[发明专利]神经网络模型构建方法、安全通道异常监测方法及系统

权利要求书

1.一种神经网络模型构建方法，适用于安全通道异常监测，其特征在于，包括：

提供初始神经网络模型，所述初始神经网络模型通过在YOLOv3网络中引入SPP模块构建获得；

制作安全通道样本数据集，所述安全通道样本数据集包括训练数据集和验证数据集；

将所述安全通道样本数据集中的训练数据集和验证数据集分别输入到初始神经网络模型中进行训练与评估，得到目标神经网络模型。

2.根据权利要求1所述的神经网络模型构建方法，其特征在于，所述初始神经网络模型基于PyTorch框架。

3.根据权利要求1所述的神经网络模型构建方法，其特征在于，所述YOL Ov3网络的主干网络采用GhostNet。

4.一种安全通道异常监测方法，其特征在于，包括：

实时获取安全通道区域的视频信息，所述视频信息包括所述安全通道区域的多帧图像；

将所述视频信息的至少一帧图像输入目标神经网络模型获取初始检测结果，所述目标神经网络模型通过初始神经网络模型训练获取，所述初始神经网络模型通过在YOLOv3网络中引入SPP模块构建获得；

根据所述初始检测结果判断所述安全通道是否存在异常。

5.根据权利要求4所述的安全通道异常监测方法，其特征在于，所述初始神经网络模型基于PyTorch框架。

6.根据权利要求4所述的安全通道异常监测方法，其特征在于，根据所述初始检测结果判断所述安全通道是否存在异常包括：

采用软化非极大值抑制法对所述初始检测结果进行评分；

根据所述初始检测结果和所述初始检测结果对应的评分，判断所述安全通道是否存在异常。

7.根据权利要求6所述的安全通道异常监测方法，其特征在于，所述初始检测结果包括连续检测的多帧图像的检测结果，所述根据所述初始检测结果和所述初始检测结果对应的评分，判断所述安全通道是否存在异常包括：

如果所述多帧图像中的第一帧图像的检测结果为“不存在障碍物”且第一帧图像对应的评分在第一阈值以上，则判定所述安全通道“正常”；或者，

如果所述多帧图像中的第一帧图像的检测结果为“存在障碍物”且第一帧图像对应的评分在第二阈值以上，第二帧图像至第N帧图像检测结果均为“不存在障碍物”，则判定所述安全通道“正常”，N为大于2的整数；或者，

如果所述多帧图像中的第一帧图像的检测结果为“不存在障碍物”且第一帧图像对应的评分在第一阈值以下，第二帧图像至第N帧图像检测结果均为“不存在障碍物”，则判定所述安全通道“正常”。

8.根据权利要求7所述的安全通道异常监测方法，其特征在于，所述根据所述初始检测结果和所述初始检测结果对应的评分，判断所述安全通道是否存在异常还包括：

如果所述多帧图像中的第一帧图像的检测结果为“不存在障碍物”且对应评分在所述第一阈值以下，则继续检测所述多帧图像中的第二帧图像和第三帧图像；

如果所述多帧图像中的第二帧图像和第三帧图像的检测结果均为“存在障碍物”，并且所述第二帧图像和所述第三帧图像对应评分均在第二阈值以上，则判定所述安全通道“异常”。

9.根据权利要求4所述的安全通道异常监测方法，其特征在于，所述初始检测结果包括多个带有类别标记的检测框，所述根据所述初始检测结果判断所述安全通道是否存在异常包括：

确定所述多个带有类别标记的检测框中存在的重叠检测框；

对所述重叠的检测框，通过软化非极大值抑制法降低重叠率高于设定阈值的检测框的评分，得到最优检测框；

根据所述最优检测框判断所述安全通道是否存在异常。

10.一种安全通道异常监测系统，适用于快递分拨中心，其特征在于，包括：

视频采集设备，朝向所述安全通道设置，用于获取安全通道区域的视频信息，所述视频信息包括所述安全通道区域的多帧图像；

处理器，与所述视频采集设备连接，所述处理器包括目标神经网络模型，所述目标神经网络模型通过初始神经网络模型训练获取，所述初始神经网络模型通过在YOLOv3网络中引入SPP模块构建获得，且所述YOLOv3网络的主干网络采用GhostNet，所述处理器用于将所述视频信息的至少一帧图像输入所述目标神经网络模型获取初始检测结果；以及，根据所述初始检测结果判断所述安全通道是否存在异常。