技術(shù)特征：

1.一種網(wǎng)絡(luò)攝像機(jī)工作異常的檢測方法，其特征在于：包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種網(wǎng)絡(luò)攝像機(jī)工作異常的檢測方法，其特征在于：對每個畫面進(jìn)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(shù)；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(shù)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(jìn)行編號。

3.根據(jù)權(quán)利要求2所述的一種網(wǎng)絡(luò)攝像機(jī)工作異常的檢測方法，其特征在于：對標(biāo)注完成的數(shù)據(jù)基礎(chǔ)進(jìn)行預(yù)處理時，將數(shù)據(jù)基礎(chǔ)通過公式進(jìn)行歸一化處理，其中，表示原始圖像數(shù)據(jù)集中的某一像素值，表示經(jīng)過歸一化處理后的像素值，是圖像數(shù)據(jù)集的均值，是圖像數(shù)據(jù)集的標(biāo)準(zhǔn)差，使用imagenet數(shù)據(jù)集的常用均值和標(biāo)準(zhǔn)差,使數(shù)據(jù)標(biāo)準(zhǔn)化到均值為0，標(biāo)準(zhǔn)差為1。

4.根據(jù)權(quán)利要求3所述的一種網(wǎng)絡(luò)攝像機(jī)工作異常的檢測方法，其特征在于：所述基于cnn卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)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(jìn)行卷積操作，由以下公式表示：

5.根據(jù)權(quán)利要求4所述的一種網(wǎng)絡(luò)攝像機(jī)工作異常的檢測方法，其特征在于：模型訓(xùn)練使用結(jié)構(gòu)相似指數(shù)ssim作為損失函數(shù)，損失函數(shù)公式如下：

6.根據(jù)權(quán)利要求1所述的一種網(wǎng)絡(luò)攝像機(jī)工作異常的檢測方法，其特征在于：使用準(zhǔn)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：

7.一種網(wǎng)絡(luò)攝像機(jī)工作異常的檢測系統(tǒng)，其特征在于：該系統(tǒng)應(yīng)用于權(quán)利要求1-6中任一項所述網(wǎng)絡(luò)攝像機(jī)工作異常的檢測方法。

技術(shù)總結(jié)
本發(fā)明涉及安防監(jiān)控技術(shù)領(lǐng)域，尤其為一種網(wǎng)絡(luò)攝像機(jī)工作異常的檢測方法及系統(tǒng)，包括訓(xùn)練基礎(chǔ)數(shù)據(jù)集形成大模型，收集正常與異常畫面分塊處理后標(biāo)注、預(yù)處理，經(jīng)CNN網(wǎng)絡(luò)結(jié)構(gòu)模型多任務(wù)學(xué)習(xí)訓(xùn)練，用SSIM作損失函數(shù)并生成模擬異常數(shù)據(jù)增強(qiáng)泛化能力，評估模型性能；獲取視頻流關(guān)鍵幀或片段分塊后用大模型識別得出結(jié)果R0，審查人員定期審查，異常則輸出，積累一定結(jié)果后再訓(xùn)練大模型。系統(tǒng)包含數(shù)據(jù)采集、模型訓(xùn)練、檢測數(shù)據(jù)獲取、數(shù)據(jù)分塊、異常檢測、審查和模型優(yōu)化等模塊。本發(fā)明提高了檢測效率與準(zhǔn)確性，減少人工干預(yù)，有效解決現(xiàn)有技術(shù)中視頻多路檢測性能低、閾值設(shè)定繁瑣及檢測準(zhǔn)確性不高的問題，適用于各類安防監(jiān)控場景。

技術(shù)研發(fā)人員：余秋燕,吳文毅,何建良,黃陳峰
受保護(hù)的技術(shù)使用者：福建中天智博科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9