一种基于目标检测的表观特征监测数据智能标注方法与流程

本发明涉及图像处理中的帧率提取、图像降噪，以及人工智能领域的目标检测与神经网络模型的训练方法，尤其涉及一种基于目标检测的表观特征监测数据智能标注方法。

背景技术：

目前，各行各业都在向着人工智能方法发展，目标检测与数据标注对于人工智能发展起着至关重要的作用，在边坡及滑坡灾害防治、堰塞坝灾害治理、隧洞围岩渗漏监测、混凝土裂缝检测领域，都需要大量的目标检测与数据标注。

目标检测的任务就是找出图像中所有需要的目标物体，确定他们的位置与大小，是机器视觉的核心问题之一。

随着时代潮流发展，重大工程建设与灾害防控领域正在积极的向着人工智能领域靠拢。重大工程建设与灾害防控的智能化过程中需要大量的目标检测与数据标注，比如滑坡表观裂隙的标注与检测，深埋隧洞围岩渗水监测，建筑结构墙体裂缝的标注与检测，甚至可以是混凝土或者沥青路面的裂缝的检测与发展。但是当前阶段，重大工程智能化过程中严重缺乏标注数据。且现在已有的数据标注系统通常都需要大量的人力与时间投入，并且在标注数据时，还需要大量的专业人员的投入，比如医疗行业的目标检测必须由医生进行；在土木工程领域，滑坡表观位移监测或地下洞室安全维护监测过程中，一些形变与裂隙的生成与发展过程都需要从业人员辨别后进行标注，效率低且易出错。

技术实现要素：

发明目的：本发明的目的在于提供一种基于目标检测的表观特征监测数据智能标注方法，以解决现有技术中存在的不足之处。

技术方案：本发明基于目标检测的表观特征监测数据智能标注方法，包括以下步骤：

步骤(1)，对数据进行获取与处理；

步骤(2)，对已经采集的数据进行标注；

步骤(3)，对模型进行初步训练；

步骤(4)，对新数据进行检测时，即利用步骤(3)中初步训练好的模型对由步骤(1)中获取的新数据进行检测，得出初步检测结果；

步骤(5)，将已有的标注数据与其模型训练结果导入数据标注系统；

步骤(6)，对结果进行微调，对已经分类训练好的数据进行检测，修正错误结果；

步骤(7)，对模型进行迭代优化，将步骤(6)中经过调整的数据再用于模型的迭代优化，调整模型中的神经网络模型中学习率η、正则化参数λ超参数计算直到输出误差达到最终要求结束训练。

步骤(1)中，数据获取与处理过程是利用基于帧率提取的数据提取方法来对数据进行获取，该数据获取与处理过程包括以下步骤：

步骤(1.1)，首先选用精度为每秒60～120帧的摄像机在检测现场或者实验装置侧面进行拍摄；

步骤(1.2),通过python程序实时将视频传入电脑；

步骤(1.3)，将视频中的每一帧图像提取出来；

步骤(1.4)，利用图像降噪算法采集的图像进行降噪处理，得到突出所需特征的图像数据；

步骤(1.5)，将数据集划分为：训练集、验证集与测试集。

其中的图像降噪算法包括算术均值滤波、高斯滤波、nlm(non-localmeans)算法或者bm3d去噪算法。

步骤(1.5)中，该训练集为90％，验证集为5％，测试集为5％。

步骤(3)中，模型使用神经网络进行初步训练，模型训练过程包括以下步骤：

步骤(3.1)：初始化，随机给定各连接权值[w],[v]及阈值θi,bi；使用单隐层的神经网络，其中：输出层第i个神经元的阈值为θi，隐层第i个神经元的阈值为bi；输入层与隐层之间的连接权为[w]，隐层与输出层之间的连接权为[v]；

