[发明专利]基于视觉的渣土车检测方法、装置、计算机及存储介质

说明书

本发明公开一种基于视觉的渣土车检测方法、装置、计算机及存储介质，涉及人工智能领域，包括：获取渣土车图像数据集；利用神经网络的特征提取网络提取渣土车特征并生成特征图；对特征图进行解耦划分为分类网络分支、定位网络分支并经卷积处理分别得到边界框的分类置信度、定位置信度；将特征图和先验框输入神经网络的预测网络中以得到预测框，并将预测框作为新的先验框和特征图再次输入神经网络的预测网络以得到渣土车检测框；利用渣土车图像数据集验证神经网络以得到训练好的神经网络；利用训练好的神经网络对待检测图像进行检测以判断待检测图像中是否包含渣土车；若判断为是，则输出提示信息。本发明可提高检测准确率，降低漏检率。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于视觉的渣土车检测方法、装置、计算机及存储介质。

背景技术

在工地作业区域内，采用自动识别技术检测是否有渣土车驶入，如检测到渣土车，及时报警提醒并反馈给工作人员，能够有效提高效率，减少人工成本。而随着近年来卷积神经网络(CNN)在计算机视觉和模式识别的应用，许多基于卷积神经网络的目标检测方法已经被提出，其推动了渣土车检测的学术研究和应用进展。

目前最先进的检测方法为YOLOV5，YOLOV5是一种端到端目标检测算法，其框架主要包括网络提取部分和预测部分，其中的网络提取部分用于提取图像特征并生成特征图，然而，现有的特征提取难以获得足够丰富的特征，且由于渣土车在图像中存在尺度变化和遭受部分遮挡等情形，带来许多漏检和误检问题。

发明内容

本发明针对基于现有的YOLOV5框架在检测目标时存在漏检和误检的问题，提供了一种基于视觉的渣土车检测方法、装置、计算机及存储介质。

本发明就上述技术问题而提出的技术方案如下：

第一方面，本发明提供了一种基于视觉的渣土车检测方法，所述方法包括：

获取渣土车图像数据集；

利用深度卷积神经网络的特征提取网络提取所述渣土车图像数据集中的渣土车特征并生成特征图；

对所述特征图进行解耦划分为分类网络分支、定位网络分支并经卷积处理分别得到边界框的分类置信度、定位置信度；通过获取高置信度的边界框以作为先验框；

将所述特征图和所述先验框输入所述深度卷积神经网络的预测网络中以得到预测框，并将所述预测框作为新的先验框和所述特征图再次输入所述深度卷积神经网络的预测网络以得到渣土车检测框；

利用所述渣土车图像数据集验证所述深度卷积神经网络以得到训练好的深度卷积神经网络；

利用所述训练好的深度卷积神经网络对待检测图像进行检测以判断待检测图像中是否包含渣土车；

若判断为是，则输出提示信息。

优选地，所述利用深度卷积神经网络的特征提取网络提取所述渣土车图像样本中的渣土车特征并生成特征图之前，所述方法包括：

对所述渣土车数据集进行标签处理和/或数据增强处理，其中，所述标签处理包括保留宽度和高度大于预设像素值的渣土车真实框；所述数据增强处理至少如下处理中的一种或多种：对图像进行裁剪、翻转、扭曲及亮度调整。

优选地，所述利用深度卷积神经网络的特征提取网络提取所述渣土车图像数据集中的渣土车特征并生成特征图包括：

利用所述利用深度卷积神经网络的特征提取网络提取所述渣土车图像数据集中的渣土车特征并生成三个不同尺寸的输出特征图。

优选地，所述对所述特征图进行解耦划分为分类网络分支、定位网络分支并经卷积处理分别得到边界框的分类置信度、定位置信度包括：

利用1×1卷积层对所述输出特征图进行降维以得到一低维特征图；