CN110991331A - 施工现场的检测方法、装置、计算机设备和存储介质 - Google Patents
施工现场的检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110991331A CN110991331A CN201911207098.7A CN201911207098A CN110991331A CN 110991331 A CN110991331 A CN 110991331A CN 201911207098 A CN201911207098 A CN 201911207098A CN 110991331 A CN110991331 A CN 110991331A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- portrait
- target object
- construction
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及计算机技术领域,特别是涉及一种施工现场的检测方法、装置、计算机设备和存储介质。所述方法包括:接收待检测图像;对待检测图像进行目标对象以及人像的识别,并判定待检测图像中的目标对象以及人像是否符合预设条件;当待检测图像中的人像以及目标对象均不符合预设条件时,则对待检测图像进行施工设备的识别,得到施工设备的像素占比;当施工设备的像素占比大于预设阈值时,确定待检测图像为施工现场图像。采用本方法能够智能化的对待检测图片进行施工现场的检测。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种施工现场的检测方法、装置、计算机设备和存储介质。
背景技术
在智能交通违法中,相机抓拍的车辆“违法”图片需要进行二次审核,以进一步确定是否违法。在这其中,当车辆“违法”路段处于施工现场时,则可以认定该“违法”行为是合法的。因此,需要对“违法”图片进行检测判定,以确定“违法”路段是否为施工现场。
传统方式是以人工肉眼进行检测判定,检测过程不够智能化。
发明内容
基于此,有必要针对上述技术问题,提供一种能够智能化的对待检测图片进行检测的施工现场的检测方法、装置、计算机设备和存储介质。
一种施工现场的检测方法,所述方法包括:
接收待检测图像;
对待检测图像进行目标对象以及人像的识别,并判定待检测图像中的目标对象以及人像是否符合预设条件;
当待检测图像中的人像以及目标对象均不符合预设条件时,则对待检测图像进行施工设备的识别,得到施工设备的像素占比;
当施工设备的像素占比大于预设阈值时,确定待检测图像为施工现场图像。
在其中一个实施例中,判定待检测图像中的人像以及目标对象是否符合预设条件,包括:
判定待检测图像中目标对象是否大于或等于第一预设数量;
当目标对象的数量小于第一预设数量时,则判断人像数量是否大于或等于第二预设数量;
当人像数量小于第二预设数量时,则继续对待检测图像进行施工设备的识别。
在其中一个实施例中,上述方法还包括:
当人像数量大于或等于第二预设数量时,对人像进行施工人像的识别,以确定人像中施工人像的数量;
当施工人像的数量小于第三预设数量时,则继续对待检测图像进行施工设备的识别;
当施工人像的数量大于或等于第三预设数量时,则确定待检测图像为施工现场图像。
在其中一个实施例中,对待检测图像进行人像以及目标对象的识别,并判定待检测图像中的人像以及目标对象是否符合预设条件,包括:
对待检测图像进行特征提取,得到多尺度的人像特征以及目标对象特征;
采用相邻两阶特征逐层融合的方式,对相邻两个尺度的人像特征以及目标对象特征分别进行特征融合,得到多个尺度的人像融合特征以及多个尺度的目标对象融合特征;
对各尺度的人像融合特征进行预测,得到对应各尺度的人像预测框;
对各尺度的目标对象融合特征进行预测,得到对应各尺度的目标对象预测框;
采用非极大值抑制方式分别对人像预测框以及目标对象预测框进行筛选,分别得到对应人像以及目标对象的目标预测框;
根据人像的目标预测框以及目标对象的目标预测框的数量,判定图像中的人像以及目标对象是否符合预设条件。
在其中一个实施例中,对待检测图像进行施工设备的识别,得到施工设备的像素占比,包括:
对待检测图像进行特征提取,得到待检测图像中各像素点的分类结果;
确定待检测图像中分类结果为施工设备的像素点的数量;
根据待检测图像的像素点的数量以及施工设备的像素点的数量,确定施工设备的像素占比。
在其中一个实施例中,接收待检测图像之前,还包括:
获取采集设备采集的拼接图像,拼接图像由多张图像拼接组成;
通过识别框滑动遍历拼接图像,获取拼接图像的感兴趣区域;
采用二分类网络对感兴趣区域进行边界以及非边界的判定;
根据所得到的边界对拼接图像进行切割,得到多张待检测图像。
在其中一个实施例中,上述方法还包括:
对待检测图像进行识别,判断待检测图像中车辆是否违法;
当待检测图像中车辆违法时,则获取待检测图像是否为施工现场图像的检测结果;
当待检测图像为施工现场图像时,则输出待检测图像中车辆不违法的检测结果。
一种施工现场的检测装置,包括:
接收模块,用于接收待检测图像;
目标对象以及人像识别模块,用于对待检测图像进行目标对象以及人像的识别,并判定待检测图像中的目标对象以及人像是否符合预设条件;
第一施工设备识别模块,用于当待检测图像中的人像以及目标对象均不符合预设条件时,则对待检测图像进行施工设备的识别,得到施工设备的像素占比;
第一确定模块,用于当施工设备的像素占比大于预设阈值时,确定待检测图像为施工现场图像。
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任一项所述方法的步骤。
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任一项所述的方法的步骤。
上述施工现场的检测方法、装置、计算机设备和存储介质,通过对接收的待检测图像进行人像以及目标对象的识别,并判定所述待检测图像中的人像以及目标对象是否符合预设条件,当所述待检测图像中的人像以及目标对象均不符合预设条件时,以进一步进行施工设备的识别,基于得到的施工设备的像素占比,确定待检测图像是否为施工现场图像。从而,可以无需以人工进行人像以及目标对象的识别判定,以及进行施工设备的识别与判定,使得对待检测图像的检测判定更加智能化。
附图说明
图1为一个实施例中施工现场的检测方法的应用场景图;
图2为一个实施例中施工现场的检测方法的流程示意图;
图3为另一个实施例中施工现场的检测方法的流程示意图;
图4为一个实施例中拼接图像的示意图;
图5为一个实施例中施工现场的检测装置的结构框图;
图6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。
本申请提供的施工现场的检测方法,可以应用于如图1所示的应用环境中。其中,采集设备102通过网络与服务器104进行通信。具体地,以采集设备102采集的图像作为待检测图像,采集设备102采集到图像后,发送给服务器104,服务器104接收到待检测图像后,对待检测图像进行目标对象以及人像的识别,并判定待检测图像中的目标对象以及人像是否符合预设条件。当服务器104判定待检测图像中的人像以及目标对象均不符合预设条件时,则对待检测图像进行施工设备的识别,得到施工设备的像素占比。进一步,当服务器104判定施工设备的像素占比大于预设阈值时,则确定待检测图像为施工现场图像,以实现对待检测图像的判定。其中,采集设备102可以但不限于是各种安装于车载端以及安装于道路的电子警察摄像头等、摄像机、照相机等设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种施工现场的检测方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S202,接收待检测图像。
其中,待检测图像是指需要判定是否为施工现场的图像。具体地,可以是电子警察相机采集并经初步判定为车辆“违法”的图像。
步骤S204,对待检测图像进行目标对象以及人像的识别,并判定待检测图像中的目标对象以及人像是否符合预设条件。
其中,目标对象是指可以指示现场在进行施工的对象,可以包括但不限于施工警示牌、警示灯、路锥、施工围挡等。预设条件可以包括对目标对象进行识别后的识别结果的判定条件以及对人像进行识别后的识别结果的判定条件。
具体地,服务器可以通过统一方式或不同方式对目标对象以及人像进行识别,例如,神经网络模型,也可以同时或者分先后顺序依次对目标对象以及人像进行识别,例如,先目标对象后人像,或先人像后目标对象,或者同时识别,并对识别结果进行相应的判定。
步骤S206,当待检测图像中的人像以及目标对象均不符合预设条件时,则对待检测图像进行施工设备的识别,得到施工设备的像素占比。
其中,施工设备可以包括但不限于挖掘机、搅拌机、推土机、污水泵、以及各种仪器仪表等设备。
具体地,服务器根据对待检测图像中人像以及目标对象识别后的识别结果进行判定,并在判定人像以及目标对象均不符合预设条件时,通过预先训练并测试后的神经网络模型对待检测图像进行施工设备的识别,以确定待检测图像中施工设备的像素占比。
步骤S208,当施工设备的像素占比大于预设阈值时,确定待检测图像为施工现场图像。
具体地,服务器可以预先设置判定施工设备像素占比的阈值,在得到施工设备的像素占比后,对像素占比以及预设阈值进行比较判定,确定待检测图像是否为施工现场图像。具体比较判定公式如下:
其中,area表示施工设备的像素占比,thresh表示预设阈值,result为0表示图像现场未施工,该图像为非施工现场图像,result为1表示图像现场在施工,该图像为施工现场图像。
上述施工现场的检测方法中,通过对接收的待检测图像进行人像以及目标对象的识别,并判定所述待检测图像中的人像以及目标对象是否符合预设条件,当所述待检测图像中的人像以及目标对象均不符合预设条件时,以进一步进行施工设备的识别,基于得到的施工设备的像素占比,确定待检测图像是否为施工现场图像。从而,可以无需以人工进行人像以及目标对象的识别判定,以及进行施工设备的识别与判定,使得对待检测图像的检测判定更加智能化。
在其中一个实施例中,判定待检测图像中的人像以及目标对象是否符合预设条件,可以包括:判定待检测图像中目标对象是否大于或等于第一预设数量;当目标对象的数量小于第一预设数量时,则判断人像数量是否大于或等于第二预设数量;当人像数量小于第二预设数量时,则继续对待检测图像进行施工设备的识别。
其中,第一预设数量以及第二预设数量分别是服务器预先设置的,用于分别对待检测图像中目标对象以及人像进行判定的条件。
参考图3,具体地,服务器可以通过将待检测图像输入神经检测模型,例如,CenterNet目标检测模型,以分别对目标对象以及人像进行识别检测。
进一步,服务器首先对目标对象进行判定,确定其数量是否大于或等于第一预设数量。具体地,当目标对象的数量大于或等于第一预设数量时,则判定待检测图像为施工现场图像,当目标对象的数量小于第一预设数量时,则进行人像数量的判定。
进一步,当服务器判定人像数量小于第二预设数量时,则继续对待检测图像进行施工设备的识别。
上述实施例中,首先通过对目标对象进行判定,在目标对象小于第一预设数量时进行人像的判定,从而,在未检测到指示现场为施工现场的目标对象,或检测到目标对象数量较少时,可以通过人像对待检测图像进行二次检测判定,可以提升检测判定的准确性。
在其中一个实施例中,继续参考图3,服务器在对人像数量以及第二预设数量进行判定,判定人像数量大于或等于第二预设数量时,则对人像进行施工人像的识别,以确定人像中施工人像的数量;当施工人像的数量小于第三预设数量时,则继续对待检测图像进行施工设备的识别;当施工人像的数量大于或等于第三预设数量时,则确定待检测图像为施工现场图像。
具体地,服务器将待检测图像输入CenterNet目标检测模型,并在判定人像数量大于或等于第二预设数量时,可以生成对应的人像图像并输出。
进一步,在得到人像图像,服务器可以通过训练并测试后的SKNet模型对人像图像中人像进行分类判定。具体地,服务器将人像图像输入SKNet模型,以进行特征提取,并基于提取的特征,判定人像是否为施工人像,例如,通过判定衣服颜色是否为土黄色判定人像是否为施工人像。
进一步,服务器可以通过对施工人像数量以及第三预设数量进行比对判定,确定待检测图像是否为施工现场图像。
具体地,当服务器判定施工人像的数量大于或等于第三预设数量时,则确定待检测图像为施工现场图像,当服务器判定施工人像的数量小于第三预设数量时,则继续对待检测图像进行施工设备的识别。
上述实施例中,通过对人像进行施工人像的识别,在判定施工人像的数量大于或等于一定数量时,确定待检测图像为施工现场图像,可以进一步提升识别的准确性。
如前所述,服务器对待检测图像进行人像以及目标对象的识别,可以是将待检测图像输入神经网络模型,例如CenterNet目标检测模型,以进行人像以及目标对象的识别。
在其中一个实施例中,对待检测图像进行人像以及目标对象的识别,并判定待检测图像中的人像以及目标对象是否符合预设条件,可以包括:对待检测图像进行特征提取,得到多尺度的人像特征以及目标对象特征;采用相邻两阶特征逐层融合的方式,对相邻两个尺度的人像特征以及目标对象特征分别进行特征融合,得到多个尺度的人像融合特征以及多个尺度的目标对象融合特征;对各尺度的人像融合特征进行预测,得到对应各尺度的人像预测框;对各尺度的目标对象融合特征进行预测,得到对应各尺度的目标对象预测框;采用非极大值抑制方式分别对人像预测框以及目标对象预测框进行筛选,分别得到对应人像以及目标对象的目标预测框;根据人像的目标预测框以及目标对象的目标预测框的数量,判定图像中的人像以及目标对象是否符合预设条件。
具体地,在对待检测图像进行人像以及目标对象的识别前,可以通过训练图像对CenterNet目标检测模型进行训练,即通过标注框对训练图像中的人像以及目标对象进行标注,并将标注后的训练图像输入CenterNet目标检测模型,分别进行多尺度的人像特征以及目标对象特征的提取。
进一步,按照高阶层到低阶层的顺序,依次对相邻两阶的人像特征进行特征融合,以得到多个尺度的人像融合特征,以及对相邻两阶的目标对象特征进行特征融合,以得到多个尺度的目标对象融合特征。
进一步,可以分别对各人像融合特征以及目标对象融合特征进行回归预测,对应各尺度的目标对象预测框以及对应各尺度的目标对象预测框。服务器可以通过非极大值抑制准则(Non-Maximum Suppression,NMS)进行后处理,分别对人像预测框以及目标对象预测框进行筛选,分别得到对应人像以及目标对象的目标预测框,从而根据预测框的数量,对人像以及目标对象数量进行统计判定,确定是否符合预设条件。
可选地,在训练流程以及识别检测流程中,训练图像以及待检测图像在输入CenterNet目标检测模型之前,可以对其进行预处理,使其尺寸符合CenterNet目标检测模型的输入要求,以进一步提升检测的准确性。
在上述实施例中,通过对提取的多个尺度的特征进行特征融合,得到多个尺度的融合特征,并对各尺度的融合特征进行回归处理,从而可以得到对应多个尺度的融合特征的回归预测结果,可以提升识别检测的准确性。
在其中一个实施例中,对待检测图像进行施工设备的识别,得到施工设备的像素占比,包括:对待检测图像进行特征提取,得到待检测图像中各像素点的分类结果;确定待检测图像中分类结果为施工设备的像素点的数量;根据待检测图像的像素点的数量以及施工设备的像素点的数量,确定施工设备的像素占比。
其中,得到待检测图像中施工设备的像素占比可以是通过施工设备检测模型检测生成,例如,DFANet网络模型。
具体地,服务器将待检测图像输入施工设备检测模型,提取出各像素特征,并得到各像素点的分类结果,即像素点为施工设备或非施工设备,并根据待检测图像中各像素点的分类结果,确定分类结果为施工设备的像素点的数量,以进一步确定施工设备的像素占比。
在本实施例中,服务器在进行待检测图像进行施工设备的识别前,还可以通过训练图像对施工设备检测模型进行训练,以及通过测试图像进行测试,以提升模型的准确性。
上述实施例中,通过对待检测图像进行特征提取,得到各像素点的分类结果,从而对每一像素点进行分类判断,可以提升基于分类结果确定施工设备的像素点的数量的准确性,进而提升检测结果的准确性。
在其中一个实施例中,服务器接收的待检测图像可以是经过处理后的图像,上述方法还可以包括:获取采集设备采集的拼接图像,拼接图像由多张图像拼接组成;通过识别框滑动遍历拼接图像,获取拼接图像的感兴趣区域;采用二分类网络对感兴趣区域进行边界以及非边界的判定;根据所得到的边界对拼接图像进行切割,得到多张待检测图像。
其中,拼接图像是由多张时间依次连续的图像拼接而成的图像,例如,参考图4,拼接图像可以是由4张图像拼接而成的图像,或者也可以是有其他数量的图像拼接而成的图像,本申请对此不作限制。
感兴趣区域(region of interest,ROI)是指从图像中选择的一个图像区域,该区域为进一步图像分析中的重点区域。
识别框可以是方框、圆、椭圆、不规则多边形等选取框,可以通过识别框选取到滑动范围内的图像。
二分类网络为将样本分为负类以及正类的网络模型。在本申请中,正类可以对应于边界,负类可以对应于非边界,或者反之亦可。
具体地,服务器获取采集设备采集的拼接图像后,可以根据预先设定的识别框,勾勒出拼接图像中需要进行图像分析的感兴趣区域,以进行进一步的图像处理。
进一步,将该感兴趣区域输入二分类网络,二分类网络对感兴趣区域图像中每一像素进行识别判定,确定每一像素为边界或者非边界。在本实施例中,服务器可以根据获取的历史拼接图像,对该两分类网络进行训练,以使该两分类网络具有识别图像中各像素为边界以及非边界的功能。
进一步,服务器通过识别框遍历整个拼接图像,并对每一感兴趣区域进行识别判定后,可以识别出拼接图像中的边界区域,并按照边界区域将拼接图像进行切割,得到对应的多张待检测图像。
通过以识别框获取感兴趣区域,并采用二分类网络对感兴趣区域进行边界以及非边界的判定,然后进行拼接图像的切割,从而在进行判定时仅对拼接图像中获取的感兴趣区域进行,判定区域较小,可以提升判定的准确性。并且,将拼接图像拆分为多张待检测图像,然后进行识别检测,相比于同一尺寸的拼接图像,切割后的待检测图像像素更高,检测结果更准确。
在其中一个实施例中,上述方法还可以包括:对待检测图像进行识别,判断待检测图像中车辆是否违法;当待检测图像中车辆违法时,则获取待检测图像是否为施工现场图像的检测结果;当待检测图像为施工现场图像时,则输出待检测图像中车辆不违法的检测结果。
其中,服务器对待检测图像进行车辆是否违法的检测,可以是对连续的多张待检测图像进行检测,获取各待检测图像中车辆的特征点坐标,并根据获取的各特征点坐标,确定待检测图像中的车辆的移动位移,然后进行违法判定。例如,服务器根据多张待检测图像,确定在多张待检测图像中,车辆的移动位移小于预设数值,即车辆处于停止未行驶状态,从而判定车辆违法,当车辆的移动位移大于或等于预设阈值时,即车辆车辆处于行驶状态,判定车辆未违法。
进一步,服务器可以根据该待检测图像的是否为施工现场图像,对待检测图像中的车辆是否违法进行二次判定。具体为若待检测图像为施工现场图像,则确定车辆不违法,若待检测图像不是施工现场图像,则确定该车辆违法。
上述实施例中,在待检测图像检测到车辆违法时,通过获取待检测图像是否为施工现场图像的检测结果,对车辆是否违法进行二次判定,可以得到更加准确的判定车辆是否违法,得到准确的判定结果。
应该理解的是,虽然图2-3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2-3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5所示,提供了一种施工现场的检测装置,可以包括:接收模块100、目标对象以及人像识别模块200、第一施工设备识别模块300和第一确定模块400,其中:
接收模块100,用于接收待检测图像。
目标对象以及人像识别模块200,用于对待检测图像进行目标对象以及人像的识别,并判定待检测图像中的目标对象以及人像是否符合预设条件。
第一施工设备识别模块300,用于当待检测图像中的人像以及目标对象均不符合预设条件时,则对待检测图像进行施工设备的识别,得到施工设备的像素占比。
第一确定模块400,用于当施工设备的像素占比大于预设阈值时,确定待检测图像为施工现场图像。
在其中一个实施例中,上述目标对象以及人像识别模块200可以包括:
第一判定子模块,用于判定待检测图像中目标对象是否大于或等于第一预设数量。
第二判定子模块,用于当目标对象的数量小于第一预设数量时,则判断人像数量是否大于或等于第二预设数量。
施工设备识别子模块,用于当人像数量小于第二预设数量时,则继续对待检测图像进行施工设备的识别。
在其中一个实施例中,上述装置还可以包括:
施工人像识别模块,用于当人像数量大于或等于第二预设数量时,对人像进行施工人像的识别,以确定人像中施工人像的数量。
第二施工设备识别模块,用于当施工人像的数量小于第三预设数量时,则继续对待检测图像进行施工设备的识别。
第二确定模块,用于当施工人像的数量大于或等于第三预设数量时,则确定待检测图像为施工现场图像。
在其中一个实施例中,目标对象以及人像识别模块200可以包括:
第一特征提取子模块,用于对待检测图像进行特征提取,得到多尺度的人像特征以及目标对象特征。
特征融合子模块,用于采用相邻两阶特征逐层融合的方式,对相邻两个尺度的人像特征以及目标对象特征分别进行特征融合,得到多个尺度的人像融合特征以及多个尺度的目标对象融合特征。
人像预测子模块,用于对各尺度的人像融合特征进行预测,得到对应各尺度的人像预测框。
目标对象预测子模块,用于对各尺度的目标对象融合特征进行预测,得到对应各尺度的目标对象预测框。
筛选子模块,用于采用非极大值抑制方式分别对人像预测框以及目标对象预测框进行筛选,分别得到对应人像以及目标对象的目标预测框。
第三判定子模块,用于根据人像的目标预测框以及目标对象的目标预测框的数量,判定图像中的人像以及目标对象是否符合预设条件。
在其中一个实施例中,上述第一施工设备识别模块300可以包括:
第二特征提取子模块,用于对待检测图像进行特征提取,得到待检测图像中各像素点的分类结果。
第一像素点数量确定子模块,用于确定待检测图像中分类结果为施工设备的像素点的数量。
像素占比确定子模块,用于根据待检测图像的像素点的数量以及施工设备的像素点的数量,确定施工设备的像素占比。
在其中一个实施例中,上述装置还可以包括:
采集模块,用于在接收模块100接收待检测图像之前,获取采集设备采集的拼接图像,拼接图像由多张图像拼接组成。
感兴趣区域获取模块,用于通过识别框滑动遍历拼接图像,获取拼接图像的感兴趣区域。
二分类判定模块,用于采用二分类网络对感兴趣区域进行边界以及非边界的判定。
切割模块,用于根据所得到的边界对拼接图像进行切割,得到多张待检测图像。
在其中一个实施例中,上述装置还可以包括:
车辆违法判断模块,用于对待检测图像进行识别,判断待检测图像中车辆是否违法。
施工现场图像检测结果获取模块,用于当待检测图像中车辆违法时,则获取待检测图像是否为施工现场图像的检测结果。
车辆检测结果生成模块,用于当待检测图像为施工现场图像时,则输出待检测图像中车辆不违法的检测结果。
关于施工现场的检测装置的具体限定可以参见上文中对于施工现场的检测方法的限定,在此不再赘述。上述施工现场的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6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施工现场的检测结果数据。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施工现场的检测方法。
本领域技术人员可以理解,图6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,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:接收待检测图像;对待检测图像进行目标对象以及人像的识别,并判定待检测图像中的目标对象以及人像是否符合预设条件;当待检测图像中的人像以及目标对象均不符合预设条件时,则对待检测图像进行施工设备的识别,得到施工设备的像素占比;当施工设备的像素占比大于预设阈值时,确定待检测图像为施工现场图像。
在一个实施例中,处理器执行计算机程序时实现判定待检测图像中的人像以及目标对象是否符合预设条件,可以包括:判定待检测图像中目标对象是否大于或等于第一预设数量;当目标对象的数量小于第一预设数量时,则判断人像数量是否大于或等于第二预设数量;当人像数量小于第二预设数量时,则继续对待检测图像进行施工设备的识别。
在一个实施例中,处理器执行计算机程序时还实现如下步骤:当人像数量大于或等于第二预设数量时,对人像进行施工人像的识别,以确定人像中施工人像的数量;当施工人像的数量小于第三预设数量时,则继续对待检测图像进行施工设备的识别;当施工人像的数量大于或等于第三预设数量时,则确定待检测图像为施工现场图像。
在一个实施例中,处理器执行计算机程序时实现对待检测图像进行人像以及目标对象的识别,并判定待检测图像中的人像以及目标对象是否符合预设条件,可以包括:对待检测图像进行特征提取,得到多尺度的人像特征以及目标对象特征;采用相邻两阶特征逐层融合的方式,对相邻两个尺度的人像特征以及目标对象特征分别进行特征融合,得到多个尺度的人像融合特征以及多个尺度的目标对象融合特征;对各尺度的人像融合特征进行预测,得到对应各尺度的人像预测框;对各尺度的目标对象融合特征进行预测,得到对应各尺度的目标对象预测框;采用非极大值抑制方式分别对人像预测框以及目标对象预测框进行筛选,分别得到对应人像以及目标对象的目标预测框;根据人像的目标预测框以及目标对象的目标预测框的数量,判定图像中的人像以及目标对象是否符合预设条件。
在一个实施例中,处理器执行计算机程序时实现对待检测图像进行施工设备的识别,得到施工设备的像素占比,可以包括:对待检测图像进行特征提取,得到待检测图像中各像素点的分类结果;确定待检测图像中分类结果为施工设备的像素点的数量;根据待检测图像的像素点的数量以及施工设备的像素点的数量,确定施工设备的像素占比。
在一个实施例中,处理器执行计算机程序时实现接收待检测图像之前,还可以包括:获取采集设备采集的拼接图像,拼接图像由多张图像拼接组成;通过识别框滑动遍历拼接图像,获取拼接图像的感兴趣区域;采用二分类网络对感兴趣区域进行边界以及非边界的判定;根据所得到的边界对拼接图像进行切割,得到多张待检测图像。
在一个实施例中,处理器执行计算机程序时还实现如下步骤:对待检测图像进行识别,判断待检测图像中车辆是否违法;当待检测图像中车辆违法时,则获取待检测图像是否为施工现场图像的检测结果;当待检测图像为施工现场图像时,则输出待检测图像中车辆不违法的检测结果。
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:接收待检测图像;对待检测图像进行目标对象以及人像的识别,并判定待检测图像中的目标对象以及人像是否符合预设条件;当待检测图像中的人像以及目标对象均不符合预设条件时,则对待检测图像进行施工设备的识别,得到施工设备的像素占比;当施工设备的像素占比大于预设阈值时,确定待检测图像为施工现场图像。
在一个实施例中,计算机程序被处理器执行时实现判定待检测图像中的人像以及目标对象是否符合预设条件,可以包括:判定待检测图像中目标对象是否大于或等于第一预设数量;当目标对象的数量小于第一预设数量时,则判断人像数量是否大于或等于第二预设数量;当人像数量小于第二预设数量时,则继续对待检测图像进行施工设备的识别。
在一个实施例中,计算机程序被处理器执行时还实现如下步骤:当人像数量大于或等于第二预设数量时,对人像进行施工人像的识别,以确定人像中施工人像的数量;当施工人像的数量小于第三预设数量时,则继续对待检测图像进行施工设备的识别;当施工人像的数量大于或等于第三预设数量时,则确定待检测图像为施工现场图像。
在一个实施例中,计算机程序被处理器执行时实现对待检测图像进行人像以及目标对象的识别,并判定待检测图像中的人像以及目标对象是否符合预设条件,可以包括:对待检测图像进行特征提取,得到多尺度的人像特征以及目标对象特征;采用相邻两阶特征逐层融合的方式,对相邻两个尺度的人像特征以及目标对象特征分别进行特征融合,得到多个尺度的人像融合特征以及多个尺度的目标对象融合特征;对各尺度的人像融合特征进行预测,得到对应各尺度的人像预测框;对各尺度的目标对象融合特征进行预测,得到对应各尺度的目标对象预测框;采用非极大值抑制方式分别对人像预测框以及目标对象预测框进行筛选,分别得到对应人像以及目标对象的目标预测框;根据人像的目标预测框以及目标对象的目标预测框的数量,判定图像中的人像以及目标对象是否符合预设条件。
在一个实施例中,计算机程序被处理器执行时实现对待检测图像进行施工设备的识别,得到施工设备的像素占比,可以包括:对待检测图像进行特征提取,得到待检测图像中各像素点的分类结果;确定待检测图像中分类结果为施工设备的像素点的数量;根据待检测图像的像素点的数量以及施工设备的像素点的数量,确定施工设备的像素占比。
在一个实施例中,计算机程序被处理器执行时实现接收待检测图像之前,还可以包括:获取采集设备采集的拼接图像,拼接图像由多张图像拼接组成;通过识别框滑动遍历拼接图像,获取拼接图像的感兴趣区域;采用二分类网络对感兴趣区域进行边界以及非边界的判定;根据所得到的边界对拼接图像进行切割,得到多张待检测图像。
在一个实施例中,计算机程序被处理器执行时还实现如下步骤:对待检测图像进行识别,判断待检测图像中车辆是否违法;当待检测图像中车辆违法时,则获取待检测图像是否为施工现场图像的检测结果;当待检测图像为施工现场图像时,则输出待检测图像中车辆不违法的检测结果。
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)
1.一种施工现场的检测方法,器特征在于,所述方法包括:
接收待检测图像;
对所述待检测图像进行目标对象以及人像的识别,并判定所述待检测图像中的目标对象以及人像是否符合预设条件;
当所述待检测图像中的人像以及目标对象均不符合预设条件时,则对所述待检测图像进行施工设备的识别,得到所述施工设备的像素占比;
当所述施工设备的像素占比大于预设阈值时,确定所述待检测图像为施工现场图像。
2.根据权利要求1所述的方法,其特征在于,所述判定所述待检测图像中的人像以及目标对象是否符合预设条件,包括:
判定所述待检测图像中所述目标对象是否大于或等于第一预设数量;
当所述目标对象的数量小于所述第一预设数量时,则判断所述人像数量是否大于或等于第二预设数量;
当所述人像数量小于所述第二预设数量时,则继续对所述待检测图像进行施工设备的识别。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
当所述人像数量大于或等于所述第二预设数量时,对所述人像进行施工人像的识别,以确定所述人像中施工人像的数量;
当所述施工人像的数量小于第三预设数量时,则继续对所述待检测图像进行施工设备的识别;
当所述施工人像的数量大于或等于第三预设数量时,则确定所述待检测图像为施工现场图像。
4.根据权利要求1所述的方法,其特征在于,所述对所述待检测图像进行人像以及目标对象的识别,并判定所述待检测图像中的人像以及目标对象是否符合预设条件,包括:
对所述待检测图像进行特征提取,得到多尺度的人像特征以及目标对象特征;
采用相邻两阶特征逐层融合的方式,对相邻两个尺度的人像特征以及目标对象特征分别进行特征融合,得到多个尺度的人像融合特征以及多个尺度的目标对象融合特征;
对各尺度的所述人像融合特征进行预测,得到对应各尺度的人像预测框;
对各尺度的所述目标对象融合特征进行预测,得到对应各尺度的目标对象预测框;
采用非极大值抑制方式分别对所述人像预测框以及目标对象预测框进行筛选,分别得到对应所述人像以及所述目标对象的目标预测框;
根据所述人像的目标预测框以及目标对象的目标预测框的数量,判定所述图像中的人像以及目标对象是否符合预设条件。
5.根据权利要求1所述的方法,其特征在于,所述对所述待检测图像进行施工设备的识别,得到所述施工设备的像素占比,包括:
对所述待检测图像进行特征提取,得到所述待检测图像中各像素点的分类结果;
确定所述待检测图像中分类结果为施工设备的像素点的数量;
根据所述待检测图像的像素点的数量以及所述施工设备的像素点的数量,确定所述施工设备的像素占比。
6.根据权利要求1所述的方法,其特征在于,所述接收待检测图像之前,还包括:
获取采集设备采集的拼接图像,所述拼接图像由多张图像拼接组成;
通过识别框滑动遍历所述拼接图像,获取所述拼接图像的感兴趣区域;
采用二分类网络对所述感兴趣区域进行边界以及非边界的判定;
根据所得到的边界对所述拼接图像进行切割,得到多张待检测图像。
7.根据权利要求1所述的方法,其特征在于,还包括:
对所述待检测图像进行识别,判断所述待检测图像中车辆是否违法;
当所述待检测图像中车辆违法时,则获取所述待检测图像是否为施工现场图像的检测结果;
当所述待检测图像为施工现场图像时,则输出所述待检测图像中车辆不违法的检测结果。
8.一种施工现场的检测装置,其特征在于,包括:
接收模块,用于接收待检测图像;
目标对象以及人像识别模块,用于对所述待检测图像进行目标对象以及人像的识别,并判定所述待检测图像中的目标对象以及人像是否符合预设条件;
第一施工设备识别模块,用于当所述待检测图像中的人像以及目标对象均不符合预设条件时,则对所述待检测图像进行施工设备的识别,得到所述施工设备的像素占比;
第一确定模块,用于当所述施工设备的像素占比大于预设阈值时,确定所述待检测图像为施工现场图像。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911207098.7A CN110991331A (zh) | 2019-11-29 | 2019-11-29 | 施工现场的检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911207098.7A CN110991331A (zh) | 2019-11-29 | 2019-11-29 | 施工现场的检测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110991331A true CN110991331A (zh) | 2020-04-10 |
Family
ID=70088783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911207098.7A Withdrawn CN110991331A (zh) | 2019-11-29 | 2019-11-29 | 施工现场的检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991331A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149520A (zh) * | 2020-09-03 | 2020-12-29 | 上海趋视信息科技有限公司 | 一种多目标管理方法、系统及装置 |
-
2019
- 2019-11-29 CN CN201911207098.7A patent/CN110991331A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149520A (zh) * | 2020-09-03 | 2020-12-29 | 上海趋视信息科技有限公司 | 一种多目标管理方法、系统及装置 |
CN112149520B (zh) * | 2020-09-03 | 2023-05-09 | 上海趋视信息科技有限公司 | 一种多目标管理方法、系统及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110706261A (zh) | 车辆违章检测方法、装置、计算机设备和存储介质 | |
US8548201B2 (en) | Apparatus and method for recognizing identifier of vehicle | |
CN110930353A (zh) | 孔位保护门状态检测方法、装置、计算机设备和存储介质 | |
CN112001902A (zh) | 缺陷检测方法和相关装置、设备、存储介质 | |
WO2019033572A1 (zh) | 人脸遮挡检测方法、装置及存储介质 | |
KR101708547B1 (ko) | 사상(事象) 검출 장치 및 사상 검출 방법 | |
CN111666995B (zh) | 基于深度学习模型的车辆定损方法、装置、设备及介质 | |
CN111210399B (zh) | 一种成像质量评价方法、装置及设备 | |
CN107203765B (zh) | 敏感图像检测方法和装置 | |
US20170262723A1 (en) | Method and system for detection and classification of license plates | |
CN110533950A (zh) | 车位使用状况的检测方法、装置、电子设备及存储介质 | |
CA3174691A1 (en) | Human face fuzziness detecting method, device, computer equipment and storage medium | |
CN111914665B (zh) | 一种人脸遮挡检测方法、装置、设备及存储介质 | |
CN111160275B (zh) | 行人重识别模型训练方法、装置、计算机设备和存储介质 | |
CN109389019B (zh) | 人脸图像选择方法、装置及计算机设备 | |
CN111539317A (zh) | 车辆违规行驶检测方法、装置、计算机设备和存储介质 | |
CN112528940B (zh) | 驾驶员行为识别模型的训练方法、识别方法及装置 | |
CN111666800A (zh) | 一种行人重识别模型训练方法及行人重识别方法 | |
CN111583180A (zh) | 一种图像的篡改识别方法、装置、计算机设备及存储介质 | |
CN111144372A (zh) | 车辆检测方法、装置、计算机设备和存储介质 | |
CN108847031B (zh) | 交通行为监控方法、装置、计算机设备和存储介质 | |
CN111435437A (zh) | 一种pcb行人重识别模型训练方法及pcb行人重识别方法 | |
CN106529437B (zh) | 一种人脸检测的方法和装置 | |
CN111435445A (zh) | 字符识别模型的训练方法及装置、字符识别方法及装置 | |
CN110728680A (zh) | 行车记录仪检测方法、装置、计算机设备和存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200410 |
|
WW01 | Invention patent application withdrawn after publication |