msiСовременная наука и инновацииModern Science and Innovations2307-910XNorth-Caucasus Federal University10.37493/2307-910X.2025.3.3msi-1771Research ArticleТЕХНИЧЕСКИЕ НАУКИ ИНФОРМАТИКА, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И УПРАВЛЕНИЕTECHNICAL SCIENCES INFORMATION, COMPUTING AND MANAGEMENTОптимизация гибридной архитектуры долгосрочной рекуррентной свёрточной сети для Edge-распознавания насилия в системах видеонаблюденияOptimizing Hybrid Long-Term Recurrent Convolutional Network Architecture for Edge-Based Violence Detection in Video Surveillance SystemsГоряевВ. М.GoryaevV. M.

Горяев Владимир Михайлович, кандидат педагогических наук, доцент

д. 11, ул. Пушкина, Элиста

Goryaev Vladimir Mikhailovich, Candidate of Pedagogical Sciences, Associate Professor

11, Pushkin St., Elista

goryaeff@mail.ruМанкаеваС. А.MankaevaS. A.

Манкаева Саглар Алексеевна, студент 2 курса

phone number: +79961102363

д. 11, ул. Пушкина, Элиста

Mankaeva Saglar Alekseevna, 2nd year student

phone number: +79961102363

11, Pushkin St., Elista

mankaeva.saglar@yandex.ruСумьяноваЕ. В.SumyanovaE. V.

Сумьянова Елена Владимировна, доцент кафедры экспериментальной и общей физики

+79615486561

д. 11, ул. Пушкина, Элиста

Sumyanova Elena Vladimirovna, Associate Professor of the Department of Experimental and General Physics

+79615486561

11, Pushkin St., Elista

sumyanova@yandex.ruБембитовД. Б.BembitovJ. B.

Бембитов Джиргал Батрович, доцент кафедры теоретической физики

+79615400560

д. 11, ул. Пушкина, Элиста

Bembitov Jirgal Batrovich, Associate Professor of the Department of Theoretical Physics

+79615400560

11, Pushkin St., Elista

dbembitov@gmail.comМанкаеваГ. А.MankaevaG. A.

Манкаева Галина Алексеевна, старший преподаватель кафедры теоретической физики

phone number: +79061764200

д. 11, ул. Пушкина, Элиста

Mankaeva Galina Alekseevna, Senior Lecturer at the Department of Theoretical Physics

phone number: +79061764200

11, Pushkin St., Elista

mankaeva.galina@yandex.ruКалмыцкий государственный университет имени Б. Б. ГородовиковаРоссияKalmyk State University named after B. B. GorodovikovRussian Federation202526012026033038Copyright © Горяев В.М., Манкаева С.А., Сумьянова Е.В., Бембитов Д.Б., Манкаева Г.А., 20262026Горяев В.М., Манкаева С.А., Сумьянова Е.В., Бембитов Д.Б., Манкаева Г.А.Goryaev V.M., Mankaeva S.A., Sumyanova E.V., Bembitov J.B., Mankaeva G.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://msi.elpub.ru/jour/article/view/1771

Введение. В данном исследовании представлено решение для автоматического детектирования насильственных инцидентов в видеопотоках на основе гибридной архитектуры, сочетающей свёрточные нейронные сети для пространственного анализа кадров и сети долгой краткосрочной памяти для выявления временных зависимостей. Материалы и методы. Разработка оптимизирована для развертывания на маломощных устройствах серии NVIDIA Jetson, что обеспечивает обработку данных непосредственно на месте съемки. Эксперименты проводились на специализированном наборе данных, включающем записи городского видеонаблюдения, спортивные трансляции и смоделированные сцены. Результаты и обсуждение. Результаты подтвердили высокую точность распознавания (94.8%), низкий уровень ложных срабатываний (1.5%) и минимальную задержку обработки(15 мс/кадр), что соответствует требованиям систем безопасности реального времени. Особое внимание уделено режимам работы комплекса: покадровой обработке с маркировкой временных меток и пофайловому анализу для экспресс-оценки видеоматериалов. Заключение. Перспективы внедрения включают интеграцию с системами безопасности и платформами модерации контента.

