[發(fā)明專利]一種基于深度學習的施工現(xiàn)場違章智能識別方法

在審

• 申請?zhí)枺?/td>: 201911105719.0
• 申請日: 2019-11-13
• 公開（公告）號: CN110826514A
• 公開（公告）日: 2020-02-21
• 發(fā)明（設(shè)計）人: 郝強;范克強;許宏洋;李朝瑞;劉廣東;尹吉昌;張淼鑫;唐紅燕;丁再賢;段一平;徐璐瑤;喬海春;吳青武
• 申請（專利權(quán)）人: 國網(wǎng)青海省電力公司海東供電公司;國網(wǎng)青海省電力公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06Q50/06
• 代理公司: 西寧工道知識產(chǎn)權(quán)代理事務所(普通合伙) 63102
• 代理人: 全宏毅

1.一種基于深度學習的施工現(xiàn)場違章智能識別方法，其特征在于：包括以下步驟：

第一步，視頻圖像樣本數(shù)據(jù)收集，針對每類目標違章行為收集圖像素材樣本；

第二步，人工圖像標定，通過人工將搜集到的目標圖像進行分類，并分別在圖像素材上進行手動標定，將圖像中的違章行為通過不同的矩形框標注；違章行為樣本作為算法學習的正樣本，無違章行為作為算法排除的負樣本；

第三步，構(gòu)建模型，利用Tensorflow算法將目標違章行為的紋理特征、形狀特征、空間關(guān)系特征進行提取，并對提取出來的特征信息進行分類訓練，輸出形成可識別各類目標違章行為的檢測模型；

第四步，模型訓練，基于已標定的正負樣本進行自主特征學習，優(yōu)化模型特征參數(shù)，并根據(jù)檢測結(jié)果進行糾偏及標定，標定后的素材進行重新訓練，通過不斷迭代形成高可用的分析模型；

第五步，模型評估，通過現(xiàn)場測試驗證違章智能識別模型，違章信息進行智能識別。

2.根據(jù)權(quán)利要求1所述的一種基于深度學習的施工現(xiàn)場違章智能識別方法，其特征在于：所述的第四步模型訓練采用改進的SSD算法進行目標檢測，通過在不同卷積層的特征圖上預測物體區(qū)域，輸出離散化的多尺度、多比例的默認框平行坐標，同時利用小卷積核預測一系列候選框的邊框坐標補償和每個類別的置信度；在整幅圖像上各個位置用多尺度區(qū)域的局部特征圖邊框回歸。

3.根據(jù)權(quán)利要求2所述的一種基于深度學習的施工現(xiàn)場違章智能識別方法，其特征在于：所述的改進的SSD算法，采用多尺度特征圖檢測，將卷積特征層添加到截斷的基礎(chǔ)網(wǎng)絡(luò)的末尾，卷積特征層尺寸逐漸減小，得到多個尺度檢測的預測值，檢測的卷積模型對于每個卷積特征層是不同的。

4.根據(jù)權(quán)利要求3所述的一種基于深度學習的施工現(xiàn)場違章智能識別方法，其特征在于：所述的改進的SSD算法，檢測的卷積預測器：每個添加的卷積特征層或可選的基礎(chǔ)網(wǎng)絡(luò)的現(xiàn)有卷積特征層可以使用一組卷積濾波器產(chǎn)生固定的預測集合。

5.根據(jù)權(quán)利要求4所述的一種基于深度學習的施工現(xiàn)場違章智能識別方法，其特征在于：所述的改進的SSD算法，默認框與寬高比：將一組默認邊界框與頂層網(wǎng)絡(luò)每個特征圖單元關(guān)聯(lián)，默認框?qū)μ卣鲌D作卷積運算，使得每個框?qū)嵗鄬τ谄鋵獑卧竦奈恢檬枪潭ǖ模辉诿總€特征映射單元中，預測相對于單元格中的默認框形狀的偏移，以及每個框中實例的每類分數(shù)。

6.根據(jù)權(quán)利要求5所述的一種基于深度學習的施工現(xiàn)場違章智能識別方法，其特征在于：所述的改進的SSD算法所采用的匹配策略為：將默認框與任何的標注數(shù)據(jù)配對，只需兩者之間的交并比大于一個閾值，交并比公式為：。

7.根據(jù)權(quán)利要求6所述的一種基于深度學習的施工現(xiàn)場違章智能識別方法，其特征在于：所述的改進的SSD算法，數(shù)據(jù)增廣為：針對每一張訓練圖像，隨機采樣一個圖像塊，當標注數(shù)據(jù)的中心在采樣的圖像塊中時，保留重疊部分；在多次采樣步驟之后，每一個采樣的圖像塊被改變到固定的大小，并且以0.5，0.5的概率隨機的水平翻轉(zhuǎn)。