CN114595759A - 一种护具识别方法、装置、电子设备及存储介质 - Google Patents
一种护具识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114595759A CN114595759A CN202210215860.1A CN202210215860A CN114595759A CN 114595759 A CN114595759 A CN 114595759A CN 202210215860 A CN202210215860 A CN 202210215860A CN 114595759 A CN114595759 A CN 114595759A
- Authority
- CN
- China
- Prior art keywords
- training
- target
- image
- data
- detected
- 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
- 230000001681 protective effect Effects 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 261
- 238000001514 detection method Methods 0.000 claims abstract description 94
- 230000005540 biological transmission Effects 0.000 claims abstract description 21
- 230000001012 protector Effects 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 4
- 239000010931 gold Substances 0.000 claims description 4
- 229910052737 gold Inorganic materials 0.000 claims description 4
- 230000006870 function Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008897 memory decline Effects 0.000 description 1
- 206010035653 pneumoconiosis Diseases 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种护具识别方法、装置、电子设备及存储介质。该方法包括：获取待检测图像、终端的硬件参数和原始训练数据，并根据硬件参数搭建训练网络；将原始训练数据的数据格式更改至目标格式，得到目标训练数据，并根据初始数据集对训练网络进行初始训练，得到初始识别模型；根据目标训练数据对初始识别模型进行训练，得到护具识别模型；将待检测图像输入护具识别模型，得到待检测图像的检测结果。即，本发明实施例，通过对不同硬件参数搭建不同的训练网络，在不影响训练网络准确率的同时兼顾数据传输速度，提高护具识别的速度，避免数据量较大时的识别失误；通过对数据格式的更改精准的获取数据信息，提高模型收敛速度和模型识别的准确度。
Description
技术领域
本发明实施例涉及计算机技术，尤其涉及一种护具识别方法、装置、电子设备及存储介质。
背景技术
随着呼吸道疾病和工业不安全因素的增加，对于不同场所做好安全防护，防止不幸事件的发生场所中的人身上。因为人的主观能动性比较强，由于特殊事件的冲激和记忆力的衰退，会对安全防护有一定的影响。做好不同场所护具监测工作，成为了提升公共安全防护的关键的环节。现有的对于不同场所安全防护监测主要是人工监测和提醒，对于人流量较大的场所，人工监测和提醒的劣势就会凸显出来，可见不同场所安全防护的监测从人工走向电子迫在眉睫。现有的护具监测技术，由于监测数据量大监测设备要求较高，同时监测效率和准确率较低，并不能达到很好的不同场护具监测效果。
发明内容
本发明提供一种护具识别方法、装置、电子设备及存储介质，以实现快速识别图像中安全护具的效果。
第一方面，本发明实施例提供了一种护具识别方法，该方法包括：
获取待检测图像、终端的硬件参数和原始训练数据，并根据所述硬件参数搭建训练网络；
将所述原始训练数据的数据格式更改至目标格式，得到目标训练数据，并根据初始数据集对所述训练网络进行初始训练，得到初始识别模型；
根据所述目标训练数据对所述初始识别模型进行训练，得到护具识别模型；
将所述待检测图像输入所述护具识别模型，得到所述待检测图像的检测结果。
进一步的，根据所述硬件参数搭建训练网络，包括：
根据所述硬件参数确定所述训练网络的主干网络的目标深度和目标宽度；
根据所述目标深度和所述目标宽度搭建用于提取所述待检测图像中的图像特征的所述主干网络；
在所述训练网络的剩余网络中添加用于检测所述待检测图像的特征图的特征金子塔结构，并在所述剩余网络中添加用于预测所述待检测图像的检测结果的无锚方式和解耦头，其中，所述待检测图像的特征图根据所述待检测图像中的图像特征构建。
进一步的，根据所述硬件参数确定所述训练网络的主干网络的目标深度和目标宽度，包括：
设置多组参数，所述多组参数中的每组参数包括深度参数和宽度参数，根据所述每组参数对应的训练网络对所述硬件参数进行模拟测试，得到所述每组参数对应的准确率和传输速率；
选取准确率大于预设阈值的最快传输速率对应的参数组合作为所述主干网络的目标深度和目标宽度。
进一步的，根据所述目标深度和所述目标宽度搭建所述主干网络，包括：
在所述主干网络中添加卷积层，利用所述卷积层对所述主干网络的通道数据进行缩放，以使得所述主干网络的深度和宽度达到所述目标深度和所述目标宽度；
在所述卷积层之后添加用于形成瓶颈层的批归一化和激活函数，从而得到所述主干网络。
进一步的，将所述原始训练数据的数据格式更改至目标格式，得到目标训练数据，包括：
确定所述待检测图像对应的检测目标，根据所述检测目标对应的类别确定所述原始训练数据对应的目标格式；
根据所述原始训练数据对应的目标格式对所述原始训练数据进行格式更改，得到所述目标训练数据。
进一步的，根据初始数据集对所述训练网络进行初始训练，得到初始识别模型，包括：
根据所述初始数据集中的目标检测数据对所述训练网络中主干网络进行训练，得到所述主干网络对应的初始参数；
将所述初始参数更新到所述主干网络中，得到所述初始识别模型。
进一步的，将所述待检测图像输入所述护具识别模型，得到所述待检测图像的检测结果之后，包括：
根据所述待检测图像的检测结果生成预警信息，并展示所述预警信息。
第二方面，本发明实施例提供了一种护具识别装置，该装置包括：
网络搭建模块，用于获取待检测图像、终端的硬件参数和原始训练数据，并根据所述硬件参数搭建训练网络；
初始训练模块，用于将所述原始训练数据的数据格式更改至目标格式，得到目标训练数据，并根据初始数据集对所述训练网络进行初始训练，得到初始识别模型；
模型训练模块，用于根据所述目标训练数据对所述初始识别模型进行训练，得到护具识别模型；
图像检测模块，用于将所述待检测图像输入所述护具识别模型，得到所述待检测图像的检测结果。
第三方面，本发明实施例提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的护具识别方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的护具识别方法。
本发明实施例中，通过获取待检测图像、终端的硬件参数和原始训练数据，并根据硬件参数搭建训练网络；将原始训练数据的数据格式更改至目标格式，得到目标训练数据，并根据初始数据集对训练网络进行初始训练，得到初始识别模型；根据目标训练数据对初始识别模型进行训练，得到护具识别模型；将待检测图像输入护具识别模型，得到待检测图像的检测结果。即，本发明实施例，通过对不同硬件参数搭建不同的训练网络，在不影响训练网络准确率的同时兼顾数据传输速度，提高护具识别的速度，避免数据量较大时的识别失误；通过对数据格式的更改精准的获取数据信息，提高模型收敛速度和模型识别的准确度。
附图说明
图1是本发明实施例提供的护具识别方法的一个流程示意图；
图2是本发明实施例提供的护具识别方法的另一流程示意图；
图3是本发明实施例提供的护具识别方法的原理示意图；
图4是本发明实施例提供的护具识别装置的一个结构示意图；
图5是本发明实施例提供的电子设备的一个结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
图1为本发明实施例提供的护具识别方法的一个流程示意图，该方法可以由本发明实施例提供的护具识别装置来执行，该装置可采用软件和/或硬件的方式实现。在一个具体的实施例中，该装置可以集成在电子设备中，电子设备比如可以是服务器。以下实施例将以该装置集成在电子设备中为例进行说明，参考图1，该方法具体可以包括如下步骤：
S110、获取待检测图像、终端的硬件参数和原始训练数据，并根据硬件参数搭建训练网络；
示例地，待检测图像可以来自图像采集设备，图像采集设备可以是安装在不同场所的摄像头、录像机等具有图像采集功能的设备，用于采集不同场所中特定对象上护具的使用情况。当场所的安全等级比较高时，检测目标为紧急处理的目标时，需要根据图像采集设备实时不同场所内的最新图像作为待检测图像，利用待检测图像检测不同场所中特定对象上是否按照要求佩戴对应的护具，即检测目标，如果待检测图像中特定对象佩戴护具，则表示特定对象处于安全状态；如果待检测图像中特征对象没有佩戴护具，则需要进行紧急预警处理。终端可以是采集待检测图像的电子设备，同时可以运行护具识别方法对应的程序，也可以进行图像处理的电子设备，可以从图像采集设备获取的待检测图像进行护具识别。终端的硬件参数可以是CPU、显卡和导线等对应的参数，用于体现终端的硬件性能和传输速度的参数。原始训练数据可以是不同场所对应的检测对象上的护具所对应的训练数据，用于训练出检测对象上的护具对应的识别模型。训练网络可以根据需求搭建的用于训练识别模型的神经网络，该训练网络包括主干网络和剩余网络。
具体实现中，根据图像采集设备从不同场所获取待检测图像之后，可以先根据获取待检测图像的终端和待检测图像对应的原始训练数据，并获取终端的硬件参数。根据终端的硬件参数中性能和传输速度参数确定出待检测图像对应的最优性能的主干网络的深度和宽度，并根据最优性能的主干网络的深度和宽度搭建训练网络中的主干网络，以便于根据最优性能的主干网络训练识别模型用于终端上对待检测图像上特定对象或检测目标的检测。
S120、将原始训练数据的数据格式更改至目标格式，得到目标训练数据，并根据初始数据集对训练网络进行初始训练，得到初始识别模型；
示例地，原始训练数据的数据格式可以是从原始数据库中获取的未经处理的数据格式。目标格式可以是根据待检测图像获取场所确定检测目标，不同检测目标的类别具有不同的类别，对于不同检测目标设置对应的数据格式，比如：对于单一物体识别一般采用COCO数据格式，对于重叠和重要类别的选择PACAL VOC数据格式，其中，每种数据格式对应的不同标签信息。目标训练数据可以是从原始数据库获取的到原始训练数据经数据格式的更改得到的标准化后的训练数据。
具体实现中，搭建的训练网络包括主干网络和剩余网络，其中，主干网络用于提取待检测图像中检测目标的特征，剩余网络用于对待检测图像中检测目标的特征进行特征识别和位置信息的预测。在搭建训练网络之后，通过初始数据集对训练网络进行训练，直至模型收敛得到初始识别模型，其中，初始数据集一般是包含多种检测目标类型的标准数据集，比如：COCO数据集和ImageNet图像数据集。通过初始数据集对训练网络进行训练，得到初始识别模型，初始识别模型可以识别出标准类型中80多种或更多种检测目标的基础模型，对于基础训练模型在待检测图像改变时，即检测目标改变的条件下，不需要对初始识别模型反复训练，仅需要利用目标训练数据对初始识别模型进行训练，可以快速得到最终的识别模型。其中，通过将原始训练数据的数据格式更改至目标格式，使得针对不同检测目标更换不同数据格式，可以针对不同检测目标的特征具有准确的数据标签信息，可以在模型训练的过程中快速找到特征属性进行收敛得到识别模型。
S130、根据目标训练数据对初始识别模型进行训练，得到护具识别模型；
具体实现中，目标训练样数据中的图像输入初始识别模型进行目标识别，初始识别模型的输出可以是每张图像中具有检测目标概率和预测检测目标在图像中的位置。其中，每张图像中具有检测目标概率可以是预测检测目标在图像中位置的置信度，也可以是每张图像中识别出的多个检测目标的平均概率值，还可以在初始识别模型中设置学习校正函数，利用预测位置信息对应的置信度确定模型训练程度。
S140、将待检测图像输入护具识别模型，得到待检测图像的检测结果。
具体实现中，待检测图像的检测结果可以是每张待检测图像输入护具识别模型，得到的护具识别模型的输出结果，该输出结果中包括待检测图像中检测目标的检测位置信息和置信度。根据实际需求和实验数据可以预先设置置信度阈值进行判断，护具识别模型的输出结果中，待检测图像中特定对象是否佩戴护具，如果待检测图像中特定对象佩戴护具，则表示特定对象处于安全状态；如果待检测图像中特征对象没有佩戴护具，则需要进行紧急预警处理。
本发明实施例中，通过获取待检测图像、终端的硬件参数和原始训练数据，并根据硬件参数搭建训练网络；将原始训练数据的数据格式更改至目标格式，得到目标训练数据，并根据初始数据集对训练网络进行初始训练，得到初始识别模型；根据目标训练数据对初始识别模型进行训练，得到护具识别模型；将待检测图像输入护具识别模型，得到待检测图像的检测结果。即，本发明实施例，通过对不同硬件参数搭建不同的训练网络，在不影响训练网络准确率的同时兼顾数据传输速度，提高护具识别的速度，避免数据量较大时的识别失误；通过对数据格式的更改精准的获取数据信息，提高模型收敛速度和模型识别的准确度。
下面进一步描述本发明实施例提供的护具识别方法，如图2所示，该方法具体可以包括如下步骤：
S210、获取待检测图像、终端的硬件参数和原始训练数据，并根据硬件参数确定训练网络的主干网络的目标深度和目标宽度；
具体实现中，目标深度可以是搭建训练网络的主干网络对应的卷积核的数据量，也理解为主干网络中网络层数，用于决定网络提取图像中特征的提取效果，由于神经网络的效果和神经网络的层数有很大的关系，深度越深的网络的难度就越大，训练代价大幅度上升，同时对于运行设备的要求就越大。目标宽度可以是搭建训练网络的主干网络中卷积操作设置的卷积核通道数，用于决定网络输出特征层的尺寸。根据运行模型终端的硬件参数中性能和传输速度参数，在训练网络的网络效果在预设范围内不变的条件下，即训练网络识别精准大于在预设范围，确定出与终端硬件参数更加匹配的训练网络，可以基于终端的硬件参数提高训练网络的运行速度，提高模型的训练速度和识别模型的识别速度。
进一步的，根据硬件参数确定训练网络的主干网络的目标深度和目标宽度，包括：
设置多组参数，多组参数中的每组参数包括深度参数和宽度参数，根据每组参数对应的训练网络对硬件参数进行模拟测试，得到每组参数对应的准确率和传输速率；
选取准确率大于预设阈值的最快传输速率对应的参数组合作为主干网络的目标深度和目标宽度。
示例地，根据终端的硬件参数可以根据实际需求和实验数据预先设置多组参数，多组参数中的每组参数包括深度参数和宽度参数，其中，每组参数中深度参数可以是网络的深度值，每组参数中宽度参数可以是网络的宽度值。其中，多组参数中的每组参数包括深度参数和宽度参数，比如：多组参数可以为[1,1]，[0.67，0.75]，[0.33，0.25]，[0.33,0.375]和[0.33，0.5]等。每组参数对应的准确率可以是该组参数对应的深度参数和宽度参数搭建的训练网络在对测试图像进行测试时的准确的概率。每组参数对应的传输速率可以是该组参数对应的深度参数和宽度参数搭建的训练网络在对测试图像进行测试时数据传输和处理的速率。
具体实现中，根据每组参数对训练网络对硬件参数进行模拟测试，可以是在终端上对预设的多组参数进行逐组测试，得到每组参数对应的准确率和传输速率。根据实际需求和实验数据预先设置训练网络对应的准确率阈值，根据预设阈值与每组参数对应的准确率和传输速率进行比对，确定出多组参数中准确率大于预设阈值的参数组，再选取多组参数中准确率大于预设阈值的参数组中传输速率最大的参数组中深度参数和宽度参数作为训练网络的主干网络的目标深度和目标宽度，以便于根据目标深度和目标宽度搭建主干网络。
S220、根据目标深度和目标宽度搭建用于提取待检测图像中的图像特征的主干网络；
具体实现中，待检测图像中的图像特征可以是利用训练网络中的主干网络提取出的待检测图像中的图像特征信息。根据终端的硬件参数确定出训练网络的主干网络的目标深度和目标宽度。根据目标深度和目标宽度搭建训练网络的主干网络，可以是在初始主干网络的架构的基础上对主干网络的深度和宽度进行调整得到符合目标深度和目标宽度的主干网络，也可以是利用目标深度和目标宽度直接通关卷积层和卷积核的设置搭建主干网络，以便于根据训练网络中主干网络提取待检测图像中的图像特征，用于训练网络中剩余网络对待检测图进行识别和预测。
进一步的，根据目标深度和目标宽度搭建主干网络，包括：
在主干网络中添加卷积层，利用卷积层对主干网络的通道数据进行缩放，以使得主干网络的深度和宽度达到目标深度和目标宽度；
在卷积层之后添加用于形成瓶颈层的批归一化和激活函数，从而得到主干网络。
示例地，卷积层可以训练网络中由卷积单元组成进行卷积运算的网络层，用于提取待检测图像中的图像特征，其中，可以设置卷积层中的通道参数和卷积层中卷积核的数量控制训练网络中主干网络达到目标深度和目标宽度。批归一化可以是对待处理的数据进行归一化的方式，用于加快模型训练过程中收敛的速度，还可以稳定训练网络。激活函数可以是训练网络对应的神经元上运行的函数，用于将神经元的输入映射到输出端。其中，批归一化和激活函数用于形成瓶颈层，瓶颈层用于减少训练网络计算的参数量，具有降低和升高特征维度，从而减少参数的计算量。
具体实现中，根据目标深度和目标宽度搭建训练网络的主干网络，可以是在初始主干网络的架构的基础上对主干网络的深度和宽度进行调整得到符合目标深度和目标宽度的主干网络，利用对训练网络中主干网络的卷积层的通过参数和卷积层中卷积核的数量设置搭建主干网络，以使得训练网络中主干网络达到目标深度和目标宽度。在卷积层之后添加用于形成瓶颈层的批归一化和激活函数，通过对控制瓶颈层数量，从减少训练网络计算的参数量，具有降低和升高特征维度，从而减少参数的计算量，使得训练网络在根据目标数据进行训练时，加快模型收敛的速度和模型的识别速度。
S230、在训练网络的剩余网络中添加用于检测待检测图像的特征图的特征金子塔结构，并在剩余网络中添加用于预测待检测图像的检测结果的无锚方式和解耦头，其中，待检测图像的特征图根据待检测图像中的图像特征构建。
示例地，待检测图像的特征图可以是特征金子塔结构自顶向下，将待检测图像中图像特征信息，通过采用该方式传递融合得到的用于预测的特征图，其中，特征金子塔结构用于自顶向下对待检测图像中的图像特征进行预测，再通过采用该方式传递融合得到的用于预测的特征图。无锚方式可以是将训练网络中不同网络层数的特征通过解耦头结合形成预测矩阵，使得训练网络通过预测矩阵一次性预测不同类别的信息，减少预测组数，减少参数数量，并不用设置滑动窗口的大小。解耦头可以是通过降维后，不同检测分支和检测头，用于检测图像中目标类别、定位和置信度，在提升检测效果的同时，可以提升目标检测速度，避免计算量的增大。
具体实现中，在训练网络中的剩余网络中添加特征金子塔结构，使得剩余网络可以自顶向下的将高层待检测图像中的图像特征，通过上采样的方式进行传递融合，得到进行预测的特征图。根据无锚方式和解耦头结合的方式，将训练网络中不同网络层数的特征通过解耦头结合形成预测矩阵，使得训练网络通过预测矩阵一次性预测不同类别的信息，减少预测组数，减少参数数量，避免设置滑动窗口降低预测的准确性。
S240、将原始训练数据的数据格式更改至目标格式，得到目标训练数据，并根据初始数据集对训练网络进行初始训练，得到初始识别模型；
进一步的，将原始训练数据的数据格式更改至目标格式，得到目标训练数据，包括：
确定待检测图像对应的检测目标，根据检测目标对应的类别确定原始训练数据对应的目标格式；
根据训练数据对应的目标格式对训练数据进行格式更改，得到目标训练数据。
具体实现中，通过将原始训练数据的数据格式更改至目标格式，使得针对不同检测目标更换不同数据格式，可以针对不同检测目标的特征具有准确的数据标签信息，可以在模型训练的过程中快速找到特征属性进行收敛得到识别模型。先根据待检测图像对应的获取场所确定待检测图像对应的检测目标，不同场所设置的检测目标并不相同，比如：在飞尘较多的工厂内，为了避免工人得尘肺，就需要检测待检测图像中工人口罩的佩戴情况，特征对象为工人，护具为口罩，检测目标为工人身上的口罩。根据检测目标对应的类别确定训练数据对应的目标格式，因为检测目标是并不是重叠的图像的条件下，并不需要对类别特殊处理，本人中护具识别，是对特定对象上的护具识别，需要将更改目标格式，目标格式需要有详细的类别信息，比如：PACAL VOC数据格式对于检测目标来说更加精准，且识别的速度更快，加快训练过程中模型的收敛速度。
进一步的，根据初始数据集对训练网络进行初始训练，得到初始识别模型，包括：
根据初始数据集中的目标检测数据对训练网络中主干网络进行训练，得到主干网络对应的初始参数；
将初始参数更新到主干网络中，得到初始识别模型。
具体实现中，在搭建训练网络之后，通过初始数据集对训练网络进行训练，直至模型收敛得到初始识别模型，其中，初始数据集一般是包含多种检测目标类型的标准数据集，比如：COCO数据集和ImageNet图像数据集。通过初始数据集对训练网络进行训练，得到初始识别模型，初始识别模型可以识别出标准类型中80多种或更多种检测目标的基础模型，对于基础训练模型在待检测图像改变时，即检测目标改变的条件下，不需要对初始识别模型反复训练，仅需要利用目标训练数据对初始识别模型进行训练，可以快速得到最终的识别模型。
S250、根据目标训练数据对初始识别模型进行训练，得到护具识别模型；
S260、将待检测图像输入护具识别模型，得到待检测图像的检测结果。
进一步的，将待检测图像输入护具识别模型，得到待检测图像的检测结果之后，包括：
根据待检测图像的检测结果生成预警信息，并展示预警信息。
具体实现中，预警信息可以是根据待检测图像的检测结果中包括待检测图像中检测目标的检测位置信息和置信度生成的警示信息，可以是通过对待检测图像中检测目标的检测位置信息进行警示标记，也可以是根据对待检测图像中检测目标的检测位置信息生成示待检测图像中检测目标的检测位置信息、时间和是否带护具提示，还可以是根据对待检测图像中检测目标的检测位置信息生成示待检测图像中检测目标的检测位置信息通过轨迹映射方式，确定出当前检测目标的移动位置生成的预警标记和提示信息，并通过显示装置对预警信息进行展示，以便于用户可以根据展示的预警信息进行相关处理。
图3为本发明实施例提供的护具识别方法的原理示意图，如图3所示，获取待检测图像和原始训练数据，对原始训练数据进行数据格式更改，得到目标训练数据。根据初始数据对训练网络进行训练，得到初始识别模型。将目标训练数据划分为训练数据集和验证数据集，根据训练数据集对初始识别模型进行训练，并根据验证数据集训练出的模型进行验证，得到护具识别模型。其中，训练网络可以根据终端的硬件参数进行搭建。
本发明实施例中，通过获取待检测图像、终端的硬件参数和原始训练数据，并根据硬件参数搭建训练网络；将原始训练数据的数据格式更改至目标格式，得到目标训练数据，并根据初始数据集对训练网络进行初始训练，得到初始识别模型；根据目标训练数据对初始识别模型进行训练，得到护具识别模型；将待检测图像输入护具识别模型，得到待检测图像的检测结果。即，本发明实施例，通过对不同硬件参数搭建不同的训练网络，在不影响训练网络准确率的同时兼顾数据传输速度，提高护具识别的速度，避免数据量较大时的识别失误；通过对数据格式的更改精准的获取数据信息，提高模型收敛速度和模型识别的准确度。
图4是本发明实施例提供的护具识别装置的结构示意图，如图4所示，该护具识别装置包括：
网络搭建模块410，用于获取待检测图像、终端的硬件参数和原始训练数据，并根据所述硬件参数搭建训练网络；
初始训练模块420，用于将所述原始训练数据的数据格式更改至目标格式，得到目标训练数据，并根据初始数据集对所述训练网络进行初始训练，得到初始识别模型；
模型训练模块430，用于根据所述目标训练数据对所述初始识别模型进行训练，得到护具识别模型；
图像检测模块440，用于将所述待检测图像输入所述护具识别模型，得到所述待检测图像的检测结果。
一实施例中，所述网络搭建模块410根据所述硬件参数搭建训练网络，包括：
根据所述硬件参数确定所述训练网络的主干网络的目标深度和目标宽度；
根据所述目标深度和所述目标宽度搭建用于提取所述待检测图像中的图像特征的所述主干网络；
在所述训练网络的剩余网络中添加用于检测所述待检测图像的特征图的特征金子塔结构，并在所述剩余网络中添加用于预测所述待检测图像的检测结果的无锚方式和解耦头，其中，所述待检测图像的特征图根据所述待检测图像中的图像特征构建。
一实施例中，所述网络搭建模块410根据所述硬件参数确定所述训练网络的主干网络的目标深度和目标宽度，包括：
设置多组参数，所述多组参数中的每组参数包括深度参数和宽度参数，根据所述每组参数对应的训练网络对所述硬件参数进行模拟测试，得到所述每组参数对应的准确率和传输速率；
选取准确率大于预设阈值的最快传输速率对应的参数组合作为所述主干网络的目标深度和目标宽度。
一实施例中，所述网络搭建模块410根据所述目标深度和所述目标宽度搭建所述主干网络，包括：
在所述主干网络中添加卷积层，利用所述卷积层对所述主干网络的通道数据进行缩放，以使得所述主干网络的深度和宽度达到所述目标深度和所述目标宽度；
在所述卷积层之后添加用于形成瓶颈层的批归一化和激活函数，从而得到所述主干网络。
一实施例中，所述初始训练模块420将所述原始训练数据的数据格式更改至目标格式，得到目标训练数据，包括：
确定所述待检测图像对应的检测目标，根据所述检测目标对应的类别确定所述原始训练数据对应的目标格式；
根据所述原始训练数据对应的目标格式对所述原始训练数据进行格式更改，得到所述目标训练数据。
一实施例中，所述初始训练模块420根据初始数据集对所述训练网络进行初始训练，得到初始识别模型，包括：
根据所述初始数据集中的目标检测数据对所述训练网络中主干网络进行训练，得到所述主干网络对应的初始参数；
将所述初始参数更新到所述主干网络中，得到所述初始识别模型。
一实施例中，所述图像检测模块440将所述待检测图像输入所述护具识别模型，得到所述待检测图像的检测结果之后，包括：
根据所述待检测图像的检测结果生成预警信息，并展示所述预警信息。
本发明实施例中，通过获取待检测图像、终端的硬件参数和原始训练数据，并根据硬件参数搭建训练网络；将原始训练数据的数据格式更改至目标格式，得到目标训练数据，并根据初始数据集对训练网络进行初始训练，得到初始识别模型；根据目标训练数据对初始识别模型进行训练，得到护具识别模型；将待检测图像输入护具识别模型，得到待检测图像的检测结果。即，本发明实施例，通过对不同硬件参数搭建不同的训练网络，在不影响训练网络准确率的同时兼顾数据传输速度，提高护具识别的速度，避免数据量较大时的识别失误；通过对数据格式的更改精准的获取数据信息，提高模型收敛速度和模型识别的准确度。
图5为本发明实施例提供的一种电子设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图5显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的护具识别方法，该方法包括：
获取待检测图像、终端的硬件参数和原始训练数据，并根据所述硬件参数搭建训练网络；
将所述原始训练数据的数据格式更改至目标格式，得到目标训练数据，并根据初始数据集对所述训练网络进行初始训练，得到初始识别模型；
根据所述目标训练数据对所述初始识别模型进行训练，得到护具识别模型；
将所述待检测图像输入所述护具识别模型，得到所述待检测图像的检测结果。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如所述的护具识别方法，该方法包括：
获取待检测图像、终端的硬件参数和原始训练数据，并根据所述硬件参数搭建训练网络；
将所述原始训练数据的数据格式更改至目标格式，得到目标训练数据，并根据初始数据集对所述训练网络进行初始训练，得到初始识别模型；
根据所述目标训练数据对所述初始识别模型进行训练，得到护具识别模型；
将所述待检测图像输入所述护具识别模型，得到所述待检测图像的检测结果。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种护具识别方法，其特征在于，包括：
获取待检测图像、终端的硬件参数和原始训练数据，并根据所述硬件参数搭建训练网络；
将所述原始训练数据的数据格式更改至目标格式，得到目标训练数据，并根据初始数据集对所述训练网络进行初始训练，得到初始识别模型；
根据所述目标训练数据对所述初始识别模型进行训练，得到护具识别模型；
将所述待检测图像输入所述护具识别模型，得到所述待检测图像的检测结果。
2.根据权利要求1所述的方法，其特征在于，根据所述硬件参数搭建训练网络，包括：
根据所述硬件参数确定所述训练网络的主干网络的目标深度和目标宽度；
根据所述目标深度和所述目标宽度搭建用于提取所述待检测图像中的图像特征的所述主干网络；
在所述训练网络的剩余网络中添加用于检测所述待检测图像的特征图的特征金子塔结构，并在所述剩余网络中添加用于预测所述待检测图像的检测结果的无锚方式和解耦头，其中，所述待检测图像的特征图根据所述待检测图像中的图像特征构建。
3.根据权利要求2所述的方法，其特征在于，根据所述硬件参数确定所述训练网络的主干网络的目标深度和目标宽度，包括：
设置多组参数，所述多组参数中的每组参数包括深度参数和宽度参数，根据所述每组参数对应的训练网络对所述硬件参数进行模拟测试，得到所述每组参数对应的准确率和传输速率；
选取准确率大于预设阈值的最快传输速率对应的参数组合作为所述主干网络的目标深度和目标宽度。
4.根据权利要求2所述的方法，其特征在于，根据所述目标深度和所述目标宽度搭建所述主干网络，包括：
在所述主干网络中添加卷积层，利用所述卷积层对所述主干网络的通道数据进行缩放，以使得所述主干网络的深度和宽度达到所述目标深度和所述目标宽度；
在所述卷积层之后添加用于形成瓶颈层的批归一化和激活函数，从而得到所述主干网络。
5.根据权利要求1所述的方法，其特征在于，将所述原始训练数据的数据格式更改至目标格式，得到目标训练数据，包括：
确定所述待检测图像对应的检测目标，根据所述检测目标对应的类别确定所述原始训练数据对应的目标格式；
根据所述原始训练数据对应的目标格式对所述原始训练数据进行格式更改，得到所述目标训练数据。
6.根据权利要求1所述的方法，其特征在于，根据初始数据集对所述训练网络进行初始训练，得到初始识别模型，包括：
根据所述初始数据集中的目标检测数据对所述训练网络中主干网络进行训练，得到所述主干网络对应的初始参数；
将所述初始参数更新到所述主干网络中，得到所述初始识别模型。
7.根据权利要求1所述的方法，其特征在于，将所述待检测图像输入所述护具识别模型，得到所述待检测图像的检测结果之后，包括：
根据所述待检测图像的检测结果生成预警信息，并展示所述预警信息。
8.一种护具识别装置，其特征在于，包括：
网络搭建模块，用于获取待检测图像、终端的硬件参数和原始训练数据，并根据所述硬件参数搭建训练网络；
初始训练模块，用于将所述原始训练数据的数据格式更改至目标格式，得到目标训练数据，并根据初始数据集对所述训练网络进行初始训练，得到初始识别模型；
模型训练模块，用于根据所述目标训练数据对所述初始识别模型进行训练，得到护具识别模型；
图像检测模块，用于将所述待检测图像输入所述护具识别模型，得到所述待检测图像的检测结果。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至7中任一所述的护具识别方法。
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，该程序被处理器执行时实现如权利要求1至7中任一所述的护具识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210215860.1A CN114595759A (zh) | 2022-03-07 | 2022-03-07 | 一种护具识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210215860.1A CN114595759A (zh) | 2022-03-07 | 2022-03-07 | 一种护具识别方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114595759A true CN114595759A (zh) | 2022-06-07 |
Family
ID=81808391
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210215860.1A Pending CN114595759A (zh) | 2022-03-07 | 2022-03-07 | 一种护具识别方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114595759A (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416440A (zh) * | 2018-03-20 | 2018-08-17 | 上海未来伙伴机器人有限公司 | 一种神经网络的训练方法、物体识别方法及装置 |
| CN110263665A (zh) * | 2019-05-29 | 2019-09-20 | 朗坤智慧科技股份有限公司 | 基于深度学习的安全帽识别方法和系统 |
| CN110458075A (zh) * | 2019-08-05 | 2019-11-15 | 北京泰豪信息科技有限公司 | 安全帽佩戴的检测方法、存储介质、检测装置及检测系统 |
| WO2019232830A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技（深圳）有限公司 | 机场异物检测方法、装置、计算机设备及存储介质 |
| CN110728223A (zh) * | 2019-10-08 | 2020-01-24 | 济南东朔微电子有限公司 | 一种基于深度学习的安全帽佩戴识别方法 |
| CN111062303A (zh) * | 2019-12-12 | 2020-04-24 | 深圳市捷顺科技实业股份有限公司 | 图像处理方法、系统及计算机存储介质 |
| CN111325120A (zh) * | 2020-02-09 | 2020-06-23 | 南通大学 | 一种适用于嵌入式系统的目标检测方法 |
| CN111488971A (zh) * | 2020-04-09 | 2020-08-04 | 北京百度网讯科技有限公司 | 神经网络模型搜索方法及装置、图像处理方法及装置 |
| CN112488299A (zh) * | 2020-12-03 | 2021-03-12 | 华为技术有限公司 | 一种神经网络获取方法及装置 |
| CN112598063A (zh) * | 2020-12-25 | 2021-04-02 | 深圳市商汤科技有限公司 | 神经网络生成方法及装置、电子设备和存储介质 |
| CN112926405A (zh) * | 2021-02-01 | 2021-06-08 | 西安建筑科技大学 | 一种安全帽佩戴检测方法、系统、设备及存储介质 |
| CN113408634A (zh) * | 2021-06-29 | 2021-09-17 | 深圳市商汤科技有限公司 | 模型推荐方法及装置、设备、计算机存储介质 |
| JP2021179971A (ja) * | 2020-05-27 | 2021-11-18 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | 小目標を検出するための方法及び装置、電子デバイス、コンピュータ可読記憶媒体及びコンピュータプログラム |
| CN113988258A (zh) * | 2021-10-21 | 2022-01-28 | 海宁奕斯伟集成电路设计有限公司 | 一种硬件感知的可微分的神经网络结构搜索方法及装置 |
-
2022
- 2022-03-07 CN CN202210215860.1A patent/CN114595759A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416440A (zh) * | 2018-03-20 | 2018-08-17 | 上海未来伙伴机器人有限公司 | 一种神经网络的训练方法、物体识别方法及装置 |
| WO2019232830A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技（深圳）有限公司 | 机场异物检测方法、装置、计算机设备及存储介质 |
| CN110263665A (zh) * | 2019-05-29 | 2019-09-20 | 朗坤智慧科技股份有限公司 | 基于深度学习的安全帽识别方法和系统 |
| CN110458075A (zh) * | 2019-08-05 | 2019-11-15 | 北京泰豪信息科技有限公司 | 安全帽佩戴的检测方法、存储介质、检测装置及检测系统 |
| CN110728223A (zh) * | 2019-10-08 | 2020-01-24 | 济南东朔微电子有限公司 | 一种基于深度学习的安全帽佩戴识别方法 |
| CN111062303A (zh) * | 2019-12-12 | 2020-04-24 | 深圳市捷顺科技实业股份有限公司 | 图像处理方法、系统及计算机存储介质 |
| CN111325120A (zh) * | 2020-02-09 | 2020-06-23 | 南通大学 | 一种适用于嵌入式系统的目标检测方法 |
| CN111488971A (zh) * | 2020-04-09 | 2020-08-04 | 北京百度网讯科技有限公司 | 神经网络模型搜索方法及装置、图像处理方法及装置 |
| JP2021179971A (ja) * | 2020-05-27 | 2021-11-18 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | 小目標を検出するための方法及び装置、電子デバイス、コンピュータ可読記憶媒体及びコンピュータプログラム |
| CN112488299A (zh) * | 2020-12-03 | 2021-03-12 | 华为技术有限公司 | 一种神经网络获取方法及装置 |
| CN112598063A (zh) * | 2020-12-25 | 2021-04-02 | 深圳市商汤科技有限公司 | 神经网络生成方法及装置、电子设备和存储介质 |
| CN112926405A (zh) * | 2021-02-01 | 2021-06-08 | 西安建筑科技大学 | 一种安全帽佩戴检测方法、系统、设备及存储介质 |
| CN113408634A (zh) * | 2021-06-29 | 2021-09-17 | 深圳市商汤科技有限公司 | 模型推荐方法及装置、设备、计算机存储介质 |
| CN113988258A (zh) * | 2021-10-21 | 2022-01-28 | 海宁奕斯伟集成电路设计有限公司 | 一种硬件感知的可微分的神经网络结构搜索方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108875833B (zh) | 神经网络的训练方法、人脸识别方法及装置 | |
| CN109145680B (zh) | 一种获取障碍物信息的方法、装置、设备和计算机存储介质 | |
| CN112380981B (zh) | 人脸关键点的检测方法、装置、存储介质及电子设备 | |
| CN110472675B (zh) | 图像分类方法、图像分类装置、存储介质与电子设备 | |
| EP3949324B1 (en) | Dynamic monitoring, detection of emerging computer events | |
| CN109657243A (zh) | 敏感信息识别方法、系统、设备及存储介质 | |
| US20220148113A1 (en) | Machine learning modeling for protection against online disclosure of sensitive data | |
| CN117115581A (zh) | 一种基于多模态深度学习的智能误操作预警方法及系统 | |
| WO2023207557A1 (zh) | 评估业务预测模型鲁棒性的方法、装置及计算设备 | |
| CN114565780A (zh) | 一种目标识别方法、装置、电子设备及存储介质 | |
| CN116964588A (zh) | 一种目标检测方法、目标检测模型训练方法及装置 | |
| CN115359471A (zh) | 图像处理及联合检测模型训练方法、装置、设备和存储介质 | |
| CN114445697A (zh) | 一种目标检测方法、装置、电子设备及存储介质 | |
| CN113239883A (zh) | 分类模型的训练方法、装置、电子设备以及存储介质 | |
| CN111738290B (zh) | 图像检测方法、模型构建和训练方法、装置、设备和介质 | |
| CN117972336A (zh) | 飞行安全风险评估方法、装置、电子设备及存储介质 | |
| CN115147887A (zh) | 人脸识别率提高方法、门禁设备及计算机可读存储介质 | |
| CN115240015B (zh) | 目标检测模型的训练方法、装置、设备和存储介质 | |
| CN114595759A (zh) | 一种护具识别方法、装置、电子设备及存储介质 | |
| CN113051958A (zh) | 基于深度学习的驾驶员状态检测方法、系统、设备及介质 | |
| KR20210054725A (ko) | 엣지 기반의 위험상황 처리 장치 | |
| CN114155589B (zh) | 一种图像处理方法、装置、设备以及存储介质 | |
| CN115617564A (zh) | 针对内核异常的处理方法、装置、电子设备及存储介质 | |
| CN113515591B (zh) | 文本不良信息识别方法、装置、电子设备及存储介质 | |
| CN115762704A (zh) | 一种处方审核方法、装置、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 |