一种基于动态双特征池目标检测的环境异常检测方法与流程

1.本发明涉及工业巡检技术领域，特别是涉及一种基于动态双特征池目标检测的环境异常检测方法。


背景技术：

2.在日常工业巡检过程中，ai图像识别成为最重要的环境感知识别技术之一，但是在实际应用效果中，基于图像识别技术的工业巡检往往准确率偏低、误检率偏高。这是因为工业所处的环境往往不是恒定不变的，而是动态多变的，这是受工业现场的光照、粉尘、人员流动、生产强度的周期性变化、相同场景不同员工作业的差异性等因素影响。应对上述因素，目前的处理办法更多是被动的根据环境变化，调整算法模型，重新大量的采集样本数据进行训练，这不仅造成技术迭代的成本过高，同时也直接影响了巡检工作的效率和连续性。
3.针对环境异常的目标检测算法模型主要存在三个问题，一是环境复杂，需要检出的目标受环境背景影响非常大，现有技术很难区分不同大小且运动目标以及背景的差别；二是大多数环境异常检测需要检测运动目标，而背景变化较小，但现有算法没法都属于静态检测，并没有关注运动目标与背景的联系，从而提高检出率；三是环境异常检测需要把目标与其运动特征进行关联，而现有目标检测算法仅检测每帧图片的目标而不分析其运动特征，导致检出率降低。


