[發明專利]一種基于自監督預訓練的智能檢測方法、裝置及機器人

在審

• 申請號: 202110892260.4
• 申請日: 2021-08-04
• 公開（公告）號: CN113780342A
• 公開（公告）日: 2021-12-10
• 發明（設計）人: 陳翔;伍建和;韓成功;靳興來;祝勇義;朱世強;賈洪波;胡慈波
• 申請（專利權）人: 杭州國辰機器人科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 蘇州中合知識產權代理事務所(普通合伙) 32266
• 代理人: 阮梅

本發明公開一種基于自監督預訓練的智能檢測方法、裝置及機器人，該方法包括如下步驟：獲取大量相似場景無標簽圖片；采集任務需要的少量指定場景圖片，通過標注工具對每個指定場景圖片中特定檢測對象進行標注，標簽為兩類：正常數據和非正常數據；通過自監督預訓練算法對收集到的大量相似場景無標簽圖片進行訓練，得到特征提取模型；使用自監督預訓練得到的特征提取模型作為有監督目標檢測算法模型的主干網絡，然后在標注后得到的少量指定場景圖片上訓練所述目標檢測算法模型；訓練完成后，通過mAP值對模型進行精度檢測。本發明可以在海量無標簽數據和少量無標簽數據場景相似的前提下，有效的提升模型的精度和泛化性能。

技術領域

本發明涉及計算機技術領域，尤其涉及一種基于自監督預訓練的智能檢測方法、裝置及機器人。

背景技術

智能機器人技術是當前一個十分前沿和熱門的技術，隨著大數據、云計算、人工智能等技術的發展，機器人的智能化程度越來越高，已經在工業、商業、醫療、能源、交通、教育等多個領域得到應用，其中尤其在是在交通工程建設下的智能巡檢任務得到廣泛的應用。機器人智能巡檢是指機器人在交通工程建設下按照規劃好的巡檢路線自主運行，在運行過程中通過傳感器采集環境中的數據，然后通過智能算法分析數據，檢測出異常情況。在智能巡檢中最常用的方式是通過攝像頭獲取環境的圖像數據，然后用基于深度學習的圖像分類、目標檢測、語義分割等算法進行各類識別和檢測任務，如漏液檢測、安全帽檢測、指示燈檢測等。

但由于基于深度學習類的智能識別和檢測算法通常需要大量(十幾萬/幾十萬張圖片)帶有標簽的數據進行模型訓練，通常情況下，數據越多算法模型的精度越高、泛化性能越好，相應的如果數據不足，將嚴重降低算法的精度和泛化性能，導致無法達到相應的要求。然而采集和標注大量的數據，需要花費較大的人力物力等成本，對于很多中小型公司來說代價太高，而且有些情況下受場景和隱私等限制，即使我們有人力物力也很難采集到足夠的數據。這種在特定場景限制下，難以采集到足夠的數據是很多基于深度學習的識別和檢測算法落地應用時面臨的一個廣泛且十分有挑戰的問題，解決該問題具有十分重要的應用價值。當前主流的解決方法是基于遷移學習，即先在一個公開的大型數據集上訓練模型，然后再在特定場景的小型數據集上微調模型的方法，這種方法具有一定的效果，但整體系統較復雜而且精度不高，尤其是在公開的大型數據集和特定場景的小數據場景差異過大的情況下，會導致模型的精度和泛化均嚴重下降，無法滿足需求。

發明內容

為了解決上述技術問題，本發明提出一種基于自監督預訓練的智能檢測方法、裝置及機器人。本方法、裝置及機器人可以在海量無標簽數據和少量無標簽數據場景相似的前提下，有效的提升模型的精度和泛化性能。

為了達到上述目的，本發明的技術方案如下：

一種基于自監督預訓練的智能檢測方法，包括如下步驟：

步驟S1：獲取大量相似場景無標簽圖片；

步驟S2：采集任務需要的少量指定場景圖片，通過標注工具對每個指定場景圖片中特定檢測對象進行標注，標簽為兩類：正常數據和非正常數據；

步驟S3：通過自監督預訓練算法對收集到的大量相似場景無標簽圖片進行訓練，得到特征提取模型；

步驟S4：使用自監督預訓練得到的特征提取模型作為有監督目標檢測算法模型的主干網絡，然后在標注后得到的少量指定場景圖片上訓練所述目標檢測算法模型；

步驟S5：將測試集輸入到步驟S4訓練完成后的目標檢測算法模型中，計算模型的mAP值，若mAP值大于預設閾值，則停止訓練，保存模型；若mAP值小于預設閾值，則轉至步驟3繼續訓練或對步驟4重新進行超參數設置。

優選地，還包括步驟S6：實時將待檢測的現場圖片輸入到步驟S5中保存的目標檢測算法模型中進行推斷，若判定待檢測的現場圖片為非正常數據，則待檢測的現場圖片中特定檢測對象存在非正常行為，立即對相關人員發出告警信息。