AI智能声波辅助的校园防欺凌系统的制作方法

本发明涉及校园预防报警，尤其涉及ai智能声波辅助的校园防欺凌系统。

背景技术：

1、随着社会的发展和教育的普及，校园安全问题日益受到关注，在校园中，欺凌行为已成为严重的社会问题，给学生的身心健康带来了严重的伤害。传统的校园安全监控系统通常依靠摄像头和警报器等设备，但这些设备往往只能记录事件的发生，缺乏实时监测和预警功能，无法有效防范欺凌行为，因此，急需一种创新的校园防欺凌系统，能够实时监测校园环境并准确识别欺凌行为，以提高校园的安全性和保障师生的身心健康。

2、针对以上问题，本发明提出了一种基于ai智能声波辅助的校园防欺凌系统。通过部署多个声音传感器和快捷报警按钮在校园内的关键位置，利用声音特征提取模块实时监测校园环境中的声音信号，并根据对比分析的结果准确识别是否存在欺凌行为，从而提高了校园的安全性和保障了师生的身心健康。

技术实现思路

1、基于上述目的，本发明提供了ai智能声波辅助的校园防欺凌系统。

2、ai智能声波辅助的校园防欺凌系统，包括：

3、通过校园内部部署的多个声音传感器捕获环境声音；

4、引入声音特征提取模块，声音特征提取模块分析声音信号的频谱、振幅、持续时间，提取与欺凌行为相关的声音特征，构建欺凌行为的声音模式库，声音模式库中集成有机器学习分类算法，实时监测环境中的声音信号，并将实时提取的声音信号特征导入机器学习分类算法，根据分析结果，确定是否存在欺凌行为；

5、引入环境监测模块，环境监测模块利用校园内部部署的摄像头、温度传感器，当环境监测模块检测到异常人员聚集、温度变化，结合声音特征提取模块的分析结果，辅助确定欺凌行为；

6、当识别到欺凌行为时，触发警报，并将相关信息发送到预设的接收设备，包括校园安全办公室或相关教职工的智能手机；

7、引入定位模块，通过声音传感器的位置信息和结合定位算法分析，确定报警事件的准确位置，并将其传输给接收设备。

8、进一步的，所述声音传感器根据校园内不同区域的布置，包括教室、走廊、操场、食堂、图书馆以及楼梯死角区域。

9、进一步的，所述声音特征提取模块具体包括：

10、频谱分析：采用快速傅里叶变换算法，将声音信号转换为频谱图，应用频谱分析技术，提取频谱图中的频率分布特征，包括主频率、频谱带宽，基于频谱图的特征，识别出与欺凌行为相关的频率范围或频谱形态，包括尖锐声波、高频率噪音；

11、振幅特征提取：使用振幅检测算法，测量声音信号的振幅值，并分析振幅的变化趋势，基于振幅的波动情况，提取振幅特征，包括振幅的变化频率、振幅的绝对值，分析振幅特征与欺凌行为之间的关系，识别出具有欺凌行为特征的振幅模式，振幅的计算公式为：，其中，是振幅值，是时域信号，是信号的采样点数，基于短时振幅变化率反映声音振幅在短时间内的变化情况，表示为：

12、，其中，是短时振幅变化率，是当前时刻的振幅值，是下一个时刻的振幅值，是时间间隔；

13、持续时间分析：利用持续时间分析算法，计算声音信号的持续时间，并确定声音的持续性特征，结合持续时间特征和声音信号的频谱和振幅，综合分析声音信号的持续性，以区分欺凌行为与其他正常声音，持续时间分析包括计算声音信号的持续时间，并确定声音的持续性特征，持续时间的计算公式为：

14、，其中，是持续时间，是信号的采样点数，是信号的采样率。

15、进一步的，所述机器学习分类算法采用支持向量机模型，对提取的声音特征进行分类和模式识别，基于大量已知欺凌行为的声音样本，训练模型识别欺凌行为的声音特征，根据分类和模式识别构建欺凌行为的声音模式库，包括欺凌行为的声音特征及其对应的分类标签，用于后续的声音识别和行为检测。

16、进一步的，所述支持向量机模型对提取的声音特征进行分类和模式识别的步骤包括：

17、提取频谱特征、振幅特征和持续时间特征，对提取的声音特征进行标准化处理，使得特征具有相同的量纲和尺度；

18、数据划分：将准备好的声音样本数据集划分为训练集和测试集，训练集用于训练支持向量机模型，测试集用于评估模型的性能；

19、模型训练：使用训练集的声音特征和对应的标签（欺凌行为或非欺凌行为）训练支持向量机模型，支持向量机模型通过找到最佳的决策边界，将两类声音样本数据分隔开，使得同一类别的样本靠近超平面，并且距离超平面的最短距离（即间隔）最大化；

20、模型评估：使用测试集的声音特征对训练好的支持向量机模型进行评估，计算模型的准确率、召回率、f1分数等指标，评估模型的性能和泛化能力，根据评估结果，对支持向量机模型的参数进行调优；

