CN110826391A - 泌水区域检测方法、系统、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种泌水区域检测方法、系统、计算机设备和存储介质。所述方法包括：获取待检测的场景图像；将所述待检测的场景图像输入预设的卷积神经网络模型，得到标记图像；所述标记图像中包含泌水区域图像；根据所述标记图像检测泌水区域，并进行告警提示。采用本方法能够利用图像处理技术，采集待检测的场景图像，输入预设的卷积神经网络模型，检测泌水区域，并进行告警提示，利用深度学习检测算法，在监控视频场景下，实时检测混凝土泌水情况，确定泌水区域的位置坐标，既节省了人力，又节省了时间，降低了人工成本，提高识别泌水区域效率和准确率。

Description

泌水区域检测方法、系统、计算机设备和存储介质

技术领域

本申请涉及图像识别技术领域，特别是涉及一种泌水区域检测方法、系统、计算机设备和存储介质。

背景技术

混凝土是指由水泥、砂、石和水等密度、形态各不相同的物体混合在一起的统称。搅拌好的混凝土在运输、浇注、振捣的过程中拌合物成分相互分离，造成内部组成结构不均匀，同时伴随着水分上浮的现象称为混凝土泌水。混凝土泌水容易导致墙体形成砂线、麻面和砂斑，还容易引发混凝土表面塑性开裂。同时表面有砂线的混凝土还容易在内部留下泌水通道，即产生大量自底部向顶层发展的毛细管通道网，这些通道将严重影响到混凝土的抗渗性能。因此，在监控视频场景下，及时发现混凝土泌水点，就可以及时采取相关措施，及时控制混凝土泌水，这对于建筑施工的质量以及效率都具有重要的意义。

目前，工地混凝土泌水检测的方式仍然停留在人工检测阶段，工人进入工地，要仔细检查所有工地区域的泌水情况，这种方式效率非常的低下。

发明内容

基于此，有必要针对上述技术问题，提供一种泌水区域检测方法、系统、计算机设备和存储介质。

一种泌水区域检测方法，所述方法包括：

获取待检测的场景图像；

将所述待检测的场景图像输入预设的卷积神经网络模型，得到标记图像；所述标记图像中包含泌水区域图像；

根据所述标记图像检测泌水区域，并进行告警提示。

在其中一个实施例中，将所述待检测的场景图像输入第一卷积神经网络模型，得到正样本图像；

将正样本图像输入第二卷积神经网络模型，得到标记图像。

在其中一个实施例中，将所述待检测的场景图像输入第一卷积神经网络模型，得到第一特征图像；

根据所述第一特征图像的每个像素点，生成对应像素点的第一候选框，并获得每个所述第一候选框的置信度；

选取置信度大于等于置信度阈值的第一候选框，并将第一候选框内的图像作为正样本图像。

在其中一个实施例中，将正样本图像输入第二卷积神经网络模型，得到第二特征图像；

根据所述第一特征图像的每个像素点，生成对应像素点的第二候选框，并获得每个所述第二候选框的重复度；

选取重复度小于等于重复度阈值的第二候选框，并将第二候选框内的图像作为标记图像。

在其中一个实施例中，所述卷积神经网络模型包括第一卷积神经网络模型和第二卷积神经网络模型；

建立第一神经网络，将包含标记图像的训练图像作为训练集对神经网络模型进行训练，获得第一卷积神经网络模型，所述第一卷积神经网络模型的输入为所述训练图像，输出为正样本图像；

建立第二神经网络，将所述正样本图像作为训练集对神经网络模型进行训练，获得第二卷积神经网络模型，所述第二卷积神经网络模型的输入为所述正样本图像，输出为标记图像。

在其中一个实施例中，对所述训练图像进行预处理，以调整所述训练图像的图片参数，所述图片参数包括分辨率大小、亮度、对比度、旋转角度或颜色中至少一种；

将调整后的训练图像作为训练集对神经网络模型进行训练。

在其中一个实施例中，对所述场景图像进行预处理，以调整所述场景图像的分辨率。

一种泌水区域检测系统，所述装置包括：

图像采集装置，用于获取待检测的场景图像；

图像识别装置，用于将所述待检测的场景图像输入预设的卷积神经网络模型得到标记图像；所述标记图像中包含泌水区域图像；

展示与反馈装置，用于根据所述标记图像检测泌水区域，并进行告警提示。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取待检测的场景图像；

将所述待检测的场景图像输入预设的卷积神经网络模型，得到标记图像；所述标记图像中包含泌水区域图像；

根据所述标记图像检测泌水区域，并进行告警提示。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取待检测的场景图像；

将所述待检测的场景图像输入预设的卷积神经网络模型，得到标记图像；所述标记图像中包含泌水区域图像；

根据所述标记图像检测泌水区域，并进行告警提示。

上述泌水区域检测方法、系统、计算机设备和存储介质，利用图像处理技术，采集待检测的场景图像，输入预设的卷积神经网络模型，检测泌水区域，并进行告警提示，利用深度学习检测算法，在监控视频场景下，实时检测混凝土泌水情况，确定泌水区域的位置坐标，既节省了人力，又节省了时间，降低了人工成本，提高识别泌水区域效率和准确率。

附图说明

图1为一个实施例中泌水区域检测方法的应用环境图；

图2为一个实施例中泌水区域检测方法的流程示意图；

图3为一个实施例中泌水区域检测装置的结构框图；

图4为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

近年，随着大数据的涌现、计算机硬件的强大计算能力，以及神经网络相关技术的迅猛发展，深度学习在人工智能领域取得了重要突破，其在自然语言处理、语音识别、计算机视觉和图像与视频分析等诸多领域取得了巨大的成功。最近，深度学习也逐渐在医学图像处理与分析中得到应用，如：图像识别和检测，图像分割，图像配准，图像生成和图像去噪等。深度学习与传统模式识别方法的主要不同在于深度学习可以从大数据中自动学习得到有效特征，而非手工设计特征，手工设计特征主要依靠设计者的先验知识，很难利用大数据的优势，而好的特征可以有效提高模式识别系统的性能。深度学习模型不但可以利用图像中的上下文信息，而且在高维数据转换过程中通过对已有数据的学习也隐式地加入了目标的形状先验。深度学习模型包括无监督学习模型和有监督学习模型，深度卷积神经网络(Convolutional neural networks,CNN)是其中最具代表性的有监督学习的深度学习模型，主要应用于图像领域。

本申请提供的泌水区域检测方法，可以应用于计算机设备中。其中，计算机设备可以为个人计算机、笔记本电脑、智能手机、平板电脑、便携式可穿戴设备、服务器或者多个服务器组成的服务器集群。

本申请提供的泌水区域检测方法，可以应用于如图1的泌水区域检测系统中。所述泌水区域检测系统包括图像采集装置110、图像识别装置130和展示与反馈装置140，还包括数据处理装置120。数据处理装置120与图像采集装置110、图像识别装置130和展示与反馈装置140分别连接。图像采集装置110用于获取待检测的场景图像，并将场景图像发送至数据处理装置120。数据处理装置120用于将场景图像进行解码和存储，并将解码后的场景图像发送至图像识别装置130。图像识别装置130用于将所述待检测的场景图像输入预设的卷积神经网络模型，识别场景图像中泌水区域得到标记图像，并将标记图像反馈给数据处理装置120。数据处理装置120接收识别结果，并将标记图像发送至展示与反馈装置140。展示与反馈装置140用于根据所述标记图像检测泌水区域，并进行告警提示。具体地，数据处理装置120还用于按照预设的筛选条件对接收到的场景图像进行筛选，将筛选后的场景图像传输至图像识别装置130。其中，各装置通过网络进行通信连接，所述通信连接为通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式进行传输。

在一个实施例中，所述图像采集装置110采用大华双目摄像头作为图像采集全方位视觉传感器，设置于振捣车上方，对施工的浇筑画面进行实时图像采集，将采集到的场景图像经过数字化处理和图像压缩与编码，通过有线和/或无线的传输方式把采集浇筑图像信息发送给数据处理装置120。数据处理装置120采用视频图像服务器，具有采集、存储、分发功能，数据处理装置120接受来自图像采集装置110发送的实时场景图像流和/或视频流进行解码，将解码后的场景图像发送至图像识别装置130；还将图像和/或视频按照一定的组织方式进行存储。图像识别装置130采用高性能算法服务器与高性能显卡设备，接收来自数据处理装置120的图像，采用基于深度学习的目标检测算法对场景图像中的泌水区域进行检测，并将已经标注了泌水区域的标记图像发送至数据处理装置120。展示与反馈装置140将标记图像进行可视化展示与后台预警，若标记图像中存在泌水区域，则用矩形框框出，并生成告警提示。

在一个实施例中，如图2所示，提供了一种泌水区域检测方法，包括以下步骤：

步骤202，获取待检测的场景图像。

其中，所述场景图像中包括泌水区域。

具体地，通过采集设备采集携带有泌水区域的场景图像，对场景图像进行预处理，以调整场景图像的图像参数。预处理方式为对场景图像进行分辨率调整、剪裁、旋转或亮度变换处理中的一种或多种处理。在预处理过程中还可以包括归一化，即按照卷积神经网络模型训练阶段采用的归一化方式对场景图像进行归一化，从而加快卷积神经网络模型的收敛速度。

这里应当知晓，采集设备为相机、记录仪、摄像机等具有图像采集功能的设备。

所述获取待检测的场景图像包括：对所述场景图像进行预处理，以调整所述场景图像的分辨率。

具体地，判断场景图像是否大于预设的分辨率阈值，若场景图像大于预设的分辨率阈值，则降低场景图像的分辨率小于或等于分辨率阈值；若所述场景图像小于或等于预设的分辨率阈值，不改变场景图像的分辨率。

步骤204，将所述待检测的场景图像输入预设的卷积神经网络模型，得到标记图像；所述标记图像中包含泌水区域图像。

所述将所述待检测的场景图像输入预设的卷积神经网络模型，得到标记图像之前包括：建立神经网络，将包含标记图像的训练图像作为训练集对神经网络模型进行训练，获得卷积神经网络模型，所述卷积神经网络模型的输入为所述训练图像，输出为标记图像。其中，卷积神经网络模型可以采用基于patch的深度卷积神经网络、全卷积神经网络、U-Net神经网络、V-Net神经网络、轻量级卷积神经网络(MobileNet)、resnet-50卷积神经网络、DenseNet卷积神经网络或其它类型的神经网络模型，只需适用对图像中的泌水区域进行定位即可。

其中，所述卷积神经网络模型包括第一卷积神经网络模型和第二卷积神经网络模型。

具体地，将所述待检测的场景图像输入第一卷积神经网络模型，得到正样本图像；将正样本图像输入第二卷积神经网络模型，得到标记图像。更具体地，建立第一神经网络，将包含标记图像的训练图像作为训练集对神经网络模型进行训练，获得第一卷积神经网络模型，所述第一卷积神经网络模型的输入为所述训练图像，输出为正样本图像；建立第二神经网络，将所述正样本图像作为训练集对神经网络模型进行训练，获得第二卷积神经网络模型，所述第二卷积神经网络模型的输入为所述正样本图像，输出为标记图像。在一个实施例中，从场景图像中根据卷积神经网络模型选取图像中的正样本图像，对场景图像进行第一图像识别，获得正样本图像；对正样本图像进行第二图像识别，获得标记图像，通过多次图像识别更精确的获得泌水区域图像所在的区域。对场景图像进行第一图像识别，获取正样本图像；对正样本图像进行第二图像识别，获取标识图像。第一图像识别所需计算力小，识别速度快，快速定位大致区域，第二图像识别所需计算力大，识别速度较之第一图像识别慢，通过减少识别区域提高识别速度，采用第一图像识别和第二图像识别结合的方式，可以降低定位难度，提高准确率，加快卷积神经网络模型的识别速度。第一图像识别得到场景图像中正样本图像，区域范围大，特征明显，难度低，准确率相对较低；第二图像识别得到标识图像，识别精度高，计算耗时长。

在一个实施例中，对所述训练图像进行预处理，以调整所述训练图像的图片参数；将调整后的训练图像作为训练集对神经网络模型进行训练。其中，图像处理的方式为对训练图像进行模糊、修改对比度、修改亮度或图像增强处理中的一种或多种处理。图像参数包括分辨率大小、亮度、对比度、旋转角度或颜色中至少一种。

所述将所述待检测的场景图像输入预设的卷积神经网络模型，得到标记图像包括：将所述待检测的场景图像输入第一卷积神经网络模型，得到第一特征图像；根据所述第一特征图像的每个像素点，生成对应像素点的第一候选框，并获得每个所述第一候选框的置信度；选取置信度大于等于置信度阈值的第一候选框，并将第一候选框内的图像作为正样本图像。

具体地，将所述待检测的场景图像输入第一卷积神经网络模型，得到第一特征图像。将第一特征图像输入区域生成网络(RegionProposal Network)，根据所述第一特征图像的每个像素点，生成对应像素点的第一候选框，将第一候选框进行归一化指数函数(softmax)前景背景分类以及边框回归(Bounding Box Regression)，获得每个所述第一候选框的置信度。选取置信度大于等于置信度阈值的第一候选框，并将第一候选框内的图像作为正样本图像。其中，区域生成网络(RegionProposal Network)是一个全卷积网络(Fully convolutional network,FCN),它可以从任意尺寸的图像中得到一系列的带有分数(Objectness score)的物体候选区域，区域生成网络能够生成高质量的候选区域，并可以嵌入卷积神经网络中进行端对端的训练。

所述将所述待检测的场景图像输入预设的卷积神经网络模型，得到标记图像包括：将正样本图像输入第二卷积神经网络模型，得到第二特征图像；根据所述第一特征图像的每个像素点，生成对应像素点的第二候选框，并获得每个所述第二候选框的重复度；选取重复度小于等于重复度阈值的第二候选框，并将第二候选框内的图像作为标记图像。

具体地，将正样本图像输入第二卷积神经网络模型，得到第二特征图。根据所述第一特征图像的每个像素点，生成对应像素点的第二候选框，将第二候选框进行归一化指数函数(softmax)前景背景分类以及边框回归(Bounding Box Regression)，获得每个所述第二候选框的置信度，选取置信度大于等于置信度阈值的第二候选框。分析第二候选框，获取第二候选框的重复度，经过非极大值抑制算法(Non-maximum suppression)选取重复度小于等于重复度阈值的第二候选框，并将第二候选框内的图像作为标记图像。

步骤206，根据所述标记图像检测泌水区域，并进行告警提示。

具体地，将标记图像进行可视化展示，突出显示标记图像中的泌水区域，并进行告警提示。更具体地，所述告警提示根据标记图像中泌水区域的数量，调整告警提示的频率和/或次数。其中，所述告警提示可以为文字、颜色、符号、声音或其他提示。

上述泌水区域检测方法中，利用图像处理技术，采集待检测的场景图像，输入预设的卷积神经网络模型，检测泌水区域，并进行告警提示，利用深度学习检测算法，在监控视频场景下，实时检测混凝土泌水情况，确定泌水区域的位置坐标，既节省了人力，又节省了时间，降低了人工成本，提高识别泌水区域效率和准确率。

应该理解的是，虽然图2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，这些步骤可以以其它的顺序执行。而且，图2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，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它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。

在一个实施例中，如图3所示，提供了一种泌水区域检测装置，包括：图像获取模块310、图像识别模块320和图像检测模块330，其中：

所述图像获取模块310用于获取待检测的场景图像。

所述图像识别模块320用于将所述待检测的场景图像输入预设的卷积神经网络模型得到标记图像，所述标记图像中包含泌水区域图像。

所述图像检测模块330用于根据所述标记图像检测泌水区域，并进行告警提示。

所述图像获取模块310用于对所述场景图像进行预处理，以调整所述场景图像的分辨率。

所述图像识别模块320用于将所述待检测的场景图像输入第一卷积神经网络模型，得到正样本图像；将正样本图像输入第二卷积神经网络模型，得到标记图像。

所述图像识别模块320用于将所述待检测的场景图像输入第一卷积神经网络模型，得到第一特征图像；根据所述第一特征图像的每个像素点，生成对应像素点的第一候选框，并获得每个所述第一候选框的置信度；选取置信度大于等于置信度阈值的第一候选框，并将第一候选框内的图像作为正样本图像。

所述图像识别模块320用于将正样本图像输入第二卷积神经网络模型，得到第二特征图像；根据所述第一特征图像的每个像素点，生成对应像素点的第二候选框，并获得每个所述第二候选框的重复度；选取重复度小于等于重复度阈值的第二候选框，并将第二候选框内的图像作为标记图像。

所述图像识别模块320用于所述卷积神经网络模型包括第一卷积神经网络模型和第二卷积神经网络模型；建立第一神经网络，将包含标记图像的训练图像作为训练集对神经网络模型进行训练，获得第一卷积神经网络模型，所述第一卷积神经网络模型的输入为所述训练图像，输出为正样本图像；建立第二神经网络，将所述正样本图像作为训练集对神经网络模型进行训练，获得第二卷积神经网络模型，所述第二卷积神经网络模型的输入为所述正样本图像，输出为标记图像。

关于泌水区域检测装置的具体限定可以参见上文中对于泌水区域检测方法的限定，在此不再赘述。上述泌水区域检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储泌水区域检测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种泌水区域检测方法。

本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取待检测的场景图像；

将所述待检测的场景图像输入预设的卷积神经网络模型，得到标记图像；所述标记图像中包含泌水区域图像；

根据所述标记图像检测泌水区域，并进行告警提示。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述待检测的场景图像输入第一卷积神经网络模型，得到正样本图像；

将正样本图像输入第二卷积神经网络模型，得到标记图像。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述待检测的场景图像输入第一卷积神经网络模型，得到第一特征图像；

根据所述第一特征图像的每个像素点，生成对应像素点的第一候选框，并获得每个所述第一候选框的置信度；

选取置信度大于等于置信度阈值的第一候选框，并将第一候选框内的图像作为正样本图像。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将正样本图像输入第二卷积神经网络模型，得到第二特征图像；

根据所述第一特征图像的每个像素点，生成对应像素点的第二候选框，并获得每个所述第二候选框的重复度；

选取重复度小于等于重复度阈值的第二候选框，并将第二候选框内的图像作为标记图像。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：所述卷积神经网络模型包括第一卷积神经网络模型和第二卷积神经网络模型；

建立第一神经网络，将包含标记图像的训练图像作为训练集对神经网络模型进行训练，获得第一卷积神经网络模型，所述第一卷积神经网络模型的输入为所述训练图像，输出为正样本图像；

建立第二神经网络，将所述正样本图像作为训练集对神经网络模型进行训练，获得第二卷积神经网络模型，所述第二卷积神经网络模型的输入为所述正样本图像，输出为标记图像。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：对所述训练图像进行预处理，以调整所述训练图像的图片参数，所述图片参数包括分辨率大小、亮度、对比度、旋转角度或颜色中至少一种；

将调整后的训练图像作为训练集对神经网络模型进行训练。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：对所述场景图像进行预处理，以调整所述场景图像的分辨率。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取待检测的场景图像；

将所述待检测的场景图像输入预设的卷积神经网络模型，得到标记图像；所述标记图像中包含泌水区域图像；

根据所述标记图像检测泌水区域，并进行告警提示。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将所述待检测的场景图像输入第一卷积神经网络模型，得到正样本图像；

将正样本图像输入第二卷积神经网络模型，得到标记图像。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将所述待检测的场景图像输入第一卷积神经网络模型，得到第一特征图像；

根据所述第一特征图像的每个像素点，生成对应像素点的第一候选框，并获得每个所述第一候选框的置信度；

选取置信度大于等于置信度阈值的第一候选框，并将第一候选框内的图像作为正样本图像。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将正样本图像输入第二卷积神经网络模型，得到第二特征图像；

根据所述第一特征图像的每个像素点，生成对应像素点的第二候选框，并获得每个所述第二候选框的重复度；

选取重复度小于等于重复度阈值的第二候选框，并将第二候选框内的图像作为标记图像。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：所述卷积神经网络模型包括第一卷积神经网络模型和第二卷积神经网络模型；

建立第一神经网络，将包含标记图像的训练图像作为训练集对神经网络模型进行训练，获得第一卷积神经网络模型，所述第一卷积神经网络模型的输入为所述训练图像，输出为正样本图像；

建立第二神经网络，将所述正样本图像作为训练集对神经网络模型进行训练，获得第二卷积神经网络模型，所述第二卷积神经网络模型的输入为所述正样本图像，输出为标记图像。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对所述训练图像进行预处理，以调整所述训练图像的图片参数，所述图片参数包括分辨率大小、亮度、对比度、旋转角度或颜色中至少一种；

将调整后的训练图像作为训练集对神经网络模型进行训练。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对所述场景图像进行预处理，以调整所述场景图像的分辨率。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种泌水区域检测方法，其特征在于，所述方法包括：

获取待检测的场景图像；

将所述待检测的场景图像输入预设的卷积神经网络模型，得到标记图像；所述标记图像中包含泌水区域图像；

根据所述标记图像检测泌水区域，并进行告警提示。

2.根据权利要求1所述的方法，其特征在于，所述将所述待检测的场景图像输入预设的卷积神经网络模型中，获得标记图像包括：

将所述待检测的场景图像输入第一卷积神经网络模型，得到正样本图像；

将正样本图像输入第二卷积神经网络模型，得到标记图像。

3.根据权利要求2所述的方法，其特征在于，所述将所述待检测的场景图像输入第一卷积神经网络模型，得到正样本图像包括：

将所述待检测的场景图像输入第一卷积神经网络模型，得到第一特征图像；

根据所述第一特征图像的每个像素点，生成对应像素点的第一候选框，并获得每个所述第一候选框的置信度；

选取置信度大于等于置信度阈值的第一候选框，并将第一候选框内的图像作为正样本图像。

4.根据权利要求3所述的方法，其特征在于，所述将正样本图像输入第二卷积神经网络模型，得到标记图像包括：

将正样本图像输入第二卷积神经网络模型，得到第二特征图像；

根据所述第一特征图像的每个像素点，生成对应像素点的第二候选框，并获得每个所述第二候选框的重复度；

选取重复度小于等于重复度阈值的第二候选框，并将第二候选框内的图像作为标记图像。

5.根据权利要求1所述的方法，其特征在于，所述将所述待检测的场景图像输入预设的卷积神经网络模型中，获得标记图像之前还包括：

所述卷积神经网络模型包括第一卷积神经网络模型和第二卷积神经网络模型；

建立第一神经网络，将包含标记图像的训练图像作为训练集对神经网络模型进行训练，获得第一卷积神经网络模型，所述第一卷积神经网络模型的输入为所述训练图像，输出为正样本图像；

建立第二神经网络，将所述正样本图像作为训练集对神经网络模型进行训练，获得第二卷积神经网络模型，所述第二卷积神经网络模型的输入为所述正样本图像，输出为标记图像。

6.根据权利要求5所述的方法，其特征在于，所述建立第一神经网络，将包含标记图像的训练图像作为训练集对神经网络模型进行训练，获得第一卷积神经网络模型包括：

对所述训练图像进行预处理，以调整所述训练图像的图片参数，所述图片参数包括分辨率大小、亮度、对比度、旋转角度或颜色中至少一种；

将调整后的训练图像作为训练集对神经网络模型进行训练。

7.根据权利要求1所述的方法，其特征在于，所述获取待检测的场景图像之后包括：

对所述场景图像进行预处理，以调整所述场景图像的分辨率。

8.一种泌水区域检测系统，其特征在于，所述装置包括：

图像采集装置，用于获取待检测的场景图像；

图像采集装置，用于将所述待检测的场景图像输入预设的卷积神经网络模型得到标记图像；所述标记图像中包含泌水区域图像；

展示与反馈装置，用于根据所述标记图像检测泌水区域，并进行告警提示。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

Images