训练、预警发送方法、系统、装置、设备和介质与流程

本申请人工智能、预警发送，尤其涉及一种目标检测模型训练、预警发送方法、系统、装置、设备和存储介质。

背景技术：

1、目前主流的目标检测算法中，通常是利用卷积神经网络，对输入图片进行卷积池化操作，再对位置信息进行回归，得到识别主体的检测信息，例如位置信息和大小信息，其中的位置信息一般使用检测框(如矩形框)表示。然而，传统的算法对人、车、动物等常见主体比较通用，但是，面对牵绳(如牵狗绳)这类非常见主体并不适用，导致识别准确率并不高。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种目标检测模型训练、预警发送方法、系统、装置、设备和存储介质，以解决面对牵绳(如牵狗绳)这类非常见主体并不适用，导致识别准确率并不高的技术问题。

2、本申请第一方面提供了一种目标检测模型训练方法，包括：

3、获取训练图片集，所述训练图片集包括多张训练图片，所述训练图片被标注有标注对象的真实标签，所述标注对象包括牵绳和目标对象；

4、将所述多张训练图片输入至预设神经网络中进行迭代训练，直至所述预设神经网络的输出符合预设条件，得到所述目标检测模型；

5、所述预设神经网络包括输入网络、骨干网络、检测颈网络和检测头网络，其中，所述骨干网络的卷积层采用空洞卷积方式。

6、在一实施方式中，所述将所述多张训练图片输入至预设神经网络中进行迭代训练，直至所述预设神经网络的输出符合预设条件，得到所述目标检测模型，包括：

7、所述输入网络用于对提取输入的所述训练图片进行数据增强，并将增强后的所述训练图片输入至所述骨干网络；

8、所述骨干网络用于对增强后的所述训练图片进行特征提取，得到至少一个尺度的初始特征图，并将所述至少一个尺度的初始特征图输入至所述检测颈网络；

9、所述检测颈网络用于对所述至少一个尺度的初始特征图进行特征融合，得到至少一个尺度的融合特征图，并将多尺度的所述融合特征图输入至所述检测头网络；

10、所述检测头网络用于对所述至少一个尺度的融合特征图进行检测，得到至少一个尺度的预测信息，所述预测信息包括所述标注对象的位置、分类和置信度；

11、将所述训练图片对应的所述预测信息，和所述训练图片标注的所述真实标签送入预设损失函数进行反向传播，并通过多轮迭代，得到符合所述预设条件的所述目标检测模型。

12、在一实施方式中，所述目标对象包括狗。

13、本申请第二方面提供了一种基于网络模型的预警发送方法，包括：

14、获取监控设备拍摄的被检测图片；

15、将所述被检测图片输入预先训练好的目标检测模型中，以获取所述被检测图片中检测对象的检测框，所述检测对象包括牵绳和目标对象；所述目标检测模型为采用所述的目标检测模型训练方法得到；

16、根据所述牵绳的检测框和所述目标对象的检测框的相交情况，判定所述被检测图片中所述目标对象是否被牵绳；

17、当所述目标对象未被牵绳子，则基于所述目标对象未牵绳的被检测图片和所述监控设备的位置信息生成预警事件信息；

18、将所述预警事件信息发送至管理终端。

19、本申请第三方面提供了一种目标检测模型训练装置，包括：

20、获取模块，用于获取训练图片集，所述训练图片集包括多张训练图片，所述训练图片被标注有标注对象的真实标签，所述标注对象包括牵绳和目标对象；

21、训练模块，用于将所述多张训练图片输入至预设神经网络中进行迭代训练，直至所述预设神经网络的输出符合预设条件，得到所述目标检测模型；

22、其中，所述预设神经网络包括输入网络、骨干网络、检测颈网络和检测头网络，其中，所述骨干网络的卷积层采用空洞卷积方式。

23、本申请第四方面提供了一种基于网络模型的预警发送装置，包括：

24、获取模块，用于获取监控设备拍摄的被检测图片；

25、输入模块，用于将所述被检测图片输入预先训练好的目标检测模型中，以获取所述被检测图片中检测对象的检测框，所述检测对象包括牵绳和目标对象；所述目标检测模型为采用前述的目标检测模型训练方法得到；

26、判定模块，用于根据所述牵绳的检测框和所述目标对象的检测框的相交情况，判定所述被检测图片中所述目标对象是否被牵绳；

27、生成模块，用于当所述目标对象未被牵绳子，则基于所述目标对象未牵绳的被检测图片和所述监控设备的位置信息生成预警事件信息；

28、发送模块，用于将所述预警事件信息发送至管理终端。

29、本申请第五方面，提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如前述任一项所述方法的步骤。

30、本申请第六方面提供了一种基于网络模型的预警发送系统，所述系统包括监控设备、管理终端和如前述的计算机设备。

31、在一实施方式中，所述计算机设备包括边缘盒子。

32、本申请第七方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如前述任一项所述方法的步骤。

33、上述方案所提供的其中一个方案中，利用骨干网络使用空洞卷积方式处理，代替了骨干网络池化层的平均池化或最大值池化，可以理解，使普通卷积核的部分位置参与计算，其他位置不参与计算，这样可以避免骨干网络的池化层对牵绳这细长物体信息的丢弃和破坏，提高了牵绳的识别准确率。

技术特征：

1.一种目标检测模型训练方法，其特征在于，包括：

2.如权利要求1所述的目标检测模型训练方法，其特征在于，所述将所述多张训练图片输入至预设神经网络中进行迭代训练，直至所述预设神经网络的输出符合预设条件，得到所述目标检测模型，包括：

3.如权利要求1或2任一项所述的目标检测模型训练方法，其特征在于，所述目标对象包括狗。

4.一种基于网络模型的预警发送方法，其特征在于，包括：

5.一种目标检测模型训练装置，其特征在于，包括：

6.一种基于网络模型的预警发送装置，其特征在于，包括：

7.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述方法的步骤。

8.一种基于网络模型的预警发送系统，其特征在于，所述系统包括监控设备、管理终端和如权利要求7所述的计算机设备。

9.如权利要求8所述的预警发送系统，其特征在于，所述计算机设备包括边缘盒子。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤。

技术总结
本申请涉及人工智能技术领域，公开了一种目标检测模型训练、预警发送方法、系统、装置、设备和存储介质，以解决面对牵绳的识别准确率并不高的技术问题。方法部分包括：获取训练图片集，所述训练图片集包括多张训练图片，所述训练图片被标注有标注对象的真实标签，所述标注对象包括牵绳和目标对象；将所述多张训练图片输入至预设神经网络中进行迭代训练，直至所述预设神经网络的输出符合预设条件，得到所述目标检测模型；所述预设神经网络包括输入网络、骨干网络、检测颈网络和检测头网络，其中，所述骨干网络的卷积层采用空洞卷积方式。

技术研发人员：虞爱,刘周可,闵家龙,贾立铭
受保护的技术使用者：深圳市快瞳科技有限公司
技术研发日：
技术公布日：2024/1/15