[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

说明书

本申请提供了一种神经网络模型构建方法，适用于安全通道异常监测，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SP P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。此外，本申请还提出一种应用神经网络模型进行安全通道异常监测的方法和系统。

技术领域

本申请涉及安防技术领域，尤其是涉及一种神经网络模型构建方法、应用神经网络模型的安全通道异常监测方法及系统。

背景技术

安全疏散是指引导人们向安全区域撤离，例如发生火灾时，引导人们向不受火灾威胁的地方撤离。为保证安全地撤离危险区域，建筑物应设置必要的疏散设施，如太平门、疏散楼梯、天桥、逃生孔以及疏散保护区域等。对于人员密集的商场、办公楼、学校等场所对于安全疏散允许时间、出口数量、宽度和距离都有特殊的规定。

近年来，快递业取得了较快发展，物流配送已经成为高速发展的重要领域。在快递业发展的短短几十年，人们的生活习惯和消费习惯正在逐步悄悄被改变，快递已经很好的融入到我们的工作和生活中，且成为我们工作和生活的一部分。快递工作被分为：“营”、“分”、“运”、“投”四大传统环节，外加仓储、代收货款、信息处理等现代物流的基本功能。随着分拨已经快递网点的业务拓展，其人员疏散设计中存在的问题也日益显现，为保证人员能在发生火灾时迅速疏散至安全区域，安全通道的作用显得尤为重要。然而，很多情况安全通道堆放杂物影响疏散、逃生。现有物流中心的安全通道处通常设置监控装置，保安人员适时查看监控室内的视频信息，然而人工视频取流分析不能充分运用，仅仅起到辅助作用。人工监控存在监测不及时、存在漏报的风险。基于此，有必要对现有安全通道监测方法进行改进。

发明内容

本申请的目的在于提供适用于安全通道异常监测的神经网络模型构建方法，实现安全通道监测的实时性、准确性。

本申请的目的采用以下技术方案实现：

第一方面，本申请提供了一种神经网络模型构建方法，适用于安全通道异常监测，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。该技术方案的有益效果在于，在YOLOv3网络训练深层网络难度减小条件下，YOLOv3网络加入由Kernel Size不同的多个并行池化层组成的SPP模块，该SPP模块与连续卷积层组成的残差块相配合，加深网络并且提高精度；SPP模块将YOLOv3网络输出的中间特征图分别送入不同尺度大小池化层进行下采样得到多尺度特征图。该多尺度特征图经过拼接后形成大尺度特征图，跨层拼接的思想进一步加强，使得后续神经网络的训练获得更快地收敛，具有更好的特征学习能力且具有更低的Loss值。

在一些可选的实施例中，所述初始神经网络模型基于PyTorch框架。该技术方案的有益效果在于，在Pytorch框架环境下搭建初始神经网络模型，模型包括数据集处理文件、网络模型文件、网络训练文件、网络测试文件、可视化文件等，完成数据的解压划分、优化、测试与可视化等操作，搭建模型更快捷，降低调试速度且缩短研发周期。

在一些可选的实施例中，所述YOLOv3网络的主干网络采用GhostNet。该技术方案的有益效果在于，主干网络采用GhostNet可以对一帧图像进行不同的分块池化，每一块中提取出一个特征作为一个维度，从而确保最后得到的特征的维度一致，避免信息丢失和尺度不统一的问题；设置池化核获得每一张图多个特征，实现局部特征和全局特征的特征融合，提高特征图检测的精度，利于得到精确的检测框。