申请/专利权人：齐鲁工业大学(山东省科学院)

申请日：2024-04-16

公开（公告）日：2024-06-25

公开（公告）号：CN118051830B

主分类号：G06F18/241

分类号：G06F18/241;G06F18/25;G06F18/213;G06N3/0464;G06N3/0499;G06N3/082;G06N3/045

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2024.06.04#实质审查的生效;2024.05.17#公开

摘要：本发明公开了一种周界安防入侵事件识别方法，涉及周界安防入侵事件监测技术领域。本发明包括以下步骤：S1、采集背景噪声振动信号和入侵事件振动信号，获取模型训练集、模型测试集和模型验证集；S2、构建周界安防入侵事件识别网络；S3、对周界安防入侵事件识别网络进行训练，得到周界安防入侵事件识别网络模型；S4、将采集到的入侵事件振动信号利用步骤S1进行处理后输入周界安防入侵事件识别网络模型中，输出预测的背景噪声以及三个入侵事件的分类准确率。本发明在对背景噪声以及上述三种入侵事件的分类正确率都能达到99.5%‑100%，而且本申请所述的识别方法运行时间为3.91S，非常适用于周界安防入侵事件监测领域。

主权项：1.一种周界安防入侵事件识别方法，其特征在于：包括如下步骤：S1、采集背景噪声振动信号和入侵事件振动信号，而后进行处理得到时域振动信号数据和二维图像数据，对其再进行归一化处理后进行划分，得到模型训练集、模型测试集和模型验证集；S2、构建周界安防入侵事件识别网络；所述周界安防入侵事件识别网络包括1DCNN网络、At-DenseNet网络、特征融合模块以及Softmax分类层；1DCNN网络用于提取一维样本数据的振动信号时间演变信息，At-DenseNet网络用于提取二维样本数据中时间和频率变化规律的特征，特征融合模块用于对1DCNN网络提取到的一维样本数据的振动信号时间演变信息特征以及At-DenseNet网络提取到的二维样本数据中时间和频率变化规律的特征进行特征融合，Softmax分类层用于将特征融合模块输出的融合特征图的特征向量映射到[0,1]区间内，并输出预测的背景噪声和三个入侵事件的分类准确率；步骤S2中，1DCNN网络包括依次连接的三个卷积组，第三个卷积组连接Flatten展平层，Flatten展平层依次连接五个全连接层，第五个全连接层与特征融合模块连接；其中，三个卷积组均用于对一维样本数据中振动信号时间演变信息进行提取，Flatten展平层用于对第三个卷积组输出的特征图进行展平操作，得到具有振动信号时间演变信息的高维度一维数据的特征图，五个全连接层均用于对输入其中的特征图中的特征进行整合并映射到不同维度的空间，第一个全连接层至第五个全连接层分别将特征图映射到维度大小为128、64、32、16和8的空间；第一个卷积组的两个一维卷积层均有64个大小为3的卷积核，第二个卷积组中的两个一维卷积层均有128个大小为3的卷积核，第三个卷积组中的两个一维卷积层均有256个大小为3的卷积核；所述At-DenseNet网络是通过对现有的DenseNet121网络进行如下述改进得到的：将现有的DenseNet121网络中初始卷积组替换成初始卷积块，所述初始卷积块包括三个依次连接的卷积单元，所述卷积单元包括依次连接的3×3卷积层、批量归一化层以及2D最大池化层；将现有的DenseNet121网络中DenceBlock中的稠密卷积块替换为稠密卷积组，所述稠密卷积组包括依次连接的批量归一化层、卷积核大小为3×1的卷积层以及卷积核大小为1×3的卷积层；将稠密卷积组数量设置为六个，且瓶颈块以及六个稠密卷积组采用密集连接的方式进行连接，得到第一个密集模块；将稠密卷积组数量设置为八个，且瓶颈块以及八个稠密卷积组采用密集连接的方式进行连接，分别得到第二个密集模块、第三个密集模块、第四个密集模块；在现有的DenseNet121网络中每一个过渡层之后均增加一个通道注意力模块，第一个通道注意力模块的输出端与第二个密集模块连接，第二个通道注意力模块的输出端与第三个密集模块连接，第三个通道注意力模块的输出端与第四个密集模块连接；特征融合模块包括三个全连接层、一个Concat层、一个层归一化层，其中，两个全连接层连接Concat层，Concat层、层归一化层和另一个全连接层依次连接，且连接Concat层的两个全连接层的输入端分别与1DCNN网络中第五个全连接层的输出端以及At-DenseNet网络中2D全局平均池化层的输出端连接；其中，分别与1DCNN网络中第五个全连接层的输出端以及At-DenseNet网络中2D全局平均池化层的输出端连接的两个全连接层均用于降维操作，使得1DCNN网络输出的特征图和At-DenseNet网络输出的特征图具有相同的维度；Concat层用于对输入其中的两个特征图在特征维度上进行拼接，得到初步融合特征图；层归一化层用于对输入其中的初步融合特征图进行归一化操作；而与层归一化层连接的全连接层则用于对层归一化层输出的特征图进行降维操作，得到最终的融合特征图；S3、利用训练集和多分类交叉熵损失函数对周界安防入侵事件识别网络进行训练，并利用验证集对周界安防入侵事件识别网络进行验证，得到周界安防入侵事件识别网络模型；S4、将采集到的入侵事件振动信号利用步骤S1进行处理后输入周界安防入侵事件识别网络模型中，前向传播一次，输出预测的背景噪声以及三个入侵事件的分类准确率。

全文数据：

权利要求：

百度查询： 齐鲁工业大学(山东省科学院) 一种周界安防入侵事件识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD