CN109886139A - 人体检测模型生成方法、排污口异常检测方法以及装置 - Google Patents
人体检测模型生成方法、排污口异常检测方法以及装置 Download PDFInfo
- Publication number
- CN109886139A CN109886139A CN201910078969.3A CN201910078969A CN109886139A CN 109886139 A CN109886139 A CN 109886139A CN 201910078969 A CN201910078969 A CN 201910078969A CN 109886139 A CN109886139 A CN 109886139A
- Authority
- CN
- China
- Prior art keywords
- sewage draining
- draining exit
- model
- human testing
- monitoring video
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供一种人体检测模型生成方法、排污口异常检测方法以及装置,应用于智能决策技术领域。所述人体检测模型生成方法包括:获取排污口的样本监测视频;从所述样本监测视频的每帧图像中分别提取疑似人体所在区域的数据,得到排污口异常数据集合;将所述排污口异常数据集合输入第一卷积神经网络中进行训练,生成人体检测模型;所述人体检测模型用于对排污口的实际监测视频中各帧图像进行人体检测。本申请实施例实现了排污口异常的自动检测。
Description
技术领域
本申请涉及智能决策技术领域,具体而言,本申请涉及一种人体检测模型生成方法、排污口异常检测方法以及装置。
背景技术
排污口用于向环境排放大气或者水污染物等。以排放水污染物的排污口为例,该排污口任务是使排放的污水(雨水)与水体中的水尽快得到最大程度的混合,使排放污水中的污染物得到尽快得稀释扩散并进一步降解净化。排污口的位置应根据环境规划和城市规划要求确定,一般为保障污染物安全排放并降低对人的影响,通常设置在远离人活动的地方。
但是在实际生活中,还是会有人闯入排污口附近,如果不能及时发现闯入的人员并及时驱逐,不可避免的会对人体造成不良影响,因此及时发现人为闯入排污口并对异常活动进行预警,成为排污口的一项重大防控问题。但是目前排污口的检测方案一般是针对排污口排除的气体或者液体的质量,并不能实现人体的检测,因此亟需提供一种排污口异常检测方案。
发明内容
本申请针对现有方式的缺点,提出一种人体检测模型生成方法、排污口异常检测方法以及装置,以实现排污口异常的自动检测。
本申请的实施例根据第一个方面,提供了一种人体检测模型生成方法,包括:
获取排污口的样本监测视频;
从所述样本监测视频的每帧图像中分别提取疑似人体所在区域的数据,得到排污口异常数据集合;
将所述排污口异常数据集合输入第一卷积神经网络中进行训练,生成人体检测模型;所述人体检测模型用于对排污口的实际监测视频中各帧图像进行人体检测。
在一个实施例中,所述将所述排污口异常数据集合输入第一卷积神经网络中进行训练,生成人体检测模型,包括:
将所述排污口异常数据集合划分为N个部分;N大于1;
从N个部分中选取N-1个部分作为训练集,将剩余的1个部分作为验证集;
将训练集输入所述第一卷积神经网络中进行训练,获得第一模型;
根据所述验证集对第一模型进行调整;
采用调整后的第一模型对训练集进行分类,获得正样本集合和负样本集合;
根据预先设置的所述排污口异常数据集合中每个排污口异常数据的标签,确定调整后的第一模型的分类能力;所述标签用于表征排污口异常数据是正样本还是负样本;
若调整后的第一模型的分类能力大于等于预设值,将调整后的第一模型作为所述验证集对应的最终模型;
从N个部分中选取不同的N-1个部分作为训练集,将剩余的1个部分作为验证集,返回将训练集输入所述第一卷积神经网络中进行训练,获得第一模型的步骤,直至N个部分中每个部分均被作为验证集;
将每个验证集对应的最终模型进行融合,生成人体检测模型。
在一个实施例中,所述确定调整后的第一模型的分类能力之后,所述从N个部分中选取不同的N-1个部分作为训练集,将剩余的1个部分作为验证集之前,还包括:
若调整后的第一模型的分类能力小于预设值,将正样本集合中标签表征为负样本的排污口异常数据划分至负样本集合;
根据重新确定的正样本集合和负样本集合构成的训练集,对调整后的第一模型进行训练,获得第二模型;
将所述第二模型作为新的第一模型,返回根据所述验证集对第一模型进行调整的步骤,直至调整后的第一模型的分类能力大于等于预设值。
在一个实施例中,所述将每个验证集对应的最终模型进行融合,生成人体检测模型,包括:
将每个验证集输入对应的最终模型中,获得每个验证集的预测结果;
将每个验证集的预测结果按照验证集被选取的先后顺序拼接,生成新的训练集;
将新的训练集输入第二卷积神经网络中进行训练,生成人体检测模型。
本申请的实施例根据第二个方面,还提供了一种排污口异常检测方法,包括:
获取排污口的实际监测视频;
从所述实际监测视频中提取各帧图像;
将所述各帧图像输入上述任意一项构建的人体检测模型中进行人体检测;
若检测到人体,则确定排污口异常。
