本发明专利技术公开了一种基于深度学习的图片检测方法，所述方法应用于智能杆，包括：建立深度学习的目标检测AI模型，构建YOLOv4神经网络训练模型，通过剪枝将所述YOLOv4神经网络训练模型进行压缩和减少参数；利用检测样本对所述YOLOv4神经网络训练模型进行训练；将所述步骤S1中得到的AI模型进行量化，得到符合边端设备需求的轻量模型；利用所述步骤S2得到的所述轻量模型检测出原始视频中存在的移动目标。通过上述方法，将记录有大量算法的模型轻量化应用于智能杆边缘设备，在保实时性的同时还能提高识别的准确率。本发明专利技术还公开了一种基于深度学习的图片检测装置、设备以及存储介质。设备以及存储介质。设备以及存储介质。
【技术实现步骤摘要】
一种基于深度学习的图片检测方法、装置、设备以及存储介质
[0001]本申请涉及图片识别领域，尤其涉及一种基于深度学习的图片检测方法、装置、设备以及存储介质。
技术介绍
[0002]随着物联网、互联网、云计算等新一代信息技术的快速发展，多功能智能杆已经成为建设智慧城市必不可少的设备。并且随着AI技术的快速发展和在各个领域的快速渗透，智能杆领域也引入了AI技术，并且相关的AI应用场景需求不断增长，边端AI场景的实时性和准确性需求不断提升。
[0003]然而，现有的边端AI设备受限于硬件设备条件，准确性和实时性无法兼得。若要保证模型的实时性，则要选择计算量少的轻量模型，然而轻量模型基于模型设计或模型量化等原因，模型的准确性不能得到保证。
技术实现思路
[0004]为了解决上述问题，本专利技术提出了一种基于深度学习的图片检测方法、装置、设备以及存储介质。
[0005]第一方面，本专利技术提供了一种基于深度学习的图片检测方法，包括：S1，建立深度学习的目标检测AI模型；包括：构建YOLOv4神经网络训练模型，通过剪枝将所述YOLOv4神经网络训练模型进行压缩和减少参数；利用检测样本对所述YOLOv4神经网络训练模型进行训练；S2，将所述步骤S1中得到的AI模型进行量化，得到符合边端设备需求的轻量模型；S3，利用所述步骤S2得到的所述轻量模型检测出原始视频中存在的移动目标。
[0006]在一些实施方式中，所述检测样本的确定包括：获取特定数量的智能杆拍摄的视频在不同时间点的特定帧数的图像作为检测样本；对所述检测样本中的难识别图片进行标注；对所述检测样本中的所述难识别图片进行增强。
[0007]在一些实施方式中，所述对检测样本中的难识别图片进行标注，包括对标注过程中被所述移动目标遮挡的其他移动目标也进行标注。
[0008]在一些实施方式中，所述难识别图片包括目标识别因素被遮挡或重叠的图片，所述对难识别图片进行增强，包括：使用随机值替换所述目标识别因素被遮挡的区域；对与其他移动目标重叠而被遮挡的移动目标，将其他图片中的移动目标粘贴到需增强图片中。
[0009]在一些实施方式中，所述通过剪枝将YOLOv4神经网络训练模型进行压缩和减少参数包括：将大目标特征提取层进行裁剪，减小网络深度；将中小目标特征提取层进行裁剪，减小网络宽度。
[0010]在一些实施方式中，述AI模型中包含量化工具，所述步骤S2包括：利用所述量化工具对所述AI模型进行批量量化。
[0011]在一些实施方式中，所述步骤S3包括：从原始视频中获取特定帧数的连续图像作为目标识别对象输入所述量化模型，对每帧图片进行归一化推理并得出对应帧数的检测识
别结果。
[0012]第二方面，本专利技术提供了一种基于深度学习的图片检测装置，包括模型建立模块、模型量化模块、图像检测模块；所述模型建立模块，用于建立深度学习的目标检测AI模型；所述模型量化模块，用于对所述模型建立模块建立的AI模型进行量化处理；所述图像检测模块，用于检测原视频中获取的图片。
[0013]第三方面，本专利技术提供了一种智能杆，所述智能杆安装如第二方面所述的装置，用于实现如第一方面所述的基于深度学习的图片检测方法。
[0014]第四方面，本专利技术提供了一种计算机可读存储介质，所述计算机程序被处理器执行时实现第一方面所述的基于深度学习的图片检测方法。
[0015]对比于现有技术，本专利技术提供的基于深度学习的图片检测方法，针对智能灯杆的应用场景设计深度学习模型，利用AI图像算法进行特定目标检测，在保证检测的正确率的前提下提供更高的识别效率，满足边缘设备AI应用的实时性和准确性需求。
附图说明
[0016]图1为本专利技术一实施例的基于深度学习的图片检测的方法流程示意图；
[0017]图2为本专利技术一实施例的基于深度学习的图片检测的装置模块示意图。
