买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜福建中天智博科技有限公司申请的专利一种网络摄像机工作异常的检测方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119274143B 。

龙图腾网通过国家知识产权局官网在2025-03-18发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411787788.5，技术领域涉及：G06V20/52；该发明授权一种网络摄像机工作异常的检测方法及系统是由余秋燕;吴文毅;何建良;黄陈峰设计研发完成，并于2024-12-06向国家知识产权局提交的专利申请。

本一种网络摄像机工作异常的检测方法及系统在说明书摘要公布了：本发明涉及安防监控技术领域，尤其为一种网络摄像机工作异常的检测方法及系统，包括训练基础数据集形成大模型，收集正常与异常画面分块处理后标注、预处理，经CNN网络结构模型多任务学习训练，用SSIM作损失函数并生成模拟异常数据增强泛化能力，评估模型性能；获取视频流关键帧或片段分块后用大模型识别得出结果R0，审查人员定期审查，异常则输出，积累一定结果后再训练大模型。系统包含数据采集、模型训练、检测数据获取、数据分块、异常检测、审查和模型优化等模块。本发明提高了检测效率与准确性，减少人工干预，有效解决现有技术中视频多路检测性能低、阈值设定繁琐及检测准确性不高的问题，适用于各类安防监控场景。

本发明授权一种网络摄像机工作异常的检测方法及系统在权利要求书中公布了：1.一种网络摄像机工作异常的检测方法，其特征在于：包括以下步骤：步骤S1、训练基础数据集形成的基础大模型；步骤S1-1、从现有的安防系统中收集正常的监控画面和异常的监控画面或视频片段作为数据基础，对每个画面进行均匀分块切割；步骤S1-2、将分割的数据基础放入基础大模型中进行训练，在训练时为每个数据基础样本进行标注，如果是画面正常的数据基础，则标记为正常画面视频，后对标记完成的数据基础进行预处理；步骤S1-3、数据基础经过预处理后，通过基于CNN卷积神经网络的网络结构模型进行多任务学习，同时检测不同类型异常，依据视频帧提取特征分类判断，输出异常状态并识别异常类型；模型训练使用结构相似指数SSIM作为损失函数，并使用合成异常数据生成模拟异常视频画面帧增强泛化能力；步骤S1-4、使用准确率、精确率、召回率、F1-score对模型性能综合评定；步骤S2、从安防系统获取视频流，从视频流中取出关键帧或视频片段作为待检测数据；将待检测数据中的视频帧分块作为待检测素材，将待检测素材放入基础大模型中识别，得出检测结果R0；步骤S3、审查人员定期审查检测结果R0，若画面异常则输出画面异常；步骤S4、检测结果R0积累到设定数量时，将其作为新检测素材训练基础大模型；步骤S5、新检测素材到达设定阈值时，定期执行步骤S3和步骤S4；对每个画面进行均匀分块切割时，确定画面分块方式，将每个画面均匀分割为个矩形块，其中，为正整数；计算每个矩形分块的大小，对于分辨率为的画面，水平方向每个分块像素数为,垂直方向为；从画面左上角开始，按照计算的分块大小依次分割画面，对分割后的分块进行编号；对标注完成的数据基础进行预处理时，将数据基础通过公式进行归一化处理，其中，表示原始图像数据集中的某一像素值，表示经过归一化处理后的像素值，是图像数据集的均值，是图像数据集的标准差，使用ImageNet数据集的常用均值和标准差,使数据标准化到均值为0，标准差为1；所述基于CNN卷积神经网络的网络结构模型包含多个卷积层、池化层和全连接层，卷积层通过卷积核在图像上滑动进行卷积操作，由以下公式表示： ；其中，为卷积层输出特征图在位置的像素值，为卷积核权重，为输入图像在对应位置的像素值，为偏置项，为卷积核大小，提取视频帧的局部特征；池化层利用以下公式进行降维操作： ；其中，为池化窗口区域；全连接层将提取的特征映射到不同的异常类别空间，通过公式计算输出值，根据输出值进行分类判断，其中，为第个类别对应的全连接层输出值，为权重，为输入特征向量的第i个元素，为输入特征向量维度，为偏置项，同时，检测不同类型异常，依据视频帧提取特征分类判断，输出异常状态并识别异常类型；模型训练使用结构相似指数SSIM作为损失函数，损失函数公式如下： ；其中，和是两幅待比较的图像，和是图像和的均值，和是图像和的方差，是和的协方差，和是为避免分母为而引入的小常数；通过最小化该损失函数优化模型参数；使用合成异常数据生成模拟异常视频画面帧以增加模型对异常模式的泛化能力。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人福建中天智博科技有限公司，其通讯地址为：350004 福建省福州市台江区鳌峰路2号1407室；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。