在一个实施例中,若所述人体检测模型部署在服务器端,所述从所述实际监测视频中提取各帧图像,包括:对所述实际监测视频进行逐帧提取,获得各帧图像;若所述人体检测模型部署在移动终端,所述从所述实际监测视频中提取各帧图像,包括:从所述实际监测视频中提取关键帧图像,作为各帧图像。
本申请的实施例根据第三个方面,还提供了一种人体检测模型生成装置,包括:
样本监测视频获取模块,用于获取排污口的样本监测视频;
异常数据获得模块,用于从所述样本监测视频的每帧图像中分别提取疑似人体所在区域的数据,得到排污口异常数据集合;
人体检测模型生成模块,用于将所述排污口异常数据集合输入第一卷积神经网络中进行训练,生成人体检测模型;所述人体检测模型用于对排污口的实际监测视频中各帧图像进行人体检测。
本申请的实施例根据第四个方面,还提供了一种排污口异常检测装置,包括:
实际监测视频获取模块,用于获取排污口的实际监测视频;
图像提取模块,用于从所述实际监测视频中提取各帧图像;
人体检测模块,用于将所述各帧图像输入上述人体检测模型生成装置构建的人体检测模型中进行人体检测;
异常判定模块,用于在检测到人体时,确定排污口异常。
本申请的实施例根据第五个方面,还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任意一项所述的人体检测模型生成方法,或者上述任意一项所述的排污口异常检测方法。
本申请的实施例根据第六个方面,还提供了一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述任意一项所述的人体检测模型生成方法,或者上述任意一项所述的排污口异常检测方法。
上述的人体检测模型生成方法、排污口异常检测方法以及装置,在排污口异常检测实际运作前,采集排污口附近的样本监测视频,从样本监测视频中提取排污口异常数据集合,并对排污口异常数据集合进行训练,然后采用训练好的人体检测模型对排污口的实际监测视频进行人体检测,能够有效的检测出排污口附近人体活动的异常情况,实现排污口异常的自动监测,提高了监测效率和准确度,可以有效降低排污口异常监测成本。
本申请附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请一个实施例的人体检测模型生成方法的示意图;
图2为本申请一个实施例的人体检测模型生成装置的示意图;
图3为本申请一个实施例的排污口异常检测方法的示意图;
图4为本申请另一个实施例的排污口异常检测方法的示意图;
图5为本申请一个实施例的排污口异常检测装置的示意图;
图6为本申请一个实施例的计算机设备的示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本申请的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
首先从人体检测模型生成的角度出发,对本申请实施例提供的人体检测模型生成方法和装置的具体实施方式进行详细介绍。
如图1所示,为一实施例的人体检测模型生成方法的示意图,所述方法包括:
S110、获取排污口的样本监测视频。
样本监测视频是对排污口进行视频监测,采集的包含人体的历史监测视频。在排污口附近安装摄像装置,通过摄像装置采集排污口附近不同时段人经过的视频,获得多个场景的监测视频,将获得的监测视频作为样本监测视频。
S120、从所述样本监测视频的每帧图像中分别提取疑似人体所在区域的数据,得到排污口异常数据集合。
样本监测视频包括多帧图像,对于样本监测视频中的每一帧图像,识别出疑似人体(可能为人体也可能不为人体)所在的区域,将该区域中的数据作为排污口异常数据,从每帧图像提取的排污口异常数据构成了排污口异常数据集合。
例如,使用目标检测算法,如SSDLite算法(MobileNet-SSD的升级版)等,对于样本监测视频中的每一帧图像,采用外接矩形标识出人体所在的位置,并提取出该外接矩形的区域作为排污口异常数据,各个排污口异常数据构成排污口异常数据集合。
S130、将所述排污口异常数据集合输入第一卷积神经网络中进行训练,生成人体检测模型;所述人体检测模型用于对排污口的实际监测视频中各帧图像进行人体检测。
第一卷积神经网络可以采用现有技术中已有的神经网络,如第一卷积神经网络可以为MobileNet V2等,MobileNet V2网络结构如下:
其中,t为膨胀因子,c为输出通道,n为重复次数,s为步长。
将排污口异常数据集合输入第一卷积神经网络中进行训练,获得人体检测模型,根据该人体检测模型,可以检测排污口的实际监测视频中各帧图像中是否存在人体。
本实施例生成的人体检测模型能够有效的检测出排污口附近人体活动的异常情况,实现排污口异常的自动监测,提高了监测效率和准确度,可以有效降低排污口异常监测成本。
为了训练出更为准确的人体检测模型,本申请在利用排污口异常数据集合进行训练时,结合N折学习法以及hard negative mining的构思,对第一卷积神经网络进行训练,下面对训练过程进行详细介绍。
在一个实施例中,所述将所述排污口异常数据集合输入第一卷积神经网络中进行训练,生成人体检测模型,包括:
S1301、将所述排污口异常数据集合划分为N个部分;N大于1。
N可以根据实际需要进行确定,例如,N为5等。可选的,将排污口异常数据集合中的排污口异常数据平分为N个部分。
