【技术实现步骤摘要】
本申请属于目标检测，尤其涉及一种基于深度学习的异常设施的检测方法、基于深度学习的异常设施的检测装置、电子设备及计算机可读存储介质。
技术介绍
1、随着全球城市化进程的不断加速，城市基础设施的规模与复杂度日益增长，这要求城市管理具备更高的智慧化水平，以确保城市的高效运作和可持续发展。城市日常运行中不可避免地会出现各种设施异常情况，如不同的公共安全设施损坏等。这些事件导致的城市设施异常若不能得到迅速检测和有效应对，不仅会降低城市管理效率，还可能直接威胁到市民的安全与生活质量。
2、异常城市设施检测往往面临着小目标检测的挑战。例如，小型散落的垃圾目标尺寸较小，会导致特征不明显、信息量较少，进而加大了异常城市设施的检测难度。
技术实现思路
1、本申请提供了一种异常设施的检测方法、异常设施的检测装置、电子设备及计算机可读存储介质，语义融合模块能够融合不同尺度下的局部目标信息和非局部背景信息，为小目标检测提供更多的上下文信息，进而降低异常城市设施的检测难度。
2、第一方面，本申请提供了一种基于深度学习的异常设施的检测方法，检测方法基于预先训练完成的设施检测模型实现，设施检测模型包括骨干网络、颈部网络以及检测头；骨干网络设置有多尺度的语义融合模块，语义融合模块用于融合不同尺度下的局部目标信息和非局部背景信息；检测方法包括：
3、基于骨干网络对待处理图像执行特征提取操作，得到图像特征；
4、基于颈部网络对图像特征执行特征融合操作，得到融合特征；>
5、基于检测头对融合特征进行检测，得到待处理图像中异常城市设施的检测结果。
6、第二方面，本申请提供了一种基于深度学习的异常设施的检测装置，该检测装置配置有预先训练完成的设施检测模型，设施检测模型包括骨干网络、颈部网络以及检测头；骨干网络设置有多尺度的语义融合模块用于融合不同尺度下的局部目标信息和非局部背景信息；检测装置包括：
7、提取模块，用于基于骨干网络对待处理图像执行特征提取操作，得到图像特征；
8、融合模块，用于基于颈部网络对图像特征执行特征融合操作，得到融合特征；
9、检测模块，用于基于检测头对融合特征进行检测，得到待处理图像中异常城市设施的检测结果。
10、第三方面，本申请提供了一种电子设备，该电子设备包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如上述第一方面的方法的步骤。
11、第四方面，本申请提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如上述第一方面的方法的步骤。
12、第五方面，本申请提供了一种计算机程序产品，上述计算机程序产品包括计算机程序，上述计算机程序被一个或多个处理器执行时实现如上述第一方面的方法的步骤。
13、本申请与现有技术相比存在的有益效果是：在骨干网络中设置多尺度的语义融合模块，用于融合不同尺度下的局部目标信息和非局部背景信息，由此可丰富小目标的特征，并增强小目标与背景之间的区别。通过这样的骨干网络能够提取得到包含更多的上下文信息的图像特征，进而基于图像特征进行图像融合所得到的融合特征，也包含小目标更多的上下文信息，对融合特征进行检测，能够提高目标检测的准确性，进而降低城市设施的检测难度。
14、可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的异常设施的检测方法，其特征在于，所述检测方法基于预先训练完成的设施检测模型实现，所述设施检测模型包括骨干网络、颈部网络以及检测头；所述骨干网络设置有多尺度的语义融合模块，所述语义融合模块用于融合不同尺度下的局部目标信息和非局部背景信息；所述检测方法包括：
2.如权利要求1所述的检测方法，其特征在于，所述骨干网络包括m个不同尺度的特征提取模块，所述m为正整数，且所述m≥2；所述语义融合模块设置在第m个所述特征提取模块之后；所述语义融合模块包括至少2个单尺度融合子模块，不同的所述单尺度融合子模块包括空洞率不同的空洞卷积层；所述图像特征包括语义融合特征，所述基于所述骨干网络对待处理图像执行特征提取操作，得到所述图像特征，包括：
3.如权利要求2所述的检测方法，其特征在于，所述单尺度融合子模块包括预设卷积层、预设空洞率对应的所述空洞卷积层以及拼接层； 针对输入每个所述单尺度融合子模块的第二输入特征，执行以下步骤：
4.如权利要求3所述的检测方法，其特征在于，所述语义融合模块包括3个所述单尺度融合子模块，顺序连接的第1-3个所述单尺
5.如权利要求2至4中任一项所述的检测方法，其特征在于，每个尺度对应的所述特征提取模块中均设置有ARFA子模块，所述ARFA子模块用于对单一尺度下输入特征的不同区域基于不同权重进行融合。
6.如权利要求5所述的检测方法，其特征在于，所述ARFA子模块包括特征提取单元、自适应感受野注意力单元以及融合单元；针对输入所述ARFA子模块的第三输入特征，执行以下操作：
7.如权利要求6所述的检测方法，其特征在于，所述自适应感受野注意力单元包括求和层、全局平均池化层、全局全连接层、各卷积尺度对应的全连接层以及归一化层，所述通过所述自适应感受野注意力单元将各所述特征图融合、重塑以及拼接，以计算每个卷积尺度对应的权重，包括：
8.一种基于深度学习的异常设施的检测装置，其特征在于，所述检测装置配置有预先训练完成的设施检测模型，所述设施检测模型包括骨干网络、颈部网络以及检测头；所述骨干网络设置有多尺度的语义融合模块，所述语义融合模块用于融合不同尺度下的局部目标信息和非局部背景信息；检测装置包括：
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于深度学习的异常设施的检测方法。
10.一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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于深度学习的异常设施的检测方法。
...【技术特征摘要】
1.一种基于深度学习的异常设施的检测方法，其特征在于，所述检测方法基于预先训练完成的设施检测模型实现，所述设施检测模型包括骨干网络、颈部网络以及检测头；所述骨干网络设置有多尺度的语义融合模块，所述语义融合模块用于融合不同尺度下的局部目标信息和非局部背景信息；所述检测方法包括：
2.如权利要求1所述的检测方法，其特征在于，所述骨干网络包括m个不同尺度的特征提取模块，所述m为正整数，且所述m≥2；所述语义融合模块设置在第m个所述特征提取模块之后；所述语义融合模块包括至少2个单尺度融合子模块，不同的所述单尺度融合子模块包括空洞率不同的空洞卷积层；所述图像特征包括语义融合特征，所述基于所述骨干网络对待处理图像执行特征提取操作，得到所述图像特征，包括：
3.如权利要求2所述的检测方法，其特征在于，所述单尺度融合子模块包括预设卷积层、预设空洞率对应的所述空洞卷积层以及拼接层； 针对输入每个所述单尺度融合子模块的第二输入特征，执行以下步骤：
4.如权利要求3所述的检测方法，其特征在于，所述语义融合模块包括3个所述单尺度融合子模块，顺序连接的第1-3个所述单尺度融合子模块对应的空洞卷积层的空洞率分别为2、4、以及8；所述将所述语义融合模块的第一输入特征输入顺序连接的各所述单尺度融合子模块执行多尺度的语义融合操作，得到所述语义融合特征，包括：
5.如权利要求2至4中任一项所述的检测方法，其特征在于，每个尺度对应的...
【专利技术属性】
技术研发人员：王鹏，徐垚凡，王鹏飞，游东旭，蔡达识，刘加美，
申请(专利权)人：深圳市锐明像素科技有限公司，
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。