[發(fā)明專利]一種基于目標(biāo)檢測(cè)的表觀特征監(jiān)測(cè)數(shù)據(jù)智能標(biāo)注方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010013006.8
• 申請(qǐng)日: 2020-01-07
• 公開(kāi)（公告）號(hào): CN111222462A
• 公開(kāi)（公告）日: 2020-06-02
• 發(fā)明（設(shè)計(jì)）人: 王如賓;張坤;祁健;徐衛(wèi)亞;王環(huán)玲;丁綿剛
• 申請(qǐng)（專利權(quán)）人: 河海大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06K9/40;G06N3/04
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 柏尚春

本發(fā)明公開(kāi)了一種基于目標(biāo)檢測(cè)的表觀特征監(jiān)測(cè)數(shù)據(jù)智能標(biāo)注方法，包括以下步驟：對(duì)數(shù)據(jù)進(jìn)行獲取與處理；對(duì)已經(jīng)采集的數(shù)據(jù)進(jìn)行標(biāo)注；對(duì)模型進(jìn)行初步訓(xùn)練；對(duì)新數(shù)據(jù)進(jìn)行檢測(cè)；將已有的標(biāo)注數(shù)據(jù)與其模型訓(xùn)練結(jié)果導(dǎo)入數(shù)據(jù)標(biāo)注系統(tǒng)；對(duì)結(jié)果進(jìn)行微調(diào)，對(duì)已經(jīng)分類訓(xùn)練好的數(shù)據(jù)進(jìn)行檢測(cè)，修正錯(cuò)誤結(jié)果；對(duì)模型進(jìn)行迭代優(yōu)化，將經(jīng)過(guò)調(diào)整的數(shù)據(jù)再用于模型的迭代優(yōu)化，調(diào)整模型中的神經(jīng)網(wǎng)絡(luò)模型中學(xué)習(xí)率η、正則化參數(shù)λ超參數(shù)計(jì)算直到輸出誤差達(dá)到最終要求結(jié)束訓(xùn)練。本發(fā)明節(jié)省了邊坡及滑坡災(zāi)害防治、堰塞壩災(zāi)害治理多種領(lǐng)域表觀特征目標(biāo)檢測(cè)與數(shù)據(jù)標(biāo)注的時(shí)間，提高了數(shù)據(jù)標(biāo)注的效率與準(zhǔn)確率，符合大數(shù)據(jù)存儲(chǔ)與云計(jì)算多種技術(shù)在工程建設(shè)與災(zāi)害防控領(lǐng)域的智能化應(yīng)用。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理中的幀率提取、圖像降噪，以及人工智能領(lǐng)域的目標(biāo)檢測(cè)與神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練方法，尤其涉及一種基于目標(biāo)檢測(cè)的表觀特征監(jiān)測(cè)數(shù)據(jù)智能標(biāo)注方法。

背景技術(shù)

目前，各行各業(yè)都在向著人工智能方法發(fā)展，目標(biāo)檢測(cè)與數(shù)據(jù)標(biāo)注對(duì)于人工智能發(fā)展起著至關(guān)重要的作用，在邊坡及滑坡災(zāi)害防治、堰塞壩災(zāi)害治理、隧洞圍巖滲漏監(jiān)測(cè)、混凝土裂縫檢測(cè)領(lǐng)域，都需要大量的目標(biāo)檢測(cè)與數(shù)據(jù)標(biāo)注。

目標(biāo)檢測(cè)的任務(wù)就是找出圖像中所有需要的目標(biāo)物體，確定他們的位置與大小，是機(jī)器視覺(jué)的核心問(wèn)題之一。