S1302、从N个部分中选取N-1个部分作为训练集,将剩余的1个部分作为验证集。
训练集用来估计模型,验证集用来确定网络结构或者控制模型复杂程度的参数。将排污口异常数据集合划分为N个部分后,从N个部分中随机抽取N-1个部分作为训练集,剩下的1部分作为验证集。
S1303、将训练集输入所述第一卷积神经网络中进行训练,获得第一模型。
使用选取的N-1个部分对第一卷积神经网络进行训练,生成第一模型,具体训练的过程可以根据现有技术中已有的方式实现。
S1304、根据所述验证集对第一模型进行调整。
训练好第一模型后,采用验证集对第一模型的参数进行调整优化,得到更为准确的第一模型。
S1305、采用调整后的第一模型对训练集进行分类,获得正样本集合和负样本集合。
本申请中,正样本指的是排污口异常数据中包括人体数据,负样本指的是排污口异常数据中不包含人体数据。使用调整后的第一模型对选取的N-1个部分中的排污口异常数据进行分类,如果调整后的第一模型判定排污口异常数据包括人体数据,则将其划分至正样本集合,如果调整后的第一模型判定排污口异常数据不包括人体数据,则将其划分至负样本集合。
S1306、根据预先设置的所述排污口异常数据集合中每个排污口异常数据的标签,确定调整后的第一模型的分类能力;所述标签用于表征排污口异常数据是正样本还是负样本。
预先为排污口异常数据人工打标签,将包含人体的排污口异常数据的标签标记为正样本,将不包含人体的排污口异常数据的标签标记为负样本。分类能力指的是模型的人体检出率的高低。可选的,可以根据第一模型划分的正样本集合中的数量与根据标签得到的实际正样本的数量的比值确定模型的人体检出率。
S1307、若调整后的第一模型的分类能力大于等于预设值,将调整后的第一模型作为所述验证集对应的最终模型。
预设值可以根据实际需要进行设置,原则上,预设值设置的越高,得到的最终模型准确率越高。如果第一模型分类能力大于等于预设值,意味着人体检出率控制在较好的程度,将该调整后的第一模型作为第一次迭代的最终模型。
S1308、从N个部分中选取不同的N-1个部分作为训练集,将剩余的1个部分作为验证集,返回将训练集输入所述第一卷积神经网络中进行训练,获得第一模型的步骤,直至N个部分中每个部分均被作为验证集。
在第二次迭代时,重新选取N-1个部分作为训练集,该选取的N-1个部分存在与上次选取的N-1个部分不同的部分,将剩余的1个部分作为验证集,然后根据该重新选取的N-1个部分和验证集重复执行以上的步骤,直至得到第二次迭代的最终模型,依次重复,直至每个部分均被作为验证集,也即是得到第N次迭代的最终模型时,迭代停止,至此,获得N个最终模型。
S1309、将每个验证集对应的最终模型进行融合,生成人体检测模型。
如上所述,得到N个最终模型,将N个最终模型进行融合,得到性能更好的模型,该性能更好的模型即为人体检测模型。
在一个实施例中,所述确定调整后的第一模型的分类能力之后,所述从N个部分中选取不同的N-1个部分作为训练集,将剩余的1个部分作为验证集之前,还包括:
S1310、若调整后的第一模型的分类能力小于预设值,将正样本集合中标签表征为负样本的排污口异常数据划分至负样本集合。
如果调整后的第一模型分类能力小于预设值,意味着调整后的第一模型人体检出率较差,则需要对正样本集合和负样本集合进行重新调整。考虑到第一模型将本来应该是负样本的排污口异常数据错误分类至正样本集合,因此,需要根据排污口异常数据的标签,将正样本集合中实际应该为负样本的排污口异常数据分类至负样本集合。
S1311、根据重新确定的正样本集合和负样本集合构成的训练集,对调整后的第一模型进行训练,获得第二模型。
调整后的正样本集合和负样本集合构成训练集,采用该训练集对调整后的第一模型进行训练,生成第二模型。
S1312、将所述第二模型作为新的第一模型,返回根据所述验证集对第一模型进行调整的步骤,直至调整后的第一模型的分类能力大于等于预设值。
采用验证集对第二模型进行调整,然后采用调整后的第二模型对S1311的训练集重新进行分类,获得正样本集合和负样本集合,然后重新确定调整后的第二模型的分类能力,如果调整后的第二模型的分类能力大于等于预设值,将调整后的第二模型作为所述验证集对应的最终模型,否则,重新划分正样本集合和负样本集合,……,依次重复,直至得到所述验证集对应的最终模型。
在一个实施例中,所述将每个验证集对应的最终模型进行融合,生成人体检测模型,包括:
S1309a、将每个验证集输入对应的最终模型中,获得每个验证集的预测结果。
每个部分作为验证集时,均会得到一个最终模型,将每个验证集输入对应的最终模型中,获得每个验证集的预测结果。
S1309b、将每个验证集的预测结果按照验证集被选取的先后顺序拼接,生成新的训练集。
如上所述,得到N个最终模型需要经历N次迭代,每一次迭代都会选取一个部分作为验证集,根据N次迭代的顺序,也即是验证集被选取的先后顺序,确定验证集的预测结果的先后顺序,按照该先后顺序将各个预测结果拼接,生成新的训练集。
S1309c、将新的训练集输入第二卷积神经网络中进行训练,生成人体检测模型。
选取第二卷积神经网络,该第二卷积神经网络可以与第一卷积神经网络相同,也可以与第一卷积神经网络不相同。将构建的新的训练集输入第二卷积神经网络中进行训练,获得人体检测模型。
