反光衣的检测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术涉及人工智能技术领域，提供一种反光衣的检测方法、装置、设备及存储介质，用于提高反光衣的识别精度。反光衣的检测方法包括：获取待处理图像，通过预置的目标单阶段目标检测模型，对所述待处理图像进行行人的目标框检测，得到行人目标框集；对所述行人目标框集进行预设尺寸大小的区域裁剪并进行拼接，得到处理后的行人目标区域集；通过预置的分类模型和分类机制，对所述处理后的行人目标区域集进行反光衣检测，得到目标识别结果，所述分类机制包括多个分类类别的多重分类策略。包括多个分类类别的多重分类策略。包括多个分类类别的多重分类策略。

【技术实现步骤摘要】
反光衣的检测方法、装置、设备及存储介质


[0001]本专利技术涉及人工智能的智能决策领域，尤其涉及一种反光衣的检测方法、装置、设备及存储介质。

技术介绍

[0002]随着深度学习与高性能计算硬软件技术的发展，使得计算机视觉技术巨大飞跃，在其基础领域如检测、分割、识别和定位等，精度大大超过了手工提取特征算法和其他统计学习方法，以使得基于计算机视觉的分析技术应用在智慧城市、智能安防和工业检测等多个领域。
[0003]在智慧工地安全隐患检测中，反光衣检测对于工地安全有着重要的意义，工人通过穿戴反光衣，能够在夜间或危险区域进行有效识别定位，利用视频分析技术能够有效保障工人在施工过程中的生命安全。
[0004]目前反光衣检测很多方案都是基于端到端目标检测的方法。此方法虽然能够实现快速检测是否穿反光衣的情况，但由于多标签标注困难，存在数据管理难度大、数据矫正周期长、受限物体成像尺度大小等问题，导致了反光衣的识别精度较低。

技术实现思路

[0005]本专利技术提供一种反光衣的检测方法、装置、设备及存储介质，用于提高反光衣的识别精度。
[0006]本专利技术第一方面提供了一种反光衣的检测方法，包括：
[0007]获取待处理图像，通过预置的目标单阶段目标检测模型，对所述待处理图像进行行人的目标框检测，得到行人目标框集；
[0008]对所述行人目标框集进行预设尺寸大小的区域裁剪并进行拼接，得到处理后的行人目标区域集；
[0009]通过预置的分类模型和分类机制，对所述处理后的行人目标区域集进行反光衣检测，得到目标识别结果，所述分类机制包括多个分类类别的多重分类策略。
[0010]可选的，在本专利技术第一方面的第一种实现方式中，所述目标单阶段目标检测模型包括MobileNetV3骨干网络、感受野增强网络和解码输出网络，所述获取待处理图像，通过预置的目标单阶段目标检测模型，对所述待处理图像进行行人的目标框检测，得到行人目标框集，包括：
[0011]获取待处理图像，通过所述MobileNetV3骨干网络，基于预设的多级下采样率对所述待处理图像进行行人目标框的下采样，得到第一图像特征、第二图像特征和第三图像特征，所述第一图像特征、所述第二图像特征和所述第三图像特征分别为基于不同的下采样率分别进行下采样所得的图像特征；
[0012]通过所述感受野增强网络，对所述第一图像特征进行空间空洞卷积处理并进行通道处理，得到处理后的图像特征；
[0013]通过所述解码输出网络，对所述处理后的图像特征、所述第二图像特征和所述第三图像特征分别进行解码输出，得到第一解码特征、第二解码特征和第三解码特征；
[0014]对所述第一解码特征、所述第二解码特征和所述第三解码特征进行信息融合，得到行人目标框集。
[0015]可选的，在本专利技术第一方面的第二种实现方式中，所述通过所述感受野增强网络，对所述第一图像特征进行空间空洞卷积处理并进行通道处理，得到处理后的图像特征，包括：
[0016]通过所述感受野增强网络，基于预设的空洞卷积的空洞比例，对所述第一图像特征分别进行空间空洞卷积处理，得到第一通道卷积特征和多个其他通道卷积特征，所述第一通道卷积特征对应的通道数与所述多个其他通道卷积特征对应的通道数不相同；
[0017]对所述第一图像特征进行平均池化，得到池化特征；
[0018]将所述池化特征和所述多个其他通道卷积特征进行通道融合，得到融合后的特征；
[0019]将所述第一通道卷积特征和和所述融合后的特征进行相加，得到处理后的图像特征。
[0020]可选的，在本专利技术第一方面的第三种实现方式中，所述解码输出网络包括空洞空间卷积池化金字塔网络和基于神经网络的推荐系统网络，所述通过所述解码输出网络，对所述第一图像特征、所述第二图像特征和所述处理后的图像特征分别进行解码输出，得到第一解码特征、第二解码特征和第三解码特征，包括：
[0021]通过所述空洞空间卷积池化金字塔网络和基于神经网络的推荐系统网络，对所述处理后的图像特征进行双线性插值上采样，得到第一解码特征；
[0022]通过所述空洞空间卷积池化金字塔网络和基于神经网络的推荐系统网络，对所述第二图像特征和所述第三图像特征分别进行信息处理，得到第二解码特征和第三解码特征。
[0023]可选的，在本专利技术第一方面的第四种实现方式中，所述通过所述空洞空间卷积池化金字塔网络和基于神经网络的推荐系统网络，对所述处理后的图像特征进行双线性插值上采样，得到第一解码特征，包括：
[0024]通过所述空洞空间卷积池化金字塔网络，基于预设的多个卷积核数，对所述处理后的图像特征分别进行下采样，得到第一初始特征；
[0025]通过所述基于神经网络的推荐系统网络，对所述第一初始特征依序进行卷积、批归一化处理和激活函数运算，得到第一解码特征。
[0026]可选的，在本专利技术第一方面的第五种实现方式中，所述获取待处理图像，通过所述MobileNetV3骨干网络，基于预设的多级下采样率对所述待处理图像进行行人目标框的下采样，得到第一图像特征、第二图像特征和第三图像特征，包括：
[0027]获取待处理图像，通过所述MobileNetV3骨干网络，基于预设的多级下采样率分别对所述待处理图像进行行人目标框的下采样，得到下采样特征；
[0028]根据预设的输入需求，对所述下采样特征进行提取，得到第一图像特征、第二图像特征和第三图像特征，所述第一图像特征的下采样率比所述第三图像特征的小，所述第二图像特征的下采样率比所述第三图像特征的下采样率大。
[0029]可选的，在本专利技术第一方面的第六种实现方式中，所述通过预置的分类模型和分类机制，对所述处理后的行人目标区域集进行反光衣检测，得到目标识别结果，所述分类机制包括多个分类类别的多重分类策略，包括：
[0030]通过预置的分类模型，基于预设的分类机制中的多个分类类别，对所述处理后的行人目标区域集进行分类，得到类别分类结果，所述多个分类类别包括已穿反光衣、未穿反光衣和矫正项；
[0031]基于所述类别分类结果确定所述处理后的行人目标区域集的类别，得到目标识别结果。
[0032]可选的，在本专利技术第一方面的第七种实现方式中，所述获取待处理图像，通过预置的目标单阶段目标检测模型，对所述待处理图像进行行人的目标框检测，得到行人目标框集之前，所述方法还包括：
[0033]获取未标注图像样本集，对所述未标注图像样本集进行基于图像质量的清洗，得到预清洗后的未标注图像样本集；
[0034]通过预置的基于半监督的迭代机制和所述预清洗后的未标注图像样本集，对预置的模型进行训练，得到目标单阶段目标检测模型。
[0035]可选的，在本专利技术第一方面的第八种实现方式中，所述通过预置的基于半监督的迭代机制和所述预清洗后的未标注图像样本集，对预置的模型进行训练，得到目标单阶段目标检测模型，包括：
[0036]步骤一：基于预置的基于半监督本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种反光衣的检测方法，其特征在于，所述反光衣的检测方法包括：获取待处理图像，通过预置的目标单阶段目标检测模型，对所述待处理图像进行行人的目标框检测，得到行人目标框集；对所述行人目标框集进行预设尺寸大小的区域裁剪并进行拼接，得到处理后的行人目标区域集；通过预置的分类模型和分类机制，对所述处理后的行人目标区域集进行反光衣检测，得到目标识别结果，所述分类机制包括多个分类类别的多重分类策略。2.根据权利要求1所述的反光衣的检测方法，其特征在于，所述目标单阶段目标检测模型包括MobileNetV3骨干网络、感受野增强网络和解码输出网络，所述获取待处理图像，通过预置的目标单阶段目标检测模型，对所述待处理图像进行行人的目标框检测，得到行人目标框集，包括：获取待处理图像，通过所述MobileNetV3骨干网络，基于预设的多级下采样率对所述待处理图像进行行人目标框的下采样，得到第一图像特征、第二图像特征和第三图像特征，所述第一图像特征、所述第二图像特征和所述第三图像特征分别为基于不同的下采样率分别进行下采样所得的图像特征；通过所述感受野增强网络，对所述第一图像特征进行空间空洞卷积处理并进行通道处理，得到处理后的图像特征；通过所述解码输出网络，对所述处理后的图像特征、所述第二图像特征和所述第三图像特征分别进行解码输出，得到第一解码特征、第二解码特征和第三解码特征；对所述第一解码特征、所述第二解码特征和所述第三解码特征进行信息融合，得到行人目标框集。3.根据权利要求2所述的反光衣的检测方法，其特征在于，所述通过所述感受野增强网络，对所述第一图像特征进行空间空洞卷积处理并进行通道处理，得到处理后的图像特征，包括：通过所述感受野增强网络，基于预设的空洞卷积的空洞比例，对所述第一图像特征分别进行空间空洞卷积处理，得到第一通道卷积特征和多个其他通道卷积特征，所述第一通道卷积特征对应的通道数与所述多个其他通道卷积特征对应的通道数不相同；对所述第一图像特征进行平均池化，得到池化特征；将所述池化特征和所述多个其他通道卷积特征进行通道融合，得到融合后的特征；将所述第一通道卷积特征和和所述融合后的特征进行相加，得到处理后的图像特征。4.根据权利要求2所述的反光衣的检测方法，其特征在于，所述解码输出网络包括空洞空间卷积池化金字塔网络和基于神经网络的推荐系统网络，所述通过所述解码输出网络，对所述第一图像特征、所述第二图像特征和所述处理后的图像特征分别进行解码输出，得到第一解码特征、第二解码特征和第三解码特征，包括：通过所述空洞空间卷积池化金字塔网络和基于神经网络的推荐系统网络，对所述处理后的图像特征进行双线性插值上采样，得到第一解码特征；通过所述空洞空间卷积池化金字塔网络和基于神经网络的推荐系统网络，对所述第二图像特征和所述第三图像特征分别进行信息处理，得到第二解码特征和第三解码特征。5.根据权利要求4所述的反光衣的检测方法，其特征在于，所述通过所述空洞空间卷积
池化金字塔网络和基于神经网络的推荐系统网络，对所述处理后的图像特征进行双线性插值上采样，得到第一解码特征，包括：通过所述空洞空间卷积池化金字塔网络，基于预设的多个卷积核数，对所述处理后的图像特征分别进行下采样，得到第一初始特征；通过所述基于神经网络的推荐系统网络，对所述第一初始特征依序进行卷积、批归一化处理和激活函数运算，得到第一解码特征。6.根据权利要求2所述的反光衣的检测方法，其特征在于，所述获取待处理图像，通过所述MobileNetV3骨干网络，基于预设的多级下采样率对所述待处理图像进行行人目标框的下采样，得到第一图像特征、第二图像特征和第三图像特征，包括：获取待处理图像，通过所述MobileNetV3骨干网络，基于预设的多级下采样率分别对所述待处理图像进行行人目标框的下采样，得到下采样特征；根据预设的输入需求，对所述下采样特征进行提取，得到第一图像特征、第二图像特征和第三图像特征，所述第一图像特征的下采样率比所述第三图像特征的小，所述第二图像特征的下采样率比所述第三图像特征的下采样率大。7.根据权利要求1所述的反光衣的检测方法，其特征在于，所述通过预置的分类模型和分类机制，对所述处理后的行人目标区域集进行反光衣检测，得到目标识别结果，所述分类机制包括多个分类类别的多重分类策略，包括：通过预置的分类模型，基于预设的分类机制中的多个分类类别，对所述处理后的行人目标区域集进行分类，得到类别分类结果，所述多个分类类别包括已穿反光衣、未穿反光衣和矫正项；基于所述类别分类结果确定所述处理后的行人目标区域集的类别，得到目标识别结果。8...

【专利技术属性】
技术研发人员：孟令龙，卢海斌，王定汉，陈伟鹏，麦广柱，刘尚玮，黄彦铨，
申请(专利权)人：广东博智林机器人有限公司，
类型：发明
国别省市：