技术实现要素：

4.针对上述现有技术的不足，本专利申请所要解决的技术问题是如何提供一种检测精准高、干扰小、误差小的基于动态双特征池目标检测的环境异常检测方法。
5.为了解决上述技术问题，本发明采用了如下的技术方案：
6.一种基于动态双特征池目标检测的环境异常检测方法，包括以下步骤：
7.s1：输入特征图后经过跨级分部网络模块，进行特征分解，形成三个层级的输出特征；s2:将步骤s1中各个层级的输出经过减半通道数的卷积网络进行特征分流，形成不同的半特征通道图；s3:将步骤s2中不同层级中分流的半特征通道图两两汇集到特征池1和特征池2中；s4：在特征池1和特征池2中对不同层级的半特征通道图进行按通道维度进行拼接融合；s5：将步骤s4中融合后的特征再与原先层级的另一半输出进行二次融合；s6：最后经过低特征消除模块和空间注意力模块得到目标的特征和背景的弱化特征，并输出至不同的检测头中；s7：对前后帧关联图片进行目标定位，分析前后位移并获得目标运动轨迹特征；s8：通过对目标特征、弱化的背景特征及目标运动特征及预设阈值进行判别，检测环境异常情况。
8.作为优化，步骤s1中形成三个层级的输出特征是经过特征图骨干网络的特征分解，即输入图片后经过两层跨级分部网络模块结构，对图片按结构顺序进行特征分解。
9.作为优化，步骤s3中进行特征汇集时汇入同一特征池种的为不同层级中的不同半特征通道图。
10.作为优化，步骤s7中进行对前后帧关联图片进行目标定位时目标前后帧运动轨迹特征计算公式如下所示：
[0011][0012]
其中x,y,h,w为目标检测框中心点坐标及框高和框宽，i为帧数，fps为固定的帧率，该公式用于计算目标每秒移动距离，用于目标运动轨迹特征(轨迹向量)的计算。
[0013]
作为优化，步骤s7中，在帧与帧之间，使用二帧差分法用于背景的过滤，只显示出目标特征，而弱化背景特征，其公式如下所示：
[0014]di
(x，y)＝|fi(x，y)-f
i-1
(x，y)|
[0015][0016]
其中，i为帧数，x,y为图片像素点坐标，t为二值化阈值，提取固定背景下的运动目标特征。
[0017]
综上，本发明具有以下有益效果:
[0018]
a：解决在环境异常检测场景中目标特征、目标运动特征、弱化背景特征的联合表征判别，以提高检出率及降低误检率；
[0019]
b：解决在环境异常检测场景中目标运动后，背景的变化特征表示。对前景及背景的变化特征进行学习，以更好的区分目标并识别目标；
[0020]
c：解决在环境异常检测场景中目标运动前后帧的运动逻辑轨迹，并根据运动逻辑轨迹进行异常识别。
附图说明
[0021]
图1为本发明所述的一种基于动态双特征池目标检测的环境异常检测方法的流程图。
[0022]
图2为本发明所述的一种基于动态双特征池目标检测的环境异常检测方法的逻辑流程图(图中dfp为双特征池，pan为路径聚合网络，csp为跨阶段局部网络，conv为卷积神经网络，iff为低特征消除模块，sam为空间注意力模块，pool1和pool2为特征池1和特征池2)。
[0023]
图3为减半通道数的卷积网络特征分流示意图。
[0024]
图4为两个特征池中对不同层级的特征进行按通道维度进行拼接融合示意图。
具体实施方式
[0025]
下面结合附图对本发明作进一步的详细说明。在本发明的描述中，需要理解的是，方位词如“上、下”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。
[0026]
如图1-4所示，一种基于动态双特征池目标检测的环境异常检测方法，包括以下步骤：
[0027]
s1：输入特征图后经过跨级分部网络模块，进行特征分解，形成三个层级的输出特
征；s2:将步骤s1中各个层级的输出经过减半通道数的卷积网络进行特征分流，形成不同的半特征通道图；s3:将步骤s2中不同层级中分流的半特征通道图两两汇集到特征池1和特征池2中；s4：在特征池1和特征池2中对不同层级的半特征通道图进行按通道维度进行拼接融合；s5：将步骤s4中融合后的特征再与原先层级的另一半输出进行二次融合；s6：最后经过低特征消除模块和空间注意力模块得到目标的特征和背景的弱化特征，并输出至不同的检测头中；s7：对前后帧关联图片进行目标定位，分析前后位移并获得目标运动轨迹特征；s8：通过对目标特征、弱化的背景特征及目标运动特征及预设阈值进行判别，检测环境异常情况。
[0028]
本实施例中，步骤s1中形成三个层级即说明书附图2中的lv1，lv2，lv3，其输出特征是经过特征图骨干网络的特征分解，即输入图片后经过两层跨级分部网络模块结构，对图片按结构顺序进行特征分解。
[0029]
本实施例中，步骤s3中进行特征汇集时汇入同一特征池种的为不同层级中的不同半特征通道图。
[0030]
具体的，步骤s6中，经过这种方式能有效对不同层级的特征进行充分的特征融合，再经过空间注意力模块对所有特征进行注意力加权，使检测目标特征突出，削弱背景特征对目标检测的影响，并最终得到目标的特征，背景的弱化特征。
[0031]
本实施例中，步骤s7中进行对前后帧关联图片进行目标定位时目标前后帧运动轨迹特征计算公式如下所示：
[0032][0033]
其中x,y,h,w为目标检测框中心点坐标及框高和框宽，i为帧数，fps为固定的帧率，该公式用于计算目标每秒移动距离，用于目标运动轨迹特征(轨迹向量)的计算。
[0034]
本实施例中，步骤s7中，在帧与帧之间，使用二帧差分法用于背景的过滤，只显示出目标特征，而弱化背景特征，其公式如下所示：
[0035]di
(x，y)＝|fi(x，y)-f
i-1
(x，y)|
[0036][0037]
其中，i为帧数，x,y为图片像素点坐标，t为二值化阈值，提取固定背景下的运动目标特征。
[0038]
本方案具有以下有益效果:
[0039]
a：解决在环境异常检测场景中目标特征、目标运动特征、弱化背景特征的联合表征判别，以提高检出率及降低误检率；
[0040]
b：解决在环境异常检测场景中目标运动后，背景的变化特征表示。对前景及背景的变化特征进行学习，以更好的区分目标并识别目标；
[0041]
c：解决在环境异常检测场景中目标运动前后帧的运动逻辑轨迹，并根据运动逻辑轨迹进行异常识别：
[0042]
d：有效降低目标检测算法在工业巡检、工业质检、安防等应用场景中受各种环境因素对算法检出率和误检率的影响，提高算法应用的稳定性，降低技术迭代和维护的成本。
[0043]
最后应说明的是：本领域的技术人员可以对本发明进行各种改动和变型而不脱离
本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等统计数的范围之内，则本发明也意图包含这些改动和变型。