应当理解的是,本申请并不限制于上述对各个最终模型融合的方式,例如,还可以采用投票法等将N个最终模型进行融合,得到人体检测模型。
为了更好的理解本申请人体检测模型生成方法,下面结合一个具体实施例进行详细介绍。
步骤1、预先为各个排污口异常数据打标签,将包含人体的排污口异常数据的标签设置为正样本,将不包含人体的排污口异常数据的标签设置为负样本。将排污口异常数据集合中的排污口异常数据分割为5部分:P1、P2、P3、P4和P5,4/5的数据用于训练,1/5的数据用于验证。
步骤2、在第一次迭代时,如选取P1、P2、P3和P4作为训练集,P5作为验证集。将训练集输入第一卷积神经网络进行训练,获得模型1,根据验证集对模型1进行验证,并根据验证的结果调整模型1。然后采用模型1对训练集进行分类,即划分正样本集合和负样本集合。如果模型1的分类能力小于预设值(人体检出率较差),则将分类至正样本集合而标签为负样本的训练样本划分至负样本集合,再根据重新确定的正样本集合和负样本集合构成的训练集重新对模型1进行训练,获得模型2,根据验证集对模型2进行验证,并根据验证的结果调整模型2,然后采用模型2对重新构建的训练集进行分类,……依次重复,直至模型的分类能力大于等于预设值(人检出率控制在较好的程度),得到第一次迭代的最终模型。
步骤3、在第二次迭代时,如选取P1、P2、P3和P5作为训练集,P4作为验证集。将训练集输入第一卷积神经网络进行训练,获得模型1,根据验证集对模型1进行验证,并根据验证的结果调整模型1。然后采用模型1对训练集进行分类,即划分正样本集合和负样本集合。如果模型1的分类能力小于预设值(人体检出率较差),则将分类至正样本集合而标签为负样本的训练样本划分至负样本集合,再根据重新确定的正样本集合和负样本集合构成的训练集重新对模型1进行训练,获得模型2,根据验证集对模型2进行验证,并根据验证的结果调整模型2,然后采用模型2对训练集进行分类,……依次重复,直至模型分类能力大于等于预设值(人检出率控制在较好的程度),得到第二次迭代的最终模型。
……
依次重复,进行五次迭代。
步骤4、通过上述方式得到5个最终模型,然后将5个最终模型进行融合得到表现更强的融合模型,该融合模型即为训练好的人体检测模型。可选的,融合的方法包括:将P5、P4……输入对应的模型中,将5次的预测结果按照顺序拼接生一个新的训练样本集合,并将该新的训练样本集合输入另一个卷积神经网络中进行训练,获得融合模型。另外,还可以采用投票法等将5个模型进行融合。
基于同一发明构思,本申请还提供一种人体检测模型生成装置,下面结合附图对本申请装置的具体实施方式进行详细介绍。
如图2所示,为一实施例的人体检测模型生成装置的示意图,该装置包括:
样本监测视频获取模块110,用于获取排污口的样本监测视频;
异常数据获得模块120,用于从所述样本监测视频的每帧图像中分别提取疑似人体所在区域的数据,得到排污口异常数据集合;
人体检测模型生成模块130,用于将所述排污口异常数据集合输入第一卷积神经网络中进行训练,生成人体检测模型;所述人体检测模型用于对排污口的实际监测视频中各帧图像进行人体检测。
在一个实施例中,人体检测模型生成模块130包括:
数据划分单元,用于将所述排污口异常数据集合划分为N个部分;N大于1;
训练集和验证集选取单元,用于从N个部分中选取N-1个部分作为训练集,将剩余的1个部分作为验证集;
第一模型获得单元,用于将训练集输入所述第一卷积神经网络中进行训练,获得第一模型;
第一模型调整单元,用于根据所述验证集对第一模型进行调整;
分类单元,用于采用调整后的第一模型对训练集进行分类,获得正样本集合和负样本集合;
分类能力确定单元,用于根据预先设置的所述排污口异常数据集合中每个排污口异常数据的标签,确定调整后的第一模型的分类能力;所述标签用于表征排污口异常数据是正样本还是负样本;
最终模型获得单元,用于在调整后的第一模型的分类能力大于等于预设值时,将调整后的第一模型作为所述验证集对应的最终模型;
训练集和验证集选取单元从N个部分中选取不同的N-1个部分作为训练集,将剩余的1个部分作为验证集,进入第一模型获得单元执行将训练集输入所述第一卷积神经网络中进行训练,获得第一模型的功能,直至N个部分中每个部分均被作为验证集;
人体检测模型生成单元,用于将每个验证集对应的最终模型进行融合,生成人体检测模型。
在一个实施例中,还包括连接在分类能力确定单元和训练集和验证集选取单元之间的重复训练单元,所述重复训练单元用于执行以下操作:
调整后的第一模型的分类能力小于预设值,将正样本集合中标签表征为负样本的排污口异常数据划分至负样本集合;
根据重新确定的正样本集合和负样本集合构成的训练集,对调整后的第一模型进行训练,获得第二模型;
将所述第二模型作为新的第一模型,进入第一模型调整单元执行根据所述验证集对第一模型进行调整的功能,直至调整后的第一模型的分类能力大于等于预设值。
在一个实施例中,人体检测模型生成单元包括:
预测结果获得子单元,用于将每个验证集输入对应的最终模型中,获得每个验证集的预测结果;
训练集生成子单元,用于将每个验证集的预测结果按照验证集被选取的先后顺序拼接,生成新的训练集;
人体检测模型生成子单元,用于将新的训练集输入第二卷积神经网络中进行训练,生成人体检测模型。
