CN113850306A - 基于改进yolox的古建筑消防危险物品快速检测方法及装置 - Google Patents
基于改进yolox的古建筑消防危险物品快速检测方法及装置 Download PDFInfo
- Publication number
- CN113850306A CN113850306A CN202111066677.1A CN202111066677A CN113850306A CN 113850306 A CN113850306 A CN 113850306A CN 202111066677 A CN202111066677 A CN 202111066677A CN 113850306 A CN113850306 A CN 113850306A
- Authority
- CN
- China
- Prior art keywords
- model
- dangerous goods
- fire
- yolox
- detection
- 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
Images
Classifications
-
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改进YOLOX的古建筑消防危险物品快速检测方法及装置,该方法包括:对YOLOX模型框架采用预设方式进行改进,以提高对多尺度物体检测的精度并降低检测耗时,得到改进的YOLOX模型框架;对改进的YOLOX模型框架进行训练,得到古建筑消防危险物品检测模型;其中,古建筑消防危险物品检测模型的输入为物品图像,输出为物品种类;基于古建筑消防危险物品检测模型,根据待检测的古建筑消防危险物品的图像,实现对待检测的古建筑消防危险物品的分类。本发明实现了对多尺度、多种类消防危险物品的实时快速检测,提高了检测精度,实现了在嵌入式系统的轻量化部署。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种基于改进YOLOX的古建筑消防危险物品快速检测方法及装置。
背景技术
古建筑是古代劳动人民智慧的结晶,具有较高的文物价值、历史价值和艺术价值。然而,古建筑的消防安全形势十分严峻,各种火灾的发生为文物古建筑消防安全工作敲响了警钟。而古建筑消防危险物品的检测是防止火灾发生的重要手段,然而,传统的人工检测方法不仅效率低下且准确率不高。
发明内容
本发明提供了一种基于改进YOLOX的古建筑消防危险物品快速检测方法及装置,以解决传统的人工检测方法不仅效率低下且准确率不高的技术问题。
为解决上述技术问题,本发明提供了如下技术方案:
一方面,本发明提供了一种基于改进YOLOX的古建筑消防危险物品快速检测方法,该基于改进YOLOX的古建筑消防危险物品快速检测方法包括:
对YOLOX模型框架采用预设方式进行改进,以提高模型对多尺度物体检测的精度并降低检测耗时,得到改进的YOLOX模型框架;
对改进的YOLOX模型框架进行训练,得到古建筑消防危险物品检测模型;其中,所述古建筑消防危险物品检测模型的输入为物品图像,输出为物品种类;
基于所述古建筑消防危险物品检测模型,根据待检测的古建筑消防危险物品的图像,实现对待检测的古建筑消防危险物品的分类。
进一步地,所述对YOLOX模型框架采用预设方式进行改进,包括:
将YOLOX模型框架拆解为Backbone网络、Neck网络和Head网络;
将Backbone网络的Darknet53替换为EfficientNetV2;
将Neck网络的FPN网络修改为四阶金字塔结构;
将Head网络的检测头结构替换为解耦头形式;其中,不同形式的检测头分别负责分类、边界回归和锚点预测。
进一步地,所述对改进的YOLOX模型框架进行训练,得到古建筑消防危险物品检测模型,包括:
将改进的YOLOX模型框架在基准数据集上进行预训练,得到预训练模型;
建立古建筑消防危险物品图像数据集;
基于所述古建筑消防危险物品图像数据集对所述预训练模型进行训练,得到古建筑消防危险物品检测模型。
进一步地,所述将改进的YOLOX模型框架在基准数据集上进行预训练,得到预训练模型,包括:
调整基准数据集中图像的大小,便于模型的统一输入与输出;
利用调整图像大小后的基准数据集以预设数量迭代训练改进的YOLOX模型框架,得到预训练模型。
进一步地,所述建立古建筑消防危险物品图像数据集,包括:
通过网络爬虫或成像设备采集古建筑消防危险物品图片样本;
通过图像标注工具对采集的古建筑消防危险物品图片样本进行类别标注;
利用标注后的古建筑消防危险物品图片样本构建样本集;
将所述样本集划分为训练数据集和测试数据集,并对所述训练数据集进行预处理;其中,所述预处理包括数据增强、数据归一化和标签平滑处理。
进一步地,所述基于所述古建筑消防危险物品图像数据集对所述预训练模型进行训练,得到古建筑消防危险物品检测模型,包括:
选择预设的训练算法,按照学习率预热策略,采用学习率退火原则,将所述预训练模型在预处理后的训练数据集上进行迁移学习的微调;
将训练得到的模型在所述测试数据集上进行测试,得到模型的检测速度和检测精度,当模型的检测速度和检测精度达不到预设精度要求时,重新设置训练参数并重新对模型进行训练,直至得到检测速度和检测精度达到预设精度要求的模型,作为最终的古建筑消防危险物品快速检测模型。
进一步地,所述预设的训练算法为随机梯度下降SGD算法。
进一步地,基于所述古建筑消防危险物品检测模型,根据待检测的古建筑消防危险物品的图像,实现对待检测的古建筑消防危险物品的分类,包括:
将所述古建筑消防危险物品检测模型部署至终端设备;
采集待检测的古建筑消防危险物品的图片或视频;
将采集的待检测的古建筑消防危险物品的图片或视频输入所述古建筑消防危险物品检测模型,利用所述古建筑消防危险物品检测模型对输入的图片或视频进行检测,同时识别待检测的古建筑消防危险物品的种类和位置。
进一步地,所述终端设备为嵌入式设备或移动设备。
另一方面,本发明还提供了一种基于改进YOLOX的古建筑消防危险物品快速检测装置,该基于改进YOLOX的古建筑消防危险物品快速检测装置包括:
模型改进模块,用于对YOLOX模型框架采用预设方式进行改进,以提高模型对多尺度物体检测的精度并降低检测耗时,得到改进的YOLOX模型框架;
模型训练模块,用于对经过所述模型改进模块改进的YOLOX模型框架进行训练,得到古建筑消防危险物品检测模型;其中,所述古建筑消防危险物品检测模型的输入为物品图像,输出为物品种类;
物品检测模块,用于基于所述古建筑消防危险物品检测模型,根据待检测的古建筑消防危险物品的图像,实现对待检测的古建筑消防危险物品的分类。
再一方面,本发明还提供了一种电子设备,其包括处理器和存储器;其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行以实现上述方法。
又一方面,本发明还提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述指令由处理器加载并执行以实现上述方法。
本发明提供的技术方案带来的有益效果至少包括:
本发明提供的基于改进YOLOX的古建筑消防危险物品快速检测方案实现了对多种古建筑消防危险物品的快速检测,且模型轻量,易于构建,可以在移动端或嵌入式设备部署,能够同时对不同尺度的危险品进行实时高精度检测。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于改进YOLOX的古建筑消防危险物品快速检测方法的实现流程示意图;
图2是本发明实施例提供的对YOLOX模型进行结构分解的示意图;
图3是本发明实施例提供的改进的特征提取网络EfficientNetV2基本结构示意图;
图4是本发明实施例提供的Neck的4阶金字塔结构网络结构示意图;
图5是本发明实施例提供的检测头结构中解耦头的示意图;
图6是本发明实施例提供的改进的YOLOX模型的结构示意图。
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实施方式作进一步地详细描述。
第一实施例
针对传统的人工检测方法不仅效率低下且准确率不高的技术问题,本实施例提供了一种基于改进YOLOX的古建筑消防危险物品快速检测方法,旨在替代现有的人工检测方法,实现对消防危险物品的实时性、多尺度和高精度检测。该方法可以由电子设备实现。该方法的执行流程如图1所示,包括以下步骤:
S1,对YOLOX模型框架采用预设方式进行改进,以提高模型对多尺度物体检测的精度并降低检测耗时,得到改进的YOLOX模型框架;
S2,对改进的YOLOX模型框架进行训练,得到古建筑消防危险物品检测模型;其中,古建筑消防危险物品检测模型的输入为物品图像,输出为物品种类;
S3,基于所述古建筑消防危险物品检测模型,根据待检测的古建筑消防危险物品的图像,实现对待检测的古建筑消防危险物品的分类。
具体地,在本实施例中,上述S1选定YOLOX模型框架作为基准网络,对YOLOX模型框架进行改进的过程,包括以下步骤:
S11,如图2所示,将YOLOX模型框架拆解为Backbone(骨干)网络、Neck(颈部)网络和Head(检测头)网络;
S12,将YOLOX模型中较为耗时的骨干网络Darknet53替换为轻量级特征提取网络EfficientNetV2,以降低模型参数,提高模型的检测速度;
其中,EfficientNetV2网络特征提取的过程如图3所示。
S13,将模型中颈部网络(Neck)的FPN网络修改为4阶金字塔结构H1、H2、H3、H4,以提高对不同尺度物体的检测精度;通过不同大小的特征金字塔实现对不同尺度消防危险物品的检测。
其中,4阶金字塔网络结构提取不同尺度特征的过程如图4所示。
S14,将模型中的检测头结构替换为解耦头形式,不同形式的检测头分别负责分类、边界回归和锚点预测,提高检测精度。
其中,检测解耦头的网络结构如图5所示。
经过上述方法所改进的古建筑消防危险物品快速检测模型结构简单,易于构建,占用内存小,便于在移动端及嵌入式设备部署。
上述S2对改进的YOLOX模型框架进行训练的过程,包括以下步骤:
S21,将经过上述S1改进的YOLOX模型框架在基准数据集上进行预训练,得到预训练模型;
进一步地,上述S21包括以下步骤:
S211,调整基准数据集中图像的大小,便于模型网络的统一输入与输出;其中,基准数据集包括但不限于MSCOCO图像数据集。
S212,利用调整图像大小后的基准数据集以预设数量迭代训练改进的YOLOX模型框架,得到预训练模型,将预训练模型的权重保存于磁盘内。
具体地,在本实施例中,采用高斯分布初始化网络权重,然后将MSCOCO基准数据集图像剪裁为640×640像素大小,将网络在剪裁后的MSCOCO图像上训练1轮,得到预训练模型,并将所述预训练模型的权重保存于磁盘内。
S22,建立古建筑消防危险物品图像数据集;
进一步地,上述S22包括以下步骤:
S221,通过网络爬虫或成像设备采集古建筑消防危险物品图片样本;
S222,通过图像标注工具对采集的古建筑消防危险物品图片样本进行类别标注,并将标注信息存储为json格式;
具体地,在本实施例中,采集了烟蒂、火柴、打火机、焚香等火灾危险物品的图片,将图片样本调整为适合模型输入的640×640像素大小,通过标签标注软件LabelImg对物品图片进行样本标注,并将标注信息存储为json格式。
S223,利用标注后的古建筑消防危险物品图片样本构建样本集;
S224,将样本集按照8:2划分为训练数据集和测试数据集,并对训练数据集进行预处理;其中,预处理包括数据增强、数据归一化和标签平滑处理。
具体地,在本实施例中,对训练数据集进行Mosaic和Mixup两种方式的数据增强;并通过式(1)进行数据归一化;最后对其进行标签平滑正则化处理。
其中,xmin表示当前批次某通道数据的最小值,xmin表示当前批次某通道数据的最大值,xi表示归一化之前的数据,xi *表示归一化后的数值。
S23,基于所述古建筑消防危险物品图像数据集对所述预训练模型进行训练,得到古建筑消防危险物品检测模型。
进一步地,上述S23包括以下步骤:
S231,选择预设的训练算法,按照学习率预热策略,采用学习率退火原则,将所述预训练模型在预处理后的训练数据集上进行迁移学习的微调;
具体地,在本实施例中,所述预设的训练算法为随机梯度下降SGD算法。总迭代次数为100次。选择初始学习率为0.01,按照学习率预热方法,warmup系数为0.000004预热训练,当迭代次数超过30次后,采取预留步数为10步,学习率为0.01进行训练,在之后的步数里,采用余弦退火策略调整学习率。
S232,将训练得到的模型在所述测试数据集上进行测试,得到模型的检测速度和检测精度,当检测速度和检测精度达不到预设精度要求时,按照S231,重新设计模型训练方法和提高模型训练迭代的次数,直至得到检测速度和检测精度达到预设精度要求的模型,作为最终的古建筑消防危险物品快速检测模型。
上述S3基于所述古建筑消防危险物品检测模型,根据待检测的古建筑消防危险物品的图像,实现对待检测的古建筑消防危险物品的分类,包括:
S31,将所述古建筑消防危险物品检测模型部署至终端设备;
其中,所述终端设备为摄像头等嵌入式设备或移动设备。
S32,采集待检测的古建筑消防危险物品的图像;
S33,将采集的待检测的古建筑消防危险物品的图像输入所述古建筑消防危险物品检测模型,利用所述古建筑消防危险物品检测模型对输入的视频或图像进行检测,输入模型的图片被特征提取后,检测图片中是否存在消防危险物品中的一种或多种,若存在危险物品,同时检测出其位置和类别并输出报警信息,若不存在,则无报警信息。其中,物品种类通过所述古建筑消防危险物品检测模型识别,物品位置通过终端设备识别。
综上,本实施例的基于改进YOLOX的古建筑消防危险物品快速检测方案实现了对多种古建筑消防危险物品的快速检测,且模型轻量,易于构建,可在移动端或嵌入式设备部署,能够同时对不同尺度的危险品进行实时高精度检测。
第二实施例
本实施例提供了一种基于改进YOLOX的古建筑消防危险物品快速检测装置,该基于改进YOLOX的古建筑消防危险物品快速检测装置包括以下模块:
模型改进模块,用于对YOLOX模型框架采用预设方式进行改进,以提高模型对多尺度物体检测的精度并降低检测耗时,得到改进的YOLOX模型框架;
模型训练模块,用于对经过所述模型改进模块改进的YOLOX模型框架进行训练,得到古建筑消防危险物品检测模型;其中,所述古建筑消防危险物品检测模型的输入为物品图像,输出为物品种类;
物品检测模块,用于基于所述古建筑消防危险物品检测模型,根据待检测的古建筑消防危险物品的图像,实现对待检测的古建筑消防危险物品的分类。
本实施例的基于改进YOLOX的古建筑消防危险物品快速检测装置与上述第一实施例的基于改进YOLOX的古建筑消防危险物品快速检测方法相对应;其中,本实施例的基于改进YOLOX的古建筑消防危险物品快速检测装置中的各功能模块所实现的功能与上述第一实施例的基于改进YOLOX的古建筑消防危险物品快速检测方法中的各流程步骤一一对应;故,在此不再赘述。
第三实施例
本实施例提供一种电子设备,其包括处理器和存储器;其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行,以实现第一实施例的方法。
该电子设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)和一个或一个以上的存储器,其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行上述方法。
第四实施例
本实施例提供一种计算机可读存储介质,该存储介质中存储有至少一条指令,所述指令由处理器加载并执行,以实现上述第一实施例的方法。其中,该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
此外,需要说明的是,本发明可提供为方法、装置或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需要说明的是,以上所述是本发明优选实施方式,应当指出,尽管已描述了本发明优选实施例,但对于本技术领域的技术人员来说,一旦得知了本发明的基本创造性概念,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
Claims (10)
1.一种基于改进YOLOX的古建筑消防危险物品快速检测方法,其特征在于,所述基于改进YOLOX的古建筑消防危险物品快速检测方法包括:
对YOLOX模型框架采用预设方式进行改进,以提高模型对多尺度物体检测的精度并降低检测耗时,得到改进的YOLOX模型框架;
对改进的YOLOX模型框架进行训练,得到古建筑消防危险物品检测模型;其中,所述古建筑消防危险物品检测模型的输入为物品图像,输出为物品种类;
基于所述古建筑消防危险物品检测模型,根据待检测的古建筑消防危险物品的图像,实现对待检测的古建筑消防危险物品的分类。
2.如权利要求1所述的基于改进YOLOX的古建筑消防危险物品快速检测方法,其特征在于,所述对YOLOX模型框架采用预设方式进行改进,包括:
将YOLOX模型框架拆解为Backbone网络、Neck网络和Head网络;
将Backbone网络的Darknet53替换为EfficientNetV2;
将Neck网络的FPN网络修改为四阶金字塔结构;
将Head网络的检测头结构替换为解耦头形式;其中,不同形式的检测头分别负责分类、边界回归和锚点预测。
3.如权利要求1所述的基于改进YOLOX的古建筑消防危险物品快速检测方法,其特征在于,所述对改进的YOLOX模型框架进行训练,得到古建筑消防危险物品检测模型,包括:
将改进的YOLOX模型框架在基准数据集上进行预训练,得到预训练模型;
建立古建筑消防危险物品图像数据集;
基于所述古建筑消防危险物品图像数据集对所述预训练模型进行训练,得到古建筑消防危险物品检测模型。
4.如权利要求3所述的基于改进YOLOX的古建筑消防危险物品快速检测方法,其特征在于,所述将改进的YOLOX模型框架在基准数据集上进行预训练,得到预训练模型,包括:
调整基准数据集中图像的大小,便于模型的统一输入与输出;
利用调整图像大小后的基准数据集以预设数量迭代训练改进的YOLOX模型框架,得到预训练模型。
5.如权利要求3所述的基于改进YOLOX的古建筑消防危险物品快速检测方法,其特征在于,所述建立古建筑消防危险物品图像数据集,包括:
通过网络爬虫或成像设备采集古建筑消防危险物品图片样本;
通过图像标注工具对采集的古建筑消防危险物品图片样本进行类别标注;
利用标注后的古建筑消防危险物品图片样本构建样本集;
将所述样本集划分为训练数据集和测试数据集,并对所述训练数据集进行预处理;其中,所述预处理包括数据增强、数据归一化和标签平滑处理。
6.如权利要求5所述的基于改进YOLOX的古建筑消防危险物品快速检测方法,其特征在于,所述基于所述古建筑消防危险物品图像数据集对所述预训练模型进行训练,得到古建筑消防危险物品检测模型,包括:
选择预设的训练算法,按照学习率预热策略,采用学习率退火原则,将所述预训练模型在预处理后的训练数据集上进行迁移学习的微调;
将训练得到的模型在所述测试数据集上进行测试,得到模型的检测速度和检测精度,当模型的检测速度和检测精度达不到预设精度要求时,重新设置训练参数并重新对模型进行训练,直至得到检测速度和检测精度达到预设精度要求的模型,作为最终的古建筑消防危险物品快速检测模型。
7.如权利要求6所述的基于改进YOLOX的古建筑消防危险物品快速检测方法,其特征在于,所述预设的训练算法为随机梯度下降SGD算法。
8.如权利要求1所述的基于改进YOLOX的古建筑消防危险物品快速检测方法,其特征在于,基于所述古建筑消防危险物品检测模型,根据待检测的古建筑消防危险物品的图像,实现对待检测的古建筑消防危险物品的分类,包括:
将所述古建筑消防危险物品检测模型部署至终端设备;
采集待检测的古建筑消防危险物品的图片或视频;
将采集的待检测的古建筑消防危险物品的图片或视频输入所述古建筑消防危险物品检测模型,利用所述古建筑消防危险物品检测模型对输入的图片或视频进行检测,同时识别待检测的古建筑消防危险物品的种类和位置。
9.如权利要求8所述的基于改进YOLOX的古建筑消防危险物品快速检测方法,其特征在于,所述终端设备为嵌入式设备或移动设备。
10.一种基于改进YOLOX的古建筑消防危险物品快速检测装置,其特征在于,所述基于改进YOLOX的古建筑消防危险物品快速检测装置包括:
模型改进模块,用于对YOLOX模型框架采用预设方式进行改进,以提高模型对多尺度物体检测的精度并降低检测耗时,得到改进的YOLOX模型框架;
模型训练模块,用于对经过所述模型改进模块改进的YOLOX模型框架进行训练,得到古建筑消防危险物品检测模型;其中,所述古建筑消防危险物品检测模型的输入为物品图像,输出为物品种类;
物品检测模块,用于基于所述古建筑消防危险物品检测模型,根据待检测的古建筑消防危险物品的图像,实现对待检测的古建筑消防危险物品的分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111066677.1A CN113850306A (zh) | 2021-09-13 | 2021-09-13 | 基于改进yolox的古建筑消防危险物品快速检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111066677.1A CN113850306A (zh) | 2021-09-13 | 2021-09-13 | 基于改进yolox的古建筑消防危险物品快速检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113850306A true CN113850306A (zh) | 2021-12-28 |
Family
ID=78973820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111066677.1A Pending CN113850306A (zh) | 2021-09-13 | 2021-09-13 | 基于改进yolox的古建筑消防危险物品快速检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113850306A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115331384A (zh) * | 2022-08-22 | 2022-11-11 | 重庆科技学院 | 基于边缘计算的作业平台火灾事故预警系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105092485A (zh) * | 2015-08-27 | 2015-11-25 | 泉州装备制造研究所 | 危险物品检测方法和装置 |
CN106203264A (zh) * | 2016-06-28 | 2016-12-07 | 深圳市元征科技股份有限公司 | 危险物品检测方法和装置 |
CN110211173A (zh) * | 2019-04-03 | 2019-09-06 | 中国地质调查局发展研究中心 | 一种基于深度学习的古生物化石定位和识别方法 |
CN113052006A (zh) * | 2021-02-19 | 2021-06-29 | 中南大学 | 一种基于卷积神经网络的图像目标检测方法,系统及可读存储介质 |
-
2021
- 2021-09-13 CN CN202111066677.1A patent/CN113850306A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105092485A (zh) * | 2015-08-27 | 2015-11-25 | 泉州装备制造研究所 | 危险物品检测方法和装置 |
CN106203264A (zh) * | 2016-06-28 | 2016-12-07 | 深圳市元征科技股份有限公司 | 危险物品检测方法和装置 |
CN110211173A (zh) * | 2019-04-03 | 2019-09-06 | 中国地质调查局发展研究中心 | 一种基于深度学习的古生物化石定位和识别方法 |
CN113052006A (zh) * | 2021-02-19 | 2021-06-29 | 中南大学 | 一种基于卷积神经网络的图像目标检测方法,系统及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
ZHENG GE等: "YOLOX:Exceeding YOLO Series in 2021", 《HTTPS://ARXIV.ORG/ABS/2107.08430》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115331384A (zh) * | 2022-08-22 | 2022-11-11 | 重庆科技学院 | 基于边缘计算的作业平台火灾事故预警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784685B (zh) | 一种基于云边协同检测的输电线路缺陷图像识别方法 | |
CN110443969B (zh) | 一种火点检测方法、装置、电子设备及存储介质 | |
CN109614979B (zh) | 一种基于选择与生成的数据增广方法及图像分类方法 | |
CN111027493B (zh) | 一种基于深度学习多网络软融合的行人检测方法 | |
CN104992167B (zh) | 一种基于卷积神经网络的人脸检测方法及装置 | |
CN103959330B (zh) | 用于匹配可视对象组件的系统和方法 | |
CN108960189B (zh) | 图像再识别方法、装置及电子设备 | |
CN109800682B (zh) | 驾驶员属性识别方法及相关产品 | |
CN109359666A (zh) | 一种基于多特征融合神经网络的车型识别方法及处理终端 | |
CN106650795B (zh) | 酒店房型图像的排序方法 | |
CN109376696B (zh) | 视频动作分类的方法、装置、计算机设备和存储介质 | |
CN111160102B (zh) | 人脸防伪识别模型的训练方法、人脸防伪识别方法及装置 | |
CN109657715B (zh) | 一种语义分割方法、装置、设备及介质 | |
CN112700435B (zh) | 一种基于深度学习的墙体缺陷检测方法 | |
CN112581443A (zh) | 一种风力发电机叶片表面损伤轻量化识别方法 | |
CN113128478B (zh) | 模型训练方法、行人分析方法、装置、设备及存储介质 | |
CN111695640B (zh) | 地基云图识别模型训练方法及地基云图识别方法 | |
CN111079815B (zh) | 一种面向废线路板拆解的高值电子器件自动识别方法 | |
CN112906794A (zh) | 一种目标检测方法、装置、存储介质及终端 | |
CN111914902A (zh) | 一种基于深度神经网络的中药识别与表面缺陷检测方法 | |
CN115223246A (zh) | 一种人员违规行为识别方法、装置、设备及存储介质 | |
CN113850306A (zh) | 基于改进yolox的古建筑消防危险物品快速检测方法及装置 | |
CN114898158A (zh) | 基于多尺度注意力耦合机制的小样本交通异常图像采集方法及系统 | |
CN114155551A (zh) | 基于YOLOv3改进的复杂环境下的行人检测方法及装置 | |
CN111652242A (zh) | 图像处理方法、装置、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211228 |
|
RJ01 | Rejection of invention patent application after publication |