一种高空危物检测方法、设备以及存储介质

1.本技术涉及高空危物检测技术领域，尤其是涉及一种高空危物检测方法、设备以及存储介质。


背景技术：

2.随着我国城市化的发展，不管是城镇社区还是城市社区，都高楼耸立。许多高楼层居民会在阳台或窗户上摆放挂机，盆栽等物品，然而，这些物品均存在从高空坠落的风险，因此，都属于“高空危物”，具有极大的安全隐患，目前通常是社区工作人员通过走访的形式进行高空危物排查，工作量极大且排查不够全面，并不能有效提高社区安全性。


技术实现要素：

3.本技术旨在至少解决现有技术中存在的技术问题之一。为此，本技术提出一种高空危物检测方法、设备以及存储介质，有助于提高社区安全性。
4.本技术第一方面实施例提供了一种高空危物检测方法，包括：
5.获取高空危物检测模型和待检测社区的楼群图像，所述高空危物检测模型包括主干网络、分类器和检测器；
6.通过主干网络对所述楼群图像进行特征提取，得到目标特征图，其中，所述主干网络包括cbm组件集和res组件集，所述cbm组件集用于对所述楼群图像进行特征提取，并将提取结果输送至所述res组件集；所述res组件集用于对所述提取结果进行优化，并输出目标特征图；
7.通过分类器和检测器对所述目标特征图进行分类检测，得到所述楼群图像对应的危物类别。
8.本技术第一方面实施例提供了一种模型训练方法，至少具有如下有益效果：本技术通过采集待检测社区的楼群图像，再结合主干网络、分类器、检测器对楼群图像进行危物识别，相比于走访排查，本技术有助于减少工作量且提高排查精度，进而有助于提高社区安全性。
9.根据本技术第一方面的一些实施例，所述cbm组件集包括第一cbm组件、第二cbm组件，所述res组件集包括若干res组件，所述通过主干网络对所述楼群图像进行特征提取，得到目标特征图，包括：
10.通过所述第一cbm组件对所述训练样本进行特征提取，得到第一输出特征图；
11.通过所述第二cbm组件对所述第一输出特征图进行下采样处理，得到第二输出特征图；
12.通过预设数量个所述res组件对所述第二输出特征图进行特征提取，得到若干个尺寸不同的目标特征图。
13.根据本技术第一方面的一些实施例，所述分类器和检测器的头部包括由平均池化算法构成的spp组件，所述方法还包括：
14.通过spp组件对所述目标特征图进行上采样，以通过分类器和检测器对上采样结果进行分类检测，得到所述楼群图像对应的危物类别。
15.根据本技术第一方面的一些实施例，所述高空危物检测模型通过以下训练方法得到，包括：
16.获取楼群图像样本集；
17.基于所述楼群图像样本集对所述高空危物检测模型进行迭代训练，其中，通过所述高空危物检测模型对所述楼群图像样本集中的一个楼群图像样本进行分类检测，得到预测框参数；根据所述预测框参数的平方根和所述楼群图像样本对应的标签框参数的平方根之差，更新损失函数；当所述损失函数满足预设条件时，迭代结束。
18.根据本技术第一方面的一些实施例，在模型训练完成之后，所述方法还包括：
19.采集目标社区的楼群图像集；
20.将所述目标社区的楼群图像集输入训练完成的所述高空危物检测模型中，对所述模型参数进行微调。
21.根据本技术第一方面的一些实施例，所述损失函数表达式为：
[0022][0023]
其中，t
x
、ty、tw、th、p
ij
(a)均为预测框参数，t’x
、t’y
、t’w
、t’h
、p
′
ij
(a)均为标签框参数，为预设的loss系数，λ
box
、λ
noobj
、λ
class
为各项loss的权重常数。
[0024]
根据本技术第一方面的一些实施例，所述通过分类器和检测器对所述目标特征图进行分类检测，得到所述楼群图像对应的危物类别，包括：
[0025]
检测所述目标特征图中是否具有在阳台防盗网周围设置悬挂物的特征；
[0026]
检测所述目标特征图中是否具有在阳台边缘或者阳台围墙上方放置物品的特征；
[0027]
检测所述目标特征图中是否具有窗体破损的特征；
[0028]
检测所述目标特征图中是否具有空调外机发生偏移的特征；
[0029]
检测所述目标特征图中是否具有在外墙安装广告牌的特征。
[0030]
根据本技术第一方面的一些实施例，在所述得到所述楼群图像对应的危物类别之后，所述方法还包括：
[0031]
根据所述楼群图像对应的危物类别进行风险等级预测，得到预测数据。
[0032]
本技术第二方面实施例提供了一种电子设备，包括：
[0033]
至少一个存储器；
[0034]
至少一个处理器；
[0035]
至少一个程序；
[0036]
所述程序被存储在所述存储器中，所述处理器执行至少一个所述程序以实现如本技术第一方面任一项实施例所述的控制器的设计方法。
[0037]
本技术第三方面实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行信号，所述计算机可执行信号用于执行如本技术第一方面和任一项实施例所述的控制器的设计方法。
附图说明
[0038]
本技术的附加方面和优点结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0039]
图1为本技术实施例提供的高空危物检测模型的结构示意图；
[0040]
图2为本技术实施例提供的图1中主干网络的结构示意图；
[0041]
图3为本技术实施例提供的相关技术中主干网络的结构示意图；
[0042]
图4为本技术实施例提供的分类器及检测器的头部结构示意图；
[0043]
图5为本技术实施例提供的高空危物检测方法的流程图；
[0044]
图6为本技术实施例提供的主干网络对所述楼群图像进行特征提取的流程图；
[0045]
图7为本技术另一实施例提供的检测方法的流程图；
[0046]
图8为本技术另一实施例提供的检测方法的流程图；
[0047]
图9为本技术实施例提供的电子设备的结构示意图。
具体实施方式
[0048]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
[0049]
需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
[0050]
在本技术的描述中，如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
[0051]
本技术的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本技术中的具体含义。
[0052]
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
[0053]
近年来，高空坠物致死致伤的报道层出不穷。随着我国城市化的发展，不管是城镇
社区还是城市社区，都高楼耸立。许多居民私自在阳台或窗户上摆放挂机，盆栽，因此，这一现象给社区工作者带来了极大的困扰。为了促进社区和谐，目前的高空危物排查，主要靠社区工作者的人工监控与走访。这种方式极大的增加了社区工作者的工作负担，而且会出现社区住户隐瞒社区工作者的情况。
[0054]
基于此，本技术提出一种模型训练方法、检测方法、设备以及存储介质，有助于提高社区安全性。
[0055]
下面结合附图，对本技术实施例作进一步阐述。
[0056]
参照图1，图1为本技术实施例提供的高空危物检测模型的结构示意图，包括输入图像数据集模块、网格与锚框生成模块、主干网络提取特征模块、分类器与检测器模块、损失函数更新模块、输出预测框信息、置信度及物品种类模块。
[0057]
关于输入图像数据集模块，通过以下方式获取图像数据集：
[0058]
(1)对社区进行楼群结构采样，通过人工操控无人机进行单栋建筑进行环绕采样，规划好巡查的飞行路线，使得无人机能够半自动的绕建筑进行社区阳台及窗户物体进行拍摄采样，对采集到的视频流进行数据清洗(如：将相邻帧相似度高的图像删除)，并将图像重新裁剪(resize)至固定尺寸，形成高质量的图像数据集。
[0059]
(2)利用“爬虫”技术，爬取互联网中的阳台版面、阳台物品图片，将其保存下来后，对相似度高的图像和垃圾数据进行清洗，形成图像数据集。
[0060]
需要补充说明的是，在模型训练时，输入模型的为图像数据集，而本技术为更好解释模型训练的过程，以单个楼群图像为例展示训练方法的流程。
[0061]
基于图1，参照图5，图5为本技术实施例提供的模型训练方法的流程图，该方法包括但不限于以下步骤501至步骤503。
[0062]
步骤501：获取高空危物检测模型和待检测社区的楼群图像，高空危物检测模型包括主干网络、分类器和检测器；
[0063]
步骤502：通过主干网络对楼群图像进行特征提取，得到目标特征图，其中，主干网络包括cbm组件集和res组件集，cbm组件集用于对楼群图像进行特征提取，并将提取结果输送至res组件集；res组件集用于对提取结果进行优化，并输出目标特征图；
[0064]
步骤503：通过分类器和检测器对目标特征图进行分类检测，得到楼群图像对应的危物类别。
[0065]
在一个实施例中，cbm组件集包括第一cbm组件、第二cbm组件，res组件集包括若干res组件，步骤502：通过主干网络对楼群图像进行特征提取，得到目标特征图，包括：
[0066]
步骤5021：通过第一cbm组件对训练样本进行特征提取，得到第一输出特征图；
[0067]
步骤5022：通过第二cbm组件对第一输出特征图进行下采样处理，得到第二输出特征图；
[0068]
步骤5023：通过预设数量个res组件对第二输出特征图进行特征提取，得到若干个尺寸不同的目标特征图。
[0069]
可以理解的是，参照图2，图2为本技术实施例提供的主干网络的结构示意图，包括从左至右一次排列设置的第一cbm组件(cbm1)、第二cbm组件(cbm2)、第一res组件(res1)、第二res组件(res2)、第三res组件(res8)、第四res组件(res8)、第五res组件(res4)，其中，每一个cbm组件均包括conv组件、bn组件、mish组件，每一个res组件均包括cbm组件和
concat组件，需要补充说明的是，resx组件，其x代表着该组件的个数，例如res8代表着有八个res组件。
[0070]
可以理解的是，目标特征图包括第一目标特征图、第二目标特征图和第三目标特征图，步骤5023：通过预设数量个res组件对第二输出特征图进行特征提取，得到若干个尺寸不同的目标特征图，包括：通过第一res组件、第二res组件、第三res组件以及第二输出特征图，得到第一目标特征图；通过第四res组件、第一目标特征图，得到第二目标特征图；通过第五res组件、第二目标特征图，得到第三目标特征图。参照图2，图2中的方块1、2、3分别代表第一目标特征图、第二目标特征图、第三目标特征图，且结合图4可知，本技术主干网络的输出为分类器和检测器的输入。
[0071]
需要补充说明的是，本技术的conv组件主要包括了有效卷积与下采样卷积。有效卷积在卷积核设置中使用每次卷积不改变原始输入的参数设置，而下采样卷积使用的卷积核参数为：3
×
3，stride＝2。这样设置的主要目的是：在图像特征多次学习重组以后使用下采样卷积操作可以提高系统模型对图像特征的聚焦能力。考虑到社区高空物品的种类多样，及存在小目标检测的缘故需要更加深层次的网络结构进行提取图像的特征，因此将conv组件中的卷积层共设计为53层。使用53层卷积的主要目的是通过图像的卷积操作更加深层次地挖掘输入图像的特征，提高本系统中分类及检测的精度。
[0072]
需要补充说明的是，本技术的bn组件的主要功能是提高系统在训练模型时的稳定性。bn组件是通过batchnormalization(批归一化)的操作，使得每一批训练数据集的统计分布能够相同，主要针对训练数据集的均值与方差做统计重构，现假设训练数据集的均值和方差分别为μ与σ2，并假设一个大小为n的数据集xi，基于此假设，本系统将使用公式(1)至公式(4)进行计算batchnormalization，得到最终的y值。值得注意的是：在式(3)中加入了常数，目的是为了防止出现分母为0的情况。经过式(3)后，xi的分布情况将会保证在统一水平，但是直接使用作为系统模型的输入将会使得图像特征的丢失，使得模型在一定程度上性能不加。针对这种情况，模型采用两个参数γ和β来进行对的线性变换，使其能够最大程度的接近未归一化时的分布情况。当然这两个参数不需要人工干预，而是通过反向传播算法，连同主干网络参数进行训练得到最优解。
[0073][0074][0075][0076][0077]
需要补充说明的是，本技术的mish组件主要作用是在模拟神经网络稀疏连接的基础上，提高系统模型的收敛速度，并且防止模型在训练时出现反向传播梯度消失的问题。
[0078]
需要补充说明的是，本技术的cbmx组件分为cbm1与cbm2。cbm1主要负责特征的提取，所形成的输出特征图与输入特征图的尺寸保持一致；cbm2主要负责系统模型的下采样功能，并且下采样率为1/2，意为将特征图尺寸减半。
[0079]
需要补充说明的是，本技术的resx与concat组件基于残差网络的设计，保证在加
深系统主干网络的同时保证了输入的baseline(基线)。在本系统中在基于保留更多特征信息的思想上，通过concat组件加深特征图的深度来防止更多特征丢失。其中，resx中使用的是特征图中相对应位置的数值相加，不改变特征图的通道数。针对本系统，此结构将会进一步的提取出原始图像的特征，提高检测精度；对于concat组件，其主要作用是将经过resx组件的输出与原始的输入进行通道叠加，对特征图的每一个对应位置不进行数值相加。目的是为了在进行下采样之前，利用通道数尽可能的保留更多的特征信息。
[0080]
需要补充说明的是，参照图3所示的相关技术中主干网络的结构示意图，可以看出，本技术的主干网络并未使用到cspx组件，根据图3所示的cspx组件构成可知，cspx组件需要由res组件构成，因此，本技术相比于相关技术，直接将res组件作为主干网络的成分，结构更加精简，减少了模型运行过程中涉及的运算量、参数量，有利提高检测效率。
[0081]
在一个实施例中，分类器和检测器的头部包括由平均池化算法构成的spp组件，通过分类器和检测器对目标特征图进行分类检测，方法还包括：通过spp组件对目标特征图进行上采样，以通过分类器和检测器对上采样结果进行分类检测，得到楼群图像对应的危物类别。
[0082]
可以理解的是，为了获得更加集中的强图像语义特征信息，且保留强定位特征信息，本系统使用了两种特征金字塔结构：自底向上与自顶向下的特征金字塔结构。其中，自顶向下结构意为从特征图小尺寸逐渐通过上采样形成大尺寸，自底向上意为从特征图大尺寸逐渐通过下采样形成小尺寸。现使用fpn代表自顶向下的特征金字塔结构，pan代表自底向上的特征金字塔结构。基于此，本系统设计使用如图4所示的pan型网络结构作为分类器及检测器的头部，其中方块1、2、3是图2所示的主干网络部分(fpn)的输出，假设输入主干网络的图像尺寸为608*608，输出的3个特征图分别为(76*76)、(38*38)、(19*19)。
[0083]
可以理解的是，参照图4，在分类器和检测器的头部加入了由平均池化算法(average pooling)构成的spp组件，使用spp组件有利于方块3(第三目标特征图，尺寸为19
×
19)避免图像特征大量丢失。并且在spp组件中所使用的主要算法是average pooling(平均池化)，可以加强特征图局部的语义关系。
[0084]
需要补充说明的是，本技术通过上采样将方块1、2、3变成out_1、out_2、out_3，尺寸分别为(19
×
19)、(38
×
38)、(76
×
76)，此时的特征图尺寸与fpn所形成的特征图尺寸是倒置的。其中，对于fpn形成的小尺寸特征图通过spp增强了局部特征的关系，以此丰富了位置特征信息，其余两种尺寸都通过上采样进行强化位置特征信息。分类器与检测器之所以使用同一个头部结构，是因为本系统将分类器与检测器融合在一起，进行对预测框的t
x
，ty，tw，th的预测，其中，t
x
，ty表示预测框的坐标，tw，th分别表示预测框的宽度和高度。
[0085]
需要补充说明的是，对于最后的out_1、out_2、out_3的通道数进行增加处理，使得最后的输出能够完成分类与检测的任务。现假设用户高空危物有n个种类，结合t
x
，ty，tw，th四个参数以及预测框置信度c，则最后的预测参数量为n+4+1个，并且对于每个格点都有三个先验框，每个特征图的格点数对于特征图的尺寸大小。则对于out_1的最终维度为(19
×
19
×3×
(3
×
(n+4+1)))，out_2的最终维度为(38
×
38
×3×
(3
×
(n+4+1)))，out_3的最终维度为(76
×
76
×3×
(3
×
(n+4+1)))。
[0086]
在一个实施例中，高空危物检测模型通过以下训练方法得到，包括：获取楼群图像样本集；基于楼群图像样本集对高空危物检测模型进行迭代训练，其中，通过高空危物检测
模型对楼群图像样本集中的一个楼群图像样本进行分类检测，得到预测框参数；根据预测框参数的平方根和楼群图像样本对应的标签框参数的平方根之差，更新损失函数；当损失函数满足预设条件时，迭代结束。
[0087]
可以理解的是，本技术基于危物类别对楼群图像样本集进行分类标注，并将标注有标签框的楼群图像作为训练样本，然后，通过该训练样本对模型进行迭代训练，以使模型具有危物类别检测的能力，因此，有助于社区工作人员通过该模型去排查社区内的楼群中是否存在危物，相比于走访排查，本技术有助于减少工作量且提高排查精度，进而有助于提高社区安全性。
[0088]
需要补充说明的是，标签标注工作可以通过ai标注软件对高危物体进行标注，具体为：先标注数据集中25％的图像进行模型训练，然后通过模型推理来预测余下75％的数据标签，最后通过人工审查校正错误的标签，极大降低了纯人工手工标注的成本。
[0089]
需要补充说明的是，在标签标注工作结束后还包括图像网格与锚框的生成：对已标注标签的楼群图像样本进行网格化处理，例如，将尺寸为x*y像素大小的楼群图像，均匀分成若干8
×
8的网格，则网格数目分别为生成的网格主要目的是：为模型预测时提供精确的参考像素坐标系，其中(s
x
，sy)即为坐标。生成图像网格生成后，为图像rgb三个通道添加锚框：首先，获取每个通道中每个网格的中心坐标(c
x
，cy)；其次，以中心点坐标使用k-means的方法对数据集中的标签框进行聚类，最终围绕中心点得到9个框，以此来作为先验框(锚框)。现假设得到的先验框的宽度以及高度分别为pw，ph。值得注意的是：生成的先验框并没有固定的尺寸，尺寸来源于实际标签框及聚类算法。聚类算法具体实施为：首先将标注的标签框具有相似纵横比的聚在一起，然后将每类标签框的长和宽求得平均值作为该类先验框(锚框)的尺寸。生成锚框的主要目的是：能够让预测框有参照的基准，锚框正是这一基准。预测框将以锚框的(c
x
，cy)计算位置偏差及以pw，ph计算宽度及高度。具体计算将在后文的分类器与检测器部分中提及。
[0090]
在一个实施例中，在模型训练完成之后，方法还包括：采集目标社区的楼群图像集；将目标社区的楼群图像集输入训练完成的高空危物检测模型中，对模型参数进行微调。
[0091]
需要补充说明的是，基于已训练好的模型，将无人机在目标社区采集少量图像，使用少量的采集样本微调系统模型，使得模型适用于指定社区。通过该步骤有助于提高检测模型的泛化能力。
[0092]
需要补充说明的是，微调技术的关键在于：小样本数据集的制作。本技术制作数据集的方法是通过将新采集数据集与旧数据集进行同分布处理，具体做法如下：1.适用无人机进行拍摄待测社区阳台物体版面图，拍摄的物体需与训练数据集相似；2.适用自编码降噪技术将采集的数据集进行降噪处理；3.通过人工干预，对降噪后的图片进行打标签，并且每个种类的标签数目要相同；4.对所打标签数据进行resize的处理，使得其尺寸适应系统模型的输入尺寸。通过以上步骤基本解决一般用户高空危物检测要求。但是对于某些社区拥有大面积阳台时，所采集的图像为高像素图像，单纯的使用resize对采集图像进行处理将会导致图像特征的丢失并且使得系统模型对小目标检测的能力下降。因此，对于采集到像素大且无法进行resize图像时，本系统将采用分割的方法将其转化为适用系统模型的输入图像，并且将设置分割重叠率为20％，以防止物体目标正好被分割。得到相应的新数据集以后，将其送进系统模型进行再次训练进行微调，使得系统模型在已完成训练的系统参数
上进行进一步优化，训练步骤与步骤501至步骤504相同。但是微调训练需让模型训练次数不高于3次，防止过拟合的情况出现。
[0093]
在一个实施例中，损失函数表达式为：
[0094][0095]
需要补充说明的是，由于大型预测框的数值是远大于小型预测框数值的，而针对两者(预测框参数和标签框参数)都进行简易开根能够让差距变小，使得模型不是更加关注大型预测框，而对两种预测框都能够同时关注，这样也使得损失更加的稳定，并且在通过平方根的计算以后，数值的可选区域就变小了，则隐性的增大了真实框与预测框的重叠概率，缓解了无法重叠的问题。
[0096]
需要补充说明的是，损失函数的设计的好坏对整个网络的性能是至关重要的，上述的参数：t
x
，ty，tw，th,置信度c以及类别的预测概率p都需要通过损失函数进行梯度更新求得，本系统所设计的损失函数(loss)如公式(5)所示，其中t’x
，t’y
，t’w
，t’h
为标签框参数，代表着真实标签的数据。损失函数(loss)是由检测框坐标loss、检测框宽高loss、框内有物体置信度loss、框内无物体置信度loss以及类别概率loss。其中λ为各项loss的权重常数，控制各loss之间的比例。在对：t
x
，ty，tw，th进行loss计算时，使用的时mse(均方误差)的计算方法，由于置信度以及类别标签都是以二分类(0或1)的形式输出，则使用交叉熵作为loss的计算。对于loss中的系数与任取一个真实标签值与系统模型的预测框计算iou，iou最大的预测框且每个预测框只能没使用一次进行匹配计算，最大的预测框的为1，否则为0；当某个预测框与所有的真实标签值所计算出的iou都小于系统所设立的阈值，则为1，否则为0。值得注意的是：loss表达式中i的取值范围是n1
×
n1,j的取值范围是[0,2]。i所表示的为以第i个网格点为参照的预测框数据，式(5)所展示的为第一目标特征图(n1
×
n1)的损失函数设计；j表示为特征图的三个通道，从通道0到通道2。因此，如公式(6)所示，可以将三个特征图的loss叠加在一起得到总loss。
[0097]
loss＝loss
n1
+loss
n2
+loss
n3
ꢀꢀ
(6)
[0098]
在一个实施例中，通过分类器和检测器对目标特征图进行分类检测，得到楼群图像对应的危物类别，包括：检测目标特征图中是否具有在阳台防盗网周围设置悬挂物的特征；检测目标特征图中是否具有在阳台边缘或者阳台围墙上方放置物品的特征；检测目标
特征图中是否具有窗体破损的特征；检测目标特征图中是否具有空调外机发生偏移的特征；检测目标特征图中是否具有在外墙安装广告牌的特征。
[0099]
可以理解的是，阳台防盗网悬挂风铃或者八卦镜，其一般安装在阳台防盗网外，处在阳台外中间，存在着绳索断裂并从高空坠落的风险，坠落将可能导致民众致死致伤，威胁居民生命安全，本技术可以排查其是否悬挂在阳台防盗网以外范围。许多用户将盆栽放置在阳台边缘或者阳台围墙上方，以便植株采光，在没有足够宽大的铁丝网保护时，其存在着严重的安全隐患，威胁着居民生命安全，本技术可以排查阳台边缘或者阳台围墙上方是否存在盆栽。部分住户窗体存在破损，其中将存在玻璃碎片从高空坠落风险，本技术可以逐户排查其窗体版面是否存在玻璃窗残缺。空调外机一般安装在住户阳台外墙体侧方，在年久失检的情况下，空调外机将可能出现螺丝松动或者骨架弯曲，导致空调外机倾斜，这将存在空调外机高空坠落的隐患，本技术可以排查空调外机是否发生相对固定位置偏移。有些住户在社区外墙上安装广告牌，安装位置均在用户阳台外墙正前方，包括了大小型广告牌，其存在安装不稳定并掉落的风险，本技术可以排查外墙是否存在安装广告牌。用户将衣架衣物悬挂在阳台防盗网上，存在被自然风吹落的并从高空坠落的风险，本技术可以排查阳台外表面是否存在衣架衣服的悬挂。
[0100]
在一个实施例中，在得到楼群图像对应的危物类别之后，方法还包括：根据楼群图像对应的危物类别进行风险等级预测，得到预测数据。
[0101]
需要补充说明的是，可以结合识别出的高空危物类别以及体积大小生成风险等级。
[0102]
参照图7和图8，图7和图8为本技术另一实施例提供的检测方法的流程图：在训练时，将采集的楼群阳台等图像以及“爬虫”技术获取的图像作为训练样本，进行模型训练，基于已训练的系统模型，根据使用场景进行微调；在使用时，系统模型对无人机采集的图像进行危物类别识别与危物风险等级判断，将判断结果上传至云端服务器，云端服务器通过无线传输将结果发送给用户手机终端，用户可以为社区工作人员，也可以为社区住户。
[0103]
本技术所提出的一种基于视觉识别的高空危物检测方法能够结合前沿的深度学习算法，实现使用无人机对高空危物的精确排查，在规定时间内能排查多个社区，卓越地提高了排查的效率，并且通过互联网通知的方式，使用无人机搭载通信软件，可以实时的将住户阳台或窗台的物品以及松动物体风险指数通知给社区工作者以及社区住户，这也极大地降低了人工成本，且能够更加全面地对高空危物进行排查。就成本方面来说，仅仅需要终端软件搭建费用，数据样本标注费用以及无人机使用及续航费用，且能够一个社区多个面或者多个社区同时开展任务，整体的耗费不管是从经济成本还是时间成本都低于目前的人工成本。
[0104]
本技术所提出的一种基于视觉识别的高空危物检测方法，以无人机为载体，结合深度学习目标检测算法已经多种数学模型，通过无人机与终端实时通信，可以对高空危险物品进行排查。此外，本发明也适用于多种高楼版面的高空危物检测，更加有效且广泛地保障了社区居民的生命安全，维护了社区居民和谐关系以及促进了城市的和谐发展。
[0105]
参照图9，图9为本技术实施例提供的电子设备的结构示意图。电子设备900包括：存储器901、处理器902及存储在存储器901上并可在处理器902上运行的计算机程序，计算机程序运行时用于执行上述的方法。
[0106]
处理器902和存储器901可以通过总线或者其他方式连接。
[0107]
存储器901作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序，如本技术实施例描述的方法。处理器902通过运行存储在存储器901中的非暂态软件程序以及指令，从而实现上述的方法。
[0108]
存储器901可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储执行上述的方法。此外，存储器901可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个储存设备存储器件、闪存器件或其他非暂态固态存储器件。在一些实施方式中，存储器901可选包括相对于处理器902远程设置的存储器，这些远程存储器可以通过网络连接至该电子设备900。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0109]
实现上述的方法所需的非暂态软件程序以及指令存储在存储器901中，当被一个或者多个处理器902执行时，执行上述的方法。
[0110]
本技术实施例还提供了计算机可读存储介质，存储有计算机可执行指令，计算机可执行指令用于执行上述的方法。
[0111]
在一实施例中，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，可以实现上述的方法。
[0112]
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0113]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、储存设备存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包括计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
[0114]
还应了解，本技术实施例提供的各种实施方式可以任意进行组合，以实现不同的技术效果。
[0115]
以上是对本技术的较佳实施进行了具体说明，但本技术并不局限于上述实施方式，熟悉本领域的技术人员在不违背本技术精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。