[發明專利]一種基于無監督聚類的在建房屋識別方法

在審

• 申請號: 202210063160.5
• 申請日: 2022-01-19
• 公開（公告）號: CN114581769A
• 公開（公告）日: 2022-06-03
• 發明（設計）人: 胡華浪;韓旭;黃進;李劍波;申克建
• 申請（專利權）人: 西南交通大學;農業農村部大數據發展中心
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/44;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 成都弘毅天承知識產權代理有限公司 51230
• 代理人: 岳子強

本發明公開了一種基于無監督聚類的在建房屋識別方法，涉及計算機視覺技術領域，包括以下步驟：通過圖像采集裝置采集在建房屋的圖像數據；對收集到圖像數據中的在建房屋的位置進行人工標注，然后將標注后的在建房屋進行裁剪，得到在建房屋圖像數據集；設置好聚類的類別數目，然后將在建房屋圖像數據采用對比聚類的無監督方式進行類別劃分；各個在建房屋在通過聚類后都有相應的類別，將該在建房屋數據的類別標注到原始圖像上的標簽；對于標注上標簽的在建房屋數圖像據集，采用Yolox目標檢測算法進行模型訓練；根據房屋數據的每個類別在測試集的預測效果，調整每個類別的置信度閾值；更有利于模型的訓練和收斂，保持高召回率，提高檢測精度。

技術領域

本發明涉及計算機視覺技術領域，具體為一種基于無監督聚類的在建房屋識別方法。

背景技術

通過攝像頭實時采集圖片或者視頻流數據，再利用人工智能技術對所采集的圖片或者視頻流數據進行處理和分析，實現對農村在建房屋實時監測并將其信息推送給人工智能平臺，從而對違建房屋進行判定，達到智能化監管的目的；在這其中主要采用目標檢測技術，目前，目標檢測一般都是采用監督學習的方式，即通過對訓練數據集進行人工標注，主要是標出目標的位置和所屬的類別，然后在標注好的數據集上進行模型的訓練，最后通過訓練好的模型對數據進行預測；目標檢測作為人工智能最常用的技術之一，主要分為采用手工設計特征的傳統算法和基于深度學習的檢測算法，隨著深度網絡和GPU等硬件技術的發展，基于深度學習的目標檢測性能已經遠超傳統算法，成為當前檢測領域的主流算法；而基于深度學習的方法也分為一階段(One-Stage)和兩階段 (Two-Stage)兩類，其中，Two-Stage算法主要代表是RCNN系列(Rcnn，Fast Rcnn和Faster Rcnn)，兩階段算法也意為需要分兩步進行，首先對候選區域進行預測，然后再對候選區域進行分類和候選框的位置進行回歸，所以算法的精度較高，但是實時性較差；與之相反，One-Stage算法是直接對圖像中目標的位置和類別進行預測，實現了端到端的檢測，因此該類算法實時性較高，也易于優化，但準確率相較于一階段算法有所下降，就工業界而言，不僅僅只考慮算法預測的精度，實時性也是算法選擇的重要指標之一，因此一階段算法是工業界首選的檢測算法，一階段主要有SSD，RetinaNet，Yolo系列算法；一直專注于精度與實時性并重的yolo系列算法一直在工業界廣泛應用，從Yolov1到 Yolov5，再到今年剛提出的Yolox檢測算法，Yolo系列算法不斷改進，其性能也越來越好，Yolox算法通過將Decoupled head，anchor-free，simOTA等技術引入到算法中，使得檢測精度和推理速度都有所上升，成為目前最優秀的檢測算法之一。

現存技術存在的主要問題及缺陷是：

現有目標檢測算法大都是通過人工對圖像進行標注，但是對于在建房屋數據而言，房屋在修建的過程中，不同的時期所呈現的狀態各不相同，并且由于攝像頭拍攝的角度不同，也會導致在建房屋差異較大，同時房屋修建的類型也各不相同；如果采用單一的一個類別(如“在建房屋”)去對數據進行標注，由于房屋之間差異較大，模型難以收斂，最終造成檢測精度較低；同時由于所有狀態都歸納為一個類別，模型不易優化，例如不好判定那種數據識別不好，從而不能對識別不好的狀態進行專項優化；如果采用人工對數據去進行分類，由于現實場景中采集的房屋數據多樣性，包括各個攝像頭拍攝的角度不同，房屋之間相互遮擋，房屋修建時期的各個狀態以及房屋類型的多樣化，這就造成人工定義分類困難，同時如果采用人工定義好類別，在增加新的訓練數據時也需要去進行人工分類，容易將數據分類錯誤，造成模型訓練效果不佳。

發明內容

本發明的目的在于：為了解決上述技術問題，本發明提供一種基于無監督聚類的在建房屋識別方法。

本發明為了實現上述目的具體采用以下技術方案：

本發明一種基于無監督聚類的在建房屋識別方法，包括以下步驟：

S1、制作數據集：通過圖像采集裝置采集在建房屋的圖像數據；