一种消防设施计数方法技术

本公开揭示了一种消防设施计数方法

【技术实现步骤摘要】
一种消防设施计数方法、装置、存储介质及电子设备


[0001]本公开属于深度学习
，具体涉及一种消防设施计数方法
、
装置
、
存储介质及电子设备
。

技术介绍

[0002]在大型建筑物或公共场所中，消防设施的布置与数量是十分重要的
。
为了保障人们的生命财产安全，消防设施必须经过严格的检查和核对
。
现有的消防设施计数方法主要包含两种：
[0003]第一种是使用深度学习目标检测来对图像中的消防设施进行标记，然后对这些标记的目标进行求和，得出最后的总数
。
此方法主要存在以下两个方面的问题：
1、
此方法需要在标记阶段对图像中的所有目标进行标记，其标签标记的范围为整个设备，因此需要消耗大量的时间来进行标记工作；
2、
此方法虽然能够在目标稀疏的场景下取得较好的结果，但是在目标比较密集的场所往往检测不到遮挡后的物体，从而导致检测精度降低；
[0004]第二种是使用深度学习密度图回归的方式直接输出图像中目标的密度信息，然后通过对图中的像素点进行求和可以得出图像中的总目标数
。
但是此类方法为了追求准确度，使用了较深的卷积神经网络，因此会导致参数量和运算量的增加，从而使得此方法难以落地应用
。

