［摘 要］智慧校園包含園區(qū)內(nèi)設(shè)備設(shè)施、智能系統(tǒng)、集成平臺、大數(shù)據(jù)技術(shù)平臺、業(yè)務(wù)平臺、決策和計劃平臺，應(yīng)用于園區(qū)管理、教學管理、后勤保障、日常辦公、園區(qū)安全、文化宣傳等方面。智慧校園包含數(shù)字視頻監(jiān)控系統(tǒng)、電子巡更系統(tǒng)、周界防范系統(tǒng)3 部分，其中電子巡更系統(tǒng)存在人員排班，無法實現(xiàn)24 h 覆蓋巡更線路和非巡更線路的巡檢任務(wù)，而周界防范系統(tǒng)誤報率高，設(shè)備故障多，無法實現(xiàn)穩(wěn)定持續(xù)的周界監(jiān)控功能。文章采用視頻流作為輸入媒體，采用先進的識別分類模型，實現(xiàn)電子巡更系統(tǒng)24 h 全覆蓋業(yè)務(wù)功能，解決周界防范系統(tǒng)誤報率高和人為破壞的缺點，加強校園周邊和重要區(qū)域的安防業(yè)務(wù)功能。

［關(guān)鍵詞］智慧校園；電子巡更； 周界防范； 預(yù)訓練模型； YOLOv8 ； 目標檢測

［中圖分類號］TP183 ［文獻標志碼］A ［文章編號］2095–6487（2024）03–0139–03

1 概述

文章選用YOLOv8框架目標識別技術(shù)，采用預(yù)訓練模型和實際業(yè)務(wù)結(jié)合的工程實踐方式，實現(xiàn)視頻電子巡更功能，完善人員固定線路、固定班次的巡更覆蓋度不夠的問題，彌補周界防范系統(tǒng)誤報率高、設(shè)備故障率高的不足，實現(xiàn)智慧校園內(nèi)安防系統(tǒng)中，園區(qū)邊界的防范業(yè)務(wù)24 h 檢測和全覆蓋檢測。

2 智慧校園

智慧校園是綜合園區(qū)內(nèi)設(shè)施、設(shè)備、子系統(tǒng)、物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能、GIS 等，實現(xiàn)園區(qū)智能化綜合管理和統(tǒng)一運營的管控、業(yè)務(wù)平臺。智慧校園綜合安防部分包括數(shù)字監(jiān)控系統(tǒng)、電子巡更系統(tǒng)、周界防范系統(tǒng)和消防火災(zāi)系統(tǒng)等，智慧校園架構(gòu)如圖1所示。

數(shù)字監(jiān)控系統(tǒng)由網(wǎng)絡(luò)攝像頭、網(wǎng)絡(luò)控制和存儲設(shè)備及顯示設(shè)備組成。網(wǎng)絡(luò)攝像頭（IP camera）包括固定位置的槍機和半球與360°的球機兩種類型。攝像頭采集監(jiān)控區(qū)域視頻信號，內(nèi)置WebServer 配置功能，并將視頻處理后通過網(wǎng)絡(luò)傳輸給控制設(shè)備?？刂圃O(shè)備包括數(shù)據(jù)視頻錄像機（DVR）和網(wǎng)絡(luò)視頻錄像機（NVR），它們的主要工作流程包括采集網(wǎng)絡(luò)攝像頭視頻流數(shù)據(jù)、視頻編碼、視頻存儲、實現(xiàn)視頻回放、視頻備份、視頻傳輸、遠程訪問和控制、報警功能、系統(tǒng)日志和報告及維護和管理等。監(jiān)控設(shè)備包括電視墻、視頻矩陣、LED 顯示大屏等，主要應(yīng)用于視頻監(jiān)控的在線監(jiān)控視頻流顯示、畫面分割、畫面標注、報警處理等。

電子巡更系統(tǒng)是園區(qū)內(nèi)巡邏人員手持巡檢器，沿著規(guī)定的路線巡查，同時在規(guī)定的時間內(nèi)到達巡檢地點。巡檢器會自動記錄到達該地點的時間和巡檢人員，然后通過數(shù)據(jù)通訊線將巡檢器連接計算機，將數(shù)據(jù)上傳到系統(tǒng)中記錄，對巡檢數(shù)據(jù)進行自動分析并智能處理，對應(yīng)時間查看巡更點和巡更人員名稱。

