CN111582056A - 一种加油站卸油作业现场消防器材自动检测方法 - Google Patents
一种加油站卸油作业现场消防器材自动检测方法 Download PDFInfo
- Publication number
- CN111582056A CN111582056A CN202010307721.2A CN202010307721A CN111582056A CN 111582056 A CN111582056 A CN 111582056A CN 202010307721 A CN202010307721 A CN 202010307721A CN 111582056 A CN111582056 A CN 111582056A
- Authority
- CN
- China
- Prior art keywords
- data set
- training
- fire
- neural network
- gas station
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000003062 neural network model Methods 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 31
- 239000000463 material Substances 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 239000000446 fuel Substances 0.000 claims description 3
- 239000000843 powder Substances 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000007592 spray painting technique Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明提供一种加油站卸油作业现场消防器材自动检测方法，包括获取加油站卸油作业现场包含消防器材的视频素材并预处理成样本数据集，且将样本数据集划分为训练数据集和测试数据集；构建YOLO神经网络模型，并利用训练数据集及测试数据集对YOLO神经网络模型进行训练及测试，直至模型满足预设要求收敛为止，得到训练好的YOLO神经网络模型；获取加油站卸油作业现场实时视频并提取相应图片，且进一步将所提取的图片导入所述训练好的YOLO神经网络模型中识别，即可得到加油站卸油作业现场消防器材的最终检测结果。实施本发明，不仅具有较快的自检速度，还具有较高的检测精确度。
Description
技术领域
本发明涉及计算机图像处理技术领域和消防器材检测技术领域，尤其涉及一种加油站卸油作业现场消防器材自动检测方法。
背景技术
加油站卸油作业属于重大危险作业，进行作业时作业现场必须按要求放置灭火装置。随着深度学习目标检测算法趋于成熟，智能化消防器材检测检测，将大大减少加油站安全管理的难度，同时也提高监管质量。
当前加油站卸油作业现场消防器材的检测主要是通过基于深度学习的目标检测算法来实现的；其中，该目标检测算法包括：(1)One-Stage目标检测算法，此算法虽然不需要先产生候选区域，直接产生物体的类别概率和位置坐标值，有着比较快的检测速度，但检测精确度较差；(2)Two-Stage目标检测算法，此算法虽然将目标检测问题划分为两个阶段，首先产生候选区域，然后对候选区域进行分类和位置精修，有着较好的检测精确度，但检测速度较慢。
因此，亟需一种加油站卸油作业现场消防器材检测方法，在该方法中所采用的检测算法不仅有着较好的检测精确度，还有着较快的检测速度。
发明内容
本发明实施例所要解决的技术问题在于，提供一种加油站卸油作业现场消防器材自动检测方法，不仅具有较快的自检速度，还具有较高的检测精确度。
为了解决上述技术问题，本发明实施例提供了一种加油站卸油作业现场消防器材自动检测方法，所述方法包括以下步骤：
步骤S1、获取加油站卸油作业现场包含消防器材的视频素材并预处理成样本数据集，且将所述样本数据集划分为训练数据集和测试数据集；
步骤S2、构建YOLO神经网络模型，并利用训练数据集及测试数据集对所述YOLO神经网络模型进行训练及测试，直至模型满足预设要求收敛为止，得到训练好的YOLO神经网络模型；
步骤S3、获取加油站卸油作业现场实时视频并提取相应图片，且进一步将所提取的图片导入所述训练好的YOLO神经网络模型中识别，即可得到加油站卸油作业现场消防器材的最终检测结果。
其中，在所述步骤S1中，所述加油站卸油作业现场包含消防器材的视频素材为通过摄像机对含有标志的灭火毯和35KG推车式干粉灭火器进行多角度、多距离和多高度拍摄的视频。
其中，在所述步骤S1中，所述加油站卸油作业现场包含消防器材的视频素材预处理成样本数据集是通过编写PYTHON脚本并调用OPENCV对所述加油站卸油作业现场包含消防器材的视频素材来进行分解处理，具体如下：
对所述加油站卸油作业现场包含消防器材的视频素材中有效的视频素材每N帧提取一张图片，分解得到图片并组成原始图片素材；其中，N值根据拍摄视频时角度变化速度来确定，其取值为大于1的正整数；
对原始图片素材进行数据增强处理来得到划分为训练数据集样本和测试数据集样的样本数据集。
其中，所述原始图片素材的数据增强处理是通过翻转、旋转、缩放、调整图片亮度、调整色彩饱和度来实现。
其中，所述样本数据集通过人工框选方式进行标注，并制作成VOC2007格式数据集。
其中，所述方法进一步包括：
所述样本数据集标注过程中，对于存在遮挡及显示不全未超过百分之七十的消防器材，可对未遮挡部分进行标注。
其中，在所述S2中，所述利用训练数据集及测试数据集对所述YOLO神经网络模型进行训练及测试，直至模型满足预设要求收敛为止，得到训练好的YOLO神经网络模型的具体步骤包括：
设置训练参数：将batch和subdivisions分别设置为64和8，将迭代数参数max_batches设置为200000，将初始学习率learning_rate参数设置为0.002，将burn_in参数设置为2000，将steps参数设置为170000,185000，将类别classes参数设置为2，将filter参数都设置为21；
训练YOLO神经网络：把训练数据集导入YOLO神经网络模型中，并使用darknet53预训练模型进行模型训练。
模型测试：模型训练结束后，使用测试数据集对训练得到的YOLO神经网络模型进行测试，并对训练过程中Loss值进行分析；若识别率小于百分之九十五或Loss值在训练过程中不收敛，则继续调整训练参数再进行训练，直至识别率大于百分之九十五为止，得到最终的YOLO神经网络模型。
实施本发明实施例，具有如下有益效果：
1、本发明基于YOLO神经网络模型检测会对输入图片进行小方格划分，缩小了对象检测范围，把检测对象最好都能分配到一个属于它的小方格中，使得输出参数更加准确，检测性能更好；
2、本发明基于YOLO神经网络模型将目标检测问题定义为回归预测问题，不需要复杂的处理流程，因此在没有批处理的情况下能在Titan X GPU上能达到45帧每秒的检测速度，具有较块的检测速度；
3、本发明基于YOLO神经网络模型使用训练集数据智能学习图片特征，损失函数也是由卷积神经网络自动计算得出，训练数据和测试数据随机划分，所以检测结果不会受到主观因素的影响，具有较高的检测精确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的加油站卸油作业现场消防器材自动检测方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，为本发明实施例中，提供的一种加油站卸油作业现场消防器材自动检测方法，所述方法包括以下步骤：
步骤S1、获取加油站卸油作业现场包含消防器材的视频素材并预处理成样本数据集，且将所述样本数据集划分为训练数据集和测试数据集；
具体过程为，首先，通过摄像机对含有标志的灭火毯和35KG推车式干粉灭火器进行多角度、多距离和多高度拍摄，得到加油站卸油作业现场包含消防器材的视频素材，即在视频素材采集过程中，以加油站场景直接作为样本背景，在加油站现场放置灭火毯标志和灭火器，以预识别物体为圆心，以不同距离、不同高度对预识别物体进行拍摄来采集尽量多的视频数据；其中，灭火毯的标志设计形状为边长1米的正方形，并使用喷绘方式制作。
其次，通过编写PYTHON脚本并调用OPENCV对加油站卸油作业现场包含消防器材的视频素材来进行分解处理成样本数据集，具体如下：
对该视频素材中有效的视频素材每N帧提取一张图片，分解得到图片并组成原始图片素材；其中，N值根据拍摄视频时角度变化速度来确定，其取值为大于1的正整数；
对原始图片素材进行数据增强处理来得到划分为训练数据集样本和测试数据集样的样本数据集；其中，原始图片素材的数据增强处理是通过翻转、旋转、缩放、调整图片亮度、调整色彩饱和度等方式来实现。