21、训练好的支持向量机模型应用于实时监测中，对实时提取的声音特征进行分类和模式识别，当实时监测到的声音特征与已知的欺凌行为声音特征相匹配时，支持向量机模型将输出欺凌行为的分类结果，触发警报并采取相应措施。

22、进一步的，所述支持向量机模型通过学习一个最佳的决策边界，将不同类别的声音样本分隔开，决策函数表示为：

23、，其中，是决策函数，用于判断样本属于哪一类，即欺凌行为标签或非欺凌行为标签，是训练样本的拉格朗日乘子，用于对支持向量进行加权，是训练样本的标签，表示样本的类别，是训练样本的特征向量，是核函数，用于衡量样本之间的相似度，是偏置项，用于调整决策边界的位置。

24、进一步的，所述环境监测模块具体包括：

25、摄像头图像分析：使用计算机视觉技术对校园内的摄像头图像进行实时监测和分析，利用目标检测算法yolo，识别人群密集区域，分析人群的密集程度和聚集情况；

26、温度传感器数据分析：实时采集校园内各个区域的温度数据，设定温度变化的阈值，当温度超过或低于设定阈值时，视为异常情况；

27、将声音特征提取模块提取的声音特征与摄像头和温度传感器的数据进行综合决策分析，当检测到人群密集区域或异常温度变化时，同时分析声音特征，若声音特征中包含与欺凌行为相关的声音模式，则确定发生欺凌行为。

28、进一步的，所述综合决策分析基于模糊逻辑，具体包括：

29、摄像头数据的分析：设通过摄像头检测到的人群密集程度用变量表示，取值范围为，其中0表示无人，1表示极度密集；

30、温度传感器数据的分析：温度传感器检测到的温度变化用变量表示,取值范围为，其中0表示温度正常，1表示异常变化；

31、声音特征提取模块的分析结果：设声音特征提取模块得到的欺凌行为的声音特征用变量表示，取值范围为，其中0表示未检测到欺凌行为的声音特征，1表示检测到明显欺凌行为的声音特征；

32、模糊逻辑的综合评估：使用模糊逻辑将三个变量进行综合评估，得到一个综合的欺凌行为判断结果：

33、设定模糊规则和隶属函数，通过将三个变量的值输入到模糊逻辑中进行模糊推理，得到欺凌行为的概率，表示为变量，取值范围为，其中0表示无欺凌行为，1表示明显欺凌行为。

34、进一步的，所述定位算法采用三角定位算法，利用声音传感器的位置信息，位置信息包括每个声音传感器在校园内的具体位置坐标，使用三角定位算法结合声音传感器检测到的声音信号的到达时间差信息，来计算声音事件发生的位置，具体包括：

35、记录每个声音传感器的位置信息，包括经纬度坐标或相对位置关系；

36、声音信号的到达时间差测量：当有声音事件发生时，记录下各个声音传感器接收到声音信号的到达时间，利用到达时间差，计算出声音事件发生的相对位置；

37、将声音传感器的位置信息和声音信号到达时间差输入到三角定位算法中，计算出声音事件发生的准确位置坐标。

38、进一步的，所述多个声音传感器的安装位置还安装有快捷报警按钮，快捷报警按钮与预设的接收设备连接。

39、本发明的有益效果：

40、本发明，通过部署ai智能声波辅助的校园防欺凌系统，将多个声音传感器和快捷报警按钮结合布置在校园内的关键位置，有效提高了校园的安全性，利用声音特征提取模块构建欺凌行为的声音模式库，使系统能够实时监测校园环境中的声音信号，并根据分类分析的结果准确识别是否存在欺凌行为，同时，受害者可以通过快捷报警按钮快速报警，将相关信息实时发送给校园安全办公室或相关教职工，实现了对欺凌事件的及时响应和处置，有效提高了校园的安全性。

41、本发明，引入环境监测模块，结合校园内部部署的摄像头、温度传感器等设备，对异常人员聚集和温度变化等环境变化进行监测，强化了校园的预警和预防机制，通过对环境监测模块和声音特征提取模块分析结果的综合判断，辅助系统更准确地判断是否存在欺凌行为，同时，根据校园地图信息和路径规划，限制事件位置的搜索范围，提高了预警和预防机制的精准度和可靠性，有效减少了校园欺凌事件的发生。

42、本发明，采用支持向量机的机器学习分类算法对提取的声音特征进行分类和模式识别，基于大量已知欺凌行为的声音样本进行模型训练，使系统能够更准确地识别欺凌行为的声音特征，同时，根据声音传感器的位置信息和定位算法，准确确定报警事件的位置坐标，将其传输给接收设备，优化了处置和救援流程，使校园安全办公室或相关教职工能够迅速了解事件发生的位置和情况，及时采取有效的措施进行处置和救援，最大限度地保障了师生的安全和健康。