周界防范系統(tǒng)，又稱電子圍欄，一般由探測部分、信號傳輸部分、報警聯(lián)動部分和控制部分組成。探測部分包括紅外對射、脈沖電子圍欄、振動光纖、可見光視頻周界相機、熱成像相機、入侵安防雷達、激光掃描探測器。在需要被保護的區(qū)域安裝周界防范系統(tǒng)，當有人企圖穿越被保護區(qū)域四周的邊界時，邊界上的探測裝置探測到入侵后發(fā)出入侵警報信號，同時通過傳輸部分將入侵信號發(fā)送至報警聯(lián)動部分提示相關(guān)人員處理。系統(tǒng)能夠迅速發(fā)出警報并提供報警位置，從而能夠更加有效地協(xié)助安保人員處理闖入事件，提高布防區(qū)域的安全防范能力，是園區(qū)安防系統(tǒng)的第一道防線。

3 YOLOv8

YOLOv8 模型是Ultralytics 公司最新推出的檢測模型，是目前較為先進的目標檢測模型框架。YOLOv8 是用于圖像分類、對象檢測、實例分割推理和訓練的統(tǒng)一框架。其支持多種 API（包括命令行、Python 兩種方式）、更快更準確、支持物體檢測、實例分割、圖像分類、可擴展到所有以前的版本、新骨干網(wǎng)絡(luò)、新的Anchor-Free head、新的損失函數(shù)，框架還高效靈活地支持多種導出格式，支持多種終端（優(yōu)化的框架、嵌入式設(shè)備、CPU、GPU、服務(wù)端、服務(wù)端優(yōu)化技術(shù)TensorRT），并且該模型可以在CPU 和GPU 上運行。

3.1 模型結(jié)構(gòu)

YOLOv8 模型結(jié)構(gòu)包含3 個組成部分：Backbone、Neck、Head。其中，Backbone 提取原始數(shù)據(jù)的特征，Neck 融合特征，Head 進行分類或回歸使得數(shù)據(jù)更加準確。Backbone 主干網(wǎng)絡(luò)主要由CSPDarknet53 組成，包含10 層網(wǎng)絡(luò)（0～9 層），有CBS、C2F、SPPF3 種結(jié)構(gòu)。主干網(wǎng)絡(luò)是特征提取網(wǎng)絡(luò)，可提取圖像數(shù)據(jù)特征信息供后面的網(wǎng)絡(luò)使用。Neck 部分由SPP（Conv×3+Concat+Conv×3）和PANet 網(wǎng)絡(luò)構(gòu)成，包含12 層網(wǎng)絡(luò)（10～21 層）。SPP 的功能是增加感受野作用，PANet 的功能是將提取的特征信息轉(zhuǎn)換為坐標、類別等信息，其主要由上采樣和下采樣組成。Head部分包含3 個檢測頭，主要功能是得到輸出模型結(jié)果。YOLOv8 模型結(jié)構(gòu)如圖2 所示。

3.2 模型版本匯總

YOLOv8 提供了5 個不同規(guī)模的預(yù)訓練模型：nano、small、medium、large 和extra large， 分別適應(yīng)不同設(shè)備和應(yīng)用場景的計算機視覺任務(wù)。作為預(yù)訓練模型，它們的性能優(yōu)秀、穩(wěn)定性強、泛化能力強。YOLOv8 預(yù)訓練模型見表1。

4 視頻巡更目標檢測

采用YOLOv8 預(yù)訓練模型：

from ultralytics import YOLO

# load a pretrained model （recommended for training）

model = YOLO（"YOLOv8n.pt"）

測試模型推理效果：

r e s u l t s =mo d e l . p r e d i c t （ t a s k = ' d e t e c t ' ，source=person.jpg'，save=True，stream=True）

預(yù)測函數(shù)說明：task 任務(wù)類型為目標檢測；source 檢測源，生產(chǎn)環(huán)境采用流媒體推流RTSP 格式；classes 是目標檢測類型，由平臺定義監(jiān)控點監(jiān)控物體類型和報警類型；save 保存檢測結(jié)果。

5 電子圍欄目標檢測

采用YOLOv8 預(yù)訓練模型（ 生產(chǎn)環(huán)境選用YOLOv8x 版本）：

from ultralytics import YOLO

# load a pretrained model （recommended for training）

model = YOLO（"YOLOv8n.pt"）

測試模型推理效果：

r e s u l t s =mo d e l . p r e d i c t （ t a s k = ' d e t e c t ' ， source=person.jpg'，save=True，stream=True）