技术实现思路

[0005]针对现有技术中的不足，本公开的目的在于提供一种消防设施计数方法，该方法能够自动对消防设施进行识别和计数，从而能够极大提高消防设施的计数效率和准确性
。
[0006]为实现上述目的，本公开提供以下技术方案：
[0007]一种基于深度学习的消防设施计数方法，包括如下步骤：
[0008]S100
：采集消防设施输入图像；
[0009]S200
：对输入图像预处理；
[0010]S300
：构建消防设施计数模型并训练；
[0011]所述消防设施计数模型包括轻量化主干网络，轻量化主干网络后依次连接通道注意力机制模块和空间注意力机制模块，其中，通道注意力机制模块用于捕获主干网络输出的特征图中更多上下文信息和高级语义信息，空间注意力机制模块用于编码空间维度上的长距离依赖；
[0012]S400
：将预处理后的输入图像输入训练好的消防设施计数模型中，以实现对输入图像中的消防设施进行计数
。
[0013]优选的，所述对图像预处理包括以下步骤：
[0014]S201
：对输入图像进行归一化处理；
[0015]S202
：对归一化处理后的输入图像进行对比度增强
。
[0016]优选的，所述消防设施计数模型还包括：轻量化多尺度特征融合模块和轻量化细
粒度特征提取模块
。
[0017]优选的，所述消防设施计数模型通过以下步骤进行训练：
[0018]S301
：获取多张包含消防设施的输入图像数据集，对输入图像中的消防设施进行标注，以获得标注后的输入图像数据集，对标注后的输入图像数据集预处理后划分为训练集和验证集；
[0019]S302
：对模型的权重进行初始化，通过训练集对模型进行训练，在训练过程中，将模型输出与训练集中已标注的消防设施数量进行比较，计算均方误差损失函数并进行反向传播以优化网络权重，使得模型的输出结果与标注的标签的差别在预设的阈值范围内，当损失函数收敛，模型训练完成；
[0020]S303
：利用验证集对训练后的模型进行验证，将标注数量与模型预测数量输入损失函数以计算两者之间的差距，并根据损失函数进行反向优化
。
[0021]本公开还提供一种消防设施计数装置，包括：
[0022]采集模块，用于采集消防设施输入图像；
[0023]预处理模块，用于对输入图像预处理；
[0024]训练模块，用于构建消防设施计数模型并训练；
[0025]所述消防设施计数模型包括轻量化主干网络，轻量化主干网络后依次连接通道注意力机制模块和空间注意力机制模块，其中，通道注意力机制模块用于捕获主干网络输出的特征图中更多上下文信息和高级语义信息，空间注意力机制模块用于编码空间维度上的长距离依赖；
[0026]计数模块，用于将预处理后的输入图像输入训练好的消防设施计数模型中，以实现对输入图像中的消防设施进行计数
。
[0027]优选的，所述预处理模块包括：
[0028]归一化子模块，用于对输入图像进行归一化处理；
[0029]增强子模块，用于对归一化处理后的输入图像进行对比度增强
。
[0030]优选的，所述训练模块包括：
[0031]获取子模块，用于获取多张包含消防设施的输入图像数据集；
[0032]标注子模块，用于对输入图像中的消防设施进行标注；
[0033]划分子模块，用于将标注后的输入图像数据集划分为训练集和测试集；
[0034]训练子模块，用于通过训练集对消防设施计数模型进行训练；
[0035]测试子模块，用于通过测试集对训练后的消防设施计数模型进行测试
。
[0036]本公开还提供一种电子设备，包括：
[0037]存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，
[0038]所述处理器执行所述程序时实现任一所述的方法
。
[0039]本公开还提供一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于执行如前任一所述的方法
。
[0040]与现有技术相比，本公开带来的有益效果为：
[0041]1、
自动化和高效性：传统的消防设施数量核对通常需要人工参与，耗时且容易出错
。
本方法通过深度学习技术实现自动识别和计数，使得消防设施的数量可以在短时间内自动完成核对，节省了大量的人力和时间成本
。
[0042]2、
高准确性：深度学习模型能够学习和捕捉到消防设施丰富的特征表示，并通过特征表示确定消防设施的位置信息，相比传统的基于规则或手工特征提取的方法，基于深度学习的方法能够更好地适应复杂的场景和变化的环境，提高计数的准确性
。
[0043]3、
鲁棒性和泛化能力：深度学习模型通过大规模的训练数据和端到端的训练方式，可以学习到丰富的特征表示和模式，从而具有更好的鲁棒性和泛化能力
。
无论是在不同的消防设施场所
、
不同的光照条件或其他变化的环境中，该方法都能够提供稳定和可靠的计数结果
。
[0044]4、
可扩展性：基于深度学习的方法可以通过增加更多的训练数据和调整网络结构来进行扩展和改进
。
随着更多数据的积累和算法的不断改进，该方法可以逐步提升性能并适应更广泛的消防设施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种消防设施计数方法，其特征在于，所述的方法包括如下步骤：
S100
：采集消防设施输入图像；
S200
：对输入图像预处理；
S300
：构建消防设施计数模型并训练；所述消防设施计数模型包括轻量化主干网络，轻量化主干网络后依次连接通道注意力机制模块和空间注意力机制模块，其中，通道注意力机制模块用于捕获主干网络输出的特征图中更多上下文信息和高级语义信息，空间注意力机制模块用于编码空间维度上的长距离依赖；
S400
：将预处理后的输入图像输入训练好的消防设施计数模型中，以实现对输入图像中的消防设施进行计数
。2.
根据权利要求1所述的方法，其特征在于，步骤
S200
中，所述对输入图像预处理包括以下步骤：
S201
：对输入图像进行归一化处理；
S202
：对归一化处理后的输入图像进行对比度增强
。3.
根据权利要求1所述的方法，其特征在于，步骤
S300
中，所述消防设施计数模型还包括：轻量化多尺度特征融合模块和轻量化细粒度特征提取模块
。4.
一种消防设施计数装置，其特征在于，所述的装置包括：采集模块，用于输入包含消防设施的输入图像；预处理模块，用于对输入图像预处理；训练模块，用于构建消防设施计数模型并训...

【专利技术属性】
技术研发人员：宗涛，刘云川，李劲涛，沈志龙，
申请(专利权)人：重庆泓宝科技股份有限公司，
类型：发明
国别省市：