Introduction. This study presents a solution for automated detection of violent incidents in video streams using a hybrid architecture that integrates Convolutional Neural Networks (CNNs) for spatial frame analysis and Long Short-Term Memory (LSTM) networks for identifying temporal dependencies. Materials and methods. The system is optimized for deployment on low-power NVIDIA Jetson series devices, enabling on-edge data processing at the capture site. Experiments were conducted on a specialized dataset comprising urban surveillance footage, sports broadcasts, and simulated scenes. Results and discussion. Results confirmed high recognition accuracy, low falsepositive rates, and minimal processing latency, meeting real-time security system requirements. Operational modes include frame-by-frame processing with timestamp annotation and file-based analysis for rapid video assessment. Conclusion. Integration with security infrastructure and content moderation platforms represents a key implementation pathway

сети долгой краткосрочной памятисвёрточные нейронные сетираспознавание насилияанализ видеопотоковглубокое обучениегибридные архитектурыграничные вычисленияLong Short-Term MemoryConvolutional Neural Networkviolence recognitionvideo stream analysishybrid architecturesedge computingReferencesГлоссарий терминов по информатике, вычислительной технике и компьютерным сетям / Под ред. И.А. Соколова. М.: ИКСИ РАН. 2023. 214 с. [Текст]Glossarii terminov po informatike, vychislitel'noi tekhnike i komp'yuternym setyam / Pod red. I.A. Sokolova. M.: IKSI RAN. 2023. 214 s.Donahue J., Hendricks L. et al. LRCN for Visual Recognition and Description // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2016. Vol. 39. Is. 4. P. 677–691.Donahue J., Hendricks L. et al. LRCN for Visual Recognition and Description // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2016. Vol. 39. Is. 4. P. 677–691.Горяев В.М., Мацаков Б.В. Исследование эффективности моделей нейросети LRCN в задачах распознавания насилия на видео//Современные наукоемкие технологии. 2024. № 12. С. 17- 24 DOI: https://doi.org/10.17513/snt.40239Goryaev V.M., Matsakov B.V. Issledovanie ehffektivnosti modelei neiroseti LRCN v zadachakh raspoznavaniya nasiliya na video//Sovremennye naukoemkie tekhnologii. 2024. № 12. S. 17-24 DOI: https://doi.org/10.17513/snt.40239Sudhakaran S., Lanz O. Learning to Detect Violent Videos using Convolutional Long ShortTerm Memory // IEEE International Conference on Computer Vision Workshops (ICCVW). 2019. P. 1– 9. DOI: 10.1109/ICCVW.2019.00010Sudhakaran S., Lanz O. Learning to Detect Violent Videos using Convolutional Long ShortTerm Memory // IEEE International Conference on Computer Vision Workshops (ICCVW). 2019. P. 1– 9. DOI: 10.1109/ICCVW.2019.00010Bilinski P., Bremond F. Human Violence Recognition and Detection in Surveillance Videos // IEEE International Conference on Advanced Video and Signal-Based Surveillance (AVSS). 2020. P. 1–8. DOI: 10.1109/AVSS.2020.9339832Bilinski P., Bremond F. Human Violence Recognition and Detection in Surveillance Videos // IEEE International Conference on Advanced Video and Signal-Based Surveillance (AVSS). 2020. P. 1–8. DOI: 10.1109/AVSS.2020.9339832Мацаков Б.В., Горяев В.М. Распознавание признаков насилия с помощью сетей долгой краткосрочной памяти LSTM: Свидетельство о государственной регистрации программы для ЭВМ № 2024690113. Заявка № 2024688048 от 15.11.2024. Зарегистрировано 12.12.2024.Matsakov B.V., Goryaev V.M. Raspoznavanie priznakov nasiliya s pomoshch'yu setei dolgoi kratkosrochnoi pamyati LSTM: Svidetel'stvo o gosudarstvennoi registratsii programmy dlya EHVM № 2024690113. Zayavka № 2024688048 ot 15.11.2024. Zaregistrirovano 12.12.2024.Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation. 1997. Vol. 9. Is. 8. P. 1735–1780. DOI: 10.1162/neco.1997.9.8.1735Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation. 