上述人体检测模型生成装置的其它技术特征与上述人体检测模型生成方法的技术特征相同,在此不予赘述。
基于上述生成的人体检测模型,本申请实施例还提供了一种排污口异常检测方法和装置,下面结合附图进行详细介绍。
如图3所示,为一实施例的排污口异常检测方法的示意图,该方法包括:
S210、获取排污口的实际监测视频。
训练出人体检测模型后,可选的,采用tf-serving框架,将人体检测模型部署到服务器端和/或移动终端,其中,服务器可以采用docker(应用容器引擎)提供框架接口,对传递过来的监测视频图像进行实时检测。可以通过以下方式实时采集排污口的实际监测视频:置于排污口附近的日夜均能拍摄的摄像装置,和/或,移动设备的摄像头。
在排污口异常检测实际运行过程中,对排污口附近的视频进行拍摄,获取排污口的实际监测视频。
S220、从所述实际监测视频中提取各帧图像。
实际监测视频包含多帧图像,从实际监测视频中提取各帧图像,提取的图像用于人体检测。
S230、将所述各帧图像输入上述构建的人体检测模型中进行人体检测。
将各帧图像输入人体检测模型中,由人体检测模型检测各帧图像中是否包含人体。
S240、若检测到人体,则确定排污口异常。
如果检测到某帧图像包含人体,则确定有人进入排污口附近,排污口异常,如果各帧图像中均不包含人体,则确定无人进入排污口附近,排污口正常。
为了进一步保证人体的安全,检测出异常人后则预警,例如发送警示消息给相关人员,或者输出声音警报等等,以及时驱逐人员离开排污口附近。另外,在出现排污口异常时,还可以将异常视频片段存储,以方便相关人员查看和分析该异常视频,以采取相关的预防措施,提前预防人员进入排污口附近。
在一个实施例中,若所述人体检测模型部署在服务器端,所述从所述实际监测视频中提取各帧图像,包括:对所述实际监测视频进行逐帧提取,获得各帧图像;若所述人体检测模型部署在移动终端,所述从所述实际监测视频中提取各帧图像,包括:从所述实际监测视频中提取关键帧图像,作为各帧图像。本实施例中,考虑到服务器端和移动终端处理能力的不同,分别采取不同的图像帧提取方法,从而提高排污口异常检测的效率。
如图4所示,为一实施例的服务器端和移动终端进行排污口异常检测的示意图。针对服务器端,摄像头实时采集实际监测视频,传到后台配备服务器端的工作站,服务器端对实际监测视频进行逐帧提取,利用tf-serving框架预载入的人体检测模型进行人体检测,检测出异常后则预警,并主动将异常视频片段存储,实现24小时期监测。针对移动终端,摄像头实时采集实际监测视频,实际监测视频在移动终端本地进行分析处理,为提高检测速度以及降低负载,移动终端对实际监测视频不再逐帧提取,只提取关键帧,利用预载入的人体检测模型进行人体检测,检测出异常后则预警,并存储对应的异常视频关键帧,实现了排污口异常按需监测。
基于同一发明构思,本申请还提供一种排污口异常检测装置,下面结合附图对该装置的具体实施方式进行详细描述。
如图5所示,为一实施例的排污口异常检测装置的示意图,该装置包括:
实际监测视频获取模块210,用于获取排污口的实际监测视频;
图像提取模块220,用于从所述实际监测视频中提取各帧图像;
人体检测模块230,用于将所述各帧图像输入权利要求7构建的人体检测模型中进行人体检测;
异常判定模块240,用于在检测到人体时,确定排污口异常。
在一个实施例中,若所述人体检测模型部署在服务器端,图像提取模块220对所述实际监测视频进行逐帧提取,获得各帧图像;若所述人体检测模型部署在移动终端,图像提取模块220从所述实际监测视频中提取关键帧图像,作为各帧图像。
上述排污口异常检测装置的其它技术特征与上述排污口异常检测方法的技术特征相同,在此不予赘述。
本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任意一项所述的人体检测模型生成方法或者排污口异常检测方法。其中,所述存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory,只读存储器)、RAM(Random AcceSS Memory,随即存储器)、EPROM(EraSable Programmable Read-Only Memory,可擦写可编程只读存储器)、EEPROM(Electrically EraSable Programmable Read-Only Memory,电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是,存储介质包括由设备(例如,计算机)以能够读的形式存储或传输信息的任何介质。可以是只读存储器,磁盘或光盘等。
本申请实施例还提供一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述任意一项所述的人体检测模型生成方法或者排污口异常检测方法。
