本发明专利技术涉及人工智能技术领域，公开了一种识别黑花屏图像的方法、装置、计算机设备和存储介质。该方法通过获取监控视频，截取监控样本图像，对所述样本图像进行标记分类，得到训练数据集；搭建DenseNet网络框架，对所述DenseNet网络框架进行优化，在过渡层中添加压缩率，得到优化后的DenseNet网络框架；将所述训练数据集输入到所述优化后的DenseNet网络框架中进行训练，得到黑花屏图像识别模型；选取一张图片，输入到所述黑花屏图像识别模型中进行识别，输出识别结果。上述方法通过通过DenseNet网络模型对监控图像进行分类，实现自动检测黑屏、花屏和正常屏，检测结果为黑屏或者花屏进行告警，通知对应工作人员及时检修，极大了降低了漏检率，同时提高了效率。同时提高了效率。同时提高了效率。
【技术实现步骤摘要】
识别黑花屏图像的方法、装置、设备及存储介质
[0001]本专利技术涉及人工智能
，尤其涉及计算机视觉和深度学习领域的识别黑花屏图像的方法、装置、设备及存储介质。
技术介绍
[0002]随着互联网的发展和监控的普及，摄像头被应用在越来越多的领域。为更好的保障运输时效和快件安全，现有的物流运输也在分拨、网点等办公区域安装了摄像头。但是在实际的监控过程中，可能因为线路故障等原因导致黑花屏现象，造成监控盲区。
[0003]目前常规的做法是通过人工观察来判断黑花屏现象，这种情况存在漏检率高、人工成本大等问题。为了进一步提高效率，节约成本，现在基于深度学习和计算机视觉技术，通过分类网络模型对监控图像进行分类，实现自动检测黑屏、花屏和正常屏，极大了提高了效率。
技术实现思路
[0004]有鉴于此，有必要针对现有人工观察来判断黑花屏现象存在漏检率高、人工成本大的技术问题提供一种识别黑花屏图像的方法、装置、设备及存储介质。
[0005]一种识别黑花屏图像的方法，包括：获取监控视频，截取监控样本图像，对所述样本图像进行标记分类，得到训练数据集；搭建DenseNet网络框架，对所述DenseNet网络框架进行优化，在过渡层中添加压缩率，得到优化后的DenseNet网络框架；将所述训练数据集输入到所述优化后的DenseNet网络框架中进行训练，得到黑花屏图像识别模型；选取一张图片，输入到所述黑花屏图像识别模型中进行识别，输出识别结果。
[0006]在其中一个实施例中，所述获取监控视频，截取监控样本图像，对所述样本图像进行标记分类，得到训练数据集，包括：获取监控视频，所述监控视频包括正常监控视频和历史故障监控视频；截取所述正常监控视频和历史故障监控视频的样本图像，所述样本图像包括正常屏、黑屏和花屏；对所述样本图像进行标记，所述正常屏记为0、所述黑屏记为1、所述花屏记为2；将标记好的所述样本图像分类保存在对应的文件夹中，得到训练数据集。
[0007]在其中一个实施例中，所述搭建DenseNet网络框架，对所述DenseNet网络框架进行优化，在过渡层中添加压缩率，得到优化后的DenseNet网络框架，包括：搭建DenseNet网络框架，定义所述DenseNet网络框架的主干结构，所述主干结构由5个密集连接的稠密块以及4个过渡层交替拼接而成；在所述稠密块模块中加入了1*1卷积，使得将每一个layer输入的feature map都降为到4k的维度；在所述过渡层模块中加入了压缩率θ参数，将θ设置为0.8；得到优化后的DenseNet网络框架。
[0008]在其中一个实施例中，所述将所述训练数据集输入到所述优化后的DenseNet网络框架中进行训练，得到黑花屏图像识别模型，包括：将所述训练数据集按6:4的比例划分为训练集和测试集；将所述训练集输入到所述优化后的DenseNet网络框架中进行训练；将所述测试集输入到训练后的DenseNet网络框架中进行测试，输出黑花屏图像识别模型；
[0009]在其中一个实施例中，所述选取一张图片，输入到所述黑花屏图像识别模型中进行识别，输出识别结果，包括：随机选取一张待识别监控图像，所述待识别监控图像与所述训练数据集无关；载入所述黑花屏图像识别模型，将待识别监控图像输入到所述黑花屏图像识别模型进行识别；输出所述待识别监控图像的分类标签，当输出结果为1或2时，提示所述待识别监控图像为黑花屏。
[0010]在其中一个实施例中，所述将所述训练数据集输入到所述优化后的DenseNet网络框架中进行训练，包括：采用pytorch框架构建所述DenseNet网络框架，并对所述DenseNet网络框架进行训练。
[0011]一种识别黑花屏图像的装置，其特征在于，所述识别黑花屏图像的装置包括：获取模块，用于获取监控视频，截取监控样本图像，对所述样本图像进行标记分类，得到训练数据集；搭建模块，用于搭建DenseNet网络框架，对所述DenseNet网络框架进行优化，在过渡层中添加压缩率，得到优化后的DenseNet网络框架；训练模块，用于将所述训练数据集输入到所述优化后的DenseNet网络框架中进行训练，得到黑花屏图像识别模型；输出模块，用于选取一张图片，输入到所述黑花屏图像识别模型中进行识别，输出识别结果。
