率，使安防人員能夠將更多精力投入到其他關鍵任務中，如異常情況的處理和安全策略的制定；

45、創(chuàng)新性地通過模型自適應學習取代了人工閾值設定；傳統方法中繁瑣且易出錯的閾值設定工作在本發(fā)明中得到有效解決；大模型憑借對海量數據的學習，自動掌握正常與異常畫面的特征差異，無需人工干預即可準確判斷異常，減少了因人為因素導致的檢測誤差，提高了檢測系統的穩(wěn)定性和可靠性；同時，隨著模型的不斷優(yōu)化，對人工審查的需求逐漸降低，最終實現高效、智能、自主的異常檢測，推動安防監(jiān)控技術向更高水平發(fā)展。