一种基于YOLOv4模型的挖掘机图像识别方法技术

一种基于YOLOv4模型的挖掘机图像识别方法，包括：S1：从电子监控设备中提取监控图片；S2：对所述监控图片中的挖掘机进行标注，形成VOC数据集；S3：将步骤S2中通过标注得到的所述数据集分割为训练数据集和测试数据集；S4：将步骤S3中的训练数据集输入到YOLOv4目标检测算法中，进行训练；S5：对所述训练数据集进行50轮迭代训练，获取五个最优模型；S6：对得到的五个最优模型进行性能分析，得到一个最优目标检测模型；S7：将所述目标检测模型用于识别挖掘机图像。本发明专利技术通过机器识别地下电缆处是否存在挖掘机，人工只需对最终结果进行核验，可以大大降低人工工作量，提高监测效率，而且能够有效的监管地下电缆安全。有效的监管地下电缆安全。有效的监管地下电缆安全。

【技术实现步骤摘要】
一种基于YOLOv4模型的挖掘机图像识别方法


[0001]本专利技术属于图像识别
，涉及一种挖掘机图像识别方法，具体涉及一种基于YOLOv4模型的挖掘机图像识别方法。

技术介绍

[0002]随着中国城市化进程加快，智能电网得到推广和普及，在一定程度上提高了人们的生活水平和质量，电缆入地对建设现代化城市具有重要意义，现已成为城市电网建设的首选。但随着地下电缆的普及，随之而来也产生了诸多问题。比如在进行城市道路、高楼的修筑过程中，由于地下电缆铺设档案资料不全，资料查找不便利，物探成本高，自建管线难查主人等问题，施工方很难能够详查电缆铺设线路，一些施工方产生侥幸心理，同时还有部分施工方的不规范施工，这些问题很容易在施工过程中破坏地下线缆，影响城市居民的正常生活。
[0003]图像识别技术是人工智能的一个重要领域。它是指对图像进行对象识别，以识别各种不同模式的目标和对象的技术，是利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。
[0004]在施工过程中，由于挖掘机产量大、效率高的优点，使其成为一种必不可少的工具，同时也是最容易破坏地下电缆的一种工具。因此，利用图像识别技术在地下电缆所在处进行挖掘机图像的识别，成为保护地下电缆的重要因素。

