基于人工智能的违章检测方法、装置、设备及存储介质制造方法及图纸

本公开提供了一种基于人工智能的违章检测方法、装置、设备及存储介质，涉及人工智能领域，具体涉及图像处理、数字孪生以及虚拟现实技术，可应用在智慧城市、城市治理、公安应急场景下。具体实现方案为：将候选图像输入待训练的违章检测模型，得到所述候选图像的候选检测结果；根据所述候选检测结果，确定所述候选图像是否为难例图像；采用确定的难例图像，对所述违章检测模型进行训练，得到目标违章检测模型。通过上述技术方案，可以提高违章检测模型的检测精度。的检测精度。的检测精度。

【技术实现步骤摘要】
基于人工智能的违章检测方法、装置、设备及存储介质


[0001]本公开涉及人工智能领域，具体涉及图像处理、数字孪生以及虚拟现实技术，可应用在智慧城市、城市治理、公安应急场景下。

技术介绍

[0002]在智慧城市、城市治理、公安应急等复杂场景下，由于不同城市的街道场景不同，对违章行为的定义也不同，导致相同物体在不同场景图像中的标签不同，从而使得目标检测模型输出的不确定性增加，导致模型的泛化能力很差。在标注预算受限的情况下，如果模型的训练数据中简单数据比例较大，则模型很难泛化至复杂场景。因此，亟需一种有效的违章检测模型的训练方法。

技术实现思路

[0003]本公开提供了一种基于人工智能的违章检测方法、装置、设备及存储介质。
[0004]根据本公开的一方面，提供了一种违章检测模型的训练方法，该方法包括：
[0005]将候选图像输入待训练的违章检测模型，得到所述候选图像的候选检测结果；
[0006]根据所述候选检测结果，确定所述候选图像是否为难例图像；
[0007]采用确定的难例图像，对所述违章检测模型进行训练，得到目标违章检测模型。
[0008]根据本公开的另一方面，提供了一种基于人工智能的违章事件检测方法，该方法包括：
[0009]获取待检测图像；
[0010]将所述待检测图像输入至目标违章检测模型，得到目标检测结果；
[0011]其中，所述目标违章检测模型根据本公开任一实施例所述的违章检测模型的训练方法训练得到。
[0012]根据本公开的另一方面，提供了一种违章检测模型的训练装置，该装置包括：
[0013]候选检测结果确定模块，用于将候选图像输入待训练的违章检测模型，得到所述候选图像的候选检测结果；
[0014]难例图像确定模块，用于根据所述候选检测结果，确定所述候选图像是否为难例图像；
[0015]目标检测模型确定模块，用于采用确定的难例图像，对所述违章检测模型进行训练，得到目标违章检测模型。
[0016]根据本公开的另一方面，提供了基于人工智能的违章事件检测装置，包括：
[0017]待检测图像获取模块，用于获取待检测图像；
[0018]目标检测结果确定模块，用于将所述待检测图像输入至目标违章检测模型，得到目标检测结果；
[0019]其中，所述目标违章检测模型根据本公开任一实施例所述的违章检测模型的训练方法训练得到。
和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0039]此外，本公开的技术方案中，所涉及的候选图像等的获取、存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
[0040]图1是根据本公开实施例提供的一种违章检测模型的训练方法的流程图。本公开实施例适用于如何对违章检测模型进行训练的情况，尤其适用于在智慧城市、城市治理、公安应急场景等定制化场景中，如何对违章检测模型进行训练的情况。该方法可以由违章检测模型的训练装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成于承载违章检测模型的训练功能的电子设备中，例如服务器中。如图1所示，本实施例的违章检测模型的训练方法可以包括：
[0041]S101，将候选图像输入待训练的违章检测模型，得到候选图像的候选检测结果。
[0042]本实施例中，候选图像是指可以用于进行违章检测的图像；可选的，可以是从城市摄像头采集的图像。进一步的，候选图像的数量可以是一张或多张。
[0043]违章检测模型是指用于进行违章检测的深度学习模型；可选的，违章检测模型可以包括特征提取网络和目标检测网络；其中，特征提取网络用于提取图像特征；目标检测网络用于基于所提取的图像特征进行目标物体检测。需要说明的是，特征提取网络和目标检测网络可以是卷积神经网络，本公开不作具体限定。
[0044]候选检测结果是指对候选图像中的物体的检测结果；可选的，候选检测结果可以包括物体的类别预测概率和/或预测位置信息。
[0045]具体的，可以将候选图像输入待训练的违章检测模型中，经过模型处理，得到候选图像的候选检测结果。
[0046]S102，根据候选检测结果，确定候选图像是否为难例图像。
[0047]本实施例中，难例图像是指物体识别率较低的图像，例如由于视觉区分度低造成的物体识别率低的图像。
[0048]具体的，可以基于一定的难例确定规则，根据候选检测结果，确定候选图像是否为难例图像。例如，若候选检测结果中的类别预测概率小于设定检测阈值，则确定候选图像为难例图像。又如，若候选检测结果中的类别预测概率小于设定检测阈值，且预测位置信息不符合预设标准，则确定候选图像为难例图像。
[0049]S103，采用确定的难例图像，对违章检测模型进行训练，得到目标违章检测模型。
[0050]本实施例中，目标违章检测模型是指训练好的违章检测模型。
[0051]可选的，可以获取专业人士基于图像标注软件对确定的难例图像的标注结果，即难例图像的监督数据(比如类别标签、物体的候选框位置等)。之后可以对确定的难例图像进行预处理，使其满足违章检测模型的输入要求，例如，可以对确定的难例图像的尺寸信息进行处理，使其满足违章检测模型的图像输入尺寸要求。进而，将处理后的难例图像输入违章检测模型，对违章检测模型进行训练，直到达到迭代停止条件，停止对违章检测模型的训练，将停止训练时对应的违章检测模型，作为目标检测模型。其中，迭代停止条件可以是迭代次数达到设定次数，或者，训练损失达到预设范围。
[0052]进一步的，可以采用目标违章检测模型进行违章检测。
[0053]需要说明的是，在城市定制化违章检测场景中，由于不同城市的定制化需求不同(比如A城市的露天烧烤不违规，B城市违规)，会造成视觉特征相近的物体在不同的城市场景中的标注不同，对于纯基于视觉图片输入的卷积神经网络来说，这种标注冲突会造成模型监督信号的不一致，从而导致模型预测的不确定性增加。与之相对的则是各城市标准一致的场景，则模型的标注和监督信号也是统一的，经过充分训练的模型便能学到相关视觉特征，输出较低的不确定性。因此，可以通过对于模型不确定性的度量，即能较为准确的挖掘出因为城市定制标准或视觉区分度低等原因造成的难例图像。
[0054]本公开实施例提供的技术方案，通过将候选图像输入待训练的违章检测模型，得到候选图像的候选检测结果，之后根据候选检测结果，确定候选图像是否为难例图像，进而采用确定的难例图像，对违章检测模型进行训练，得到目标违章检测模型。上述技术方案，相比于随机或者简单策略筛选图像以进行模型训练，造成大量简单数据组成训练集使得难例图像无法得到充分训练，影响模型检测效果的问题，本公开先基于违章检测模型来筛选难例图像，再基于筛选的难例图像对模型进行训练，可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种违章检测模型的训练方法，包括：将候选图像输入待训练的违章检测模型，得到所述候选图像的候选检测结果；根据所述候选检测结果，确定所述候选图像是否为难例图像；采用确定的难例图像，对所述违章检测模型进行训练，得到目标违章检测模型。2.根据权利要求1所述的方法，其中，所述根据所述候选检测结果，确定所述候选图像是否为难例图像，包括：分别确定候选检测结果中的第一检测结果和第二检测结果；其中，所述第一检测结果通过所述违章检测模型中第一检测网络输出，所述第二检测结果通过所述违章检测模型中第二检测网络输出；所述第一检测网络和所述第二检测网络的网络结构相同；根据所述第一检测结果和/或所述第二检测结果，确定所述候选图像是否为难例图像。3.根据权利要求1所述的方法，其中，所述采用确定的难例图像，对所述违章检测模型进行训练，得到目标违章检测模型，包括：基于预设的难例图像在样本图像中的占比，从确定的难例图像和所述候选图像中选择所述样本图像；采用所述样本图像，对所述违章检测模型进行训练，得到目标违章检测模型。4.根据权利要求3所述的方法，其中，所述采用所述样本图像，对所述违章检测模型进行训练，包括：将所述样本图像输入所述违章检测模型中的特征提取网络，得到样本图像特征；分别将所述样本图像特征输入所述违章检测模型中的第一检测网络和第二检测网络，得到所述样本图像的第三检测结果和第四检测结果；根据所述第三检测结果、所述第四检测结果和所述样本图像的监督数据，确定训练损失；根据所述训练损失，对所述违章检测模型进行训练。5.根据权利要求4所述的方法，其中，所述根据所述第三检测结果、所述第四检测结果和所述样本图像的监督数据，确定训练损失，包括：根据所述第三检测结果和所述样本图像的监督数据，确定第一损失，以及根据所述第四检测结果和所述样本图像的监督数据，确定第二损失；根据所述第一损失和所述第二损失，确定监督损失；根据所述第三检测结果和所述第四检测结果，确定差异损失；根据所述监督损失和所述差异损失，确定训练损失。6.根据权利要求1所述的方法，其中，所述候选图像属于目标场景，待训练的违章检测模型与除所述目标场景之外的其他场景关联，所述目标违章检测模型与所述目标场景关联。7.一种基于人工智能的违章事件检测方法，包括：获取待检测图像；将所述待检测图像输入至目标违章检测模型，得到目标检测结果；其中，所述目标违章检测模型根据权利要求1
‑
6中任一项所述的违章检测模型的训练方法训练得到。8.一种违章检测模型的训练装置，包括：
候选检测结果确定模块，用于将候选图像输入待训练的违章检测模型，得到所述候选图像的候选检测结果；难例图像确定模块，用于根据所述候选检测结果，确定所述候选图像是否为难例图像；目标检测模型确定模块，用于采用确定的难例图像，对所述违章检测模型进行训练，得到目标违章检测模型。9.根据权利要求8所述的装置，其中，所述难例图像确定模块具体用于：分别确定候选检测结果中的第一检测结果和第二检测结果；其中，所述第一检测结果通过所...

【专利技术属性】
技术研发人员：赵一麟，沈智勇，陆勤，龚建，孙珂，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：