基于YOLOv8的智慧校园安防检测功能

［摘 要］智慧校园包含园区内设备设施、智能系统、集成平台、大数据技术平台、业务平台、决策和计划平台，应用于园区管理、教学管理、后勤保障、日常办公、园区安全、文化宣传等方面。智慧校园包含数字视频监控系统、电子巡更系统、周界防范系统3 部分，其中电子巡更系统存在人员排班，无法实现24 h 覆盖巡更线路和非巡更线路的巡检任务，而周界防范系统误报率高，设备故障多，无法实现稳定持续的周界监控功能。文章采用视频流作为输入媒体，采用先进的识别分类模型，实现电子巡更系统24 h 全覆盖业务功能，解决周界防范系统误报率高和人为破坏的缺点，加强校园周边和重要区域的安防业务功能。

［关键词］智慧校园；电子巡更； 周界防范； 预训练模型； YOLOv8 ； 目标检测

［中图分类号］TP183 ［文献标志码］A ［文章编号］2095–6487（2024）03–0139–03

1 概述

文章选用YOLOv8框架目标识别技术，采用预训练模型和实际业务结合的工程实践方式，实现视频电子巡更功能，完善人员固定线路、固定班次的巡更覆盖度不够的问题，弥补周界防范系统误报率高、设备故障率高的不足，实现智慧校园内安防系统中，园区边界的防范业务24 h 检测和全覆盖检测。

2 智慧校园

智慧校园是综合园区内设施、设备、子系统、物联网、大数据、人工智能、GIS 等，实现园区智能化综合管理和统一运营的管控、业务平台。智慧校园综合安防部分包括数字监控系统、电子巡更系统、周界防范系统和消防火灾系统等，智慧校园架构如图1所示。

数字监控系统由网络摄像头、网络控制和存储设备及显示设备组成。网络摄像头（IP camera）包括固定位置的枪机和半球与360°的球机两种类型。摄像头采集监控区域视频信号，内置WebServer 配置功能，并将视频处理后通过网络传输给控制设备。控制设备包括数据视频录像机（DVR）和网络视频录像机（NVR），它们的主要工作流程包括采集网络摄像头视频流数据、视频编码、视频存储、实现视频回放、视频备份、视频传输、远程访问和控制、报警功能、系统日志和报告及维护和管理等。监控设备包括电视墙、视频矩阵、LED 显示大屏等，主要应用于视频监控的在线监控视频流显示、画面分割、画面标注、报警处理等。

电子巡更系统是园区内巡逻人员手持巡检器，沿着规定的路线巡查，同时在规定的时间内到达巡检地点。巡检器会自动记录到达该地点的时间和巡检人员，然后通过数据通讯线将巡检器连接计算机，将数据上传到系统中记录，对巡检数据进行自动分析并智能处理，对应时间查看巡更点和巡更人员名称。

周界防范系统，又称电子围栏，一般由探测部分、信号传输部分、报警联动部分和控制部分组成。探测部分包括红外对射、脉冲电子围栏、振动光纤、可见光视频周界相机、热成像相机、入侵安防雷达、激光扫描探测器。在需要被保护的区域安装周界防范系统，当有人企图穿越被保护区域四周的边界时，边界上的探测装置探测到入侵后发出入侵警报信号，同时通过传输部分将入侵信号发送至报警联动部分提示相关人员处理。系统能够迅速发出警报并提供报警位置，从而能够更加有效地协助安保人员处理闯入事件，提高布防区域的安全防范能力，是园区安防系统的第一道防线。

3 YOLOv8

YOLOv8 模型是Ultralytics 公司最新推出的检测模型，是目前较为先进的目标检测模型框架。YOLOv8 是用于图像分类、对象检测、实例分割推理和训练的统一框架。其支持多种 API（包括命令行、Python 两种方式）、更快更准确、支持物体检测、实例分割、图像分类、可扩展到所有以前的版本、新骨干网络、新的Anchor-Free head、新的损失函数，框架还高效灵活地支持多种导出格式，支持多种终端（优化的框架、嵌入式设备、CPU、GPU、服务端、服务端优化技术TensorRT），并且该模型可以在CPU 和GPU 上运行。

3.1 模型结构

YOLOv8 模型结构包含3 个组成部分：Backbone、Neck、Head。其中，Backbone 提取原始数据的特征，Neck 融合特征，Head 进行分类或回归使得数据更加准确。Backbone 主干网络主要由CSPDarknet53 组成，包含10 层网络（0～9 层），有CBS、C2F、SPPF3 种结构。主干网络是特征提取网络，可提取图像数据特征信息供后面的网络使用。Neck 部分由SPP（Conv×3+Concat+Conv×3）和PANet 网络构成，包含12 层网络（10～21 层）。SPP 的功能是增加感受野作用，PANet 的功能是将提取的特征信息转换为坐标、类别等信息，其主要由上采样和下采样组成。Head部分包含3 个检测头，主要功能是得到输出模型结果。YOLOv8 模型结构如图2 所示。

3.2 模型版本汇总

YOLOv8 提供了5 个不同规模的预训练模型：nano、small、medium、large 和extra large， 分别适应不同设备和应用场景的计算机视觉任务。作为预训练模型，它们的性能优秀、稳定性强、泛化能力强。YOLOv8 预训练模型见表1。

4 视频巡更目标检测

采用YOLOv8 预训练模型：

from ultralytics import YOLO

# load a pretrained model （recommended for training）

model = YOLO（"YOLOv8n.pt"）

测试模型推理效果：

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）

预测函数说明：task 任务类型为目标检测；source 检测源，生产环境采用流媒体推流RTSP 格式；classes 是目标检测类型，由平台定义监控点监控物体类型和报警类型；save 保存检测结果。

5 电子围栏目标检测

采用YOLOv8 预训练模型（ 生产环境选用YOLOv8x 版本）：

from ultralytics import YOLO

# load a pretrained model （recommended for training）

model = YOLO（"YOLOv8n.pt"）

测试模型推理效果：

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）

预测函数参数说明：task 任务类型为目标检测；source 检测源，生产环境采用流媒体推流RTSP 格式；classes 是目标检测类型；0 是person 检测人；save 保存检测结果。

6 平台业务功能

6.1 视频巡更功能

采用分类模型补充电子巡更系统，实现24 h 线路巡更和关键部位与区域的巡检。平台定义巡更摄像头、巡更时间段、巡更线路、巡更区域。按照异常状态/正常状态= 异常率，定义报警阈值上报巡更警报，平台定义重点区域的巡检包括图书馆烟雾火灾检测、财务室人员闯入、自习室人员聚集等模式检测。

6.2 周界防范检测功能

补充周界防范系统，解决误报率高、无法识别目标类型的问题。平台定义周界防范目标类型包括人员闯入、动物闯入、飞禽闯入等。周界防范系统报警联动视频目标识别，确定当前的闯入物类型并生成平台报警事件，减少误报率，提高周界防范系统的准确率，同时减少人工成本，极大地加强了校园周界的检测功能。

6.3 生产环境布署

YOLOv8 将模型参数导出为onnx 格式，onnx 转为tensorrt 的engine 模型。推理模型选择启用GPU设备。数字视频监控可以配置摄像头本身视频流，或者采用流媒体推流，流媒体推流会有一定的延时。制作docker 镜像包含模型、权重和优化加速部分。布署在K8S 集群中实现，业务功能平台化，参数可配置。

7 结论

（1）作为YOLOv8 多模态、多尺寸的模型，模型结构优化空间很小，不建议修改，会极大地影响模型泛化能力，导致一些场景的欠拟合现象。

（2）预训练模型YOLOv8 提供了目标检测的5 种尺寸，可适应不同设备，对于本项目采用L 还是X，要在实际的应用中不断地调整权重和相关预测参数，优化实际的应用场景。

（3）模型的加速和性能优化都是在生产环境中必须要实现的过程，和实验室测试性能为目标的操作差异性很大。

（4）平台级别的技术包括镜像、GPU、K8S，都是在工程实践中，一步步摸索和优化出来的布署模式和研发方向。

（5）平台级别产品布署周期长，维护成本相对偏高。

（6）视频流处理也是平台非常重要的部分，无论是摄像头拉流还是中流媒体中心拉流，都存在延时的问题。

（7）视频巡更有两种方式，即定义巡更线路、巡更点和班次与全天24 h 监控重点部位、防火部位、图书馆、机要室、档案室等。无论出现什么类型的目标一律识别并上传至平台生成报警事件。

（8）周界防范系统的视频检测在夜间经常有动物、物体等误报情况，对于鹰眼的向下检测效果比较理想，目前平台拓展出鹰眼朝向天空，检测不明飞行物，同时联动飞行物雷达等精密仪器，保证警报处理的正确和有效。

参考文献

[1] 杨建军. 基于物联网的智慧校园平台设计[J]. 山西大同大学学报（自然科学版），2023，39（1）：21-27.

[2] 孟青云，戴佳蔚，查佳佳，等. 基于YOLOv8 算法的常用手势识别[J]. 现代仪器与医疗，2023，29（4）：12-20.