تشخیص رفتارهای هنجارشکن به کمک الگوریتم yolo و پروتکل جریان بلادرنگ

باتوجه‌به گسترش روزافزون سامانه‌های مبتنی بر بینایی ماشین و اهمیت امنیت در دنیای امروز، در این پژوهش با استفاده از الگوریتم yolo به شناسایی تهدیدهای مخاطره‌آمیز و رفتارهای هنجارشکن پرداخته شده است. همچنین استفاده از پروتکل rtsp و فناوری اینترنت اشیا، امکان اتصال به دوربین‌های مداربسته و مدیریت بر خط سامانه از طریق شبکه wifi و اینترنت را ممکن ساخته است تا در صورت مواجه شدن با خطرات، تصاویر را به پنل مدیریتی ارسال کند. سامانه نظارتی و امنیتی مورد بررسی در این مقاله، قادر به شناسایی و اعلام هشدار در مورد سیگارکشیدن، تشخیص وضعیت افراد، اسلحه و چاقو به عنوان نمونه‌هایی از عوامل هنجارشکن و تهدید با سلاح گرم و سرد است. لذا الگوریتم yolov8 برای آموزش اشیاء به‌کاررفته است تا از ویژگی‌هایی مانند رابط کاربری ساده، توانایی شناسایی اشیا، تقسیم‌بندی نمونه‌ها و دسته‌بندی تصاویر بهره‌مند شود. مدل بهینه‌سازی‌شده به کمک برد رزبری پای 4 پیاده سازی می شود. برای بهبود سرعت مدل در شناسایی اشیا، از روش صادرکردن وزن‌های آموزشی استفاده شده است. تحلیل وزن‌های جدید نشان می‌دهد که این روش به افزایش سرعت پردازش کمک کرده است، هرچند ممکن است دقت را کمی کاهش دهد؛ لذا با استفاده از روش بهبودیافته، مدل آموزشی به‌دقت متوسط map ≅ 0.847 و تعداد فریم‌های تصویر در ثانیه fps ≅ 4.1 می‌تواند برسد. درنهایت، مقایسه سامانه پیشنهادی نسبت به سامانه های پیشین امنیتی، کارایی و اعتمادپذیری بالاتری را ارائه می دهد.

security threat detection using yolo algorithm with rtsp protocol

due to the increasing prevalence of machine vision-based systems and the importance of security today, this research employs the yolo algorithm to identify hazardous threats and norm-violating behaviors. additionally, using the rtsp protocol and iot technology enables connection to cctv cameras and online system management via wifi and the internet, allowing images to be sent to the management panel in the event of threats. the surveillance and security system examined in this paper is capable of identifying and alerting to smoking and detecting the status of individuals, weapons, and knives as examples of norm-violating factors and threats with hot and cold weapons. therefore, the yolov8 algorithm is used for object training to benefit from features such as a simple user interface, object detection capabilities, sample segmentation, and image classification. the optimized model is implemented using the raspberry pi 4. to improve the model's speed in object detection, the method of exporting trained weights is used. analysis of the new weights shows that this method has helped to increase processing speed, although it may slightly decrease accuracy; therefore, using the improved process, the training model can achieve a mean average precision (map) of 0.847 and a frame per second (fps) of 4.1. finally, a comparison with older methods shows higher efficiency and reliability for the proposed method.