[發明專利]一種圖像檢測方法、系統、存儲介質及電子設備

在審

• 申請號: 202110579035.5
• 申請日: 2021-05-26
• 公開（公告）號: CN113159001A
• 公開（公告）日: 2021-07-23
• 發明（設計）人: 張曉航;廖逍;謝可;劉迪;邱鎮;王興濤;白景坡;盧大瑋;李文璞;靳敏;徐凡;李小寧;黃曉光
• 申請（專利權）人: 國網信息通信產業集團有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 張建

1.一種圖像檢測方法，其特征在于，包括：

將視頻流中的相鄰幀采用像素相減的方法，得到差分圖像；

對所述差分圖像進行二值化處理，得到二值化后的差分圖像；

判斷所述二值化后的差分圖像的像素值是否小于預設像素閾值，若是，則確定所述視頻流中的圖像未發生變化，若否，則確定所述視頻流中的圖像發生了變化；

在確定所述視頻流中的圖像發生了變化時，提取發生變化時刻之前的第一預設時長的視頻流，和/或在未監測到第一時間段的所述視頻流中的圖像變化時，提取所述第一時間段的所述視頻流中的第二時間段的視頻流，所述第一時間段的時長為第二預設時長，所述第二時間段的時長小于所述第一時間段的時長，且所述第二時間段的最晚時刻與所述第一時間段的最晚時刻相同；

將提取的視頻流作為待檢測視頻流，將所述待檢測視頻流中的待檢測圖像輸入訓練好的目標檢測模型，得到待檢測圖像異常信息；所述待檢測圖像異常信息為所述待檢測圖像表征存在異常情況的概率。

2.根據權利要求1所述的圖像檢測方法，其特征在于，所述目標檢測模型是采用標記的圖像樣本對改進的Faster R-CNN模型進行訓練得到的，所述改進的Faster R-CNN模型包括骨干網絡、特征金字塔網絡、卷積層和全連接層，所述骨干網絡為去除全連接層的ResNet卷積神經網絡；

所述目標檢測模型的訓練方法，具體包括：

獲取圖像樣本，對所述圖像樣本進行標記，得到所述標記的圖像樣本；

將所述標記的圖像樣本輸入所述骨干網絡進行特征提取，得到特征圖；

將所述特征圖與所述特征金字塔網絡進行融合，得到特征層；

將所述特征層輸入所述卷積層，得到卷積輸出結果，將所述卷積輸出結果輸入所述全連接層，得到預測的圖像異常概率；

對所述改進的Faster R-CNN模型的權重進行調整，直至所述預測的圖像異常概率與實際的圖像異常概率的偏差在容許范圍內時，訓練完成，得到訓練好的目標檢測模型。

3.根據權利要求2所述的圖像檢測方法，其特征在于，所述將所述標記的圖像樣本輸入所述骨干網絡進行特征提取，得到特征圖，具體包括：

將所述標記的圖像樣本輸入所述骨干網絡，采用所述骨干網絡的各階段卷積模塊進行特征提取后，得到多個階段的特征圖；其中，后一階段特征圖的尺寸小于前一階段特征圖的尺寸，后一階段特征圖的語義特征個數大于前一階段特征圖的語義特征個數，后一階段特征圖的分辨率小于前一階段特征圖的分辨率。

4.根據權利要求3所述的圖像檢測方法，其特征在于，所述將所述特征圖與所述特征金字塔網絡進行融合，得到特征層，具體包括：

按照最后一個階段的特征圖對應所述特征金字塔網絡的頂層，第二階段的特征圖對應所述特征金字塔網絡的底層的順序，將各個階段的特征圖與所述特征金字塔網絡的層進行對應；

將最后一個階段的特征圖輸入所述特征金字塔的頂層進行特征融合，得到所述特征金字塔頂層的輸出結果；

將所述特征金字塔網絡的第二層作為當前層，將所述當前層的上一層輸出結果與所述當前層對應的特征圖一起輸入所述當前層中進行處理，得到當前層的輸出結果；

若所述當前層存在下一層，則將下一層作為當前層，返回步驟“將所述當前層的上一層輸出結果與所述當前層對應的特征圖一起輸入所述當前層中進行處理，得到當前層的輸出結果”；若所述當前層不存在下一層，則輸出所述特征金字塔網絡各層的輸出結果，然后執行步驟“將所述特征層輸入所述卷積層，得到卷積輸出結果，將所述卷積輸出結果輸入所述全連接層，得到預測的圖像異常概率”；其中，所述特征金字塔網絡各層的輸出結果為所述特征層。

5.根據權利要求2所述的圖像檢測方法，其特征在于，所述將所述特征層輸入所述卷積層，得到卷積輸出結果，將所述卷積輸出結果輸入所述全連接層，得到預測的圖像異常概率，具體包括：

使用所述卷積層對所述特征層進行處理，得到候選框的置信度；所述候選框的置信度為所述候選框含有目標的概率；

在所述候選框的置信度大于預設置信度閾值時，使用所述全連接層對所述候選框對應的特征圖區域進行處理，得到預測的圖像異常概率。