一种流式机械视野盲区活体检测系统的制作方法

本发明属于视野盲区检测，具体为一种流式机械视野盲区活体检测系统。

背景技术：

1、流式机械视野盲区活体检测系统是一种用于实时监测和识别盲区内移动物体的智能系统，通常应用于安全监控和自动化设备中。该系统利用传感器和图像处理技术，能够自动检测视野中的活体目标（如人或动物），并及时发出警报或采取相应措施，以防止事故发生或确保安全。这种系统有效弥补了传统监控设备在盲区内的监测不足，提高了智能场所的安全性和响应能力。

2、但是，在已有的流式机械视野盲区活体检测系统中，存在着现有方法多构建多阶段的检测模型，通过多个模型的逐步检测去实现一个总的视野盲区活体检测任务，然而流式机械视野盲区活体检测对实时性的要求极高，多阶段检测很可能延误检测时机，且准确性也由于多个阶段的组合不可避免地降低的技术问题；在已有的活体检测方法中，存在着传统方法在面对视野盲区的检测细节表现不佳，而视野盲区活体检测必须要精准的检测出活体并进行标记才能进行后续的任务的技术问题；在已有的行为分析方法中，存在着针对活体检测的行为分析是一个细粒度的检测分类过程，而现有方法的分类细粒度不足且容易忽略活体检测后的异常行为潜在特征，进而降低了整体方法的可用性的技术问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了一种流式机械视野盲区活体检测系统，针对在已有的流式机械视野盲区活体检测系统中，存在着现有方法多构建多阶段的检测模型，通过多个模型的逐步检测去实现一个总的视野盲区活体检测任务，然而流式机械视野盲区活体检测对实时性的要求极高，多阶段检测很可能延误检测时机，且准确性也由于多个阶段的组合不可避免地降低的技术问题，本方案创造性地采用两种任务的子模型进行单阶段集成检测，通过分别改进活体检测和行为分析模型作为子模型，并进行集成训练得到单阶段集成检测模型，提升了检测的实时性，也为流式机械视野盲区活体检测系统的可用性进一步提供保障；针对在已有的活体检测方法中，存在着传统方法在面对视野盲区的检测细节表现不佳，而视野盲区活体检测必须要精准的检测出活体并进行标记才能进行后续的任务的技术问题，本方案创造性地采用结合扩张卷积和自适应梯度改进的轻量级视觉检测模型进行活体检测，一方面通过扩张卷积和自适应梯度算法改进了标准模型的性能，另一方面也通过引入高斯误差线性单元进一步优化了模型整体的计算效率，提升了后续集成检测的整体速率和实时性能；针对在已有的行为分析方法中，存在着针对活体检测的行为分析是一个细粒度的检测分类过程，而现有方法的分类细粒度不足且容易忽略活体检测后的异常行为潜在特征，进而降低了整体方法的可用性的技术问题，本方案创造性地采用结合局部选择优化的细粒度数据高效图像变压器模型，进行行为分析，通过引入局部选择子块，并构建知识蒸馏模型结构，提升了行为分析过程的细粒度程度，也为后续异常处理和风险报警提供了可行的技术支持。

2、本发明采取的技术方案如下：本发明提供的一种流式机械视野盲区活体检测系统，包括数据采集模块、数据处理融合模块、活体检测模块、行为分析模块、单阶段集成检测模块和异常处理模块；

3、所述数据采集模块，用于收集流式机械视野盲区活体检测所需的原始数据，通过数据采集，得到视野盲区活体检测原始数据，并将所述视野盲区活体检测原始数据发送至数据处理融合模块和单阶段集成检测模块；

4、所述数据处理融合模块，用于增强并优化原始数据，通过数据处理融合，得到优化活体检测数据集，并将所述优化活体检测数据集发送至活体检测模块和行为分析模块；

5、所述活体检测模块，用于改进目标检测模型并作为最终模型的活体目标检测子模型，通过活体检测，得到活体检测输出和活体检测子模型，并将所述活体检测输出发送至行为分析模块，将所述活体检测子模型发送至单阶段集成检测模块；

6、所述行为分析模块，用于构建细粒度模型并作为最终模型的活体行为细粒度分类子模型，通过行为分析，得到行为分析输出和行为分析子模型，并将所述行为分析子模型发送至单阶段集成检测模块；

7、所述单阶段集成检测模块，用于集成活体检测和行为分析子模型作为单阶段检测模型，通过单阶段集成检测，得到流式机械视野盲区活体检测参考数据，并将所述流式机械视野盲区活体检测参考数据发送至异常处理模块；