隨著時(shí)代潮流發(fā)展，重大工程建設(shè)與災(zāi)害防控領(lǐng)域正在積極的向著人工智能領(lǐng)域靠攏。重大工程建設(shè)與災(zāi)害防控的智能化過(guò)程中需要大量的目標(biāo)檢測(cè)與數(shù)據(jù)標(biāo)注，比如滑坡表觀裂隙的標(biāo)注與檢測(cè)，深埋隧洞圍巖滲水監(jiān)測(cè)，建筑結(jié)構(gòu)墻體裂縫的標(biāo)注與檢測(cè)，甚至可以是混凝土或者瀝青路面的裂縫的檢測(cè)與發(fā)展。但是當(dāng)前階段，重大工程智能化過(guò)程中嚴(yán)重缺乏標(biāo)注數(shù)據(jù)。且現(xiàn)在已有的數(shù)據(jù)標(biāo)注系統(tǒng)通常都需要大量的人力與時(shí)間投入，并且在標(biāo)注數(shù)據(jù)時(shí)，還需要大量的專業(yè)人員的投入，比如醫(yī)療行業(yè)的目標(biāo)檢測(cè)必須由醫(yī)生進(jìn)行；在土木工程領(lǐng)域，滑坡表觀位移監(jiān)測(cè)或地下洞室安全維護(hù)監(jiān)測(cè)過(guò)程中，一些形變與裂隙的生成與發(fā)展過(guò)程都需要從業(yè)人員辨別后進(jìn)行標(biāo)注，效率低且易出錯(cuò)。

發(fā)明內(nèi)容

發(fā)明目的：本發(fā)明的目的在于提供一種基于目標(biāo)檢測(cè)的表觀特征監(jiān)測(cè)數(shù)據(jù)智能標(biāo)注方法，以解決現(xiàn)有技術(shù)中存在的不足之處。

技術(shù)方案：本發(fā)明基于目標(biāo)檢測(cè)的表觀特征監(jiān)測(cè)數(shù)據(jù)智能標(biāo)注方法，包括以下步驟：

步驟(1)，對(duì)數(shù)據(jù)進(jìn)行獲取與處理；

步驟(2)，對(duì)已經(jīng)采集的數(shù)據(jù)進(jìn)行標(biāo)注；

步驟(3)，對(duì)模型進(jìn)行初步訓(xùn)練；

步驟(4)，對(duì)新數(shù)據(jù)進(jìn)行檢測(cè)時(shí)，即利用步驟(3)中初步訓(xùn)練好的模型對(duì)由步驟(1)中獲取的新數(shù)據(jù)進(jìn)行檢測(cè)，得出初步檢測(cè)結(jié)果；

步驟(5)，將已有的標(biāo)注數(shù)據(jù)與其模型訓(xùn)練結(jié)果導(dǎo)入數(shù)據(jù)標(biāo)注系統(tǒng)；

步驟(6)，對(duì)結(jié)果進(jìn)行微調(diào)，對(duì)已經(jīng)分類訓(xùn)練好的數(shù)據(jù)進(jìn)行檢測(cè)，修正錯(cuò)誤結(jié)果；

步驟(7)，對(duì)模型進(jìn)行迭代優(yōu)化，將步驟(6)中經(jīng)過(guò)調(diào)整的數(shù)據(jù)再用于模型的迭代優(yōu)化，調(diào)整模型中的神經(jīng)網(wǎng)絡(luò)模型中學(xué)習(xí)率η、正則化參數(shù)λ超參數(shù)計(jì)算直到輸出誤差達(dá)到最終要求結(jié)束訓(xùn)練。

步驟(1)中，數(shù)據(jù)獲取與處理過(guò)程是利用基于幀率提取的數(shù)據(jù)提取方法來(lái)對(duì)數(shù)據(jù)進(jìn)行獲取，該數(shù)據(jù)獲取與處理過(guò)程包括以下步驟：

步驟(1.1)，首先選用精度為每秒60～120幀的攝像機(jī)在檢測(cè)現(xiàn)場(chǎng)或者實(shí)驗(yàn)裝置側(cè)面進(jìn)行拍攝；

步驟(1.2),通過(guò)Python程序?qū)崟r(shí)將視頻傳入電腦；

步驟(1.3)，將視頻中的每一幀圖像提取出來(lái)；

步驟(1.4)，利用圖像降噪算法采集的圖像進(jìn)行降噪處理，得到突出所需特征的圖像數(shù)據(jù)；

步驟(1.5)，將數(shù)據(jù)集劃分為：訓(xùn)練集、驗(yàn)證集與測(cè)試集。