[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

本發明涉及一種基于深度學習算法的倉儲異常目標檢測方法及系統，該方法包括：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，訓練倉儲異常目標檢測網絡，獲得倉儲異常目標檢測模型；利用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；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；骨干網絡為改進的ResNet34殘差網絡，改進的ResNet34殘差網絡的激活函數為Mish激活函數，改進的ResNet34殘差網絡包括批量標歸一化層。本發明提高了倉儲異常目標檢測的效率和準確性。

技術領域

本發明涉及目標檢測技術領域，特別是涉及一種基于深度學習算法的倉儲異常目標檢測方法及系統。

背景技術

隨著物聯網、大數據以及人工智能的快速發展，倉儲領域已經插上了智能化的翅膀，進入了高質量飛速發展的階段。智能倉儲已經成為現在大型公司的標準配置。亞馬遜公司的Tracy物流中心采用Kiva機器人進行自動搬運分揀，京東公司的無人物流倉庫，耐克公司的中國物流中心（CLC）等，這些智能倉儲已經比比皆是。更重要的是這種趨勢正在向中小企業擴展。然而，智能倉儲發展的越迅猛，越要重視智能倉儲的安全問題。倉儲是貨物的暫存和中轉的場所，它能夠起到保存和保護其貨物等重大作用。如果智能倉儲的安全問題不解決，一旦出現失火、進水，毒氣泄漏等相關安全問題，會產生巨大并且無法挽回的經濟損失，還會威脅到很多人的生命安全。所以，智能倉儲的安全問題非常重要，研究并防范智能倉儲的安全具有十分重大的意義。但是，近年來智能倉儲由于安全而發生的事故接連不斷的發生，現階段的智能倉儲安全技術發展還不夠完善，不能完全滿足人們的需要，智能倉儲的安全事故會帶來巨大的財產損失。

發明內容

本發明的目的是提供一種基于深度學習算法的倉儲異常目標檢測方法及系統，提高了倉儲異常目標檢測的效率和準確性。

為實現上述目的，本發明提供了如下方案：

一種基于深度學習算法的倉儲異常目標檢測方法，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。

可選地，所述深度學習算法為YOLOv5算法。

可選地，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。