1.一种基于深度学习的校园暴力行为检测系统，其特征在于，包括：图像数据管理模块，所述图像数据管理模块用于获取校园暴力行为场景和非校园暴力行为场景的图像数据，并对所述图像数据进行分类标注和图像增广，以生成训练数据集和测试数据集；

深度学习算法训练管理模块，所述深度学习算法训练管理模块基于神经网络算法模型构建目标算法模型，并根据所述训练数据集和所述测试数据集对所述目标算法模型进行训练和测试，以生成校园暴力行为检测算法模型；

人机交互管理模块，所述人机交互管理模块用于采用所述校园暴力行为检测算法模型对校园监控实时获取的图像数据进行判断，若判断结果为发生校园暴力，则进行报警，其中，所述神经网络算法模型为通过ImageNet数据集构建的神经网络模型ResNet‑18，所述神经网络算法模型包括：softmax激活函数，所述softmax激活函数用于计算所述图像数据表示暴力行为场景“是”和“否”的概率，所述softmax激活函数表达式为：O＝xw+b

其中，加法运算使用了广播机制，O， 且这两个矩阵的第i行分别为第i张图片(i)的输出O 和概率分布

交叉熵损失函数，所述交叉熵损失函数表达式为：

(i)

其中，n为样本数， 为预测值，y 为真实值；

随机梯度下降算法，所述随机梯度下降算法用于迭代所述目标算法模型参数，以优化损失函数，所述随机梯度下降算法表达式为：其中，β为每个小批量中的样本个数，η为学习率，wi为随机起始数，b为偏置项，所述神经网络算法模型包括全连接层，所述全连接层相当于神经节点之间作内积运算，所述内积运算包括前向计算和后向计算，其中，所述前向计算用于计算每个神经元的输出值，所述前向计算表达式为：T

y＝Wx+b

所述后向计算用于计算每个神经元的误差项，所述后向计算表达式为：m×1 n×1 n×m

其中，y∈R 为神经元的输出，x∈R 为神经元的输入，W∈R 为神经元的权值，b为偏置项，l表示第l层神经元，所述神经网络算法模型中，通过权重矩阵的调整得到所述目标算法模型的极小化误差，所述权重参数的调整方向表示为：l l‑1

其中，η为学习率，δ为残差，E为损失函数，W 为l层神经元权值，x 为l层前一层神经元的输入，T为矩阵转置，u为卷积核，b为偏置项。

2.根据权利要求1所述的基于深度学习的校园暴力行为检测系统，其特征在于，所述图像数据管理模块包括：图像数据获取模块，所述图像数据获取模块用于获取校园暴力行为场景和非校园暴力行为场景的图像数据；

标注模块，所述标注模块用于为所述校园暴力行为场景的图像数据标注“是”和为所述非校园暴力行为场景的图像数据标注“否”，并将所述图像数据分为所述训练数据集和所述测试数据集；

图像增广模块，所述图像增广模块用于对所述训练数据集进行图像增广，以扩大所述训练数据集的规模。

3.根据权利要求2所述的基于深度学习的校园暴力行为检测系统，其特征在于，所述深度学习算法训练管理模块包括：初始化模型获取模块、图像数据导入模块、反复训练调整模块和检测算法模型生成模块，其中，所述反复训练调整模块用于根据所述神经网络算法模型构建目标算法模型，并通过所述初始化模型获取模块将所述神经网络算法模型迁移到所述目标算法模型中，以获取所述目标算法模型的初始化参数，同时通过所述图像数据导入模块导入所述训练数据集和测试数据集，以根据所述训练数据集对所述目标算法模型进行反复训练，以优化所述目标算法模型参数，并根据所述测试数据集测试训练后的目标算法模型的准确度，所述检测算法模型生成模块用于判断所述目标算法模型的准确度是否达到要求，若所述目标算法模型的准确度达到要求，则保存所述目标算法模型及其参数，生成所述校园暴力行为检测算法模型。

4.根据权利要求3所述的基于深度学习的校园暴力行为检测系统，其特征在于，所述人机交互管理模块包括：监控图像数据获取模块，所述监控图像数据获取模块用于定时获取校园内各个路口和楼道的监控摄像的监控图像数据；

判断模块，所述判断模块用于通过所述校园暴力行为检测算法模型对所述监控图像数据进行判断；

结果可视化模块，所述结果可视化模块用于将所述判断模块的判断结果可视化；

系统报警模块，所述系统报警模块用于在所述判断结果为发生校园暴力时进行报警。

5.一种基于深度学习的校园暴力行为检测方法，其特征在于，包括以下步骤：获取校园暴力行为和非校园暴力行为场景的图像数据，并对所述图像数据进行分类标注和图像增广，以生成训练数据集和测试数据集；

基于神经网络算法模型构建目标算法模型，并根据所述训练数据集和所述测试数据集对所述目标算法模型进行训练和测试，以生成校园暴力行为检测算法模型；

采用所述校园暴力行为检测算法模型对校园监控实时获取的图像数据进行判断，若判断结果为发生校园暴力，则进行报警，其中，所述神经网络算法模型为通过ImageNet数据集构建的神经网络模型ResNet‑18，所述神经网络算法模型包括：softmax激活函数，所述softmax激活函数用于计算所述图像数据表示暴力行为场景“是”和“否”的概率，所述softmax激活函数表达式为：O＝xw+b

其中，加法运算使用了广播机制，O， 且这两个矩阵的第i行分别为第i张图片(i)的输出O 和概率分布

交叉熵损失函数，所述交叉熵损失函数表达式为：

(i)

其中，n为样本数， 为预测值，y 为真实值；

随机梯度下降算法，所述随机梯度下降算法用于迭代所述目标算法模型参数，以优化损失函数，所述随机梯度下降算法表达式为：其中，β为每个小批量中的样本个数，η为学习率，wi为随机起始数，b为偏置项，所述神经网络算法模型包括全连接层，所述全连接层相当于神经节点之间作内积运算，所述内积运算包括前向计算和后向计算，其中，所述前向计算用于计算每个神经元的输出值，所述前向计算表达式为：T

y＝wx+b

所述后向计算用于计算每个神经元的误差项，所述后向计算表达式为：m×1 n×1 n×m

其中，y∈R 为神经元的输出，x∈R 为神经元的输入，W∈R 为神经元的权值，b为偏置项，l表示第l层神经元，所述神经网络算法模型中，通过权重矩阵的调整得到所述目标算法模型的极小化误差，所述权重参数的调整方向表示为：l l‑1

其中，η为学习率，δ为残差，E为损失函数，W 为l层神经元权值，x 为l层前一层神经元的输入，T为矩阵转置，u为卷积核，b为偏置项。