图6为本申请计算机设备的结构示意图,包括处理器320、存储装置330、输入单元340以及显示单元350等器件。本领域技术人员可以理解,图6示出的结构器件并不构成对所有计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件。存储装置330可用于存储应用程序310以及各功能模块,处理器320运行存储在存储装置330的应用程序310,从而执行设备的各种功能应用以及数据处理。存储装置330可以是内存储器或外存储器,或者包括内存储器和外存储器两者。内存储器可以包括只读存储器、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)、快闪存储器、或者随机存储器。外存储器可以包括硬盘、软盘、ZIP盘、U盘、磁带等。本申请所公开的存储装置包括但不限于这些类型的存储装置。本申请所公开的存储装置330只作为例子而非作为限定。
输入单元340用于接收信号的输入,以及接收排污口的样本监测视频或者排污口的实际监测视频。输入单元340可包括触控面板以及其它输入设备。触控面板可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作),并根据预先设定的程序驱动相应的连接装置;其它输入设备可以包括但不限于物理键盘、功能键(比如播放控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。显示单元350可用于显示用户输入的信息或提供给用户的信息以及计算机设备的各种菜单。显示单元350可采用液晶显示器、有机发光二极管等形式。处理器320是计算机设备的控制中心,利用各种接口和线路连接整个电脑的各个部分,通过运行或执行存储在存储装置330内的软件程序和/或模块,以及调用存储在存储装置内的数据,执行各种功能和处理数据。
在一实施方式中,计算机设备包括一个或多个处理器320,以及一个或多个存储装置330,一个或多个应用程序310,其中所述一个或多个应用程序310被存储在存储装置330中并被配置为由所述一个或多个处理器320执行,所述一个或多个应用程序310配置用于执行以上实施例所述的人体检测模型生成方法或者排污口异常检测方法。
上述人体检测模型生成方法、排污口异常检测方法以及装置,在排污口异常检测设备实际运作前,采集排污口附近不同时段人经过的监测视频,并对其中的异常目标-人进行标注训练,然后采用训练好的人体检测模型对排污口的实际监测视频进行人体检测,能够有效的检测出排污口附近人活动的异常情况,实现自动监测,提高了监测效率和准确度,可以有效降低排污口异常监测成本;在排污口附近放置高清摄像头或利用移动设备,无需人力辅助,即可实现周边24小时无间断异常检测,扩大了检测范围,减少了人力成本;在服务器端和移动终端部署人体检测模型,实现排污口的异常实时预警和多终端便捷监控。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
应该理解的是,在本申请各实施例中的各功能单元可集成在一个处理模块中,也可以各个单元单独物理存在,也可以两个或两个以上单元集成于一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
以上所述仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种人体检测模型生成方法,其特征在于,包括:
获取排污口的样本监测视频;
从所述样本监测视频的每帧图像中分别提取疑似人体所在区域的数据,得到排污口异常数据集合;
将所述排污口异常数据集合输入第一卷积神经网络中进行训练,生成人体检测模型;所述人体检测模型用于对排污口的实际监测视频中各帧图像进行人体检测。
2.根据权利要求1所述的人体检测模型生成方法,其特征在于,所述将所述排污口异常数据集合输入第一卷积神经网络中进行训练,生成人体检测模型,包括:
将所述排污口异常数据集合划分为N个部分;N大于1;
从N个部分中选取N-1个部分作为训练集,将剩余的1个部分作为验证集;
将训练集输入所述第一卷积神经网络中进行训练,获得第一模型;
根据所述验证集对第一模型进行调整;
采用调整后的第一模型对训练集进行分类,获得正样本集合和负样本集合;
根据预先设置的所述排污口异常数据集合中每个排污口异常数据的标签,确定调整后的第一模型的分类能力;所述标签用于表征排污口异常数据是正样本还是负样本;
若调整后的第一模型的分类能力大于等于预设值,将调整后的第一模型作为所述验证集对应的最终模型;
从N个部分中选取不同的N-1个部分作为训练集,将剩余的1个部分作为验证集,返回将训练集输入所述第一卷积神经网络中进行训练,获得第一模型的步骤,直至N个部分中每个部分均被作为验证集;
将每个验证集对应的最终模型进行融合,生成人体检测模型。
3.根据权利要求2所述的人体检测模型生成方法,其特征在于,所述确定调整后的第一模型的分类能力之后,所述从N个部分中选取不同的N-1个部分作为训练集,将剩余的1个部分作为验证集之前,还包括:
若调整后的第一模型的分类能力小于预设值,将正样本集合中标签表征为负样本的排污口异常数据划分至负样本集合;
根据重新确定的正样本集合和负样本集合构成的训练集,对调整后的第一模型进行训练,获得第二模型;
将所述第二模型作为新的第一模型,返回根据所述验证集对第一模型进行调整的步骤,直至调整后的第一模型的分类能力大于等于预设值。
4.根据权利要求2或3所述的人体检测模型生成方法,其特征在于,所述将每个验证集对应的最终模型进行融合,生成人体检测模型,包括:
将每个验证集输入对应的最终模型中,获得每个验证集的预测结果;