8、所述异常处理模块，用于根据检测结果进行报警反馈，通过异常处理，进行实时监控和异常警报。

9、进一步地，所述数据采集，具体为通过设置流式机械视野盲区传感器，进行多环境实时数据采集和初步预处理，得到视野盲区活体检测原始数据；

10、所述视野盲区活体检测原始数据，具体包括rgb摄像数据、红外摄像数据和声学信号辅助数据；

11、所述多环境实时数据采集，具体通过人工观察的方式，动态调整传感摄像头的视角，并最大化覆盖视野盲区；

12、所述初步预处理，具体包括中值滤波去噪操作和红外图像归一化操作。

13、进一步地，所述数据处理融合，具体为对所述视野盲区活体检测原始数据中的摄像数据和声学信号数据进行特征提取，并进行多模态数据特征融合，得到优化活体检测数据集，具体步骤包括：摄像特征提取、声学信号特征提取和特征融合处理；

14、所述摄像特征提取，具体为采用标准卷积神经网络进行所述视野盲区活体检测原始数据中的rgb摄像数据和红外摄像数据的特征提取，得到摄像特征数据；

15、所述声学信号特征提取，具体为通过频谱分析，提取声学信号数据的频率和振幅特征，进行声学信号特征提取，得到音频特征数据；

16、所述特征融合处理，具体为采用加权平均法将所述摄像特征数据和所述音频特征数据进行特征向量融合，计算得到综合特征数据，并通过数据集整合，得到优化活体检测数据集；

17、所述优化活体检测数据集，具体包括原始摄像数据、摄像特征数据和综合特征数据；

18、所述原始摄像数据，具体指所述视野盲区活体检测原始数据中的rgb摄像数据和红外摄像数据；

19、所述计算得到综合特征数据的计算公式为：

20、；

21、式中，ffused是综合特征数据，是特征加权权重，fi是摄像特征数据，fs是音频特征数据。

22、进一步地，所述活体检测，具体为依据所述优化活体检测数据集中的原始摄像数据和综合特征数据，采用结合扩张卷积和自适应梯度改进的轻量级视觉检测模型进行活体检测，得到活体检测输出和活体检测子模型；

23、所述结合扩张卷积和自适应梯度改进的轻量级视觉检测模型，具体包括基本输入层、改进扩张卷积层、标准卷积层、空间金字塔融合层、上采样池化层、全连接层、自适应梯度改进算子和输出层；

24、所述采用结合扩张卷积和自适应梯度改进的轻量级视觉检测模型进行活体检测，得到活体检测输出和活体检测子模型的步骤，具体包括：构建标准模型结构、扩张卷积改进、自适应梯度改进和活体检测模型优化训练；

25、所述构建标准模型结构，具体为构建包括基本输入层、标准卷积层、空间金字塔融合层、上采样池化层、全连接层和输出层的标准轻量级视觉检测模型；

26、所述标准轻量级视觉检测模型，具体指yolov8s模型；

27、所述空间金字塔融合层，用于多尺度特征融合；所述上采样池化层，用于恢复特征图尺寸并进行特征图合并；

28、所述扩张卷积改进，具体为将所述标准轻量级视觉检测模型的标准卷积层，替换为由扩张卷积层和标准卷积层结合的改进扩张卷积层，并通过构建所述改进扩张卷积层，得到扩张改进轻量级视觉检测模型，并进行特征深度提取，得到深层活体检测特征数据；

29、所述自适应梯度改进，具体为通过引入自适应参数进行扩张改进轻量级视觉检测模型的参数更新，得到扩张参数改进轻量级视觉检测模型；

30、损失函数，具体采用二元交叉熵损失函数；

31、所述活体检测模型优化训练，具体为通过构建扩张改进轻量级视觉检测模型和自适应梯度改进，并采用高斯误差线性单元取代标准非线性激活函数作为模型的激活函数，进行活体检测模型优化训练，得到活体检测子模型modelc1，并通过使用所述活体检测子模型modelc1，依据所述优化活体检测数据集中的原始摄像数据，得到活体检测输出；

32、所述高斯误差线性单元的计算公式为：

33、；

34、式中，gelu(·)是高斯误差线性单元函数，是待激活输入数据，用于表示经过改进扩张卷积层、标准卷积层、空间金字塔融合层、上采样池化层和全连接层的特征图数据。

35、进一步地，所述行为分析，具体为依据所述优化活体检测数据集，采用结合局部选择优化的细粒度数据高效图像变压器模型，进行行为分析，得到行为分析输出和行为分析子模型；

