基于通用视觉预训练模型的图像质量评价方法及系统技术方案

本发明专利技术属于机器学习和数据质量评价领域，具体涉及了一种基于通用视觉预训练模型的图像质量评价方法及系统，旨在解决现有技术在缺乏大量人工筛查的情况下，视频监控的图像和视频质量评价的效率和精度低的问题。本发明专利技术包括：获取存在设定类别异常的图像样本集，进行异常筛查和标注；通过筛查和标注后的第一训练样本集进行样本收集模型训练；设定训练好的样本收集模型的收集阈值，并在线收集带视频帧图像质量评价标注的第二训练样本集；通过第二训练样本集进行图像质量异常分类模型训练；通过训练好的图像质量异常分类模型在线进行视频帧图像和/或单帧图像的质量异常分类。本发明专利技术人工介入少，视频监控的图像和视频质量评价的效率、准确性和精度高。准确性和精度高。准确性和精度高。

【技术实现步骤摘要】
基于通用视觉预训练模型的图像质量评价方法及系统


[0001]本专利技术属于机器学习和数据质量评价领域，具体涉及了一种 基于通用视觉预训练模型的图像质量评价方法及系统。

技术介绍

[0002]视频监控是安全防范系统的重要组成部分，以其直观、准确、 及时和内容丰富而广泛应用于许多领域，如安防、金融、交通、校园安 全和智能家居。计算机技术、大数据和人工智能的飞速发展为视频监控 的应用提供了更大的展示舞台，同时，在安防监控领域，摄像机数量以 每年20％快速增长，为我们的管理工作提出了更高的要求。
[0003]最早期的图像和视频质量评价通常是通过人员查看正在使 用的摄像头是否出现异常，但是，随着摄像头数量的增多，意味着需要 越来越多的人手保证视频监控系统的正常运行。较早期的视频质量评价 主要使用传统的模式识别方法，识别精度不高，易受外部环境的影响， 需要比较多的人工审核校验工作。近年来，随着大数据、人工智能技术 的突破性进展，视频分析技术迎来了更智能化的发展。视频质量判断技 术利用深度学习算法，对摄像头是否异常做出判断，显示具体的异常种 类，并作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于通用视觉预训练模型的图像质量评价方法，其特征在于，该方法包括：步骤S10，通过模式识别方法获取存在设定类别异常的图像样本集；步骤S20，进行所述图像样本集中每一个图像样本的异常筛查和标注，获得带标签的第一训练样本集；步骤S30，构建基于深度学习的样本收集模型，并基于所述第一训练样本集进行模型的训练，获得训练好的样本收集模型；步骤S40，设定所述训练好的样本收集模型的收集阈值，并在线收集带视频帧图像质量评价标注的第二训练样本集；步骤S50，构建轻量化的基于视频的图像质量异常分类模型，并基于所述第二训练样本集进行模型的训练，获得训练好的图像质量异常分类模型；步骤S60，通过所述训练好的图像质量异常分类模型，在线进行视频帧图像和/或单帧图像的质量异常分类。2.根据权利要求1所述的基于通用视觉预训练模型的图像质量评价方法，其特征在于，步骤S20和步骤S30之间还设置有第一训练样本集增强步骤，其方法为：步骤S20B，对所述第一训练样本集，通过部分区域擦除、左右翻转以及Mixup数据增强方法进行样本扩增，获得第一扩增训练样本集。3.根据权利要求1所述的基于通用视觉预训练模型的图像质量评价方法，其特征在于，步骤S40和步骤S50之间还设置有第二训练样本集增强步骤，其方法为：步骤S40B，对所述第二训练样本集，通过部分区域擦除、左右翻转以及Mixup的方法进行样本扩增，获得第二扩增训练样本集。4.根据权利要求1所述的基于通用视觉预训练模型的图像质量评价方法，其特征在于，步骤S10包括：通过信号丢失判断、模糊遮挡判断、偏色判断、亮度异常判断、丢帧判断、面向天空判断、面向地面判断中的一种或多种方法进行视频帧图像的模式识别，获得存在设定类别异常的图像样本集。5.根据权利要求1所述的基于通用视觉预训练模型的图像质量评价方法，其特征在于，所述基于深度学习的样本收集模型为resnet101模型，RepVGG模型，resnext101模型和EfficientNet模型中的一种或多种。6.根据权利要求5所述的基于通用视觉预训练模型的图像质量评价方法，其特征在于，所述基于深度学习的样本收集模型，其训练方法为：步骤A10，构建所述基于深度学习的样本收集模型的训练过程的第一损失函数；所述第一损失函数为交叉熵损失函数和FocalLoss损失函数，或者EQL Loss损失函数；步骤A20，将所述第一训练样本集中的第一样本序列输入构建的基于深度学习的样本收集模型中，获得第一样本序列对应的预测图像分类结果；步骤A30，通过所述第一...

【专利技术属性】
技术研发人员：权利要求书二页说明书九页附图五页，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：