深度学习在行为识别和早期预警系统中的应用,用于校园安全管理
1Nanjing Audit University Jinshen College, Nanjing, Jiangsu, China.
PloS one
|November 4, 2025
概括
深度学习框架DeepCARE通过准确检测异常行为和减少紧急响应时间来增强校园安全. 这种先进的系统可以提高教育机构和公共空间的安全性.
科学领域:
- 人工智能的人工智能
- 计算机视觉 计算机视觉
- 安全系统安全系统
背景情况:
- 校园安全是一个关键问题,现有的安全系统往往缺乏有效性,无法检测不寻常的行为和提供及时的警报.
- 不有效的威胁检测和延迟的响应对教育环境中的学生,员工和访客构成重大风险.
研究的目的:
- 引入DeepCARE (基于深度学习的校园异常和风险评估),这是一个新的深度学习框架,旨在改善校园安全的行为识别和预警系统.
- 加强检测异常活动,减少安全监视中的响应时间.
主要方法:
- DeepCARE使用混合深度学习模型,将卷积神经网络 (CNN) 结合起来用于特征提取和长短期记忆 (LSTM) 网络用于时间行为分析.
- 集成了一个使用自动编码器的异常检测模块,以提高准确性并最大限度地减少错误报警.
- 该框架对实时视频录像进行处理,以识别特定的异常活动,如侵略,未经授权的访问和游荡.
主要成果:
- DeepCARE实现了94.5%的行为识别准确度.
- 该系统的性能比传统的安全方法提高了8%.
- 通过更快的威胁检测,应急响应时间减少了30%.
结论:
- 通过先进的深度学习技术,DeepCARE提供了一种灵活且可扩展的解决方案,用于增强安全性.
- 该框架有效支持早期风险检测和更快的响应,为更安全的校园环境做出贡献.
- 它的适用性超越了教育校园,扩展到公共空间,交通枢纽和智能城市.
