[發明專利]一種基于深度學習算法的倉儲異常目標檢測方法及系統

有效

• 申請號: 202111437250.8
• 申請日: 2021-11-30
• 公開（公告）號: CN113850242B
• 公開（公告）日: 2022-04-01
• 發明（設計）人: 李冠蕊;羅遠哲;劉瑞景;榮云虎;陸立軍;鄭玉潔;李文靜;王傳程;劉輝
• 申請（專利權）人: 北京中超偉業信息安全技術股份有限公司
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06V10/40;G06V10/774;G06V10/762;G06V10/80;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 杜陽陽

1.一種基于深度學習算法的倉儲異常目標檢測方法，其特征在于，包括：

獲得多個倉儲視頻監控圖像；

對多個所述倉儲視頻監控圖像進行數據增加處理，獲得數據增加處理后的倉儲視頻監控圖像；

構建基于深度學習算法的倉儲異常目標檢測網絡；

以數據增加處理后的倉儲視頻監控圖像為訓練集，訓練所述倉儲異常目標檢測網絡，獲得倉儲異常目標檢測模型；

利用所述倉儲異常目標檢測模型對待檢測倉儲視頻監控圖像進行異常目標檢測；

所述倉儲異常目標檢測網絡包括依次連接的骨干網絡、多尺度特征融合網絡和預測層；所述骨干網絡為改進的ResNet34殘差網絡，所述改進的ResNet34殘差網絡的激活函數為Mish激活函數，所述改進的ResNet34殘差網絡包括批量標歸一化層；所述多尺度特征融合網絡包括FPN網絡和PAN網絡，所述FPN網絡用于對所述改進的ResNet34殘差網絡輸出的各特征圖進行上采樣，獲得第一特征圖像金字塔模型，所述PAN網絡用于對所述FPN網絡輸出的各特征圖進行下采樣，獲得第二特征圖像金字塔模型；所述預測層采用的損失函數為綜合損失函數，所述綜合損失函數為回歸框損失函數、交叉熵損失函數和IOU置信度損失函數之和；

所述綜合損失函數表示為：

Loss=Loss_B+Loss_C+Loss_O；

其中，Loss_B表示回歸框損失函數，Loss_C表示交叉熵損失函數，Loss_O表示IOU置信度損失函數；

；

；

；

其中，λ_Coord表示第一超參數，λ_CLS表示第二超參數，λ_Noo表示第三超參數，λ_o表示第四超參數，B表示偏置參數，S²表示網格中單元格的數量，x_i表示單元格i中心位置的x軸坐標，y_i表示單元格i中心位置的y軸坐標，表示單元格i中異常目標預測位置的x軸坐標，表示單元格i中異常目標預測位置的y軸坐標，w_i表示單元格i中真實邊界框的長邊長度，h_i表示單元格i中真實邊界框的短邊長度，表示單元格i中預測邊界框的長邊長度，表示單元格i中預測邊界框的短邊長度，c表示類別損失函數，p_i(c)表示是真實異常目標類別的概率，表示預測異常目標類別的概率，c_i表示真實異常目標的邊界框置信度，表示預測異常目標的邊界框置信度；當單元格i中存在異常目標時，==1，=0，當單元格i中不存在異常目標時，==0，=1。

2.根據權利要求1所述的基于深度學習算法的倉儲異常目標檢測方法，其特征在于，所述深度學習算法為YOLOv5算法。

3.根據權利要求1所述的基于深度學習算法的倉儲異常目標檢測方法，其特征在于，所述對多個所述倉儲視頻監控圖像進行數據增加處理，獲得數據增加處理后的倉儲視頻監控圖像，具體包括：

采用對所述倉儲視頻監控圖像的亮度、對比度、色調、飽和度和高斯噪聲進行改變，或者對所述倉儲視頻監控圖像進行裁剪、翻轉、旋轉或隨機縮放，獲得數據增加處理后的倉儲視頻監控圖像。

4.根據權利要求1所述的基于深度學習算法的倉儲異常目標檢測方法，其特征在于，所述改進的ResNet34殘差網絡包括多個依次連接的特征提取模塊，各所述特征提取模塊包括第一特征提取單元和第二特征提取單元，所述第一特征提取單元的輸入為所述特征提取模塊的輸入，所述第一特征提取單元的輸出連接所述第二特征提取單元的輸入，所述第二特征提取單元的輸出為所述特征提取模塊的輸出，所述第一特征提取單元和第二特征提取單元均包括依次連接的卷積層、批量標歸一化層和Mish激活函數，所述特征提取模塊的輸入連接所述特征提取模塊的輸出。

5.根據權利要求1所述的基于深度學習算法的倉儲異常目標檢測方法，其特征在于，所述預測層采用K-Means聚類算法確定錨框，所述K-Means聚類算法中k值為6，采用非極大值抑制算法進行錨框選擇。