应当说明的是，样本数据集是通过在labelimg软件上使用人工框选方式进行标注，并制作成VOC2007格式数据集，且样本数据集标注过程中，对于存在遮挡及显示不全未超过百分之七十的消防器材，可对未遮挡部分进行标注。即根据VOC2007格式数据集要求，标注完成后的样本数据集为图片和标注数据制作成的VOC2007数据集。
最后，将样本数据集划分为训练数据集和测试数据集。
步骤S2、构建YOLO神经网络模型，并利用训练数据集及测试数据集对所述YOLO神经网络模型进行训练及测试，直至模型满足预设要求收敛为止，得到训练好的YOLO神经网络模型；
具体过程为，设置训练参数：将batch和subdivisions分别设置为64和8，将迭代数参数max_batches设置为200000，将初始学习率learning_rate参数设置为0.002，将burn_in参数设置为2000，将steps参数设置为170000,185000，将类别classes参数设置为2，将filter参数都设置为21；
训练YOLO神经网络：把训练数据集导入YOLO神经网络模型中，并使用darknet53预训练模型进行模型训练。
模型测试：模型训练结束后，使用测试数据集对训练得到的YOLO神经网络模型进行测试，并对训练过程中Loss值进行分析；若识别率小于百分之九十五或Loss值在训练过程中不收敛，则继续调整训练参数再进行训练，直至识别率大于百分之九十五为止，得到最终的YOLO神经网络模型。
步骤S3、获取加油站卸油作业现场实时视频并提取相应图片，且进一步将所提取的图片导入所述训练好的YOLO神经网络模型中识别，即可得到加油站卸油作业现场消防器材的最终检测结果。
具体过程为，在加油站卸油作业现场实时视频中提取相应图片，然后导入所述训练好的YOLO神经网络模型中识别，输出结果，即为加油站卸油作业现场消防器材的最终检测结果。
实施本发明实施例，具有如下有益效果：
1、本发明基于YOLO神经网络模型检测会对输入图片进行小方格划分，缩小了对象检测范围，把检测对象最好都能分配到一个属于它的小方格中，使得输出参数更加准确，检测性能更好；
2、本发明基于YOLO神经网络模型将目标检测问题定义为回归预测问题，不需要复杂的处理流程，因此在没有批处理的情况下能在Titan X GPU上能达到45帧每秒的检测速度，具有较块的检测速度；
3、本发明基于YOLO神经网络模型使用训练集数据智能学习图片特征，损失函数也是由卷积神经网络自动计算得出，训练数据和测试数据随机划分，所以检测结果不会受到主观因素的影响，具有较高的检测精确度。
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步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (7)
1.一种加油站卸油作业现场消防器材自动检测方法，其特征在于，所述方法包括以下步骤：
步骤S1、获取加油站卸油作业现场包含消防器材的视频素材并预处理成样本数据集，且将所述样本数据集划分为训练数据集和测试数据集；
步骤S2、构建YOLO神经网络模型，并利用训练数据集及测试数据集对所述YOLO神经网络模型进行训练及测试，直至模型满足预设要求收敛为止，得到训练好的YOLO神经网络模型；
步骤S3、获取加油站卸油作业现场实时视频并提取相应图片，且进一步将所提取的图片导入所述训练好的YOLO神经网络模型中识别，即可得到加油站卸油作业现场消防器材的最终检测结果。
2.如权利要求1所述的加油站卸油作业现场消防器材自动检测方法，其特征在于，在所述步骤S1中，所述加油站卸油作业现场包含消防器材的视频素材为通过摄像机对含有标志的灭火毯和35KG推车式干粉灭火器进行多角度、多距离和多高度拍摄的视频。
3.如权利要求2所述的加油站卸油作业现场消防器材自动检测方法，其特征在于，在所述步骤S1中，所述加油站卸油作业现场包含消防器材的视频素材预处理成样本数据集是通过编写PYTHON脚本并调用OPENCV对所述加油站卸油作业现场包含消防器材的视频素材来进行分解处理，具体如下：
对所述加油站卸油作业现场包含消防器材的视频素材中有效的视频素材每N帧提取一张图片，分解得到图片并组成原始图片素材；其中，N值根据拍摄视频时角度变化速度来确定，其取值为大于1的正整数；
对原始图片素材进行数据增强处理来得到划分为训练数据集样本和测试数据集样的样本数据集。
4.如权利要求3所述的加油站卸油作业现场消防器材自动检测方法，其特征在于，所述原始图片素材的数据增强处理是通过翻转、旋转、缩放、调整图片亮度、调整色彩饱和度来实现。
5.如权利要求3中所述的加油站卸油作业现场消防器材自动检测方法，其特征在于，所述样本数据集通过人工框选方式进行标注，并制作成VOC2007格式数据集。
6.如权利要求5所述的加油站卸油作业现场消防器材自动检测方法，其特征在于，所述方法进一步包括：
所述样本数据集标注过程中，对于存在遮挡及显示不全未超过百分之七十的消防器材，可对未遮挡部分进行标注。
7.如权利要求3中所述的加油站卸油作业现场消防器材自动检测方法，其特征在于，在所述S2中，所述利用训练数据集及测试数据集对所述YOLO神经网络模型进行训练及测试，直至模型满足预设要求收敛为止，得到训练好的YOLO神经网络模型的具体步骤包括：
设置训练参数：将batch和subdivisions分别设置为64和8，将迭代数参数max_batches设置为200000，将初始学习率learning_rate参数设置为0.002，将burn_in参数设置为2000，将steps参数设置为170000,185000，将类别classes参数设置为2，将filter参数都设置为21；
训练YOLO神经网络：把训练数据集导入YOLO神经网络模型中，并使用darknet53预训练模型进行模型训练。
模型测试：模型训练结束后，使用测试数据集对训练得到的YOLO神经网络模型进行测试，并对训练过程中Loss值进行分析；若识别率小于百分之九十五或Loss值在训练过程中不收敛，则继续调整训练参数再进行训练，直至识别率大于百分之九十五为止，得到最终的YOLO神经网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010307721.2A CN111582056A (zh) | 2020-04-17 | 2020-04-17 | 一种加油站卸油作业现场消防器材自动检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010307721.2A CN111582056A (zh) | 2020-04-17 | 2020-04-17 | 一种加油站卸油作业现场消防器材自动检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111582056A true CN111582056A (zh) | 2020-08-25 |
Family
ID=72120593
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010307721.2A Pending CN111582056A (zh) | 2020-04-17 | 2020-04-17 | 一种加油站卸油作业现场消防器材自动检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111582056A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112004063A (zh) * | 2020-09-03 | 2020-11-27 | 四川弘和通讯有限公司 | 一种基于多相机联动的卸油油管连接正确性的监控方法 |
| CN112132092A (zh) * | 2020-09-30 | 2020-12-25 | 四川弘和通讯有限公司 | 一种基于卷积神经网络的灭火器和灭火毯的识别方法 |
| CN112183397A (zh) * | 2020-09-30 | 2021-01-05 | 四川弘和通讯有限公司 | 基于空洞卷积神经网络的坐防护栏行为的识别方法 |
| CN112329768A (zh) * | 2020-10-23 | 2021-02-05 | 上善智城(苏州)信息科技有限公司 | 一种基于改进的yolo的加油站卸油停车牌标志的识别方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109241896A (zh) * | 2018-08-28 | 2019-01-18 | 腾讯科技（深圳）有限公司 | 一种通道安全检测方法、装置及电子设备 |
| CN109271938A (zh) * | 2018-09-19 | 2019-01-25 | 上海鸢安智能科技有限公司 | 一种基于智能视频分析技术的加油站卸油过程安全监控方法 |
-
2020
- 2020-04-17 CN CN202010307721.2A patent/CN111582056A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109241896A (zh) * | 2018-08-28 | 2019-01-18 | 腾讯科技（深圳）有限公司 | 一种通道安全检测方法、装置及电子设备 |
| CN109271938A (zh) * | 2018-09-19 | 2019-01-25 | 上海鸢安智能科技有限公司 | 一种基于智能视频分析技术的加油站卸油过程安全监控方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112004063A (zh) * | 2020-09-03 | 2020-11-27 | 四川弘和通讯有限公司 | 一种基于多相机联动的卸油油管连接正确性的监控方法 |
| CN112132092A (zh) * | 2020-09-30 | 2020-12-25 | 四川弘和通讯有限公司 | 一种基于卷积神经网络的灭火器和灭火毯的识别方法 |
| CN112183397A (zh) * | 2020-09-30 | 2021-01-05 | 四川弘和通讯有限公司 | 基于空洞卷积神经网络的坐防护栏行为的识别方法 |
| CN112329768A (zh) * | 2020-10-23 | 2021-02-05 | 上善智城(苏州)信息科技有限公司 | 一种基于改进的yolo的加油站卸油停车牌标志的识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111582056A (zh) | 一种加油站卸油作业现场消防器材自动检测方法 | |
| CN108686978B (zh) | 基于arm的水果类别和色泽的分拣方法及系统 | |
| CN108734690B (zh) | 一种视觉缺陷检测设备及其检测方法 | |
| CN110390673B (zh) | 一种监控场景下基于深度学习的香烟自动检测方法 | |
| US11068746B2 (en) | Image realism predictor | |
| CN111339902B (zh) | 一种数显仪表的液晶屏示数识别方法及装置 | |
| CN109784293A (zh) | 多类目标对象检测方法、装置、电子设备、存储介质 | |
| CN110363781A (zh) | 基于深度神经网络的熔池轮廓检测方法 | |
| CN111753805A (zh) | 安全帽佩戴检测方法和装置 | |
| CN109299687A (zh) | 一种基于cnn的模糊异常视频识别方法 | |
| CN113538375A (zh) | 一种基于YOLOv5的PCB缺陷检测方法 | |
| CN114170227B (zh) | 产品表面缺陷检测方法、装置、设备及存储介质 | |
| CN105374051B (zh) | 智能移动终端防镜头抖动视频运动目标检测方法 | |
| CN113553977A (zh) | 一种基于改进yolo v5的安全帽检测方法和系统 | |
| CN113095441A (zh) | 一种猪群扎堆检测方法、装置、设备及可读存储介质 | |
| Hakim et al. | Deep learning for roasting coffee bean quality assessment using computer vision in mobile environment | |
| CN114943923A (zh) | 基于深度学习的视频识别炮弹爆炸火光烟雾方法及系统 | |
| CN115410119A (zh) | 一种基于训练样本自适应生成的剧烈运动检测方法及系统 | |
| CN116828305A (zh) | 一种基于YOLOv5算法的云台自动追踪目标物方法 | |
| CN111582344A (zh) | 一种加油站卸油口盖状态识别方法 | |
| CN113065379A (zh) | 融合图像质量的图像检测方法、装置、电子设备 | |
| CN109975307A (zh) | 基于统计投影训练的轴承表面缺陷检测系统及检测方法 | |
| CN115273009A (zh) | 基于深度学习的道路裂纹检测方法及系统 | |
| CN115690084A (zh) | 一种基于改进yolov5的面向复杂场景的安全帽检测方法 | |
| CN112418362B (zh) | 一种目标检测训练样本筛选方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200825 |
|
| RJ01 | Rejection of invention patent application after publication |