CN116452924B - 模型阈值调整方法、装置、电子设备及存储介质 - Google Patents
模型阈值调整方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116452924B CN116452924B CN202310283493.3A CN202310283493A CN116452924B CN 116452924 B CN116452924 B CN 116452924B CN 202310283493 A CN202310283493 A CN 202310283493A CN 116452924 B CN116452924 B CN 116452924B
- Authority
- CN
- China
- Prior art keywords
- alarm
- pictures
- picture
- check
- verification
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012795 verification Methods 0.000 claims abstract description 78
- 238000001514 detection method Methods 0.000 claims abstract description 54
- 238000012216 screening Methods 0.000 claims abstract description 23
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种模型阈值调整方法、装置、电子设备及存储介质,其中方法包括:根据目标检测模型当前的告警阈值,确定用于对所述告警阈值进行校验的校验阈值;获取所述目标检测模型所检测视频帧中置信度不小于所述告警阈值的告警图片,以及,获取所述目标检测模型所检测视频帧中置信度不小于所述校验阈值且小于所述告警阈值的校验图片;从所述告警图片中筛选出属于误报告警事件的误报图片,以及,从所述校验图片中筛选出属于漏报告警事件的漏报图片;基于所述误报图片和所述漏报图片,计算所述告警阈值的偏离指数;利用所述偏离指数对所述告警阈值进行调整。本方案,能够减少漏报误报等问题,提高检测结果的准确率。
Description
技术领域
本发明实施例涉及计算机技术领域,特别涉及一种模型阈值调整方法、装置、电子设备及存储介质。
背景技术
视觉AI智能检测技术正在逐步应用到各个领域和行业,通过深度神经网络建模,可以针对视频监控设备实时检测画面实现视觉AI检测和预警,从而能够弥补传统人员监控的不足,达到无人值守的效果。当视觉AI智能检测技术应用在工业现场中时,由于工业现场的环境复杂,不同行业的作业环境不同,从而对模型识别结果造成影响。
目前,通过获取一个时期内工业现场的视频图像作为训练样本,对模型进行训练,来保证模型识别结果的准确性。但该方式一般在模型部署初期的准确率较高,而当工业现场作业环境发生变动时,依然无法保证检测结果的准确性,造成误报、漏报等问题。
发明内容
本发明实施例提供了一种模型阈值调整方法、装置、电子设备及存储介质,能够保证检测结果的准确性,降低误报漏报等问题。
第一方面,本发明实施例提供了一种模型阈值调整方法,包括:
根据目标检测模型当前的告警阈值,确定用于对所述告警阈值进行校验的校验阈值;
获取所述目标检测模型所检测视频帧中置信度不小于所述告警阈值的告警图片,以及,获取所述目标检测模型所检测视频帧中置信度不小于所述校验阈值且小于所述告警阈值的校验图片;
从所述告警图片中筛选出属于误报告警事件的误报图片,以及,从所述校验图片中筛选出属于漏报告警事件的漏报图片;
基于所述误报图片和所述漏报图片,计算所述告警阈值的偏离指数;
利用所述偏离指数对所述告警阈值进行调整。
在一种可能的实现方式中,在所述获取所述目标检测模型所检测视频帧中置信度不小于所述校验阈值且小于所述告警阈值的校验图片之后,从所述校验图片中筛选出属于漏报告警事件的漏报图片之前,还包括:
根据所述告警图片的数量,从所述校验图片中选择部分校验图片,并利用选择的部分校验图片执行所述筛选出属于漏报告警事件的漏报图片。
在一种可能的实现方式中,从所述校验图片中选择部分校验图片的目标数量为:将所述告警图片的数量与所述校验图片的数量之和与设定比例的乘积,作为选择出的部分校验图片的目标数量。
在一种可能的实现方式中,按照所述目标数量从所述校验图片中选择出置信度最高的部分校验图片。
在一种可能的实现方式中,所述基于所述误报图片和所述漏报图片,计算所述告警阈值的偏离指数,包括:
基于所述误报图片的置信度与所述告警阈值,计算误报偏差,并根据所述误报偏差计算误报率;
基于所述漏报图片的置信度与所述告警阈值,计算校验偏差,并根据所述校验偏差计算漏报率;