技术实现思路

[0005]本专利技术要克服现有技术的上述缺点，提供一种基于YOLOv4模型的挖掘机图像识别方法。
[0006]本专利技术通过搜集大量挖掘机的图片数据，并基于YOLOv4模型，通过大量图片数据的训练，提取挖掘机的特征，实现了有效识别挖掘机的目的。
[0007]本专利技术提供了一种基于YOLOv4模型的挖掘机图像识别方法，包括以下步骤：
[0008]S1：从电子监控设备中提取监控图片；
[0009]S2：对所述监控图片中的挖掘机进行标注，形成VOC数据集，其中标签文件的主要属性有图片宽度width、图片高度height、图片深度depth,挖掘机所在位置xmin、ymin、xmax、ymax；
[0010]S3：将步骤S2中通过标注得到的所述数据集分割为训练数据集和测试数据集；
[0011]S4：将步骤S3中的训练数据集输入到YOLOv4目标检测算法中，进行训练；
[0012]S5：对所述训练数据集进行50轮迭代训练，获取五个最优模型；
[0013]S6：对得到的五个最优模型进行性能分析，得到一个最优目标检测模型；所述目标检测模型用于从监控图片中检测出挖掘机图像区域；
[0014]S7：将所述目标检测模型用于识别挖掘机图像，如果识别结果为挖掘机图像时，则生成预警信息，通知监管人员；否则，收集识别错误数据，识别结束。
[0015]进一步的，步骤S5中所述获取五个最优模型过程如下：
[0016]S5
‑
1：对每一轮迭代训练，都进行损失函数loss的计算，具体公式如下：
[0017]loss＝lbox+lobj+lcls
ꢀꢀ
(1)，
[0018]其中，lbox为挖掘机真实位置与预测位置之间的loss，lobj为置信度的loss，lcls为预测类与真实类之间的loss；
[0019]并且，此模型仅检测挖掘机一种类别的物体，因此lcls＝0，其余部分具体公式如下：
[0020][0021]其中
[0022][0023][0024][0025]其中，S代表gridsize，S2代表13x13,26x26,52x52个网格；B代表每个网格产生候选框anchor个数；b和表示anchor框和目标框的中心点；ρ表示两个中心点的欧式距离；c代表的是可以同时覆盖anchor框和目标框的最小矩形的对角线距离；代表第i个候选框所在位置；ω,h代表第i个实际框所在位置；
[0026][0027]其中，S代表gridsize，S2代表13x13,26x26,52x52个网格；B代表每个网格产生候选框anchor个数；λ
coord
,λ
noobj
,λ
obj
三者都取值为1；代表如果在i,j处的box有目标，其值为1，否则为0；代表如果在i,j处的box没有目标，其值为1，否则为0；x
i
,y
i
,ω
i
,h
i
代表第i个实际框所在位置；代表第i个候选框所在位置；c
i
代表第i个框实际置信度；代表第i个候选框置信度；
[0028]S5
‑
2：从迭代生成的50个loss值中选取最小的五个，得到五个最优模型；进一步的，步骤S6中所述对得到的五个最优模型进行性能分析过程如下：
[0029]S6
‑
1：获取测试数据集中挖掘机的实际位置；
[0030]S6
‑
2：取其中一模型进行测试数据集中挖掘机的识别，获取挖掘机预测位置；
[0031]S6
‑
3：计算对应IOU值，衡量预测框和真实框的重合程度，结果为0至1之间，具体公式如下：
[0032][0033]其中，S
交
表示预测位置与实际位置之间的重叠区域；S
并
为预测位置和实际位置所占有的总区域；
[0034]S6
‑
4：计算对应精确度Precision和召回率Recall，具体公式如下：
[0035][0036][0037]其中，当IOU>＝0.5被认为是TP，当IOU<＝0.5被认为是FP，Recall所用的TP+FN＝N，一张图片所具有的N个目标，图片中挖掘机真实位置个数；
[0038]S6
‑
5：进行AP值的计算，具体公式如下：
[0039][0040]其中
[0041][0042]其中，为时，Precision对应值；
[0043]S6
‑
6：将五个模型分别进行上述操作，从生成的五个AP值中选取最小的一个，得到一个最优目标检测模型。
[0044]本专利技术的有益效果在于：
[0045]1.本专利技术提供的一种基于YOLOv4模型的挖掘机图像识别方法提供了一种快速识别挖掘机的方法。
[0046]2.本专利技术提供的一种基于YOLOv4模型的挖掘机图像识别方法通过机器识别地下电缆处是否存在挖掘机，人工只需对最终结果进行核验，可以大大降低人工工作量，提高监测效率，而且能够有效的监管地下电缆安全。
[0047]3.本专利技术提供的一种基于YOLOv4模型的挖掘机图像识别方法不需要提取挖掘机的特征存储到数据库中，进行特征比对，实现了端到端的识别挖掘机，降低了对设备的要求，同时也提高了识别效率和能力。
附图说明
[0048]图1是本专利技术的整体流程图。
具体实施方式
[0049]为使本专利技术实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv4模型的挖掘机图像识别方法，包括如下步骤：S1：从电子监控设备中提取监控图片；S2：对所述监控图片中的挖掘机进行标注，形成VOC数据集，其中标签文件的主要属性有图片宽度width、图片高度height、图片深度depth，挖掘机所在位置xmin、ymin、xmax、ymax；S3：将步骤S2中通过标注得到的所述数据集分割为训练数据集和测试数据集；S4：将步骤S3中的训练数据集输入到YOLOv4目标检测算法中，进行训练；S5：对所述训练数据集进行50轮迭代训练，获取五个最优模型；S6：对得到的五个最优模型进行性能分析，得到一个最优目标检测模型；所述目标检测模型用于从监控图片中检测出挖掘机图像区域；S7：将所述目标检测模型用于识别挖掘机图像，如果识别结果为挖掘机图像时，则生成预警信息，通知监管人员；否则，收集识别错误数据，识别结束。2.根据权利要求1所述的一种基于YOLOv4模型的挖掘机图像识别方法，其特征在于：步骤S5中所述获取五个最优模型过程如下：S5
‑
1：对每一轮迭代训练，都进行损失函数loss的计算，具体公式如下：loss＝lbox+lobj+lcls
ꢀꢀ
(1)，其中，lbox为挖掘机真实位置与预测位置之间的loss，lobj为置信度的loss，lcls为预测类与真实类之间的loss；并且，此模型仅检测挖掘机一种类别的物体，因此lcls＝0，其余部分具体公式如下：其中其中其中其中，S代表grid size，S2代表13x13,26x26,52x52个网格；B代表每个网格产生候选框anchor个数；b和表示anchor框和目标框的中心点；ρ表示两个中心点的欧式距离；c代表的是可以同时覆盖anchor框和目标框的最小矩形的对角线距离；代表第i个候选框所在位置；ω,h代表第i个实际框所在位置；其中，S代表grid size，S2代表13x13,26x26,52x52个网格；B代表每个网格产生候选框anchor个数；λ
coord
,λ

【专利技术属性】
技术研发人员：孔祥杰，王辉，夏锋，沈国江，倪琦超，侯明良，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：