具体实施方式
[0018]下面将结合附图，对本专利技术的特定实施例进行详细描述。显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术的描述，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0019]术语“包括”、“包含”或者其任何其他变体，意在涵盖非排他性的包含，除了包含所列的那些要素，而且还可包含没有明确列出的其他要素。
[0020]有关本专利技术的前述及其他
技术实现思路
、特点及功效,在以下配合参考图式的较佳实施例的详细说明中将可清楚呈现。通过具体实施方式的说明,当可对本专利技术为达成预定目的所采取的技术手段及功效得以更加深入且具体的了解，然而所附图式仅是提供参考与说明之用,并非用来对本专利技术加以限制。
[0021]实施例一，本专利技术提供了一种基于深度学习的图片检测方法，应用于智能杆。下面结合附图对本专利技术提供的基于深度学习的图片检测的方法做详细说明。
[0022]请参考附图1，附图1为本专利技术一实施例的基于深度学习的图片检测的方法流程示意图。
[0023]步骤S1，建立深度学习的目标检测AI模型；构建YOLOv4神经网络训练模型，通过剪枝将所述YOLOv4神经网络训练模型进行压缩和减少参数；利用检测样本对所述YOLOv4神经网络训练模型进行训练。
[0024]所述通过剪枝将所述YOLOv4神经网络训练模型进行压缩和减少参数主要分为以下两个方面进行处理：
①
将大目标特征提取层进行裁剪，减小网络深度；
②
将中小目标特征提取层进行裁剪，减小网络宽度。
[0025]对应用于边缘设备的神经网路进行剪枝的优越性在于：
[0026]①
减少计算量和存储空间：剪枝可以通过减少神经网络中不必要的连接和参数来
降低计算复杂度和存储需求，从而使得神经网络在边缘设备上更加高效。
[0027]②
提高运行速度：剪枝后的神经网络具有更少的计算量，因此在边缘设备上可以更快速地运行，响应时间更短。
[0028]③
降低能耗：剪枝后的神经网络需要更少的计算资源，因此其能源消耗也相应降低，从而增加了边缘设备的续航能力。
[0029]④
适应边缘设备的内存限制：边缘设备通常具有非常有限的内存，剪枝可以帮助神经网络适应这种内存限制，使得神经网络更适合运行于边缘设备上。
[0030]⑤
更好的隐私保护：剪枝可以通过减少神经网络参数和连接的数量来减少模型的复杂性，从而降低模型被攻击的风险，在一定程度上提高了数据隐私保护的能力。
[0031]确定具体的神经网络训练模型之后，将检测样本输入所述模型并对所述模型进行识别训练。
[0032]优选地，随机选择80
‑
120根智能杆上的80
‑
120路摄像头，获取所述80
‑
120路摄像头在不同时间点下拍摄的一帧画面作为检测样本，本实施例的智能杆和摄像头数量优选为100路。
[本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的图片检测方法，应用于智能杆，其特征在于，包括以下步骤：S1，建立深度学习的目标检测AI模型；包括：构建YOLOv4神经网络训练模型，通过剪枝将所述YOLOv4神经网络训练模型进行压缩和减少参数；利用检测样本对所述YOLOv4神经网络训练模型进行训练；S2，将所述AI模型进行量化，得到符合边端设备需求的轻量模型；S3，利用所述轻量模型检测出原始视频中存在的移动目标。2.根据权利要求1所述的图片检测方法，其特征在于，所述检测样本的确定包括以下步骤：获取特定数量的智能杆拍摄的视频在不同时间点的特定帧数的图像作为检测样本；对所述检测样本中的难识别图片进行标注；对所述检测样本中的所述难识别图片进行增强。3.根据权利要求2所述的图片检测方法，其特征在于，所述对检测样本中的难识别图片进行标注，包括：对标注过程中被所述移动目标遮挡的其他移动目标也进行标注。4.根据权利要求2或3所述的图片检测方法，其特征在于，所述难识别图片包括目标识别因素被遮挡或重叠的图片，所述对难识别图片进行增强，包括：使用随机值替换所述目标识别因素被遮挡的区域；对与其他移动目标重叠而被遮挡的移动目标，将其他图片中的移动目标粘贴到需增强图片中。5.根据权...
【专利技术属性】
技术研发人员：傅东生，王连民，李立赛，
申请(专利权)人：深圳奇迹智慧网络有限公司，
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。