一种基于自监督特征小样本学习的目标施工现场车辆检测方法技术

本申请涉及施工现场管理领域，尤其涉及一种基于自监督特征小样本学习的目标施工现场车辆检测方法，包括：获取未标记初始图片，对未标记初始图片进行旋转操作，得到未标记旋转图片；确认任务操作项，对未标记旋转图片进行迭代循环拼接操作，得到标记拼接图片；对标记拼接图片进行反向旋转操作，得到标记反向图片，对标记反向图片进行修改，得到标记修改图片；获取标记初始图片，通过标记修改图片和标记初始图片训练Yolo v4模型，得到车辆检测模型；获取时刻图片并且输入至车辆检测模型，得到检测结果。本申请通过设置自监督学习策略，能够有效地针对小样本进行样本扩充，有效地解决现有的施工现场车辆检测模型中存在的依赖大样本的问题。的问题。的问题。

【技术实现步骤摘要】
一种基于自监督特征小样本学习的目标施工现场车辆检测方法


[0001]本申请涉及施工现场管理领域，尤其涉及一种基于自监督特征小样本学习的目标施工现场车辆检测方法。

技术介绍

[0002]车辆检测是计算机视觉技术的应用之一，目前针对施工车辆检测方法研究大致可分为两类：一类是传统图像处理机器学习方法，另一类是基于深度学习的方法。传统方法中多是利用车速、车辆颜色、数目等信息进行检测。例如：基于视觉的虚拟检测线法，该方法满足了大型工地现场对车辆监管的需求。基于传感器的车辆检测方法，操作简单不需要复杂的程序但环境适应能力较差。HOG特征与支持向量机(SVM)结合为施工车辆识别提供了新思路：首先根据提取到的图像进行预处理，再依据施工车辆的形状、颜色等特点进行目标区域提取，这种方法有效的缩小了目标检测范围。在深度学习算法中，改进R
‑
CNN等卷网网络并应用到检测入侵工程车辆的智能监控中，但出现安装困难、遮挡严重、大面积检查效率低下等问题。刘源等人提出了FCOS算法，将深度学习特征和边缘特征联合，此方法有较好的跟踪效果但在车辆分类方面不精细。
[0003]目前比较流行的深度学习算法是在Yolo算法上进行改进，Yolo(You only look once)是由Joseph Redmon等人在2015年提出的一种基于CNN(Convolutional Neural Network，卷积神经网络)的实时目标检测系统，在医疗、工业、生产等方面有着广泛应用。
[0004]近年来为提高卷积网络检测效果，研究人员们不断进行改进残差网络结构，加深网络层数等操作。例如改进Yolo v3检测算法利用上下文特征进行融合并进行多尺度训练，此方法很大程度上提高了检测精度。
[0005]Gomez、Patel等人提出了一种利用自由获取的多模态内容训练计算机视觉算法的方法。通过视觉特征自监督学习的想法，来挖掘大规模的多模态(文本和图像)文档语料库，利用隐藏的语义结构中发现的文本语料库与一个的主题建模技术(TextTopicNet)来做多模态。Mehdi和Ananth等人通过知识转移来促进自监督学习，提出减少未标记的数据集上的伪标签转移知识。
[0006]在生活中由于实际条件的限制，施工车辆公开数据集往往都是小样本，在深度学习基础上有监督训练的精度不够高，原因是数据集采集样本类型、数目较少，特征提取过程无法得到有效的训练。
[0007]而有监督训练会受到其他因素的影响出现人工标注标签缺失、错误等情况，标注过程也十分困难。由于施工环境的复杂性，利用深度学习算法依然存在小目标检测精度差的问题。主要因为图片在经过多次卷积训练的情况下像素会发生改变，图片像素随着卷积精度的提高会出现系数现象，进而影响检测过程。

技术实现思路

[0008]本申请提供了一种基于自监督特征小样本学习的目标施工现场车辆检测方法，能够解决现有的施工现场车辆检测方法因样本量小而存在的检测精度差的问题。
[0009]本申请的技术方案是一种基于自监督特征小样本学习的目标施工现场车辆检测方法，所述方法包括：
[0010]S1：获取关于目标施工现场的未标记初始图片集，以及基于预设旋转角度对未标记初始图片集依次进行切割操作和旋转操作，相应地得到未标记切割图片集和未标记旋转图片集；
[0011]S2：确认关于自监督学习策略的任务操作项，基于任务操作项对未标记旋转图片集进行迭代循环拼接操作，得到标记拼接图片集；
[0012]S3：基于自对抗训练策略，对标记拼接图片集进行反向旋转操作，得到标记反向图片集，以及基于未标记切割图片集对标记反向图片集进行修改，得到标记修改图片集；
[0013]S4：获取关于目标施工现场的标记初始图片集，通过标记修改图片集和标记初始图片集训练Yolo v4模型，得到基于目标施工现场的车辆检测模型；
[0014]S5：获取关于目标施工现场车辆的时刻图片集，以及输入时刻图片集至车辆检测模型，得到相应于时刻图片集的检测结果。
[0015]可选地，所述步骤S1包括：
[0016]S11：获取关于目标施工现场的现场视频，基于现场视频获取若干张现场图片；
[0017]S12：根据预设切割比例将若干张现场图片分组成未标记现场图片集、自监督检测图片集和模型检测图片集；
[0018]S13：获取非目标施工现场来源的车辆图片，组合所述未标记现场图片集和车辆图片为未标记初始图片集，以及基于预设图片尺寸对未标记初始图片集进行切割操作，得到若干张未标记切割图片和相应的未标记切割图片集；
[0019]S14：对未标记切割图片进行任意角度的旋转操作，得到未标记旋转图片和相应的以旋转角度的大小为分类标准的未标记旋转图片集；
[0020]以及，所述步骤S2包括：
[0021]S21：确认关于自监督学习策略的任务操作项，所述任务操作项包括：重叠拼接和增加噪声；
[0022]S22：基于任务操作项对自监督检测图片集和未标记旋转图片集进行迭代循环拼接操作，得到标记拼接图片和相应的标记拼接图片集。
[0023]可选地，所述步骤S3包括：
[0024]S31：分别以90
°
、180
°
和270
°
为旋转角度，对未标记切割图片进行旋转操作，得到未标记对照图片和相应的未标记对照图片集；
[0025]S32：确定标记拼接图片集相较于未标记初始图片集的像素损失，以及对未标记旋转图片集中的未标记旋转图片进行相应的反向旋转操作，得到标记反向图片和相应的标记反向图片集；
[0026]S33：基于未标记对照图片集的参照，在未标记切割图片集中确定与标记反向图片相对应的未标记切割图片，以及根据未标记切割图片的像素信息对相应的标记反向图片的像素信息进行修改，得到标记修改图片和相应的标记修改图片集。
[0027]可选地，所述步骤S4包括：
[0028]S41：获取关于目标施工现场的标记初始图片集，通过标记修改图片集和标记初始图片集训练Yolo v4模型，得到基于目标施工现场的车辆检测模型；
[0029]S42：输入模型检测图片集至车辆检测模型，得到测试检测结果；
[0030]S43：根据预设阈值对测试检测结果进行判断，得出判断结果，如果判断结果不符合预期标准，重复步骤S14，以及步骤S2～S4。
[0031]有益效果：
[0032]本申请通过设置自监督学习策略，能够有效地针对小样本进行样本扩充，得到具有丰富标记内容的标记拼接图片集，有效地解决现有的施工现场车辆检测模型中存在的依赖大样本的问题，而且由于小样本基于实际的施工现场产生，所以训练得到的模型更具有针对性；
[0033]其次，本申请还设置有自对抗训练策略，用于对标记拼接图片集进行像素校正，保证了模型训练的准确性。
[0034]综上可知，能够解决现有的施工现场车辆检测方法因样本量小而存在的检测精度差的问题，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自监督特征小样本学习的目标施工现场车辆检测方法，其特征在于，所述方法包括：S1：获取关于目标施工现场的未标记初始图片集，以及基于预设旋转角度对未标记初始图片集依次进行切割操作和旋转操作，相应地得到未标记切割图片集和未标记旋转图片集；S2：确认关于自监督学习策略的任务操作项，基于任务操作项对未标记旋转图片集进行迭代循环拼接操作，得到标记拼接图片集；S3：基于自对抗训练策略，对标记拼接图片集进行反向旋转操作，得到标记反向图片集，以及基于未标记切割图片集对标记反向图片集进行修改，得到标记修改图片集；S4：获取关于目标施工现场的标记初始图片集，通过标记修改图片集和标记初始图片集训练Yolo v4模型，得到基于目标施工现场的车辆检测模型；S5：获取关于目标施工现场车辆的时刻图片集，以及输入时刻图片集至车辆检测模型，得到相应于时刻图片集的检测结果。2.根据权利要求所述的一种基于自监督特征小样本学习的目标施工现场车辆检测方法，所述步骤S1包括：S11：获取关于目标施工现场的现场视频，基于现场视频获取若干张现场图片；S12：根据预设切割比例将若干张现场图片分组成未标记现场图片集、自监督检测图片集和模型检测图片集；S13：获取非目标施工现场来源的车辆图片，组合所述未标记现场图片集和车辆图片为未标记初始图片集，以及基于预设图片尺寸对未标记初始图片集进行切割操作，得到若干张未标记切割图片和相应的未标记切割图片集；S14：对未标记切割图片进行任意角度的旋转操作，得到未标记旋转图片和相应的以旋转角度的大小为分类标准的未标记旋转图片集；以及，所...

【专利技术属性】
技术研发人员：张颖，侯旭阳，沈冠群，
申请(专利权)人：沈阳建筑大学，
类型：发明
国别省市：