步骤(3.2)：由给定的输入输出模式计算隐层、输出层各单元输出；

步骤(3.3)：利用梯度下降算法计算新的连接权及阈值；

步骤(3.4)：输入验证集、测试集，进行交叉验证，调整模型；

步骤(3.5)：直到网络输出误差达到初步要求结束训练。

工作原理：本发明通过基于帧率提取原理的方法来获取所需的训练数据，结合图像处理与人工智能技术，通过目标检测与数据标注系统标注正确的检测结果，而后利用此结果训练基于神经网络的分类模型，即利用神经网络，首先运用少量表观特征监测数据粗略训练出可以用来检测新数据的训练模型，在进行新目标检测的时候，只在原来模型检测的基础上进行微调，即得到用于目标检测的模型；最后通过此模型对重大工程建设与灾害防控领域产生的各种表观特征数据进行检测，可运用到诸如滑坡预测预警，混凝土墙体安全维护监测，地下洞室安全维护监测多种具体问题。

有益效果：本发明具有以下优点：

(1)首先运用少量表观特征监测数据训练出可以用来检测新数据的训练模型，在进行数据标注时，只需要在原来模型检测的基础上进行微调，即可得到用于目标检测的模型，减少了人力与时间的花费，并且标注速度快，准确率高，同时降低了对专业知识的依赖。

(2)本发明结合目标检测和人工智能优化算法，节省了边坡及滑坡灾害防治、堰塞坝灾害治理、隧洞围岩渗漏监测、混凝土裂缝检测领域用于表观特征目标检测与数据标注的时间，提高了目标检测与数据标注的效率与准确率，符合大数据存储与云计算、大数据可用性预处理、大数据表示与建模、大数据挖掘技术的基础理论与关键技术在工程建设与灾害防控领域的智能化的应用。

附图说明

图1是本发明流程图；

图2是本发明数据获取与处理过程的流程图；

图3是本发明模型训练过程流程图。

具体实施方式

如图1所示，本发明基于目标检测的表观特征监测数据智能标注方法包括以下步骤：

步骤1，对数据进行获取与处理，数据获取与处理过程实际上是利用基于帧率提取原理的数据提取方法来实现对数据的获取；

步骤2，对已经采集的少量前期目标数据进行手动标注，用来保证前期模型训练数据的准确性；

步骤3，对模型进行初步粗略训练；

步骤4，对新数据进行检测，利用步骤3中粗略训练好的模型对由步骤1中获取的新数据进行检测，得出初步检测结果；

步骤5，将数据导入数据标注系统，即将已有的标注数据与其模型训练结果导入目标检测系统；

步骤6，对结果进行微调，对已经分类训练好的数据进行检测，修正错误结果，为进一步的模型优化做好准备；

步骤7，对模型进行迭代优化，即将步骤6中经过调整的数据再用于模型的迭代优化，调整模型中的神经网络模型中学习率η、正则化参数λ超参数计算直到输出误差达到最终要求后结束训练。

如图2所示，本发明数据标注方法重点之一在于步骤1中的数据获取与处理过程，步骤1包括以下步骤：

步骤1.1，首先选用精度为每秒60～120帧的摄像机在检测现场或者实验装置侧面进行拍摄；

步骤1.2,通过python程序实时将视频传入电脑；

步骤1.3，将视频中的每一帧图像提取出来；

步骤1.4，由于视频拍摄过程中的不可控因素，所采集的图像中将不可避免地引入噪声，所以利用图像降噪算法如算术均值滤波、高斯滤波、nlm(non-localmeans)算法或者bm3d降噪算法采集的图像进行降噪处理，得到更高质量、所需特征更突出的图像数据；

步骤1.5，进行数据集的划分：训练集、验证集与测试集，其中，训练集为90％，验证集为5％，测试集为5％。

如图3所示，本发明目标检测与数据标注方法的重点之二还在于步骤3的分类模型训练过程，即使用神经网络进行初步粗略训练，步骤3包括以下步骤：

步骤3.1：初始化，随机给定各连接权值[w],[v]及阈值θi,bi，使用单隐层的神经网络，其中：输出层第i个神经元的阈值为θi，隐层第i个神经元的阈值为bi；输入层与隐层之间的连接权为[w]，隐层与输出层之间的连接权为[v]；

步骤3.2：由给定的输入输出模式计算隐层、输出层各单元输出；

步骤3.3：利用梯度下降算法计算新的连接权及阈值；

步骤3.4：输入验证集、测试集，进行交叉验证，调整模型；

步骤3.5：直到网络输出误差达到初步要求结束训练。