将所述漏报率和所述误报率之差确定为所述告警阈值的偏离指数。
在一种可能的实现方式中,所述确定用于对所述告警阈值进行校验的校验阈值,包括:
根据所述告警阈值确定告警区间长度;
将所述告警区间长度作为校验区间长度,以根据所述校验区间长度和所述告警阈值,得到用于对所述告警阈值进行校验的校验阈值。
在一种可能的实现方式中,所述利用所述偏离指数对所述告警阈值进行调整,包括:
将所述偏离指数和所述告警阈值之和作为调整后的告警阈值。
第二方面,本发明实施例还提供了一种模型阈值调整装置,包括:
校验阈值确定单元,用于根据目标检测模型当前的告警阈值,确定用于对所述告警阈值进行校验的校验阈值;
图片获取单元,用于获取所述目标检测模型所检测视频帧中置信度不小于所述告警阈值的告警图片,以及,获取所述目标检测模型所检测视频帧中置信度不小于所述校验阈值且小于所述告警阈值的校验图片;
图片筛选单元,用于从所述告警图片中筛选出属于误报告警事件的误报图片,以及,从所述校验图片中筛选出属于漏报告警事件的漏报图片;
偏离计算单元,用于基于所述误报图片和所述漏报图片,计算所述告警阈值的偏离指数;
调整单元,用于利用所述偏离指数对所述告警阈值进行调整。
第三方面,本发明实施例还提供了一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现本说明书任一实施例所述的方法。
第四方面,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,当所述计算机程序在计算机中执行时,令计算机执行本说明书任一实施例所述的方法。
本发明实施例提供了一种模型阈值调整方法、装置、电子设备及存储介质,通过新增设置一个对告警阈值进行校验的校验阈值,以利用校验阈值获取未被目标检测模型作为告警事件进行处理的校验图片,这些校验图片中可能存在属于漏报告警事件的漏报图片,以及在告警图片中可能存在属于误报告警事件的误报图片,因此,基于误报图片和漏报图片可以计算出当前的告警阈值的偏离指数,进而利用该偏离指数对告警阈值进行调整。本方案,能够实现将告警阈值调整为更适配当前作业环境的阈值,进而使得目标检测模型能够利用调整后的告警阈值对工业现场的视频流进行检测,使得检测结果更加准确,减少漏报误报等问题。
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是本发明一实施例提供的一种模型阈值调整方法流程图;
图2是本发明一实施例提供的一种电子设备的硬件架构图;
图3是本发明一实施例提供的一种模型阈值调整装置结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
如前所述,当工业现场作业环境发生变动时,无法保证检测结果的准确性,造成误报、漏报等问题。究其原因,是对工业现场进行视频流检测的检测模型的阈值设置出现偏差,当工业现场作业环境发生变动时,需要调整为适配当前作业环境的阈值。而如何进行调整是亟需解决的问题。
本发明的发明构思在于:新增设置一个校验阈值,用来捕获由于告警阈值设置过高造成的告警事件漏报情况,以及由告警阈值产生的告警事件中筛选出由于告警阈值设置过低造成的告警事件误报情况,从而利用这些属于漏报告警事件的漏报图片和属于误报告警事件的误报图片,对告警阈值进行调整。
下面描述以上构思的具体实现方式。
请参考图1,本发明实施例提供了一种模型阈值调整方法,该方法包括:
步骤100,根据目标检测模型当前的告警阈值,确定用于对所述告警阈值进行校验的校验阈值;
步骤102,获取所述目标检测模型所检测视频帧中置信度不小于所述告警阈值的告警图片,以及,获取所述目标检测模型所检测视频帧中置信度不小于所述校验阈值且小于所述告警阈值的校验图片;
步骤104,从所述告警图片中筛选出属于误报告警事件的误报图片,以及,从所述校验图片中筛选出属于漏报告警事件的漏报图片;
步骤106,基于所述误报图片和所述漏报图片,计算所述告警阈值的偏离指数;
步骤108,利用所述偏离指数对所述告警阈值进行调整。
本发明实施例中,通过新增设置一个对告警阈值进行校验的校验阈值,以利用校验阈值获取未被目标检测模型作为告警事件进行处理的校验图片,这些校验图片中可能存在属于漏报告警事件的漏报图片,以及在告警图片中可能存在属于误报告警事件的误报图片,因此,基于误报图片和漏报图片可以计算出当前的告警阈值的偏离指数,进而利用该偏离指数对告警阈值进行调整。本方案,能够实现将告警阈值调整为更适配当前作业环境的阈值,进而使得目标检测模型能够利用调整后的告警阈值对工业现场的视频流进行检测,使得检测结果更加准确,减少漏报误报等问题。
下面描述图1所示的各个步骤的执行方式。
首先,针对步骤100,根据目标检测模型当前的告警阈值,确定用于对所述告警阈值进行校验的校验阈值。
工业现场中可以设置摄像设备,由摄像设备采集工业现场的视频流实时发送至检测设备,检测设备中部署有检测模型,由检测模型对视频流进行检测,检测项可以为着火检测、闯入检测、设备故障检测等。检测模型对视频流中各视频帧的检测结果是输出该视频帧所对应的置信度,该置信度为该视频帧发生相应检测项的置信程度,将该置信度与告警阈值进行比较,若置信度不小于该告警阈值,则针对该视频帧产生告警事件,该视频帧为告警图片。
本发明实施例中,可以通过增加校验阈值的方式来对告警阈值是否设置过高进行校验,因此,校验阈值需要根据告警阈值来设置。
一个实施例中,该校验阈值只需要小于告警阈值即可。比如,告警阈值为0.9,那么校验阈值可以设置为0.5。
但是考虑到校验阈值设置过低,可能会造成校验图片的数量过大的问题,影响图片的处理速度,进而影响阈值调整速度。因此,本发明一个实施例中,该校验阈值可以基于告警阈值对应的告警区间长度进行设置。
具体地:根据所述告警阈值确定告警区间长度;将所述告警区间长度作为校验区间长度,以根据所述校验区间长度和所述告警阈值,得到用于对所述告警阈值进行校验的校验阈值。
举例来说,告警阈值为0.8,那么告警区间为[0.8,1],告警区间长度为0.2,由此可以得出校验区间长度为0.2。接着,由于告警阈值为0.8,根据校验区间长度,可以得出校验阈值为0.6,即校验区间为[0.6,0.8)。
本发明实施例通过利用告警区间长度来设置校验阈值,使得告警区间长度和校验区间长度相等,如此在利用相同区间长度范围内得到的告警图片和校验图片对告警阈值进行偏差指数的计算时,校验图片置信度的分布范围与告警图片置信度的分布范围的长度相同,从而能够对告警阈值进行准确校验。
然后,针对步骤102“获取所述目标检测模型所检测视频帧中置信度不小于所述告警阈值的告警图片,以及,获取所述目标检测模型所检测视频帧中置信度不小于所述校验阈值且小于所述告警阈值的校验图片”和步骤104“从所述告警图片中筛选出属于误报告警事件的误报图片,以及,从所述校验图片中筛选出属于漏报告警事件的漏报图片”同时进行说明。
本发明实施例中,可以预先设定规则,若目标检测模型针对视频帧进行检测时,该视频帧的置信度不小于告警阈值,则将该视频帧作为告警图片添加至告警图片库中,若该视频帧的置信度不小于校验阈值且小于告警阈值,则将该视频帧作为校验图片添加至校验图片库中。
当视频帧的置信度不小于告警阈值时,会产生告警事件,由工作人员对告警事件进行处理。若确定告警事件对应的告警图片属于误报告警事件时,则将该告警图片标记为误报图片。
当视频帧的置信度不小于校验阈值且小于告警阈值时,同样需要由工作人员对校验图片进行处理,以确定校验图片是否属于漏报告警事件,若属于,则将该校验图片标记为漏报图片。
本发明一个实施例中,由于置信度处于校验区间内校验图片数量较多,使得后续偏离指数的计算量较大,并且,当告警图片对应不同数量时,需要用于进行校验的校验图片的数量多少,对校验结果的准确性也存在影响,因此可以根据所述告警图片的数量,从所述校验图片中选择部分校验图片,并利用选择的部分校验图片执行所述筛选出属于漏报告警事件的漏报图片。
一个实现方式中,可以在当前获得的校验图片中按照设定比例进行选择一部分校验图片,在选择时可以随机选择,也可以是按照置信度的覆盖范围进行均衡选择,也可以是按照置信度从高到低进行选择。
另一个实现方式中,可以从所述校验图片中选择部分校验图片的目标数量为:将所述告警图片的数量与所述校验图片的数量之和与设定比例的乘积,作为选择出的部分校验图片的目标数量。
在进行校验图片的选择时,若告警图片的数量固定时,校验图片数量越多,则选择的部分校验图片的目标数量也应该越多,但是,告警图片的数量是不确定的,当告警图片的数量较少校验图片数量过多时,过多的校验图片数量对告警阈值的校验结果会存在较大影响,因此为了避免这种影响,提高校验结果的准确性以及保证告警阈值的调整不会出现较大浮动,可以将告警图片和校验图片的总数量作为选择基准,将该总数量与设定比例的乘积作为选择出的部分校验图片的目标数量。如此,该目标数量会基于告警图片的数量和校验图片的数量进行均衡调整,使得最终告警阈值的浮动不会出现太大偏差。
本发明一个实施例中,由于校验图片的置信度越高,其可能是漏报图片的概率越高,因此,可以按照所述目标数量从所述校验图片中选择出置信度最高的部分校验图片。
最后,针对步骤106“基于所述误报图片和所述漏报图片,计算所述告警阈值的偏离指数”和步骤108“利用所述偏离指数对所述告警阈值进行调整”进行说明。
本发明一个实施例中,步骤106在计算告警阈值的偏离指数时,可以通过如下一种方式来实现:
S1、基于所述误报图片的置信度与所述告警阈值,计算误报偏差,并根据所述误报偏差计算误报率;
误报偏差Fd和误报率Far的计算方式可以为:
其中,n为误报图片的数量,N为告警图片的数量,c0为告警阈值,ci为第i张误报图片的置信度。
S2、基于所述漏报图片的置信度与所述告警阈值,计算校验偏差,并根据所述校验偏差计算漏报率;
漏报偏差Vr和漏报率Ur的计算方式可以为:
其中,m为漏报图片的数量,M校验图片的数量,c0为告警阈值,cj为第j张漏报图片的置信度。
S3、将所述漏报率和所述误报率之差确定为所述告警阈值的偏离指数。
具体地,该偏离指数Di为:
Di=Ur-Far
需要说明的是,正是由于在步骤100中确定校验阈值时是基于告警阈值的告警区间长度确定的,使得告警区间长度和校验区间长度相等,且选择校验图片时能够基于随机性或均衡覆盖整个校验区间的方式进行选择,因此,在计算误报偏差和校验偏差时均是采用告警阈值作为偏差计算基准,使得误报率和漏报率的计算结果更准确,进而可以得到准确的告警阈值的偏离指数。
本发明一个实施例中,在步骤108中进行告警阈值调整时,可以将所述偏离指数和所述告警阈值之和作为调整后的告警阈值。由于偏离指数的计算结果为误报率和漏报率之差,因此得到的偏离指数可以为正值也可以为负值,若偏离指数为正值,则表明需要将告警阈值调大;反之,若偏离指数为负值,则表明需要将告警阈值调小。
进一步地,在利用偏离指数对告警阈值进行调整时,可以是自动调整,也可以是手工调整。在进行自动调整时,可以直接将当前告警阈值与偏离指数之和作为调整后的告警阈值。在进行手动调整时,可以是将偏离指数和当前计算的误报率和漏报率进行输出,然后由人工确定是否调整告警阈值,以及该将告警阈值调整为怎样的结果。
更进一步地,对于得到的漏报图片和误报图片,模型对这些图片进行错误检测,为了提高模型的检测准确率,可以利用这些漏报图片和误报图片作为模型的训练样本,以进一步对模型进行训练和优化。
如图2、图3所示,本发明实施例提供了一种模型阈值调整装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言,如图2所示,为本发明实施例提供的一种模型阈值调整装置所在电子设备的一种硬件架构图,除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的电子设备通常还可以包括其他硬件,如负责处理报文的转发芯片等等。以软件实现为例,如图3所示,作为一个逻辑意义上的装置,是通过其所在电子设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。本实施例提供的一种模型阈值调整装置,包括:
校验阈值确定单元301,用于根据目标检测模型当前的告警阈值,确定用于对所述告警阈值进行校验的校验阈值;
图片获取单元302,用于获取所述目标检测模型所检测视频帧中置信度不小于所述告警阈值的告警图片,以及,获取所述目标检测模型所检测视频帧中置信度不小于所述校验阈值且小于所述告警阈值的校验图片;
图片筛选单元303,用于从所述告警图片中筛选出属于误报告警事件的误报图片,以及,从所述校验图片中筛选出属于漏报告警事件的漏报图片;
偏离计算单元304,用于基于所述误报图片和所述漏报图片,计算所述告警阈值的偏离指数;
调整单元305,用于利用所述偏离指数对所述告警阈值进行调整。
在本发明一个实施例中,所述图片获取单元还用于根据所述告警图片的数量,从所述校验图片中选择部分校验图片,并利用选择的部分校验图片执行所述筛选出属于漏报告警事件的漏报图片。
在本发明一个实施例中,从所述校验图片中选择部分校验图片的目标数量为:将所述告警图片的数量与所述校验图片的数量之和与设定比例的乘积,作为选择出的部分校验图片的目标数量。
在本发明一个实施例中,所述图片获取单元用于按照所述目标数量从所述校验图片中选择出置信度最高的部分校验图片。
在本发明一个实施例中,所述偏离计算单元,具体用于执行如下操作:
基于所述误报图片的置信度与所述告警阈值,计算误报偏差,并根据所述误报偏差计算误报率;
基于所述漏报图片的置信度与所述告警阈值,计算校验偏差,并根据所述校验偏差计算漏报率;
将所述漏报率和所述误报率之差确定为所述告警阈值的偏离指数。
在本发明一个实施例中,所述偏离计算单元在确定用于对所述告警阈值进行校验的校验阈值时,具体包括:根据所述告警阈值确定告警区间长度;将所述告警区间长度作为校验区间长度,以根据所述校验区间长度和所述告警阈值,得到用于对所述告警阈值进行校验的校验阈值。
在本发明一个实施例中,所述调整单元,具体用于将所述偏离指数和所述告警阈值之和作为调整后的告警阈值。
可以理解的是,本发明实施例示意的结构并不构成对一种模型阈值调整装置的具体限定。在本发明的另一些实施例中,一种模型阈值调整装置可以包括比图示更多或者更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
本发明实施例还提供了一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现本发明任一实施例中的一种模型阈值调整方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序在被处理器执行时,使所述处理器执行本发明任一实施例中的一种模型阈值调整方法。
具体地,可以提供配有存储介质的系统或者装置,在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下,从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上下载程序代码。
此外,应该清楚的是,不仅可以通过执行计算机所读出的程序代码,而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作,从而实现上述实施例中任意一项实施例的功能。
此外,可以理解的是,将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作,从而实现上述实施例中任一实施例的功能。
需要说明的是,在本文中,诸如第一和第二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。而且,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、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储在计算机可读取的存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种模型阈值调整方法,其特征在于,包括:
根据目标检测模型当前的告警阈值,确定用于对所述告警阈值进行校验的校验阈值;
获取所述目标检测模型所检测视频帧中置信度不小于所述告警阈值的告警图片,以及,获取所述目标检测模型所检测视频帧中置信度不小于所述校验阈值且小于所述告警阈值的校验图片;
从所述告警图片中筛选出属于误报告警事件的误报图片,以及,从所述校验图片中筛选出属于漏报告警事件的漏报图片;
基于所述误报图片和所述漏报图片,计算所述告警阈值的偏离指数;
利用所述偏离指数对所述告警阈值进行调整;
所述基于所述误报图片和所述漏报图片,计算所述告警阈值的偏离指数,包括:基于所述误报图片的置信度与所述告警阈值,计算误报偏差,并根据所述误报偏差计算误报率;基于所述漏报图片的置信度与所述告警阈值,计算校验偏差,并根据所述校验偏差计算漏报率;将所述漏报率和所述误报率之差确定为所述告警阈值的偏离指数;
所述确定用于对所述告警阈值进行校验的校验阈值,包括:根据所述告警阈值确定告警区间长度;将所述告警区间长度作为校验区间长度,以根据所述校验区间长度和所述告警阈值,得到用于对所述告警阈值进行校验的校验阈值;
所述利用所述偏离指数对所述告警阈值进行调整,包括:将所述偏离指数和所述告警阈值之和作为调整后的告警阈值。
2.根据权利要求1所述的方法,其特征在于,在所述获取所述目标检测模型所检测视频帧中置信度不小于所述校验阈值且小于所述告警阈值的校验图片之后,从所述校验图片中筛选出属于漏报告警事件的漏报图片之前,还包括:
根据所述告警图片的数量,从所述校验图片中选择部分校验图片,并利用选择的部分校验图片执行所述筛选出属于漏报告警事件的漏报图片。
3.根据权利要求2所述的方法,其特征在于,从所述校验图片中选择部分校验图片的目标数量为:将所述告警图片的数量与所述校验图片的数量之和与设定比例的乘积,作为选择出的部分校验图片的目标数量。
4.根据权利要求3所述的方法,其特征在于,按照所述目标数量从所述校验图片中选择出置信度最高的部分校验图片。
5.一种模型阈值调整装置,其特征在于,包括:
校验阈值确定单元,用于根据目标检测模型当前的告警阈值,确定用于对所述告警阈值进行校验的校验阈值;
图片获取单元,用于获取所述目标检测模型所检测视频帧中置信度不小于所述告警阈值的告警图片,以及,获取所述目标检测模型所检测视频帧中置信度不小于所述校验阈值且小于所述告警阈值的校验图片;
图片筛选单元,用于从所述告警图片中筛选出属于误报告警事件的误报图片,以及,从所述校验图片中筛选出属于漏报告警事件的漏报图片;
偏离计算单元,用于基于所述误报图片和所述漏报图片,计算所述告警阈值的偏离指数;
调整单元,用于利用所述偏离指数对所述告警阈值进行调整;
所述偏离计算单元,具体用于执行如下操作:基于所述误报图片的置信度与所述告警阈值,计算误报偏差,并根据所述误报偏差计算误报率;基于所述漏报图片的置信度与所述告警阈值,计算校验偏差,并根据所述校验偏差计算漏报率;将所述漏报率和所述误报率之差确定为所述告警阈值的偏离指数;
所述偏离计算单元在确定用于对所述告警阈值进行校验的校验阈值时,具体包括:根据所述告警阈值确定告警区间长度;将所述告警区间长度作为校验区间长度,以根据所述校验区间长度和所述告警阈值,得到用于对所述告警阈值进行校验的校验阈值;
所述调整单元,具体用于将所述偏离指数和所述告警阈值之和作为调整后的告警阈值。
6.根据权利要求5所述的装置,其特征在于,所述图片获取单元还用于根据所述告警图片的数量,从所述校验图片中选择部分校验图片,并利用选择的部分校验图片执行所述筛选出属于漏报告警事件的漏报图片。
7.根据权利要求6所述的装置,其特征在于,从所述校验图片中选择部分校验图片的目标数量为:将所述告警图片的数量与所述校验图片的数量之和与设定比例的乘积,作为选择出的部分校验图片的目标数量。
8.根据权利要求7所述的装置,其特征在于,所述图片获取单元用于按照所述目标数量从所述校验图片中选择出置信度最高的部分校验图片。
9.一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-4中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310283493.3A CN116452924B (zh) | 2023-03-21 | 2023-03-21 | 模型阈值调整方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310283493.3A CN116452924B (zh) | 2023-03-21 | 2023-03-21 | 模型阈值调整方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116452924A CN116452924A (zh) | 2023-07-18 |
CN116452924B true CN116452924B (zh) | 2023-10-13 |
Family
ID=87134758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310283493.3A Active CN116452924B (zh) | 2023-03-21 | 2023-03-21 | 模型阈值调整方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116452924B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2098970A1 (en) * | 2008-03-07 | 2009-09-09 | British Telecommunications public limited company | Abnormal event time thresholds |
CN107368058A (zh) * | 2017-07-19 | 2017-11-21 | 北京上格云技术有限公司 | 一种用于设备的故障监测方法、设备和计算机可读介质 |
CN110633450A (zh) * | 2018-06-06 | 2019-12-31 | 中国石油化工股份有限公司 | 一种双氧水装置报警系统报警阈值优化方法 |
CN112367395A (zh) * | 2020-11-06 | 2021-02-12 | 深圳市有方科技股份有限公司 | 一种报警阈值的修改方法、设备及计算机可读存储介质 |
CN113842118A (zh) * | 2021-12-01 | 2021-12-28 | 浙江大学 | 面向癫痫视频脑电图检查的癫痫发作实时检测监控系统 |
WO2022142332A1 (zh) * | 2020-12-31 | 2022-07-07 | 上海商汤临港智能科技有限公司 | 报警阈值调整方法及装置、电子设备和存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10949535B2 (en) * | 2017-09-29 | 2021-03-16 | Microsoft Technology Licensing, Llc | Security model training and threshold selection |
KR102348593B1 (ko) * | 2017-10-26 | 2022-01-06 | 삼성에스디에스 주식회사 | 기계 학습 기반의 객체 검출 방법 및 그 장치 |
US20210166548A1 (en) * | 2018-07-23 | 2021-06-03 | Hewlett-Packard Development Company, L.P. | Adjusting an alert threshold |
-
2023
- 2023-03-21 CN CN202310283493.3A patent/CN116452924B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2098970A1 (en) * | 2008-03-07 | 2009-09-09 | British Telecommunications public limited company | Abnormal event time thresholds |
CN107368058A (zh) * | 2017-07-19 | 2017-11-21 | 北京上格云技术有限公司 | 一种用于设备的故障监测方法、设备和计算机可读介质 |
CN110633450A (zh) * | 2018-06-06 | 2019-12-31 | 中国石油化工股份有限公司 | 一种双氧水装置报警系统报警阈值优化方法 |
CN112367395A (zh) * | 2020-11-06 | 2021-02-12 | 深圳市有方科技股份有限公司 | 一种报警阈值的修改方法、设备及计算机可读存储介质 |
WO2022142332A1 (zh) * | 2020-12-31 | 2022-07-07 | 上海商汤临港智能科技有限公司 | 报警阈值调整方法及装置、电子设备和存储介质 |
CN113842118A (zh) * | 2021-12-01 | 2021-12-28 | 浙江大学 | 面向癫痫视频脑电图检查的癫痫发作实时检测监控系统 |
Non-Patent Citations (2)
Title |
---|
Dynamic adjustment of hyperparameters for anchor-based detection of objects with large image size differences;Ying Deng等;《Pattern Recognition Letters》;196-203 * |
基于多阈值机制的动态人脸识别警务实战应用;贾永洪;言专艺;何永铿;萧博铭;;现代信息科技(01);13-16 * |
Also Published As
Publication number | Publication date |
---|---|
CN116452924A (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110113226B (zh) | 一种检测设备异常的方法及装置 | |
KR101910542B1 (ko) | 객체 검출을 위한 영상분석 서버장치 및 방법 | |
KR102002812B1 (ko) | 객체 검출을 위한 영상분석 서버장치 및 방법 | |
CN109873832B (zh) | 流量识别方法、装置、电子设备和存储介质 | |
CN110866515A (zh) | 厂房内对象行为识别方法、装置以及电子设备 | |
CN113343779B (zh) | 环境异常检测方法、装置、计算机设备和存储介质 | |
CN111383246B (zh) | 条幅检测方法、装置及设备 | |
CN115512518B (zh) | 基于时空关联的多种灾害的预警信息处理方法及装置 | |
CN111292327A (zh) | 机房巡检方法、装置、设备及存储介质 | |
CN112381054A (zh) | 摄像机的工作状态检测方法及相关设备、系统 | |
CN108629310B (zh) | 一种工程管理监督方法及装置 | |
CN116452924B (zh) | 模型阈值调整方法、装置、电子设备及存储介质 | |
CN117149565A (zh) | 云平台关键性能指标的状态检测方法、装置、设备及介质 | |
CN116958085A (zh) | 泄漏检测行为合规审核方法、装置、电子设备及存储介质 | |
KR102525491B1 (ko) | 구조물 손상검출 보고서 제공 방법 | |
CN106600740A (zh) | 一种传输外线数据的验证方法及装置 | |
CN115984780A (zh) | 工业固体废物出入库判别方法、装置、电子设备及介质 | |
CN115205541A (zh) | 泄漏检测方法及相关装置、电子设备和存储介质 | |
CN115206094A (zh) | 交通运输枢纽异常事件检测方法、检测系统、存储介质 | |
CN114051624A (zh) | 检测游戏区域上游戏道具的方法及装置、设备、存储介质 | |
CN114445669A (zh) | 一种烟火告警方法、装置、电子设备及存储介质 | |
CN114005060A (zh) | 图像数据的确定方法及装置 | |
CN113743293A (zh) | 跌倒行为检测方法、装置、电子设备及存储介质 | |
JP2003196662A (ja) | カット検出装置およびそのプログラム | |
CN117499621B (zh) | 视频采集设备的检测方法、装置、设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |