[发明专利]一种基于深度学习算法的仓储异常目标检测方法及系统

权利要求书

1.一种基于深度学习算法的仓储异常目标检测方法，其特征在于，包括：

获得多个仓储视频监控图像；

对多个所述仓储视频监控图像进行数据增加处理，获得数据增加处理后的仓储视频监控图像；

构建基于深度学习算法的仓储异常目标检测网络；

以数据增加处理后的仓储视频监控图像为训练集，训练所述仓储异常目标检测网络，获得仓储异常目标检测模型；

利用所述仓储异常目标检测模型对待检测仓储视频监控图像进行异常目标检测；

所述仓储异常目标检测网络包括依次连接的骨干网络、多尺度特征融合网络和预测层；所述骨干网络为改进的ResNet34残差网络，所述改进的ResNet34残差网络的激活函数为Mish激活函数，所述改进的ResNet34残差网络包括批量标归一化层；所述多尺度特征融合网络包括FPN网络和PAN网络，所述FPN网络用于对所述改进的ResNet34残差网络输出的各特征图进行上采样，获得第一特征图像金字塔模型，所述PAN网络用于对所述FPN网络输出的各特征图进行下采样，获得第二特征图像金字塔模型；所述预测层采用的损失函数为综合损失函数，所述综合损失函数为回归框损失函数、交叉熵损失函数和IOU置信度损失函数之和；

所述综合损失函数表示为：

Loss=Loss_B+Loss_C+Loss_O；

其中，Loss_B表示回归框损失函数，Loss_C表示交叉熵损失函数，Loss_O表示IOU置信度损失函数；

；

；

；

其中，λ_Coord表示第一超参数，λ_CLS表示第二超参数，λ_Noo表示第三超参数，λ_o表示第四超参数，B表示偏置参数，S²表示网格中单元格的数量，x_i表示单元格i中心位置的x轴坐标，y_i表示单元格i中心位置的y轴坐标，表示单元格i中异常目标预测位置的x轴坐标，表示单元格i中异常目标预测位置的y轴坐标，w_i表示单元格i中真实边界框的长边长度，h_i表示单元格i中真实边界框的短边长度，表示单元格i中预测边界框的长边长度，表示单元格i中预测边界框的短边长度，c表示类别损失函数，p_i(c)表示是真实异常目标类别的概率，表示预测异常目标类别的概率，c_i表示真实异常目标的边界框置信度，表示预测异常目标的边界框置信度；当单元格i中存在异常目标时，==1，=0，当单元格i中不存在异常目标时，==0，=1。

2.根据权利要求1所述的基于深度学习算法的仓储异常目标检测方法，其特征在于，所述深度学习算法为YOLOv5算法。

3.根据权利要求1所述的基于深度学习算法的仓储异常目标检测方法，其特征在于，所述对多个所述仓储视频监控图像进行数据增加处理，获得数据增加处理后的仓储视频监控图像，具体包括：

采用对所述仓储视频监控图像的亮度、对比度、色调、饱和度和高斯噪声进行改变，或者对所述仓储视频监控图像进行裁剪、翻转、旋转或随机缩放，获得数据增加处理后的仓储视频监控图像。

4.根据权利要求1所述的基于深度学习算法的仓储异常目标检测方法，其特征在于，所述改进的ResNet34残差网络包括多个依次连接的特征提取模块，各所述特征提取模块包括第一特征提取单元和第二特征提取单元，所述第一特征提取单元的输入为所述特征提取模块的输入，所述第一特征提取单元的输出连接所述第二特征提取单元的输入，所述第二特征提取单元的输出为所述特征提取模块的输出，所述第一特征提取单元和第二特征提取单元均包括依次连接的卷积层、批量标归一化层和Mish激活函数，所述特征提取模块的输入连接所述特征提取模块的输出。

5.根据权利要求1所述的基于深度学习算法的仓储异常目标检测方法，其特征在于，所述预测层采用K-Means聚类算法确定锚框，所述K-Means聚类算法中k值为6，采用非极大值抑制算法进行锚框选择。