36、所述结合局部选择优化的细粒度数据高效图像变压器模型，具体包括教师子网、主干子网和局部选择优化子块；

37、所述采用结合局部选择优化的细粒度数据高效图像变压器模型，进行行为分析，得到行为分析输出和行为分析子模型的步骤，包括：构建知识蒸馏模型基本结构、构建主干子网、构建教师子网、构建局部选择优化子块和行为分析模型优化训练；

38、所述构建知识蒸馏模型基本结构，具体为构建包括学生子网和教师子网的知识蒸馏模型基本结构，并将所述主干子网作为学生子网；

39、所述构建主干子网，具体为构建基于标准细粒度数据高效图像变压器模型的特征提取子网，所述标准细粒度数据高效图像变压器模型，具体指结合多头自注意力机制和多层感知机的卷积变压器模型，通过进行多头自注意力特征捕获和多层感知特征捕获，进行行为分析分析特征提取，得到主干子网输出特征数据；

40、所述构建教师子网，具体为构建标准视觉变压器模型作为教师子网，得到教师子网特征数据；

41、所述构建局部选择优化子块，具体为通过结合所述多头自注意力特征捕获中的注意力权重，构建局部选择优化子块，进行特征图优化，得到细粒度行为分析特征数据；

42、所述行为分析模型优化训练，具体为通过所述知识蒸馏模型基本结构、所述主干子网、所述教师子网和所述局部选择优化子块，结合模型损失函数进行行为分析模型优化训练，得到行为分析子模型modelc2，并通过使用所述行为分析子模型modelc2，得到行为分析输出；

43、所述模型损失函数，具体指交叉熵损失函数和对比损失函数的综合；

44、所述对比损失函数，具体包括类损失函数和蒸馏特征损失函数。

45、进一步地，所述单阶段集成检测，具体为通过得到所述活体检测子模型和所述行为分析子模型，进行模型集成和训练，得到单阶段集成检测模型，并通过使用所述单阶段集成检测模型，依据所述视野盲区活体检测原始数据进行单阶段视野盲区活体检测，得到流式机械视野盲区活体检测参考数据；

46、所述流式机械视野盲区活体检测参考数据，具体包括活体检测标记数据、行为分析类型参考数据和异常行为参考数据；

47、所述行为分析类型参考数据，具体包括异常移动、突然停留、长时驻留、活体跌倒和多人聚集；

48、所述异常行为参考数据，具体指对所述行为分析类型参考数据的风险量化值。

49、进一步地，所述异常处理，具体为依据所述流式机械视野盲区活体检测参考数据，并设置风险报警量化指标，当异常行为参考数据中风险量化值出现高于所述风险报警量化指标的情况时，进行异常警报。

50、采用上述方案本发明取得的有益效果如下：

51、（1）针对在已有的流式机械视野盲区活体检测系统中，存在着现有方法多构建多阶段的检测模型，通过多个模型的逐步检测去实现一个总的视野盲区活体检测任务，然而流式机械视野盲区活体检测对实时性的要求极高，多阶段检测很可能延误检测时机，且准确性也由于多个阶段的组合不可避免地降低的技术问题，本方案创造性地采用两种任务的子模型进行单阶段集成检测，通过分别改进活体检测和行为分析模型作为子模型，并进行集成训练得到单阶段集成检测模型，提升了检测的实时性，也为流式机械视野盲区活体检测系统的可用性进一步提供保障；

52、（2）针对在已有的活体检测方法中，存在着传统方法在面对视野盲区的检测细节表现不佳，而视野盲区活体检测必须要精准的检测出活体并进行标记才能进行后续的任务的技术问题，本方案创造性地采用结合扩张卷积和自适应梯度改进的轻量级视觉检测模型进行活体检测，一方面通过扩张卷积和自适应梯度算法改进了标准模型的性能，另一方面也通过引入高斯误差线性单元进一步优化了模型整体的计算效率，提升了后续集成检测的整体速率和实时性能；

53、（3）针对在已有的行为分析方法中，存在着针对活体检测的行为分析是一个细粒度的检测分类过程，而现有方法的分类细粒度不足且容易忽略活体检测后的异常行为潜在特征，进而降低了整体方法的可用性的技术问题，本方案创造性地采用结合局部选择优化的细粒度数据高效图像变压器模型，进行行为分析，通过引入局部选择子块，并构建知识蒸馏模型结构，提升了行为分析过程的细粒度程度，也为后续异常处理和风险报警提供了可行的技术支持。