交通水域场景的异常检测方法、装置及计算机系统与流程

本申请涉及图像处理领域，具体而言，涉及一种交通水域场景的异常检测方法、装置及计算机系统。

背景技术：

1、交通水域场景，如港口、航道等区域，是水上交通的关键部分。确保这些场景的安全和正常运行至关重要，因为水域交通涉及到众多的船舶航行、货物装卸以及各种水上作业。在这样复杂的环境中，及时准确地检测场景中的异常情况，例如船舶碰撞事故、航道堵塞、异常的船舶行为等，对于预防事故、保障人员和财产安全以及维持整个水域交通的高效运作具有不可忽视的意义。然而，实现高效准确的交通水域场景异常检测面临着诸多挑战。交通水域场景具有高度的复杂性和动态性，场景中的元素多样，包括不同类型和大小的船舶、复杂的港口设施、多变的水流和天气状况等。这些因素使得从图像或视频数据中准确识别和判断异常情况变得十分困难。目前，在场景异常检测领域存在一些技术手段，但它们在应用于交通水域场景时都存在一定的局限性。

2、一些传统的图像处理方法，例如基于手工特征提取和简单分类器的方法，往往依赖于人工设计的特征，如边缘检测、形状描述符等。这些手工特征对于复杂的交通水域场景往往缺乏足够的代表性和泛化能力。例如，在不同的光照条件、船舶视角或者水面波动情况下，手工特征可能发生显著变化，导致检测结果不稳定，误报率和漏报率较高。基于传统机器学习算法的场景检测方法，虽然在一定程度上能够对场景进行分类和异常检测，但它们在处理大量复杂的交通水域图像数据时，往往需要耗费大量的时间和计算资源进行特征工程和模型训练。而且，这些方法对于数据的分布变化较为敏感，当遇到新的、未在训练数据中充分体现的场景类型或者变化时，其性能会显著下降。

技术实现思路

1、本发明的目的在于提供一种交通水域场景的异常检测方法、装置及计算机系统。本申请是这样实现的：

2、第一方面，本申请实施例提供了一种交通水域场景的异常检测方法，所述方法包括：获取用于进行场景异常检测的水域场景图像模板库，所述水域场景图像模板库包括没有添加真实类别标记的未标记水域场景图像模板组成库和添加了真实类别标记的带标记水域场景图像模板组成库，所述真实类别标记表示水域场景图像模板的图像场景分类；将所述未标记水域场景图像模板组成库分别加载到调试完成的对照神经网络和拟训练场景异常检测网络，依据所述对照神经网络的执行结果与所述拟训练场景异常检测网络的执行结果之间的误差，对所述拟训练场景异常检测网络进行网络参变量优化，得到过渡场景异常检测网络；将所述带标记水域场景图像模板组成库分别加载到所述对照神经网络和所述过渡场景异常检测网络，依据所述过渡场景异常检测网络的执行结果与相应真实类别标记之间的误差，以及所述对照神经网络的执行结果与所述过渡场景异常检测网络的执行结果的之间的误差，对所述过渡场景异常检测网络进行网络参变量优化，得到目标场景异常检测网络；将拟异常检测的水域场景图像加载到所述目标场景异常检测网络，得到所述目标场景异常检测网络执行得到的所述拟异常检测的水域场景图像对应的异常检测结果。

3、第二方面，本申请提供一种交通水域场景的异常检测装置，所述装置包括：模板库获取模块，用于获取用于进行场景异常检测的水域场景图像模板库，所述水域场景图像模板库包括没有添加真实类别标记的未标记水域场景图像模板组成库和添加了真实类别标记的带标记水域场景图像模板组成库，所述真实类别标记表示水域场景图像模板的图像场景分类；网络过渡训练模块，用于将所述未标记水域场景图像模板组成库分别加载到调试完成的对照神经网络和拟训练场景异常检测网络，依据所述对照神经网络的执行结果与所述拟训练场景异常检测网络的执行结果之间的误差，对所述拟训练场景异常检测网络进行网络参变量优化，得到过渡场景异常检测网络；目标网络训练模块，用于将所述带标记水域场景图像模板组成库分别加载到所述对照神经网络和所述过渡场景异常检测网络，依据所述过渡场景异常检测网络的执行结果与相应真实类别标记之间的误差，以及所述对照神经网络的执行结果与所述过渡场景异常检测网络的执行结果的之间的误差，对所述过渡场景异常检测网络进行网络参变量优化，得到目标场景异常检测网络；异常检测模块，用于将拟异常检测的水域场景图像加载到所述目标场景异常检测网络，得到所述目标场景异常检测网络执行得到的所述拟异常检测的水域场景图像对应的异常检测结果。

4、第三方面，本申请提供一种计算机系统，包括：一个或多个处理器；存储器；一个或多个计算机程序；其中所述一个或多个计算机程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个计算机程序被所述处理器执行时，实现如上所述的方法。

5、本申请的有益效果包括：本申请中，确定拟异常检测的水域场景图像对应异常检测结果的目标场景异常检测网络，为基于多层级迁移学习获得的，这样得到的目标场景异常检测网络的运算效率和精度得到强化，能高效提升场景异常检测的精度。具体而言，迁移学习包含多个层级，水域场景图像模板库包括没有添加真实类别标记的未标记水域场景图像模板组成库和添加了真实类别标记的带标记水域场景图像模板组成库，不同层级加载其中一个水域场景图像模板组成库进行调试，也就是将未标记水域场景图像模板组成库分别加载到调试完成的对照神经网络和拟训练场景异常检测网络，以对照神经网络的执行结果作为约束信息，对拟训练场景异常检测网络进行网络参变量优化，实现一级网络迁移学习的调试；该层级能基于大量未标记水域场景图像模板提升网络的普适性，推理精度更高。

6、接着，将带标记水域场景图像模板组成库分别加载到对照神经网络和过渡场景异常检测网络，以真实类别标记和对照神经网络的执行结果作为约束标记，对过渡场景异常检测网络进行网络参变量优化，得到目标场景异常检测网络，实现又一层级的网络迁移学习；能完成对过渡场景异常检测网络的细节优化，在网络产生泛化性的前提下，再次优化因模板的多元化引起的误差，令目标场景异常检测网络对推理目标的推理精度。

技术特征：

1.一种交通水域场景的异常检测方法，其特征在于，所述方法包括：

2.如权利要求1所述的方法，其特征在于，在所述将所述未标记水域场景图像模板组成库分别加载到调试完成的对照神经网络和拟训练场景异常检测网络之前，还包括：

3.如权利要求1所述的方法，其特征在于，在所述将所述未标记水域场景图像模板组成库分别加载到调试完成的对照神经网络和拟训练场景异常检测网络之前，还包括：

4.如权利要求1所述的方法，其特征在于，网络的执行结果包括概率性标记和一个或多个过渡组件执行结果；所述概率性标记是依据相应神经网络得到的，水域场景图像模板的图像场景分类的推理概率；所述依据所述对照神经网络的执行结果与所述拟训练场景异常检测网络的执行结果之间的误差，对所述拟训练场景异常检测网络进行网络参变量优化，得到过渡场景异常检测网络，包括：

5.如权利要求1所述的方法，其特征在于，网络的执行结果包括概率性标记和一个或多个过渡组件执行结果；所述概率性标记是依据相应神经网络得到的，水域场景图像模板的图像场景分类的推理概率；所述依据所述过渡场景异常检测网络的执行结果与相应真实类别标记之间的误差，以及所述对照神经网络的执行结果与所述过渡场景异常检测网络的执行结果的之间的误差，对所述过渡场景异常检测网络进行网络参变量优化，得到目标场景异常检测网络，包括：

6.如权利要求2所述的方法，其特征在于，网络的执行结果包括概率性标记和一个或多个过渡组件执行结果；所述概率性标记时依据相应神经网络得到的，水域场景图像模板的图像场景分类的推理概率；所述依据所述基础场景异常检测网络的执行结果与相应真实类别标记之间的误差，以及对照神经网络的执行结果与所述基础场景异常检测网络的执行结果的之间的误差，对所述基础场景异常检测网络进行网络参变量优化，得到所述拟训练场景异常检测网络，包括：

7.如权利要求3所述的方法，其特征在于，具有多个组成架构或参变量不同的基础场景异常检测网络时，所述依据所述基础场景异常检测网络的执行结果，对所述基础场景异常检测网络进行网络参变量优化，得到所述拟训练场景异常检测网络，包括：

8.如权利要求1～7任一项所述的方法，其特征在于，具有多个组成架构或参变量不同的拟训练场景异常检测网络时，所述依据所述对照神经网络的执行结果与所述拟训练场景异常检测网络的执行结果之间的误差，对所述拟训练场景异常检测网络进行网络参变量优化，得到过渡场景异常检测网络，包括：

9.一种交通水域场景的异常检测装置，其特征在于，所述装置包括：

10.一种计算机系统，其特征在于，包括：

技术总结
本申请提供一种交通水域场景的异常检测方法、装置及计算机系统，目标场景异常检测网络为基于多层级迁移学习获得的，这样得到的目标场景异常检测网络的运算效率和精度得到强化，能高效提升场景异常检测的精度。迁移学习包含多个层级，水域场景图像模板库包括没有添加真实类别标记的未标记水域场景图像模板组成库和添加了真实类别标记的带标记水域场景图像模板组成库，不同层级加载其中一个水域场景图像模板组成库进行调试，以对照神经网络的执行结果作为约束信息，对拟训练场景异常检测网络进行网络参变量优化，实现一级网络迁移学习的调试；该层级能基于大量未标记水域场景图像模板提升网络的普适性，推理精度更高。

技术研发人员：杜益文,吴刚,唐瑞达,顾波,杨德亮
受保护的技术使用者：贵州道坦坦科技股份有限公司
技术研发日：
技术公布日：2024/11/18