System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及工程事故隐患检测,尤其涉及一种对工程事故隐患进行检测的方法和系统。
技术介绍
1、工程建设领域中,利用机器视觉技术对施工过程中存在的事故隐患进行检测带来了极大的便利和技术优势,但是,由于工程现场环境复杂、事故隐患形式多样,对利用机器视觉技术进行事故隐患识别带来了一定的挑战。在机器视觉中,目标检测过程通常包括两个子任务,即目标的分类和目标的定位,其中目标的定位主要依赖于边界框回归损失函数来实现定位,其损失函数在模型训练过程中指导模型对边界框的位置和大小进行更精准的预测,高效的边界框回归损失函数是提高目标检测精度的主要瓶颈之一,设计良好的损失函数对边界框高效的回归具有重要的作用。
技术实现思路
1、本专利技术提供了一种对工程事故隐患进行检测的方法和系统,用以解决现有技术存在的问题,本专利技术提供的技术方案如下:
2、一方面,提供了一种对工程事故隐患进行检测的方法,所述方法包括:
3、s1、获取工程现场相关的待检测图像数据;
4、s2、将所述待检测图像数据输入训练完成的改进yolov5目标检测模型;
5、s3、使用所述改进yolov5目标检测模型,对所述待检测图像数据进行检测,得到所述待检测图像数据属于各种工程事故隐患类别的概率,选取概率最大的类别作为所述待检测图像数据的检测结果。
6、可选地,训练所述改进yolov5目标检测模型,具体包括:
7、收集工程现场相关的图像数据,对所收集的图像数据进行筛选整
8、应用y0l0v5模型的主干网络,对所述训练集进行特征提取;
9、应用y0l0v5模型的颈部网络,对提取后的特征进行特征融合;
10、训练阶段损失函数使用改进的边界框回归损失函数,所述改进的边界框回归损失函数为yiou损失函数。
11、可选地,所述yiou损失函数包括三个部分,分别为iou、边界框引力损失、长宽比损失;
12、其中,所述iou为交并比,考虑基本的预测框和目标框的重叠情况;
13、所述边界框引力损失协同考虑预测框和目标框的面积差异,以及预测框和目标框中心点之间的距离差异;
14、所述长宽比损失考虑预测框与目标框之间的形状差异。
15、可选地,所述边界框引力损失为基于边界框互相吸引的引力损失,其计算方法见公式(1):
16、
17、式中,lossyl代表的是预测框和目标框之间引力的损失,ρ为预测框和目标框中心点之间的直线距离,m1代表的是预测框的面积大小,m2代表的是目标框面积的大小,(m1×m2)/(m1+m2)是将预测框和目标框的面积进行归一化处理,利用基本不等式的性质可知,只有当目标框与预测框的面积相等或相近时,(m1×m2)/(m1+m2)达到最大,则边界框引力的损失值达到最小化;
18、通过公式(1)可知,边界框引力损失的函数值衡大于等于0,且预测框距离目标框越近、预测框和目标框的面积大小越相近,其值越小,直至降为0;同时可知,在计算边界框引力损失时,直到预测框与目标框的中心点重合,否则不会出现梯度降为0的情况,实现将与目标框距离近、面积相同或相近的预测框的快速回归。
19、可选地,所述长宽比损失将预测框与目标框之间的长宽差异的绝对值占目标框的长宽的比值作为长宽损失值,所述长宽损失值按照长宽分别计算并进行加和后作为整体损失值,所述长宽损失值计算公式如下:
20、
21、式中,losswh-w和losswh-h分别代表长和宽的损失,wl为目标框的长度,hl为目标框的宽度,wp为预测框的长度,hp为预测框的宽度;
22、从公式(2)和(3)可知,losswh-w和losswh-h值恒大于等于0,且随着预测框的长宽与目标框的长宽差异的减小,其值越来越小,当预测框与目标框的长宽相近或相等时,losswh-w和losswh-h值达到最小值0,实现将与目标框形状相同、相近的预测框快速回归。
23、可选地,所述方法还包括:
24、将iou、边界框引力损失、长宽比损失进行组合,得到yiou,其计算方法见公式(4):
25、
26、进而得到yiou损失函数lossyiou,其计算方法见公式(5):
27、
28、从公式(5)中可以看到,yiou的损失函数值lossyiou的取值范围为大于等于0,且随着预测框的回归,lossyiou的取值将逐步减小,最小为0。
29、可选地,所述y0l0v5模型,以一张待检测图像数据作为输入,经过模型的主干网络、颈部网络以及不同的检测头以后,得到预测的检测框,主干网络包括交替的卷积操作与c3模块,最后经过一个spff模块,主干网络获得不同尺度下的图像特征,随后,模型将不同尺度下的特征输入颈部网络,颈部网络包括不同尺度特征的上采样以及卷积,获得高度编码的特征用于最后的检测,检测头1到检测头3为不同尺度下的检测器,将不同尺度下的高度编码特征输出为检测框;
30、spff模块由spp模块改进而来,使用3个5×5的最大池化,代替spp模块的5×5、9×9、13×13最大池化,多个小尺寸池化核级联代替spp模块中单个大尺寸池化核;
31、针对主干网络和检测头,yolov5设计了两种不同的类似yolov4中csp结构的c3net结构,c3net中包含了三个卷积与特征图上的拼接操作,yolov5与yolov4不同点在于,yolov4中只有主干网络使用了csp结构,而yolov5中设计了两种不同参数的c3net结构,对于yolov5-l,c3_x结构应用于主干网络,另一种c3_1结构则应用于检测头中;
32、focus为yolov5独创结构,在yolov5中,focus结构被广泛用于各个卷积块的第一个卷积层,以实现对输入特征图的下采样和特征压缩,其关键步骤为切片操作,对于yolov5-l,假设原始图像为640×640×3,输入focus结构,采用切片操作,先变成320×320×12的特征图,再经过一次64个卷积核的卷积操作,最终变成320×320×64的特征图,经过切片操作,图像的像素尺寸变为原来的一半。
33、另一方面,提供了一种对工程事故隐患进行检测的系统,所述系统包括:
34、获取模块,用于获取工程现场相关的待检测图像数据;
35、输入模块,用于将所述待检测图像数据输入训练完成的改进yolov5目标检测模型;
36、检测模块,用于使用所述改进yolov5目标检测模型,对所述待检测图像数据进行检测,得到所述待检测图像数据属于各种工程事故隐患类别的概率,选取概率最大的类别作为所述待检测图像数据的检测结果。
37、另一方面,提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有指令,所述指令由所述处理器加载并执行以实现上述对工程事故隐本文档来自技高网...
【技术保护点】
1.一种对工程事故隐患进行检测的方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,训练所述改进YOLOv5目标检测模型,具体包括:
3.根据权利要求2所述的方法,其特征在于,所述YIOU损失函数包括三个部分,分别为IOU、边界框引力损失、长宽比损失;
4.根据权利要求3所述的方法,其特征在于,所述边界框引力损失为基于边界框互相吸引的引力损失,其计算方法见公式(1):
5.根据权利要求4所述的方法,其特征在于,所述长宽比损失将预测框与目标框之间的长宽差异的绝对值占目标框的长宽的比值作为长宽损失值,所述长宽损失值按照长宽分别计算并进行加和后作为整体损失值,所述长宽损失值计算公式如下:
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
7.根据权利要求2所述的方法,其特征在于,所述Y0L0v5模型,以一张待检测图像数据作为输入,经过模型的主干网络、颈部网络以及不同的检测头以后,得到预测的检测框,主干网络包括交替的卷积操作与C3模块,最后经过一个SPFF模块,主干网络获得不同尺度下
8.一种对工程事故隐患进行检测的系统,其特征在于,所述系统包括:
9.一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有指令,其特征在于,所述指令由所述处理器加载并执行以实现如权利要求1-7任一项所述对工程事故隐患进行检测的方法。
10.一种计算机可读存储介质,所述存储介质中存储有指令,其特征在于,所述指令由处理器加载并执行以实现如权利要求1-7任一项所述对工程事故隐患进行检测的方法。
...【技术特征摘要】
1.一种对工程事故隐患进行检测的方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,训练所述改进yolov5目标检测模型,具体包括:
3.根据权利要求2所述的方法,其特征在于,所述yiou损失函数包括三个部分,分别为iou、边界框引力损失、长宽比损失;
4.根据权利要求3所述的方法,其特征在于,所述边界框引力损失为基于边界框互相吸引的引力损失,其计算方法见公式(1):
5.根据权利要求4所述的方法,其特征在于,所述长宽比损失将预测框与目标框之间的长宽差异的绝对值占目标框的长宽的比值作为长宽损失值,所述长宽损失值按照长宽分别计算并进行加和后作为整体损失值,所述长宽损失值计算公式如下:
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
7.根据权利要求2所述的方法,其特征在于,所述y0l0v5模型,以一张待检测...
【专利技术属性】
技术研发人员:娄政,田万利,吴忠广,张金锋,刘周洲,陈宗伟,杨日辉,郝嘉田,陈景,贾砺锋,
申请(专利权)人:杭州市交通运输发展保障中心,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。