CN112052824A - 基于YOLOv3算法的煤气管道特定物体目标检测告警方法、装置、系统及存储介质 - Google Patents
基于YOLOv3算法的煤气管道特定物体目标检测告警方法、装置、系统及存储介质 Download PDFInfo
- Publication number
- CN112052824A CN112052824A CN202010987857.2A CN202010987857A CN112052824A CN 112052824 A CN112052824 A CN 112052824A CN 202010987857 A CN202010987857 A CN 202010987857A CN 112052824 A CN112052824 A CN 112052824A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- yolov3
- training
- gas pipeline
- 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 47
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 28
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000012544 monitoring process Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000012795 verification Methods 0.000 claims description 32
- 238000002372 labelling Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000013480 data collection Methods 0.000 claims description 11
- 238000005553 drilling Methods 0.000 claims description 11
- 230000010354 integration Effects 0.000 claims description 11
- 230000003137 locomotive effect Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 230000007123 defense Effects 0.000 claims description 8
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 18
- 230000000694 effects Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 16
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000003672 processing method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 239000005557 antagonist Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003960 organic solvent Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于YOLOv3算法的煤气管道特定物体目标检测告警方法、告警装置、告警系统及计算机可读存储介质数据,基于YOLOv3算法且面向复杂场景的特定目标物体进行检测告警。包括收集步骤、数据整合步骤、数据标注步骤、数据划分步骤、YOLOv3模型训练步骤、YOLOv3模型验证步骤和目标检测步骤。本发明所提供的方法速度快、效果好、能处理大规模数据、支持多种语言、支持自定义损失函数等,是对复杂场景煤气管道监测的一种比较好的替代方案。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种特定物体目标检测告警方法、告警装置、告警系统及计算机可读存储介质。
背景技术
智能视频监控系统是采用图像处理、模式识别和计算机视觉技术,通过在监控系统中增加智能视频分析模块,借助计算机强大的数据处理能力过滤掉视频画面无用的或干扰信息、自动识别不同物体,分析抽取视频源中关键有用信息,快速准确的定位事故现场,判断监控画面中的异常情况,并以最快和最佳的方式发出警报或触发其它动作,从而有效进行事前预警,事中处理,事后及时取证的全自动、全天候、实时监控的智能系统。
煤气管道设防区智能预警则是对铺设煤气管道的区域进行重点设防,通过智能视频监控系统对各种异常情况进行智能预警,保障煤气管道的稳定和安全。
一方面,目前在特定物体目标检测方法上,主要有传统图像处理方法和深度学习检测方法。其中传统图像处理方法主要包括HOG、HOG+SVM、SURF和SIFT等;深度学习方法主要有卷积神经网络等。一般来说,对于特定场景以及环境的检测识别,传统图像处理方法比如SURF,只考虑图像的像素特征的因素,对短期受外界因素影响的复杂场景煤气管道的监测存在较大偏差。而深度学习算法中传统卷积神经网络识别效率较慢,深度学习算法如CNN、FASE-CNN,虽然可以进行目标检测,但对于识别的速度效果并不好。
另一方面,煤气管道监测这一工业化场景中,目前主要依赖于人工判断,但由于煤气管道监测环境受云层覆盖、温度、气压等多种气象因素的影响,具有很强的随机性,且场景复杂。现有煤气管道设防区的监测主要依靠人工判断,导致时效性较差,效率低,成本较高,且需要长时间观察设防区,容易出现视觉疲劳从而导致误判和漏判等情况。
发明内容
为了克服现有技术的不足,本发明的目的之一在于提供一种基于YOLOv3算法的煤气管道特定物体目标检测告警方法,速度快、效果好、能处理大规模数据、支持多种语言、支持自定义损失函数等,是对复杂场景煤气管道监测的一种比较好的替代方案。
本发明的目的之二在于提供一种基于YOLOv3算法的煤气管道特定物体目标检测告警装置。
本发明的目的之三在于提供一种基于YOLOv3算法的煤气管道特定物体目标检测告警系统。
本发明的目的之四在于提供一种计算机可读存储介质。
本发明的目的之一采用如下技术方案实现:
一种基于YOLOv3算法的煤气管道特定物体目标检测告警方法,包括以下步骤:
数据收集步骤:收集预设复杂场景所在地不同时间点及不同角度的视频图像数据;
数据整合步骤:将收集到的视频图像数据进行整合;
数据标注步骤:对整合后的视频图像数据进行标注并形成源数据;
数据划分步骤:将所述源数据按照预设比例划分,分为训练数据集和验证数据集;
YOLOv3模型训练步骤:①针对所述训练数据集,将416*416图片数据输入到Darknet53的特征提取网络中,得到降维后的3个尺寸的特征图,分别依次检测大中小目标,其分辨率分别对应为13*13、26*26、52*52;②3个特征图经过5层卷积后,分别进入不同的分支,一条分支进行卷积运算和上采样,得到的特征图与上层的特征图进行通道合并,另一条分支通过步长分别为3和1的两层卷积直接输出训练结果,包括边框回归坐标、目标分类结果和置信度大小;③根据相应结果计算损失函数值,其中损失函数包括三部分内容:边框回归损失、分类损失和置信度损失,其中参数设置的最大迭代次数为50000次,初始化学习率为0.01,批处理大小为32,衰减率为0.0005,动量率为0.9,根据损失值的下降趋势适当调节学习率和批处理的大小,直到训练数据集输出的损失函数值小于等于阈值或达到设置的最大迭代次数时停止训练,得到训练好的网络模型,记为预测模型;
YOLOv3模型验证步骤:通过所述验证数据集对所述预测模型进行验证,经过模型评估筛选出预测性能最优的模型,记为最终模型。
目标检测步骤:利用所述最终模型对所述预设复杂场景进行监测,当监测到特定目标物体时,生成告警信息。
进一步地,在所述数据收集步骤中,所述预设复杂场景为煤气管道设防区;所述不同时间点包括白天和夜晚;所述视频图像数据中的物体包括:地勘机、定向钻机、推土机、钩机、吊塔、叉车、压路机、打桩机、运输车、重型机车和施工人员。更加优选地,不同时间点包括不同天气、不同季节。
进一步地,所述视频图像数据包括现场采集部分和网络收集部分,所述现场采集部分通过摄像头在所述预设复杂场景所在地进行收集;所述网络收集部分通过网络爬虫方式进行收集。
进一步地,在所述数据整合步骤中,将收集到的视频图像数据放在同一个文件夹内。
进一步地,在所述数据标注步骤中,对整合后的视频图像数据进行标注并形成源数据,标注的范围包括:图像所在位置、图像名称、图像宽高、图像维度、标注的物体名称以及bbox的xy坐标值;所述标注的物体名称包括以下物体的拼音或英文名称:地勘机、定向钻机、推土机、钩机、吊塔、叉车、压路机、打桩机、运输车、重型机车和施工人员。优选地,数据标注可以选择用标注工具LabelImg,它基本包含物体检测场景的所有信息,包括图片名称、图片大小、图片存储路径、目标位置坐标、目标类别名称。当然,也可以采用其他标注工具,如Labelme。
进一步地,在所述数据划分步骤中,所述训练数据集和所述验证数据集的比例为3:1、7:3、8:2或者为98:2。训练数据集和验证数据集的划分,对于小样本(如10000),一般将训练数据集和验证数据集的划分为7:3,或者8:2等;对于大样本(比如1000000),验证数据集的比例可相应小一点,如98:2等。
进一步地,在所述YOLOv3模型预测步骤中,模型以图片、视频或者摄像头ip地址作为输入,模型输出为目标检测结果。输入方式不一样,但原理还是对图片进行处理分析。如果输入为视频或摄像头IP地址,先从视频或者摄像头读取其中一帧图片,将该帧图片作为模型的输入,进而输出目标检测结果,分析完后继续读取下一帧图片进行分析。
进一步地,在所述YOLOv3模型验证步骤中,通过三个指标进行模型评估,包括:召回率、精确率和平均精度均值。
进一步地,在所述目标检测步骤中,利用所述最终模型对煤气管道设防区进行监测,以摄像头作为模型的输入,当识别出特定物体:地勘机、定向钻机、推土机、钩机、吊塔、叉车、压路机、打桩机、运输车、重型机车或施工人员时,生成告警信息。
本发明的目的之二采用如下技术方案实现:
一种基于YOLOv3算法的煤气管道特定物体目标检测告警装置,包括:一个或多个处理器,和存储器,所述存储器用于存储一个或多个计算机程序,当所述一个或多个计算机程序被所述一个或多个处理器执行时实施目的之一所述检测步骤:利用所述最终模型对所述预设复杂场景进行监测,当监测到特定目标物体时,生成告警信。所述最终模型的建立过程与目的之一的建立过程一致。
本发明的目的之三采用如下技术方案实现:
一种基于YOLOv3算法的煤气管道特定物体目标检测告警系统,其特征在于,包括:
图像采集装置,用于采集要分析的图像数据;
计算装置,与所述图像采集装置耦合并包括:一个或多个处理器,和存储器,所述存储器用于存储一个或多个计算机程序,当所述一个或多个计算机程序被所述一个或多个处理器执行时实施目的之一所述检测步骤:利用所述最终模型对所述预设复杂场景进行监测,当监测到特定目标物体时,生成告警信;所述最终模型的建立过程与目的之一的建立过程一致;
警告装置,与所述计算装置耦合并配置为预警所述告警信息。
本发明的目的之四采用如下技术方案实现:
一种计算机可读存储介质,其上存储有一个或多个计算机程序,其中当所述一个或多个计算机程序被一个或多个处理器执行时实施目的之一所述检测步骤:利用所述最终模型对所述预设复杂场景进行监测,当监测到特定目标物体时,生成告警信。所述最终模型的建立过程与目的之一的建立过程一致。
相比现有技术,本发明的有益效果在于:
(1)本发明所提供的基于YOLOv3算法的煤气管道特定物体目标检测告警方法,是一种面向复杂场景的特定物体目标检测告警方法,YOLOv3的先验检测(Prior detection)系统将分类器或定位器重新用于执行检测任务,将模型应用于图像的多个位置和尺度。此外,相对于其它目标检测方法,使用了完全不同的方法,YOLOv3算法将一个单神经网络应用于整张图像,该网络将图像划分为不同的区域,因而预测每一块区域的边界框和概率,这些边界框会通过预测的概率加权。模型相比于基于分类器的系统有一些优势。与需要数千张单一目标图像的R-CNN不同,YOLOv3通过单一网络评估进行预测。这令YOLOv3速度非常快,一般它比R-CNN快1000倍、比Fast R-CNN快100倍。
(2)本发明基于YOLOv3算法面向复杂场景的特定目标物体进行检测告警,速度快、效果好、能处理大规模数据、支持多种语言、支持自定义损失函数等,是对复杂场景煤气管道监测的一种比较好的替代方案。具体分析如下:
速度快:抛弃softmax,采用Anchor bbox进行多尺度预测;
跨平台:适用于Windows、Linux、macOS,以及多个云平台;
多语言:支持C++、Python、R、Java、Scala、Julia等;
效果好:赢得许多数据科学和机器学习挑战,可用于多家公司的生产。
附图说明
图1为本发明实施例1所提供的基于YOLOv3算法的煤气管道特定物体目标检测告警方法的流程图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
实施例1
如图1所示,一种基于YOLOv3算法面向复杂煤气管道监测场景的特定目标物体检测告警方法,包括以下步骤:
数据收集步骤:收集复杂场景煤气管道所在地的视频图像数据。具体操作方式如下:
①采集时间点:按照场景分为白天、晚上,共2个场景。
②采集地点:煤气管道施工区域附近、工地、郊区、还有其他(如消防局、环保局、医院附近等地段)的天桥上,天桥的拍摄范围更加符合监控摄像头高度。
③采集方式及数量:各个采集点的天桥上拍摄30秒视频。因为视频的帧速一般是1秒30帧图片左右,设置取帧频率为1秒取3帧,样本总数至少100个视频以上,即样本数目至少为10000张左右。
④采集视频图像中的数据包括:地勘机、定向钻机、推土机、钩机、吊塔、叉车、压路机、打桩机、运输车、重型机车和施工人员;对于有些难以采集到的样本数据,如定向钻机、压路机等,通过网络爬虫收集相应的图片或视频数据,对样本进行补充。
数据整合步骤:在目录下新建VOC2007文件夹,并在VOC2007文件夹下新建Annotations,ImageSets和JPEGImages三个文件夹。接着在ImageSets下新建Main文件夹。将收集到的数据集图片拷贝到JPEGImages目录下。
数据标注步骤:对整合后的视频图像数据进行深度模型训练标注并形成源数据,具体操作方式如下:
①工具:使用的标注工具是labelimg,生成xml标注文件;
②数据集编号:规划数据,减少出错的可能性,将约10000张视频帧图片进行随机编号,给图片编一个合理的序号,比如000001~000999;
③标注数据:利用labelimg软件标注数据,每一个图片名对应的有一个相应名字的xml标注文件,比如图片000001.jpg,标注文件是000001.xml。标注的范围包括:图像所在位置、图像名称(如000001.jpg)、图像宽高、图像维度、标注的物体名称以及bbox的xy坐标值;标注的物体名称包括:地勘机、定向钻机、推土机、钩机、吊塔、叉车、压路机、打桩机、运输车、重型机车和施工人员。标注的物体名称是上面分类的拼音/英文名称,具体如下:1.地勘机dikanji;2.定向钻机dingxiangzuanji;3.推土机tuituji;4.钩机gouji;5.吊塔diaota;6.叉车chache;7.压路机yaluji;8.打桩机dazhuangji;9.运输车yunshuche;10.施工人员constructor。
数据划分步骤:对图像数据进行划分,分为训练数据集和验证数据集,其中训练数据集占75%,验证数据集占25%。
YOLOv3模型训练步骤:①针对训练数据集,将416*416图片数据输入到Darknet53的特征提取网络中,得到降维后的3个尺寸的特征图,分别依次检测大中小目标,其分辨率分别对应为13*13、26*26、52*52;②3个特征图经过5层卷积后,分别进入不同的分支,一条分支进行卷积运算和上采样,得到的特征图与上层的特征图进行通道合并,另一条分支通过步长分别为3和1的两层卷积直接输出训练结果,包括边框回归坐标、目标分类结果和置信度大小;③根据相应结果计算损失函数值,其中损失函数包括三部分内容:边框回归损失、分类损失和置信度损失,其中参数设置的最大迭代次数为50000次,初始化学习率为0.01,批处理大小为32,衰减率为0.0005,动量率为0.9,根据损失值的下降趋势适当调节学习率和批处理的大小,直到训练数据集输出的损失函数值小于等于阈值或达到设置的最大迭代次数时停止训练,得到训练好的网络模型,记为预测模型;
YOLOv3模型验证步骤:通过验证数据集对训练学习得到的YOLOv3预测模型进行验证,得到模型评分,对模型进行评估,经过模型评估筛选出预测性能最优的模型。通过三个指标进行模型评估以验证模型的好坏,包括:
召回率(R:recall):即样本中有多少正样本被预测正确了;
精确率(P:precision):即预测为正的样本中有多少是对的;
平均精度均值(mAP:mean average precision):mAP是取所有类别AP(averageprecision)的平均值,衡量的是在所有类别上的平均好坏程度。
它们的计算公式分别如下:
R=TP/(TP+FN);P=TP/(TP+FP);mAP=∫P(R)dR
式子中,
TP(True Positives):真的正样本(即正样本被正确预测为正样本);
TN(True Negatives):真的负样本(即负样本被正确预测为负样本);
FP(False Positives):假的正样本(即负样本被错误预测为正样本);
FN(False Negatives):假的负样本(即正样本被错误预测为负样本);
P:精确率;
R:召回率:
AP:PR曲线下面积(PR曲线:Precision-Recall曲线),衡量的是对一个类检测好坏,mAP就是对多个类的检测好坏。
AP公式如下:
AP=∫0 1p(r)dr
在该实施例中,精确率为92.51%,召回率为91.28%,平均精度值为88.36%。
目标检测步骤:利用最终得到的模型对复杂场景煤气管道进行监测,通过煤气管道监测的摄像头作为模型的输入,当识别出地勘机、定向钻机、推土机、钩机、吊塔、叉车、压路机、打桩机、运输车、重型机车和施工人员等具有威胁的物体或者事件时,推送告警信息以达到对复杂场景煤气管道监测的效果。
实施例2
一种基于YOLOv3算法的煤气管道特定物体目标检测告警装置,包括:一个或多个处理器,和存储器,存储器用于存储一个或多个计算机程序,当一个或多个计算机程序被一个或多个处理器执行时实施目标检测步骤:利用最终模型对预设复杂场景进行监测,当监测到特定目标物体时,生成告警信息。
其中,最终模型的具体建立流程如下:
数据收集步骤:收集预设复杂场景所在地不同时间点及不同角度的视频图像数据;
数据整合步骤:将收集到的视频图像数据进行整合;
数据标注步骤:对整合后的视频图像数据进行标注并形成源数据;
数据划分步骤:将源数据按照预设比例划分,分为训练数据集和验证数据集;
YOLOv3模型训练步骤:①将416*416图片数据输入到Darknet53的特征提取网络中,得到降维后的3个尺寸的特征图,分别依次检测大中小目标,其分辨率分别对应为13*13、26*26、52*52;②3个特征图经过5层卷积后,分别进入不同的分支,一条分支进行卷积运算和上采样,得到的特征图与上层的特征图进行通道合并,另一条分支通过步长分别为3和1的两层卷积直接输出训练结果,包括边框回归坐标、目标分类结果和置信度大小;③根据相应结果计算损失函数值,其中损失函数包括三部分内容:边框回归损失、分类损失和置信度损失,其中参数设置的最大迭代次数为50000次,初始化学习率为0.01,批处理大小为32,衰减率为0.0005,动量率为0.9,根据损失值的下降趋势适当调节学习率和批处理的大小,直到训练数据集输出的损失函数值小于等于阈值或达到设置的最大迭代次数时停止训练,得到训练好的网络模型,记为预测模型;
YOLOv3模型验证步骤:通过验证数据集对预测模型进行验证,经过模型评估筛选出预测性能最优的模型,记为最终模型。
在一些实施例中,处理器可以包括各种处理电路,例如但不限于中央处理器或通信处理器中的一种或多种。处理器可以对目标检测告警装置的至少一个其他组件执行控制、和/或执行与通信相关的操作或数据处理。存储器可以包括易失性和/或非易失性存储器。目标检测告警装置可以包括如智能电话、平板电脑、台式电脑、电子书阅读器、MP3播放器、电子手环、智能手表等。
实施例3
一种基于YOLOv3算法的煤气管道特定物体目标检测告警系统,包括:
图像采集装置,用于采集要分析的图像数据;
计算装置,与图像采集装置耦合并包括:一个或多个处理器,和存储器,存储器用于存储一个或多个计算机程序,当一个或多个计算机程序被一个或多个处理器执行时实施检测步骤:利用最终模型对预设复杂场景进行监测,当监测到特定目标物体时,生成告警信息;
警告装置,与计算装置耦合并配置为预警告警信息。
其中,最终模型的具体建立流程如下:
数据收集步骤:收集预设复杂场景所在地不同时间点及不同角度的视频图像数据;
数据整合步骤:将收集到的视频图像数据进行整合;
数据标注步骤:对整合后的视频图像数据进行标注并形成源数据;
数据划分步骤:将源数据按照预设比例划分,分为训练数据集和验证数据集;
YOLOv3模型训练步骤:①将416*416图片数据输入到Darknet53的特征提取网络中,得到降维后的3个尺寸的特征图,分别依次检测大中小目标,其分辨率分别对应为13*13、26*26、52*52;②3个特征图经过5层卷积后,分别进入不同的分支,一条分支进行卷积运算和上采样,得到的特征图与上层的特征图进行通道合并,另一条分支通过步长分别为3和1的两层卷积直接输出训练结果,包括边框回归坐标、目标分类结果和置信度大小;③根据相应结果计算损失函数值,其中损失函数包括三部分内容:边框回归损失、分类损失和置信度损失,其中参数设置的最大迭代次数为50000次,初始化学习率为0.01,批处理大小为32,衰减率为0.0005,动量率为0.9,根据损失值的下降趋势适当调节学习率和批处理的大小,直到训练数据集输出的损失函数值小于等于阈值或达到设置的最大迭代次数时停止训练,得到训练好的网络模型,记为预测模型;
YOLOv3模型验证步骤:通过验证数据集对预测模型进行验证,经过模型评估筛选出预测性能最优的模型,记为最终模型。
在一些实施例中,计算装置可以与图像采集装置有线连接或无线连接。警告装置可以与计算装置集成在一起,或者,警告装置和计算装置为2个分离的部件。计算装置可以包括如智能电话、平板电脑、台式电脑、电子书阅读器、MP3播放器、电子手环、智能手表等。
实施例4
一种计算机可读存储介质,其特征在于,其上存储有一个或多个计算机程序,其中当一个或多个计算机程序被一个或多个处理器执行时实施检测步骤:利用最终模型对预设复杂场景进行监测,当监测到特定目标物体时,生成告警信息;
其中,最终模型的具体建立流程如下:
数据收集步骤:收集预设复杂场景所在地不同时间点及不同角度的视频图像数据;
数据整合步骤:将收集到的视频图像数据进行整合;
数据标注步骤:对整合后的视频图像数据进行标注并形成源数据;
数据划分步骤:将源数据按照预设比例划分,分为训练数据集和验证数据集;
YOLOv3模型训练步骤:①将416*416图片数据输入到Darknet53的特征提取网络中,得到降维后的3个尺寸的特征图,分别依次检测大中小目标,其分辨率分别对应为13*13、26*26、52*52;②3个特征图经过5层卷积后,分别进入不同的分支,一条分支进行卷积运算和上采样,得到的特征图与上层的特征图进行通道合并,另一条分支通过步长分别为3和1的两层卷积直接输出训练结果,包括边框回归坐标、目标分类结果和置信度大小;③根据相应结果计算损失函数值,其中损失函数包括三部分内容:边框回归损失、分类损失和置信度损失,其中参数设置的最大迭代次数为50000次,初始化学习率为0.01,批处理大小为32,衰减率为0.0005,动量率为0.9,根据损失值的下降趋势适当调节学习率和批处理的大小,直到训练数据集输出的损失函数值小于等于阈值或达到设置的最大迭代次数时停止训练,得到训练好的网络模型,记为预测模型;
YOLOv3模型验证步骤:通过验证数据集对预测模型进行验证,经过模型评估筛选出预测性能最优的模型,记为最终模型。
在一些实施例中,计算机可读介质可以包括例如硬盘、软盘、磁介质、光学记录介质、DVD、磁光介质等。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (10)
1.一种基于YOLOv3算法的煤气管道特定物体目标检测告警方法,其特征在于,包括以下步骤:
数据收集步骤:收集预设复杂场景所在地不同时间点及不同角度的视频图像数据;
数据整合步骤:将收集到的视频图像数据进行整合;
数据标注步骤:对整合后的视频图像数据进行标注并形成源数据;
数据划分步骤:将所述源数据按照预设比例划分,分为训练数据集和验证数据集;
YOLOv3模型训练步骤:利用YOLOv3对所述训练数据集进行训练学习,得到预测模型;
YOLOv3模型验证步骤:通过所述验证数据集对所述预测模型进行验证,经过模型评估筛选出预测性能最优的模型,记为最终模型;
目标检测步骤:利用所述最终模型对所述预设复杂场景进行监测,当监测到特定目标物体时,生成告警信息。
2.如权利要求1所述的基于YOLOv3算法的煤气管道特定物体目标检测告警方法,其特征在于,在所述数据收集步骤中,所述预设复杂场景为煤气管道设防区;所述不同时间点包括白天和夜晚;所述视频图像数据中的物体包括:地勘机、定向钻机、推土机、钩机、吊塔、叉车、压路机、打桩机、运输车、重型机车和施工人员。
3.如权利要求2所述的基于YOLOv3算法的煤气管道特定物体目标检测告警方法,其特征在于,所述视频图像数据包括现场采集部分和网络收集部分,所述现场采集部分通过摄像头在所述预设复杂场景所在地进行收集;所述网络收集部分通过网络爬虫方式进行收集。
4.如权利要求1所述的基于YOLOv3算法的煤气管道特定物体目标检测告警方法,其特征在于,在所述数据整合步骤中,将收集到的视频图像数据放在同一个文件夹内;在所述YOLOv3模型验证步骤中,通过三个指标进行模型评估,包括:召回率、精确率和平均精度均值。
5.如权利要求2所述的基于YOLOv3算法的煤气管道特定物体目标检测告警方法,其特征在于,在所述数据标注步骤中,对整合后的视频图像数据进行标注并形成源数据,标注的范围包括:图像所在位置、图像名称、图像宽高、图像维度、标注的物体名称以及bbox的xy坐标值;所述标注的物体名称包括以下物体的拼音或英文名称:地勘机、定向钻机、推土机、钩机、吊塔、叉车、压路机、打桩机、运输车、重型机车和施工人员。
6.如权利要求1所述的基于YOLOv3算法的煤气管道特定物体目标检测告警方法,其特征在于,在所述数据划分步骤中,所述训练数据集和所述验证数据集的比例为3:1、7:3、8:2或者为98:2。
7.如权利要求2所述的基于YOLOv3算法的煤气管道特定物体目标检测告警方法,其特征在于,在所述目标检测步骤中,利用所述最终模型对煤气管道设防区进行监测,以摄像头作为模型的输入,当识别出特定物体:地勘机、定向钻机、推土机、钩机、吊塔、叉车、压路机、打桩机、运输车、重型机车或施工人员时,生成告警信息。
8.一种基于YOLOv3算法的煤气管道特定物体目标检测告警装置,其特征在于,包括:一个或多个处理器,和存储器,所述存储器用于存储一个或多个计算机程序,当所述一个或多个计算机程序被所述一个或多个处理器执行时实施权利要求1所述检测步骤:利用所述最终模型对所述预设复杂场景进行监测,当监测到特定目标物体时,生成告警信息;
所述最终模型的建立过程包括以下步骤:
数据收集步骤:收集预设复杂场景所在地不同时间点及不同角度的视频图像数据;
数据整合步骤:将收集到的视频图像数据进行整合;
数据标注步骤:对整合后的视频图像数据进行标注并形成源数据;
数据划分步骤:将所述源数据按照预设比例划分,分为训练数据集和验证数据集;
YOLOv3模型训练步骤:利用YOLOv3对所述训练数据集进行训练学习,得到预测模型;
YOLOv3模型验证步骤:通过所述验证数据集对所述预测模型进行验证,经过模型评估筛选出预测性能最优的模型,记为最终模型。
9.一种基于YOLOv3算法的煤气管道特定物体目标检测告警系统,其特征在于,包括:
图像采集装置,用于采集要分析的图像数据;
计算装置,与所述图像采集装置耦合并包括:一个或多个处理器,和存储器,所述存储器用于存储一个或多个计算机程序,当所述一个或多个计算机程序被所述一个或多个处理器执行时实施权利要求1所述检测步骤:利用所述最终模型对所述预设复杂场景进行监测,当监测到特定目标物体时,生成告警信息;
警告装置,与所述计算装置耦合并配置为预警所述告警信息;
其中,所述最终模型的建立过程包括以下步骤:
数据收集步骤:收集预设复杂场景所在地不同时间点及不同角度的视频图像数据;
数据整合步骤:将收集到的视频图像数据进行整合;
数据标注步骤:对整合后的视频图像数据进行标注并形成源数据;
数据划分步骤:将所述源数据按照预设比例划分,分为训练数据集和验证数据集;
YOLOv3模型训练步骤:利用YOLOv3对所述训练数据集进行训练学习,得到预测模型;
YOLOv3模型验证步骤:通过所述验证数据集对所述预测模型进行验证,经过模型评估筛选出预测性能最优的模型,记为最终模型。
10.一种计算机可读存储介质,其特征在于,其上存储有一个或多个计算机程序,其中当所述一个或多个计算机程序被一个或多个处理器执行时实施权利要求1所述检测步骤:利用所述最终模型对所述预设复杂场景进行监测,当监测到特定目标物体时,生成告警信息;
其中,所述最终模型的建立过程包括以下步骤:
数据收集步骤:收集预设复杂场景所在地不同时间点及不同角度的视频图像数据;
数据整合步骤:将收集到的视频图像数据进行整合;
数据标注步骤:对整合后的视频图像数据进行标注并形成源数据;
数据划分步骤:将所述源数据按照预设比例划分,分为训练数据集和验证数据集;
YOLOv3模型训练步骤:利用YOLOv3对所述训练数据集进行训练学习,得到预测模型;
YOLOv3模型验证步骤:通过所述验证数据集对所述预测模型进行验证,经过模型评估筛选出预测性能最优的模型,记为最终模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010987857.2A CN112052824A (zh) | 2020-09-18 | 2020-09-18 | 基于YOLOv3算法的煤气管道特定物体目标检测告警方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010987857.2A CN112052824A (zh) | 2020-09-18 | 2020-09-18 | 基于YOLOv3算法的煤气管道特定物体目标检测告警方法、装置、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112052824A true CN112052824A (zh) | 2020-12-08 |
Family
ID=73603322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010987857.2A Pending CN112052824A (zh) | 2020-09-18 | 2020-09-18 | 基于YOLOv3算法的煤气管道特定物体目标检测告警方法、装置、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112052824A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537007A (zh) * | 2021-07-02 | 2021-10-22 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 应用于铁路站台的非工作人员入侵检测与报警方法和装置 |
CN113590767A (zh) * | 2021-09-28 | 2021-11-02 | 西安热工研究院有限公司 | 多语种告警信息类别判定方法、系统、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615868A (zh) * | 2018-12-20 | 2019-04-12 | 北京以萨技术股份有限公司 | 一种基于深度学习的视频车辆违停检测方法 |
CN110889324A (zh) * | 2019-10-12 | 2020-03-17 | 南京航空航天大学 | 一种基于yolo v3面向末端制导的热红外图像目标识别方法 |
CN110992349A (zh) * | 2019-12-11 | 2020-04-10 | 南京航空航天大学 | 一种基于深度学习的地下管道异常自动化定位与识别方法 |
CN111339858A (zh) * | 2020-02-17 | 2020-06-26 | 电子科技大学 | 一种基于神经网络的油气管道标志物识别方法 |
-
2020
- 2020-09-18 CN CN202010987857.2A patent/CN112052824A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615868A (zh) * | 2018-12-20 | 2019-04-12 | 北京以萨技术股份有限公司 | 一种基于深度学习的视频车辆违停检测方法 |
CN110889324A (zh) * | 2019-10-12 | 2020-03-17 | 南京航空航天大学 | 一种基于yolo v3面向末端制导的热红外图像目标识别方法 |
CN110992349A (zh) * | 2019-12-11 | 2020-04-10 | 南京航空航天大学 | 一种基于深度学习的地下管道异常自动化定位与识别方法 |
CN111339858A (zh) * | 2020-02-17 | 2020-06-26 | 电子科技大学 | 一种基于神经网络的油气管道标志物识别方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537007A (zh) * | 2021-07-02 | 2021-10-22 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 应用于铁路站台的非工作人员入侵检测与报警方法和装置 |
CN113590767A (zh) * | 2021-09-28 | 2021-11-02 | 西安热工研究院有限公司 | 多语种告警信息类别判定方法、系统、设备及存储介质 |
CN113590767B (zh) * | 2021-09-28 | 2022-01-07 | 西安热工研究院有限公司 | 多语种告警信息类别判定方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10628890B2 (en) | Visual analytics based vehicle insurance anti-fraud detection | |
CN110826514A (zh) | 一种基于深度学习的施工现场违章智能识别方法 | |
Siriborvornratanakul | An automatic road distress visual inspection system using an onboard in‐car camera | |
CN103324937B (zh) | 标注目标的方法和装置 | |
Ma et al. | A real-time crack detection algorithm for pavement based on CNN with multiple feature layers | |
CN109086756A (zh) | 一种基于深度神经网络的文本检测分析方法、装置及设备 | |
CN112052826A (zh) | 基于YOLOv4算法的智慧执法多尺度目标检测方法、装置、系统及存储介质 | |
CN108509954A (zh) | 一种实时交通场景的多车牌动态识别方法 | |
CN103208008A (zh) | 基于机器视觉的交通视频监控目标检测快速适应方法 | |
CN113033604A (zh) | 一种基于SF-YOLOv4网络模型的车辆检测方法、系统及存储介质 | |
CN110798805B (zh) | 基于gps轨迹的数据处理方法、装置及存储介质 | |
CN116468392A (zh) | 一种电网工程项目进度监控方法、装置、设备及存储介质 | |
CN111815576B (zh) | 金属部件腐蚀状况检测方法、装置、设备和存储介质 | |
CN112052824A (zh) | 基于YOLOv3算法的煤气管道特定物体目标检测告警方法、装置、系统及存储介质 | |
CN112836657A (zh) | 一种基于轻量化YOLOv3的行人检测方法及系统 | |
CN109064467A (zh) | 小区安防的分析方法、装置及电子设备 | |
Kiew et al. | Vehicle route tracking system based on vehicle registration number recognition using template matching algorithm | |
Wang et al. | Automatic identification and location of tunnel lining cracks | |
CN108981728B (zh) | 一种智能车辆导航地图建立方法 | |
Hiremath et al. | A Smart App for Pothole Detection Using Yolo Model | |
CN110765900A (zh) | 一种基于dssd的自动检测违章建筑方法及系统 | |
Li et al. | Automated bridge crack detection based on improving encoder–decoder network and strip pooling | |
Hou et al. | Application of YOLO V2 in construction vehicle detection | |
CN115563652A (zh) | 轨迹嵌入预防泄露方法及系统 | |
Singh et al. | Evaluating the Performance of Ensembled YOLOv8 Variants in Smart Parking Applications for Vehicle Detection and License Plate Recognition under Varying Lighting Conditions |
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 |