一种斧状利器检测方法、系统、装置和存储介质制造方法及图纸

本发明专利技术公开了一种斧状利器检测方法、系统、装置和存储介质，其中方法包括以下步骤：建立利器检测模型；获取图像数据，采用所述利器检测模型对所述图像数据进行利器物体识别检测，并输出检测结果；其中，所述利器检测模型为基于YOLOv3神经网络训练获得的模型，且检测过程中采用的边界框尺寸通过k‑means聚类算法计算获得。本发明专利技术着眼于基于神经网络的计算机视觉对于边防安全领域的辅助作用，具有创新意义；另外，在检测过程中所采取的边界框尺寸通过k‑means聚类算法计算获得，帮助模型产生更贴近斧状利器尺寸的边界框，提高模型的检测准确率，可广泛应用于图像数据处理技术领域。

【技术实现步骤摘要】
一种斧状利器检测方法、系统、装置和存储介质
本专利技术涉及图像数据处理
，尤其涉及一种斧状利器检测方法、系统、装置和存储介质。
技术介绍
根据世界卫生组织，每年有超过15,000人死于暴力犯罪，及时发现潜在的危险对公民安全至关重要。目前预测利器情况的方法，主要是通过检测监控视频中危险物体的存在，但是当前的监控和控制系统仍然需要人工的监督和干预。解决这个问题的最有效方法之一是为监控摄像机配备精确的利器检测系统，减少人工的参与。斧状利器具有明确的形状定义，但在复杂环境下，以不同的角度呈现时形状差异较大，容易被误识别成其它的物体，且由于遮挡、光照、背景复杂等其它问题，给斧状利器的检测带来了较大的困难。
技术实现思路
为了解决上述技术问题之一，本专利技术的目的是提供一种斧状利器检测方法、系统、装置和存储介质。本专利技术所采用的技术方案是：一种斧状利器检测方法，包括以下步骤：建立利器检测模型；获取图像数据，采用所述利器检测模型对所述图像数据进行利器物体识别检测，并输出检测结果；其中，所述利器检测模型为基于YOLOv3神经网络训练获得的模型，且检测过程中采用的边界框尺寸通过k-means聚类算法计算获得。进一步，所述建立利器检测模型，包括：构建图片数据集，对所述图片数据集中所有的图片数据进行标定，获得xml文件；对经过标定的图片数据针对不同的缩放比例、旋转角度和亮度进行数据增强后，从所述图片数据集中获取训练数据集；将所述训练数据集输入YOLOv3神经网络进行训练，并在训练完成后，获得利器检测模型。进一步，所述对所述图片数据集中所有的图片数据进行标定，获得xml文件，包括：对利器物体进行分类，并确定类别名；采用labelImg工具对所述图片数据集中所有的图片数据进行标定，标定出利器物体的类别和位置信息，生成xml文件；其中，所述位置信息包括四个坐标点。进一步，所述对经过标定的图片数据针对不同的缩放比例、旋转角度和亮度进行数据增强，包括：将所述图片数据集中的图片数据进行对比度拉伸，所述xml文件中对应的标定信息不变，将经过对比度拉伸获得的图片数据加入所述图片数据集中；在所述图片数据集的图片数据中加入随机噪声，所述xml文件中对应的标定信息不变，将加入随机噪声处理的图片数据加入所述图片数据集中；将所述图片数据集中的图片数据进行多尺度变化，所述xml文件中对应的标定信息根据尺度变化进行相应的坐标改变，将经过多尺度变化获得的图片数据加入所述图片数据集中。进一步，所述将所述训练数据集输入YOLOv3神经网络进行训练，并在训练完成后，获得利器检测模型，包括：采用深度学习框架Darknet进行训练，将训练数据集输入Darknet-53网络结构进行卷积提取特征；将图片数据划分为多个网格，各所述网格包括多个边界框，所述边界框带有置信度；使用非极大值抑制NMS算法对置信度小于预设阈值的边界框进行边界框抑制，输出最终的边界框和预测类别；对模型进行迭代，并在迭代次数达到预设次数后停止训练，获得利器检测模型；其中，所述置信度定义为：其中，Pr(Object)代表Object类别出现在这个网格的概率，为交并比。进一步，训练过程中采用的损失函数为：其中，σ(tx)、σ(ty)分别是基于先验矩形框中心点左上角格点的横、纵坐标偏移量，分别是基于后验矩形框中心点左上角格点的横、纵坐标偏移量，σ是激活函数，tw、th分别是先验框的宽和高，分别是后验框的宽和高，C、分别是先验和后验的类别，pi(c)、分别是对于类别c的先验、后验概率。进一步，所述采用所述利器检测模型对所述图像数据进行利器物体识别检测，包括：将输入的图像数据进行尺寸调整后，划分为多个网格，各所述网格预测出多个边界框，所述边界框带有类别概率和置信度；对预测获得的所述边界框进行阈值筛选，将所述置信度低于设定阈值的边界框筛除；将图像数据中剩余的边界框进行坐标变换，获取最终的利器物体坐标信息；采用opencv图像算法库将对应的坐标信息在所述图像数据中绘制出来，以及标注置信度。本专利技术所采用的另一技术方案是：一种斧状利器检测系统，包括：模型建立模块，用于建立利器检测模型；图像检测模块，用于获取图像数据，采用所述利器检测模型对所述图像数据进行利器物体识别检测，并输出检测结果；其中，所述利器检测模型为基于YOLOv3神经网络训练获得的模型，且检测过程中采用的边界框尺寸通过k-means聚类算法计算获得。本专利技术所采用的另一技术方案是：一种斧状利器检测装置，包括：至少一个处理器；至少一个存储器，用于存储至少一个程序；当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。本专利技术所采用的另一技术方案是：一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行如上所述方法。本专利技术的有益效果是：本专利技术着眼于基于神经网络的计算机视觉对于边防安全领域的辅助作用，具有创新意义；另外，在检测过程中所采取的边界框尺寸通过k-means聚类算法计算获得，帮助模型产生更贴近斧状利器尺寸的边界框，提高模型的检测准确率；对于边防环境下的斧状利器检测具有一定的效果，有利于边防人员及时处理险情。附图说明图1是本专利技术实施例中一种斧状利器检测方法的步骤流程图；图2是本专利技术实施例中一种斧状利器检测系统的结构框图。具体实施方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。在本专利技术的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。在本专利技术的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。本专利技术的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属
技术人员可以结合技术方案的具体内容合理确定上述词语在本专利技术中的具体含义。如图1所示，本实施例提供了一种斧状利器检测方法，该方法能够抗复杂场景干扰，包括但不限于以下步骤：S1、从类本文档来自技高网...

【技术保护点】
1.一种斧状利器检测方法，其特征在于，包括以下步骤：/n建立利器检测模型；/n获取图像数据，采用所述利器检测模型对所述图像数据进行利器物体识别检测，并输出检测结果；/n其中，所述利器检测模型为基于YOLOv3神经网络训练获得的模型，且检测过程中采用的边界框尺寸通过k-means聚类算法计算获得。/n

【技术特征摘要】
1.一种斧状利器检测方法，其特征在于，包括以下步骤：
建立利器检测模型；
获取图像数据，采用所述利器检测模型对所述图像数据进行利器物体识别检测，并输出检测结果；
其中，所述利器检测模型为基于YOLOv3神经网络训练获得的模型，且检测过程中采用的边界框尺寸通过k-means聚类算法计算获得。


2.根据权利要求1所述的一种斧状利器检测方法，其特征在于，所述建立利器检测模型，包括：
构建图片数据集，对所述图片数据集中所有的图片数据进行标定，获得xml文件；
对经过标定的图片数据针对不同的缩放比例、旋转角度和亮度进行数据增强后，从所述图片数据集中获取训练数据集；
将所述训练数据集输入YOLOv3神经网络进行训练，并在训练完成后，获得利器检测模型。


3.根据权利要求2所述的一种斧状利器检测方法，其特征在于，所述对所述图片数据集中所有的图片数据进行标定，获得xml文件，包括：
对利器物体进行分类，并确定类别名；
采用labelImg工具对所述图片数据集中所有的图片数据进行标定，标定出利器物体的类别和位置信息，生成xml文件；
其中，所述位置信息包括四个坐标点。


4.根据权利要求2所述的一种斧状利器检测方法，其特征在于，所述对经过标定的图片数据针对不同的缩放比例、旋转角度和亮度进行数据增强，包括：
将所述图片数据集中的图片数据进行对比度拉伸，所述xml文件中对应的标定信息不变，将经过对比度拉伸获得的图片数据加入所述图片数据集中；
在所述图片数据集的图片数据中加入随机噪声，所述xml文件中对应的标定信息不变，将加入随机噪声处理的图片数据加入所述图片数据集中；
将所述图片数据集中的图片数据进行多尺度变化，所述xml文件中对应的标定信息根据尺度变化进行相应的坐标改变，将经过多尺度变化获得的图片数据加入所述图片数据集中。


5.根据权利要求2所述的一种斧状利器检测方法，其特征在于，所述将所述训练数据集输入YOLOv3神经网络进行训练，并在训练完成后，获得利器检测模型，包括：
将训练数据集输入Darknet-53网络结构进行卷积提取特征；
将图片数据划分为多个网格，各所述网格包括多个边界框，所述边界框带有置信度；
使用非极大值抑制NMS...

【专利技术属性】
技术研发人员：黄翰，孙梦托，冯夫健，徐杨，百晓，董志诚，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44