預(yù)測函數(shù)參數(shù)說明：task 任務(wù)類型為目標檢測；source 檢測源，生產(chǎn)環(huán)境采用流媒體推流RTSP 格式；classes 是目標檢測類型；0 是person 檢測人；save 保存檢測結(jié)果。

6 平臺業(yè)務(wù)功能

6.1 視頻巡更功能

采用分類模型補充電子巡更系統(tǒng)，實現(xiàn)24 h 線路巡更和關(guān)鍵部位與區(qū)域的巡檢。平臺定義巡更攝像頭、巡更時間段、巡更線路、巡更區(qū)域。按照異常狀態(tài)/正常狀態(tài)= 異常率，定義報警閾值上報巡更警報，平臺定義重點區(qū)域的巡檢包括圖書館煙霧火災(zāi)檢測、財務(wù)室人員闖入、自習室人員聚集等模式檢測。

6.2 周界防范檢測功能

補充周界防范系統(tǒng)，解決誤報率高、無法識別目標類型的問題。平臺定義周界防范目標類型包括人員闖入、動物闖入、飛禽闖入等。周界防范系統(tǒng)報警聯(lián)動視頻目標識別，確定當前的闖入物類型并生成平臺報警事件，減少誤報率，提高周界防范系統(tǒng)的準確率，同時減少人工成本，極大地加強了校園周界的檢測功能。

6.3 生產(chǎn)環(huán)境布署

YOLOv8 將模型參數(shù)導出為onnx 格式，onnx 轉(zhuǎn)為tensorrt 的engine 模型。推理模型選擇啟用GPU設(shè)備。數(shù)字視頻監(jiān)控可以配置攝像頭本身視頻流，或者采用流媒體推流，流媒體推流會有一定的延時。制作docker 鏡像包含模型、權(quán)重和優(yōu)化加速部分。布署在K8S 集群中實現(xiàn)，業(yè)務(wù)功能平臺化，參數(shù)可配置。

7 結(jié)論

（1）作為YOLOv8 多模態(tài)、多尺寸的模型，模型結(jié)構(gòu)優(yōu)化空間很小，不建議修改，會極大地影響模型泛化能力，導致一些場景的欠擬合現(xiàn)象。

（2）預(yù)訓練模型YOLOv8 提供了目標檢測的5 種尺寸，可適應(yīng)不同設(shè)備，對于本項目采用L 還是X，要在實際的應(yīng)用中不斷地調(diào)整權(quán)重和相關(guān)預(yù)測參數(shù)，優(yōu)化實際的應(yīng)用場景。

（3）模型的加速和性能優(yōu)化都是在生產(chǎn)環(huán)境中必須要實現(xiàn)的過程，和實驗室測試性能為目標的操作差異性很大。

（4）平臺級別的技術(shù)包括鏡像、GPU、K8S，都是在工程實踐中，一步步摸索和優(yōu)化出來的布署模式和研發(fā)方向。

（5）平臺級別產(chǎn)品布署周期長，維護成本相對偏高。

（6）視頻流處理也是平臺非常重要的部分，無論是攝像頭拉流還是中流媒體中心拉流，都存在延時的問題。

（7）視頻巡更有兩種方式，即定義巡更線路、巡更點和班次與全天24 h 監(jiān)控重點部位、防火部位、圖書館、機要室、檔案室等。無論出現(xiàn)什么類型的目標一律識別并上傳至平臺生成報警事件。

（8）周界防范系統(tǒng)的視頻檢測在夜間經(jīng)常有動物、物體等誤報情況，對于鷹眼的向下檢測效果比較理想，目前平臺拓展出鷹眼朝向天空，檢測不明飛行物，同時聯(lián)動飛行物雷達等精密儀器，保證警報處理的正確和有效。

參考文獻

[1] 楊建軍. 基于物聯(lián)網(wǎng)的智慧校園平臺設(shè)計[J]. 山西大同大學學報（自然科學版），2023，39（1）：21-27.

[2] 孟青云，戴佳蔚，查佳佳，等. 基于YOLOv8 算法的常用手勢識別[J]. 現(xiàn)代儀器與醫(yī)療，2023，29（4）：12-20.