基于深度学习的目标检测和报警方法、装置及设备与流程

本发明涉及机器学习，特别涉及一种基于深度学习的目标检测和报警方法、装置及设备。

背景技术：

1、在建筑、采矿、机械制造等高危险行业的工地现场场景中，需要施工人员按照规定佩戴安全帽或穿着反光衣等安全设备，而实际工地现场的施工人员常因各种原因为佩戴相关设备，因此，为了降低相关安全风险，需要对未按照规定穿戴相关设备的施工人员进行报警提醒，所以在现有技术中会通过工地现场的摄像设备中拍摄到的现场图像进行目标检测，并对检测到的违规行为进行报警。但是，通过现有的一般目标检测算法对工地现场的目标进行检测并判断会因为不同工地现场差异较大、现场图像中目标较小等原因导致场景泛化性不强、小目标检测能力差、无报警情况多等问题。

2、由此可见，如何训练优化目标检测模型以提高目标检测准确率并降低误报警情况成为了本领域技术人员亟需解决的技术问题。

技术实现思路

1、本发明的目的在于提供一种基于深度学习的目标检测和报警方法、装置、设备及可读存储介质，能够对建筑工地现场的待检测图像进行目标检测标注和报警处理。

2、根据本发明的一个方面，提供了一种基于深度学习的目标检测和报警方法，所述方法包括：

3、获取待检测图像，对所述待检测图像进行标注以得到标注结果；

4、将所述待检测图像、所述标注结果和预设的训练集输入初始目标检测模型，以训练得到符合预设评估标准的最终目标检测模型；将所述待检测图像和所述标注结果输入所述最终目标检测模型以输出检测结果；

5、根据所述检测结果确定置信度阈值，并基于所述置信度阈值获取与所述检测结果对应的报警结果。

6、可选的，所述将所述待检测图像、所述标注结果和预设的训练集输入初始目标检测模型，以训练得到符合预设评估标准的最终目标检测模型，包括：

7、通过所述初始目标检测模型对所述标注结果进行数据增强处理以得到第一处理结果；其中，所述数据增强处理包括尺度缩放、剪切拼接和翻转；

8、对所述第一处理结果中图像尺寸大于预设尺寸阈值的目标图像进行下采样处理，并通过所述初始目标检测模型的神经网络中的微小目标检测结构对所述第一处理结果中的所有目标图像进行特征提取以得到特征图像，以使得所有特征图像聚合为第二处理结果；

9、对所述第二处理结果中存在特征重叠的特征图像进行特征融合处理，并将融合处理后的所有特征图像聚合为第三处理结果；

10、将所述测试集与所述第三处理结果的比对结果返回所述初始目标检测模型以进行迭代训练，直至训练得到符合预设评估标准的所述最终目标检测模型。

11、可选的，所述将所述测试集与所述第三处理结果的比对结果返回所述初始目标检测模型以进行迭代训练，直至训练得到符合预设评估标准的所述最终目标检测模型，包括：

12、以所述测试集为标准，通过所述初始目标检测模型计算所述第三处理结果以得到所述初始目标检测模型对所述待检测图像的标注准确率；

13、当所述标注检测准确率大于等于所述预设准确率阈值时，将所述初始目标检测模型确定为所述最终目标检测模型；

14、当所述标注检测准确率小于所述预设准确率阈值时，将所述比对结果返回所述初始目标检测模型的神经网络中进行迭代训练，直至所述初始目标检测模型的评估结果符合预设评估标准，将符合预设评估标准的初始目标检测模型作为所述最终目标检测模型。

15、可选的，所述评估标准包括：

16、所述最终目标检测模型对所述待检测图像的标注检测准确率大于等于所述预设准确率阈值；及

17、所述最终目标检测模型对所述待检测图像的标注结果的损失值不再下降。

18、可选的，所述根据所述检测结果确定置信度阈值，并基于所述置信度阈值获取与所述检测结果对应的报警结果，包括：

19、判断所述检测结果对应的目标类型是否为报警类型；

20、若是，则将所述检测结果对应的目标类型的置信度阈值调整为高置信度等级，并当所述检测结果的报警结果为报警处理时，将所述检测结果对应的待检测图像发送至报警平台进行处理；

21、若否，则将所述检测结果对应的目标类型的置信度阈值调整为低置信度等级，并当所述检测结果的报警结果为非报警处理时，将所述检测结果对应的待检测图像进行过滤处理。

22、可选的，所述方法还包括：

23、所述目标类型包括佩戴安全帽、未佩戴安全帽、未穿着反光衣、穿着反光衣等施工人员佩戴安全设备的情况，其中，所述报警类型：未佩戴安全帽、未穿着反光衣等施工人员未按照安全标准佩戴安全设备的情况。

24、可选的，所述方法还包括：

25、将基于状态模型生成的数据集输入预设目标检测模型以训练得到所述初始目标检测模型；其中，所述数据集包括待检测图像和对所述待检测图像的人工标注结果；

26、获取通过所述初始目标检测模型对所述待检测图像的标注结果，并计算所述标注结果的标注打分和所述标注结果的置信度值；

27、将所述标注打分和所述置信度值输入预测框评分模型以使得所述预测框评分模型对所述标注结果的预测框进行预测框打分；

28、根据所述预测框打分的结果调节所述初始目标检测模型的模型参数，以得到所述最终目标检测模型；其中，所述最终目标检测模型对所述数据集的标注准确率大于等于预设的预设准确率阈值。

29、为了实现上述目的，本发明还提供一种基于深度学习的目标检测和报警装置，所述装置包括：

30、获取模块，用于获取待检测图像，对所述待检测图像进行标注以得到标注结果；

31、训练模块，用于将所述待检测图像、所述标注结果和预设的训练集输入初始目标检测模型，以训练得到符合预设评估标准的最终目标检测模型；

32、标注模块，用于将所述待检测图像和所述标注结果输入所述最终目标检测模型以输出检测结果；

33、报警模块，用于根据所述检测结果确定置信度阈值，并基于所述置信度阈值获取与所述检测结果对应的报警结果。

34、为了实现上述目的，本发明还提供一种计算机设备，该计算机设备具体包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述介绍的基于深度学习的目标检测和报警方法的步骤。

35、为了实现上述目的，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述介绍的基于深度学习的目标检测和报警方法的步骤。

36、本发明提供的基于深度学习的目标检测和报警方法、装置及设备，通过对目标检测模型的强化，使得目标检测模型可以在检测图像的过程中完成模型学习过程，通过强化学习算法使得初始目标检测模型对待检测图片的标注准确率更高，场景泛化性更强，以迅速适应不同的智慧工地场景，同时为目标检测模型设置一个微小目标检测头以适应待检测图片中尺寸较小的目标，并且通过设置不同判断阈值的逻辑，根据目标类型是否为报警类型分别设置了对应了置信度阈值，降低了误报警的错误率，同时提升了误检测的错误率，满足对不同目标类型的检测强度需求，该基于深度学习的目标检测和报警方法提高了目标检测模型在智慧工地场景中对微笑目标检测的准确率，增强了目标检测模型在不同场景中的场景泛化度，降低了误报警的错误率，优化了对误报警事件和误检测事件的错误率，同时提升了用户体验感。