[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

说明书

本发明涉及一种基于深度学习算法的仓储异常目标检测方法及系统，该方法包括：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，训练仓储异常目标检测网络，获得仓储异常目标检测模型；利用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；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；骨干网络为改进的ResNet34残差网络，改进的ResNet34残差网络的激活函数为Mish激活函数，改进的ResNet34残差网络包括批量标归一化层。本发明提高了仓储异常目标检测的效率和准确性。

技术领域

本发明涉及目标检测技术领域，特别是涉及一种基于深度学习算法的仓储异常目标检测方法及系统。

背景技术

随着物联网、大数据以及人工智能的快速发展，仓储领域已经插上了智能化的翅膀，进入了高质量飞速发展的阶段。智能仓储已经成为现在大型公司的标准配置。亚马逊公司的Tracy物流中心采用Kiva机器人进行自动搬运分拣，京东公司的无人物流仓库，耐克公司的中国物流中心（CLC）等，这些智能仓储已经比比皆是。更重要的是这种趋势正在向中小企业扩展。然而，智能仓储发展的越迅猛，越要重视智能仓储的安全问题。仓储是货物的暂存和中转的场所，它能够起到保存和保护其货物等重大作用。如果智能仓储的安全问题不解决，一旦出现失火、进水，毒气泄漏等相关安全问题，会产生巨大并且无法挽回的经济损失，还会威胁到很多人的生命安全。所以，智能仓储的安全问题非常重要，研究并防范智能仓储的安全具有十分重大的意义。但是，近年来智能仓储由于安全而发生的事故接连不断的发生，现阶段的智能仓储安全技术发展还不够完善，不能完全满足人们的需要，智能仓储的安全事故会带来巨大的财产损失。

发明内容

本发明的目的是提供一种基于深度学习算法的仓储异常目标检测方法及系统，提高了仓储异常目标检测的效率和准确性。

为实现上述目的，本发明提供了如下方案：

一种基于深度学习算法的仓储异常目标检测方法，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。

可选地，所述深度学习算法为YOLOv5算法。

可选地，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。