将每个验证集的预测结果按照验证集被选取的先后顺序拼接,生成新的训练集;
将新的训练集输入第二卷积神经网络中进行训练,生成人体检测模型。
5.一种排污口异常检测方法,其特征在于,包括:
获取排污口的实际监测视频;
从所述实际监测视频中提取各帧图像;
将所述各帧图像输入权利要求1至4任意一项构建的人体检测模型中进行人体检测;
若检测到人体,则确定排污口异常。
6.根据权利要求5所述的排污口异常检测方法,其特征在于,
若所述人体检测模型部署在服务器端,所述从所述实际监测视频中提取各帧图像,包括:对所述实际监测视频进行逐帧提取,获得各帧图像;
若所述人体检测模型部署在移动终端,所述从所述实际监测视频中提取各帧图像,包括:从所述实际监测视频中提取关键帧图像,作为各帧图像。
7.一种人体检测模型生成装置,其特征在于,包括:
样本监测视频获取模块,用于获取排污口的样本监测视频;
异常数据获得模块,用于从所述样本监测视频的每帧图像中分别提取疑似人体所在区域的数据,得到排污口异常数据集合;
人体检测模型生成模块,用于将所述排污口异常数据集合输入第一卷积神经网络中进行训练,生成人体检测模型;所述人体检测模型用于对排污口的实际监测视频中各帧图像进行人体检测。
8.一种排污口异常检测装置,其特征在于,包括:
实际监测视频获取模块,用于获取排污口的实际监测视频;
图像提取模块,用于从所述实际监测视频中提取各帧图像;
人体检测模块,用于将所述各帧图像输入权利要求7构建的人体检测模型中进行人体检测;
异常判定模块,用于在检测到人体时,确定排污口异常。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至4中任意一项所述的人体检测模型生成方法,或者权利要求5或6中所述的排污口异常检测方法。
10.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至4中任意一项所述的人体检测模型生成方法,或者权利要求5或6中所述的排污口异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910078969.3A CN109886139A (zh) | 2019-01-28 | 2019-01-28 | 人体检测模型生成方法、排污口异常检测方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910078969.3A CN109886139A (zh) | 2019-01-28 | 2019-01-28 | 人体检测模型生成方法、排污口异常检测方法以及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109886139A true CN109886139A (zh) | 2019-06-14 |
Family
ID=66927010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910078969.3A Pending CN109886139A (zh) | 2019-01-28 | 2019-01-28 | 人体检测模型生成方法、排污口异常检测方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886139A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110502986A (zh) * | 2019-07-12 | 2019-11-26 | 平安科技(深圳)有限公司 | 识别图像中人物位置方法、装置、计算机设备和存储介质 |
CN110751090A (zh) * | 2019-10-18 | 2020-02-04 | 宁波博登智能科技有限责任公司 | 一种三维点云标注方法、装置及电子设备 |
CN110909767A (zh) * | 2019-11-04 | 2020-03-24 | 浙江工业大学 | 一种移动端的救生衣检测方法 |
CN111062316A (zh) * | 2019-12-16 | 2020-04-24 | 成都之维安科技股份有限公司 | 一种基于深度学习技术的污染源废水排放实时视频分析系统 |
CN111223549A (zh) * | 2019-12-30 | 2020-06-02 | 华东师范大学 | 一种基于姿态矫正的疾病预防的移动端系统及方法 |
CN111414829A (zh) * | 2020-03-13 | 2020-07-14 | 珠海格力电器股份有限公司 | 一种发送报警信息的方法和装置 |
CN111582139A (zh) * | 2020-04-30 | 2020-08-25 | 北京百度网讯科技有限公司 | 一种排污口识别方法、装置、电子设备和存储介质 |
CN112364918A (zh) * | 2020-11-10 | 2021-02-12 | 深圳力维智联技术有限公司 | 异常识别方法、终端和计算机可读存储介质 |
-
2019
- 2019-01-28 CN CN201910078969.3A patent/CN109886139A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110502986A (zh) * | 2019-07-12 | 2019-11-26 | 平安科技(深圳)有限公司 | 识别图像中人物位置方法、装置、计算机设备和存储介质 |
CN110751090A (zh) * | 2019-10-18 | 2020-02-04 | 宁波博登智能科技有限责任公司 | 一种三维点云标注方法、装置及电子设备 |
CN110751090B (zh) * | 2019-10-18 | 2022-09-20 | 宁波博登智能科技有限公司 | 一种三维点云标注方法、装置及电子设备 |
CN110909767A (zh) * | 2019-11-04 | 2020-03-24 | 浙江工业大学 | 一种移动端的救生衣检测方法 |
CN111062316A (zh) * | 2019-12-16 | 2020-04-24 | 成都之维安科技股份有限公司 | 一种基于深度学习技术的污染源废水排放实时视频分析系统 |
CN111223549A (zh) * | 2019-12-30 | 2020-06-02 | 华东师范大学 | 一种基于姿态矫正的疾病预防的移动端系统及方法 |
CN111414829A (zh) * | 2020-03-13 | 2020-07-14 | 珠海格力电器股份有限公司 | 一种发送报警信息的方法和装置 |
CN111414829B (zh) * | 2020-03-13 | 2024-03-15 | 珠海格力电器股份有限公司 | 一种发送报警信息的方法和装置 |
CN111582139A (zh) * | 2020-04-30 | 2020-08-25 | 北京百度网讯科技有限公司 | 一种排污口识别方法、装置、电子设备和存储介质 |
CN111582139B (zh) * | 2020-04-30 | 2023-08-04 | 北京百度网讯科技有限公司 | 一种排污口识别方法、装置、电子设备和存储介质 |
CN112364918A (zh) * | 2020-11-10 | 2021-02-12 | 深圳力维智联技术有限公司 | 异常识别方法、终端和计算机可读存储介质 |
CN112364918B (zh) * | 2020-11-10 | 2024-04-02 | 深圳力维智联技术有限公司 | 异常识别方法、终端和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886139A (zh) | 人体检测模型生成方法、排污口异常检测方法以及装置 | |
CN109886209A (zh) | 异常行为检测方法及装置、车载设备 | |
CN109887281A (zh) | 一种监控交通事件的方法及系统 | |
CN110602526A (zh) | 视频处理方法、装置、计算机设备及存储介质 | |
CN109034036A (zh) | 一种视频分析方法、教学质量评估方法及系统、计算机可读存储介质 | |
CN112329719B (zh) | 行为识别方法、装置以及计算机可读存储介质 | |
CN110751675B (zh) | 基于图像识别的城市宠物活动轨迹监测方法及相关设备 | |
KR102179598B1 (ko) | 동영상 파일을 이용한 설비 학습 장치 및 방법 | |
CN110517261A (zh) | 安全带状态检测方法、装置、计算机设备和存储介质 | |
CN114202711A (zh) | 一种列车车厢内异常行为智能监测方法、装置及监控系统 | |
CN110084987A (zh) | 一种面向轨道交通的异物检查系统及方法 | |
CN106529500A (zh) | 一种信息处理方法和系统 | |
CN107333101B (zh) | 一种基于开庭公告的庭审人员行为巡查方法和系统 | |
CN108229289A (zh) | 目标检索方法、装置和电子设备 | |
CN113239854A (zh) | 一种基于深度学习的船舶身份识别方法及系统 | |
CN111860457A (zh) | 一种斗殴行为识别预警方法及其识别预警系统 | |
CN114724140A (zh) | 一种基于yolo v3的草莓成熟度检测方法、装置 | |
CN110263622A (zh) | 列车火情监测方法、装置、终端及存储介质 | |
CN112016509B (zh) | 人员站位异常提醒方法及装置 | |
CN111652128B (zh) | 一种高空电力作业安全监测方法、系统和存储装置 | |
CN114120435A (zh) | 吸毒人员检测方法、装置、计算机可读存储介质及设备 | |
CN112257545A (zh) | 一种违规行为实时监控分析方法、装置及存储介质 | |
CN115190277B (zh) | 施工区域的安全监控方法、装置、设备及存储介质 | |
CN114973326A (zh) | 跌倒预警方法、装置、设备及可读存储介质 | |
CN115457462A (zh) | 结合rpa和ai实现ia的防疫监督方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |