整洁度检测方法、装置、计算机设备和存储介质制造方法及图纸

本申请实施例公开一种装修工地的整洁度检测方法、装置、计算机设备和存储介质。该方法包括：获取待识别图像，待识别图像为原始图像中不存在行人的图像，原始图像为对装修工地进行拍摄得到的图像；将待识别图像输入至预先训练好的整洁度检测模型进行识别，整洁度检测模型为第一轻量化的神经网络模型；获取识别结果，将识别结果的置信度与预设置信度阈值进行比较，以确定检测框的个数；若检测框的个数大于零，则确定待识别图像所呈现的目标区域处于不整洁状态，目标区域处于的不整洁状态为地面卫生差、物品摆放乱、电线安装不合理的状态。因此，本申请实施例可以使装修工地的整洁度检测更加高效，节省人力财力，进而能够提升装修工地的管理效率。

【技术实现步骤摘要】
整洁度检测方法、装置、计算机设备和存储介质
本申请涉及图像处理
，尤其涉及一种装修工地的整洁度检测方法、装置、计算机设备和存储介质。
技术介绍
目前，装修工地上会使用大量的装修材料用以施工。由于工人们的疏忽，装修工地上经常会出现不整洁的状态。比如垃圾随处丢，装修材料摆放不整齐，以及电线安装不合理等。装修工地上整洁的施工环境对于提升企业形象以及降低潜在的安全隐患具有重要的价值，目前的装修行业中大多数的企业都通过人工的方式对现场进行排查。这样，不仅浪费了人力和财力，还会出现排查不仔细的情况，导致反反复复，管理效率会很低。因此对于一个公司来说需要大量的人力和财力才能对所有的装修现场进行管理。
技术实现思路
有鉴于此，本申请提供一种装修工地的整洁度检测方法、装置、计算机设备和存储介质，以解决在排查过程中需要大量的人力和财力的情况，出现排查不仔细，管理效率低的问题。为实现以上目的，本申请采用如下技术方案：第一方面，本申请实施例提供一种装修工地的整洁度检测方法，该方法包括：获取待识别图像，待识别图像为原始图像中不存在行人的图像，原始图像为对装修工地进行拍摄得到的图像；将待识别图像输入至预先训练好的整洁度检测模型进行识别，整洁度检测模型为第一轻量化的神经网络模型；获取识别结果，将识别结果的置信度与预设置信度阈值进行比较，以确定检测框的个数；若检测框的个数大于零，则确定待识别图像所呈现的目标区域处于不整洁状态，不整洁状态为地面卫生差、物品摆放乱、电线安装不合理的状态。第二方面，本申请实施例提供一种装修工地的整洁度检测装置，该装置包括：待识别图像获取模块，用于获取待识别图像，待识别图像为原始图像中不存在行人的图像，原始图像为对装修工地进行拍摄得到的图像；待识别图像识别模块，用于将待识别图像输入至预先训练好的整洁度检测模型进行识别，整洁度检测模型为第一轻量化的神经网络模型；识别结果获取模块，用于获取识别结果，将识别结果的置信度与预设置信度阈值进行比较，以确定检测框的个数；待识别图像确定模块，若检测框的个数大于零，则用于确定待识别图像所呈现的目标区域处于不整洁状态，不整洁状态为地面卫生差、物品摆放乱、电线安装不合理的状态。第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现本申请实施例第一方面的装修工地的整洁度检测方法的步骤。第四方面，本申请实施例提供一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现本申请实施例第一方面的装修工地的整洁度检测方法。本申请一些实施例提供的技术方案带来的有益效果至少包括：获取待识别图像，待识别图像为原始图像中不存在行人的图像，原始图像为对装修工地进行拍摄得到的图像；将待识别图像输入至预先训练好的整洁度检测模型进行识别，整洁度检测模型为第一轻量化的神经网络模型；获取识别结果，将识别结果的置信度与预设置信度阈值进行比较，以确定检测框的个数；若检测框的个数大于零，则确定待识别图像所呈现的目标区域处于不整洁状态，目标区域处于的不整洁状态为地面卫生差、物品摆放乱、电线安装不合理的状态。这样，可以使装修工地的整洁度检测更加高效，节省人力财力，进而能够提升装修工地的管理效率。附图说明为更清楚地说明本申请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申请的一些实施例，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示出可以应用于本申请实施例的一种装修工地的整洁度检测装置的示例性系统架构的示意图；图2示出本申请实施例公开的一种装修工地的整洁度检测方法的流程图；图3示出本申请实施例公开的一种装修工地的整洁度识别的操作示意图；图4示出本申请实施例公开的又一种装修工地的整洁度检测方法的流程图；图5示出本申请实施例公开的一种整洁度模型的训练过程的流程图；图6示出本申请实施例公开的一种装修工地的整洁度检测装置的结构示意图；图7示出本申请实施例公开的一种计算机设备的结构示意图。具体实施方式为使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。首先，对本申请实施例涉及到的一些名词进行解释：轻量化的神经网络模型：轻量化的神经网络模型被广泛应用在图像分类、物体检测等机器视觉任务中。目前工业级和学术界设计轻量化的神经网络模型主要有4个方向：(1)人工设计轻量化神经网络模型；(2)基于神经网络架构搜索的自动化设计神经网络；(3)CNN模型压缩；(4)基于AutoML的自动模型压缩。第一轻量化的神经网络模型和第二轻量化的神经网络模型所使用的技术是相同的，区别在于第一轻量化的神经网络模型应用于检测整洁度，第二轻量化的神经网络模型应用于检测行人。图1示出可以应用于本申请实施例的一种装修工地的整洁度检测装置的示例性系统架构的示意图。如图1所示，系统架构100可以包括终端101、102、103中的一种或多种，网络104和服务器105。网络104用以在终端101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。应该理解，图1中的终端、网络和服务器的数目仅仅是示意性的。根据现实需要，可以具有任意数目的终端、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。用户可以使用终端101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端101、102、103可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、便携式计算机和台式计算机等等。服务器105可以是提供各种服务的服务器本文档来自技高网...

【技术保护点】
1.一种装修工地的整洁度检测方法，其特征在于，所述方法包括：/n获取待识别图像，其中，所述待识别图像为原始图像中不存在行人的图像，所述原始图像为对装修工地进行拍摄得到的图像；/n将所述待识别图像输入至预先训练好的整洁度检测模型进行识别，其中，所述整洁度检测模型为第一轻量化的神经网络模型；/n获取识别结果，将所述识别结果的置信度与预设置信度阈值进行比较，以确定检测框的个数；/n若所述检测框的个数大于零，则确定所述待识别图像所呈现的目标区域处于不整洁状态，其中，所述不整洁状态为地面卫生差、物品摆放乱、电线安装不合理的状态。/n

【技术特征摘要】
1.一种装修工地的整洁度检测方法，其特征在于，所述方法包括：
获取待识别图像，其中，所述待识别图像为原始图像中不存在行人的图像，所述原始图像为对装修工地进行拍摄得到的图像；
将所述待识别图像输入至预先训练好的整洁度检测模型进行识别，其中，所述整洁度检测模型为第一轻量化的神经网络模型；
获取识别结果，将所述识别结果的置信度与预设置信度阈值进行比较，以确定检测框的个数；
若所述检测框的个数大于零，则确定所述待识别图像所呈现的目标区域处于不整洁状态，其中，所述不整洁状态为地面卫生差、物品摆放乱、电线安装不合理的状态。


2.根据权利要求1所述的方法，其特征在于，所述整洁度模型的训练过程包括：
获取训练样本，其中，所述训练样本为拍摄所述装修工地得到的图像，所述图像包括地面卫生差类图像、物品摆放乱类图像、电线安装不合理类图像；
将所述训练样本输入预先构建的第一轻量化的神经网络模型；
当所述第一轻量化的神经网络模型的训练损失值收敛，并在验证集上的正确率保持相对不变时，得到训练好的整洁度检测模型。


3.根据权利要求1所述的方法，其特征在于，所述获取待识别图像之前，包括：
获取原始图像中前景像素占比；
若所述前景像素占比小于预设占比阈值，则进行行人检测，以确定所述原始图像中不存在行人的图像。


4.根据权利要求3所述的方法，其特征在于，所述获取原始图像中前景像素占比，包括：
应用预设背景建模算法对所述原始图像进行背景建模，得到背景模型；
应用所述背景模型统计所述原始图像中的前景像素占比。


5.根据权利要求3所述的方法，其特征在于，所述进行行人检测包括：
将满足前景像素占比小于预设占比阈值条件的原始图像输入至预先训练好的行人检测模型进行识别，其中，所述行人检测模型为第二轻量化的神经网络模型；
获得识别结果，若所述识别结果中的数据...

【专利技术属性】
技术研发人员：张一，邵泉铭，
申请(专利权)人：成都睿云物联科技有限公司，
类型：发明
国别省市：四川;51