【技术实现步骤摘要】
一种基于迁移学习的物体局部异常发热检测的方法
本专利技术属于目标检测算法
,特别涉及一种基于迁移学习的物体局部异常发热检测的方法。
技术介绍
物体局部异常发热检测是对红外图像中物体局部异常发热区域进行检测的一项技术。物体的局部出现异常发热能够通过红外热成像技术在拍摄的图像上显示出来,而基于人工从众多的红外图像中检测异常发热是一个枯燥且耗时耗力的工程。因此,通过深度学习的方法训练神经网络对红外图像自动检测可以有效地节省人力成本。对物体局部进行异常发热的检测能够应用在多种领域中,例如电力设备的异常发热检测、锅炉的异常发热检测、人体温度检测等,也可以进一步拓展到异常发热区域统计等应用方面,具有一定的社会价值和经济价值。通过目标检测来检测图像中的内容是一种主流的检测方法。传统的目标检测通过提取底层特征和中层特征来展开,但面对存在众多干扰信息的复杂环境,并不能产生令人满意的检测结果。最近,随着深度学习的飞速发展,基于卷积神经网络的目标检测方法取得了巨大的成功,这一技术使得在具有复杂环境的图像下进行目标检测成为可能。一般而 ...
【技术保护点】
1.一种基于迁移学习的物体局部异常发热检测的方法,其特征在于,所述方法包括如下步骤:/n步骤a:制作物体局部红外图像异常发热区域的数据集;/n步骤b:搭建检测器的主干网络;/n步骤c:在公共数据集上预训练步骤b中的主干网络;/n步骤d:迁移步骤c中预训练的主干网络权重至检测器网络;/n步骤e:在步骤a中制作的物体局部红外图像异常发热区域的数据集上迭代训练步骤d中得到的检测器网络;/n步骤f:对于需要检测的物体,拍摄其红外图像并作为步骤e中迭代训练得到的检测器网络的输入,得到检测结果。/n
【技术特征摘要】
1.一种基于迁移学习的物体局部异常发热检测的方法,其特征在于,所述方法包括如下步骤:
步骤a:制作物体局部红外图像异常发热区域的数据集;
步骤b:搭建检测器的主干网络;
步骤c:在公共数据集上预训练步骤b中的主干网络;
步骤d:迁移步骤c中预训练的主干网络权重至检测器网络;
步骤e:在步骤a中制作的物体局部红外图像异常发热区域的数据集上迭代训练步骤d中得到的检测器网络;
步骤f:对于需要检测的物体,拍摄其红外图像并作为步骤e中迭代训练得到的检测器网络的输入,得到检测结果。
2.如权利要求1所述的基于迁移学习的物体局部异常发热检测的方法,其特征在于,步骤a中制作物体局部红外图像异常发热区域的数据集的方法为:收集一类局部异常发热物体的红外图像,并选取其中的N张图像作为训练样本集S,使用矩形框标注所述图像中的异常发热区域,记录其在所述图像上的相对坐标作为训练的预测框真值GT。
3.如权利要求2所述的基于迁移学习的物体局部异常发热检测的方法,其特征在于,N≥10。
4.如权利要求1所述的基于迁移学习的物体局部异常发热检测的方法,其特征在于,步骤b中搭建的主干网络包括为图像分类任务设计的能够提取图像基本特征的网络结构。
5.如权利要求4所述的基于迁移学习的物体局部异常发热检测的方法,其特征在于,步骤b中搭建的主干网络包括Re...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。