1997. Vol. 9. Is. 8. P. 1735–1780. DOI: 10.1162/neco.1997.9.8.1735Пустынный Я.Н. Решение проблемы исчезающего градиента с помощью нейронных сетей долгой краткосрочной памяти. Инновации и инвестиции. 2020. №2. C.130-132.Pustynnyi YA.N. Reshenie problemy ischezayushchego gradienta s pomoshch'yu neironnykh setei dolgoi kratkosrochnoi pamyati. Innovatsii i investitsii. 2020. №2. C.130-132.Wang L.et al. Temporal segment networks: Towards good practices for deep action recognition // Proceedings of the European Conference on Computer Vision (ECCV 2016). Amsterdam. Oct. 8–16, 2016. Cham: Springer. 2016. P. 20–36. DOI: 10.1007/978-3-319-46484-8_29.Wang L.et al. Temporal segment networks: Towards good practices for deep action recognition // Proceedings of the European Conference on Computer Vision (ECCV 2016). Amsterdam. Oct. 8–16, 2016. Cham: Springer. 2016. P. 20–36. DOI: 10.1007/978-3-319-46484-8_29.NVIDIA Jetson Xavier NX Developer Guide. 2023. URL: https://developer.nvidia.com/embedded/jetson-xavier-nx (дата обращения: 20.06.2025).NVIDIA Jetson Xavier NX Developer Guide. 2023. URL: https://developer.nvidia.com/embedded/jetson-xavier-nx (data obrashcheniya: 20.06.2025).Hanson A., Pnvr K., Krishnagopal S., Davis L. Bidirectional Convolutional LSTM for the Detection of Violence in Videos // IEEE Transactions on Cognitive and Developmental Systems. 2021. Vol. 13. Is. 4. P. 992–1001. DOI: 10.1109/TCDS.2020.2996775Hanson A., Pnvr K., Krishnagopal S., Davis L. Bidirectional Convolutional LSTM for the Detection of Violence in Videos // IEEE Transactions on Cognitive and Developmental Systems. 2021. Vol. 13. Is. 4. P. 992–1001. DOI: 10.1109/TCDS.2020.2996775Zhang H. et al. Edge Computing for Real-Time Video Analysis // IEEE Internet of Things Journal. 2021. Vol. 8. Is. 16. P. 12539–12551. DOI: 10.1109/JIOT.2021.3065956Zhang H. et al. Edge Computing for Real-Time Video Analysis // IEEE Internet of Things Journal. 2021. Vol. 8. Is. 16. P. 12539–12551. DOI: 10.1109/JIOT.2021.3065956Петров К.Л. Эволюция парадигмы периферийных вычислений // Информационные технологии. 2022. Т.28. №4. С.12-19.DOI: 10.22213/2410-9304-2022-4-12-19Petrov K.L. Ehvolyutsiya paradigmy periferiinykh vychislenii // Informatsionnye tekhnologii. 2022. T.28. №4. S.12-19.DOI: 10.22213/2410-9304-2022-4-12-19Google Content Safety API. Developer Documentation. [Электронный ресурс]. 2023. URL: https://cloud.google.com/content-safety/docs (дата обращения: 20.06.2025).Google Content Safety API. Developer Documentation. [Ehlektronnyi resurs]. 2023. URL: https://cloud.google.com/content-safety/docs (data obrashcheniya: 20.06.2025).ViSenze. Real-Time Violence Detection in Video Streams [Электронный ресурс]. 2024. URL: https://www.visenze.com/resources (дата обращения: 20.06.2025).ViSenze. Real-Time Violence Detection in Video Streams [Ehlektronnyi resurs]. 2024. URL: https://www.visenze.com/resources (data obrashcheniya: 20.06.2025).Redmon J., Farhadi A. YOLOv3: An Incremental Improvement // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2020. Vol. 42. Is. 2. P. 1–14.Redmon J., Farhadi A. YOLOv3: An Incremental Improvement // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2020. Vol. 42. Is. 2. P. 1–14.ГОСТ Р ИСО 5725-2002. Точность методов и результатов измерений. М.: Стандартинформ, 2002. 31 c.GOST R ISO 5725-2002. Tochnost' metodov i rezul'tatov izmerenii. M.: Standartinform, 2002. 31 c. [Текст]Lyubchich V. et al. A distribution-free m-out-of-n bootstrap approach to testing symmetry about an unknown median // Computational Statistics & Data Analysis.2016.Vol.104.P.1-9. DOI: 10.1016/j.csda.2016.05.004Lyubchich V. et al. A distribution-free m-out-of-n bootstrap approach to testing symmetry about an unknown median. Computational Statistics & Data Analysis.2016.Vol.104.P.1-9. DOI: 10.1016/j.csda.2016.05.004

The authors declare that there are no conflicts of interest present.