[0012]在其中一个实施例中，所述获取模块，包括：获取子模块，用于获取监控视频，所述监控视频包括正常监控视频和历史故障监控视频；截取子模块，用于截取所述正常监控视频和历史故障监控视频的样本图像，所述样本图像包括正常屏、黑屏和花屏；标记子模块，用于对所述样本图像进行标记，所述正常屏记为0、所述黑屏记为1、所述花屏记为2；分类子模块，用于将标记好的所述样本图像分类保存在对应的文件夹中，得到训练数据集。
[0013]一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述识别黑花屏图像的方法的步骤。
[0014]一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述识别黑花屏图像的方法的步骤。
[0015]上述的识别黑花屏图像的方法、装置、设备及存储介质，获取监控视频，截取监控样本图像，对所述样本图像进行标记分类，得到训练数据集；搭建DenseNet网络框架，对所述DenseNet网络框架进行优化，在过渡层中添加压缩率，得到优化后的DenseNet网络框架；将所述训练数据集输入到所述优化后的DenseNet网络框架中进行训练，得到黑花屏图像识别模型；选取一张图片，输入到所述黑花屏图像识别模型中进行识别，输出识别结果。本专利技术采用上述技术方案后，通过DenseNet网络模型对监控图像进行分类，实现自动检测黑屏、花屏和正常屏，检测结果为黑屏或者花屏进行告警，通知对应工作人员及时检修，极大了降低了漏检率，同时提高了效率。
附图说明
[0016]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。
[0017]图1为本专利技术实施例中识别黑花屏图像的方法的一个实施例示意图；
[0018]图2为本专利技术实施例中识别黑花屏图像的方法的一个实施例示意图；
[0019]图3为本专利技术实施例中识别黑花屏图像的方法的一个实施例示意图；
[0020]图4为本专利技术实施例中识别黑花屏图像的装置的一个实施例示意图；
[0021]图5为本专利技术实施例中获取模块的一个实施例示意图。
[0022]图6为本专利技术实施例中计算机设备的一个实施例示意图。
具体实施方式
[0023]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0024]本
技术人员可以理解，除本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种识别黑花屏图像的方法，其特征在于，所述识别黑花屏图像的方法包括：获取监控视频，截取监控样本图像，对所述样本图像进行标记分类，得到训练数据集；搭建DenseNet网络框架，对所述DenseNet网络框架进行优化，在过渡层中添加压缩率，得到优化后的DenseNet网络框架；将所述训练数据集输入到所述优化后的DenseNet网络框架中进行训练，得到黑花屏图像识别模型；选取一张图片，输入到所述黑花屏图像识别模型中进行识别，输出识别结果。2.根据权利要求1所述的识别黑花屏图像的方法，其特征在于，所述获取监控视频，截取监控样本图像，对所述样本图像进行标记分类，得到训练数据集，包括：获取监控视频，所述监控视频包括正常监控视频和历史故障监控视频；截取所述正常监控视频和历史故障监控视频的样本图像，所述样本图像包括正常屏、黑屏和花屏；对所述样本图像进行标记，所述正常屏记为0、所述黑屏记为1、所述花屏记为2；将标记好的所述样本图像分类保存在对应的文件夹中，得到训练数据集。3.根据权利要求1所述的识别黑花屏图像的方法，其特征在于，所述搭建DenseNet网络框架，对所述DenseNet网络框架进行优化，在过渡层中添加压缩率，得到优化后的DenseNet网络框架，包括：搭建DenseNet网络框架，定义所述DenseNet网络框架的主干结构，所述主干结构由5个密集连接的稠密块以及4个过渡层交替拼接而成；在所述稠密块模块中加入了1*1卷积，使得将每一个layer输入的feature map都降为到4k的维度；在所述过渡层模块中加入了压缩率θ参数，将θ设置为0.8；得到优化后的DenseNet网络框架。4.根据权利要求2所述的识别黑花屏图像的方法，其特征在于，所述将所述训练数据集输入到所述优化后的DenseNet网络框架中进行训练，得到黑花屏图像识别模型，包括：将所述训练数据集按6:4的比例划分为训练集和测试集；将所述训练集输入到所述优化后的DenseNet网络框架中进行训练；将所述测试集输入到训练后的DenseNet网络框架中进行测试，输出黑花屏图像识别模型。5.根据权利要求2所述的识别黑花屏图像的方法，其特征在于，所述选取一张图片，...
【专利技术属性】
技术研发人员：徐梦佳，李斯，杨周龙，
申请(专利权)人：上海东普信息科技有限公司，
类型：发明
国别省市：
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。