校园危险行为检测方法技术

本发明专利技术公开了校园危险行为检测方法

【技术实现步骤摘要】
校园危险行为检测方法、系统、设备及存储介质


[0001]本专利技术涉及校园危险行为检测
，特别是涉及校园危险行为检测方法
、
系统
、
设备及存储介质
。

技术介绍

[0002]本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术
。
[0003]随着深度学习的发展和在教育领域的普及，结合计算机视觉技术对视频的画面进行分析和处理已经是必然趋势，目标检测和行为识别在工业
、
安全
、
医疗和教育领域的应用也逐渐广泛和深入
。
校园危险行为是指在校园中出现的如打架，楼梯间奔跑等行为和动作，校园内的安全问题错综复杂，人为干预难度大耗时费力且容易有疏漏
。
校园安全防范目前主要依赖校方组织教育学习
。
监控设备目前在安全防护方面往往充当事后分析的角色
。

技术实现思路

[0004]为了解决现有技术的不足，本专利技术提供了校园危险行为检测方法
、
系统
、
设备及存储介质；本专利技术的检测行为包括：打架
、
奔跑和抽烟三个危险行为
。
[0005]一方面，提供了校园危险行为检测方法；
[0006]校园危险行为检测方法，包括：
[0007]获取待检测的图像；
[0008]将待检测的图像，输入到训练后的校园危险行为检测模型中，输出校园危险行为检测结果；
[0009]其中，训练后的校园危险行为检测模型采用改进的
yolov7
来实现，改进的
yolov7
是将原始
yolov7
的
head
模块的
cat
单元，替换为注意力机制单元
CM
；训练后的校园危险行为检测模型，训练过程中所采用的损失函数为
DRIoU。
[0010]另一方面，提供了校园危险行为检测系统；
[0011]校园危险行为检测系统，包括：
[0012]获取模块，其被配置为：获取待检测的图像；
[0013]行为检测模块，其被配置为：将待检测的图像，输入到训练后的校园危险行为检测模型中，输出校园危险行为检测结果；
[0014]其中，训练后的校园危险行为检测模型采用改进的
yolov7
来实现，改进的
yolov7
是将原始
yolov7
的
head
模块的
cat
单元，替换为注意力机制单元
CM
；训练后的校园危险行为检测模型，训练过程中所采用的损失函数为
DRIoU。
[0015]再一方面，还提供了一种电子设备，包括：
[0016]存储器，用于非暂时性存储计算机可读指令；以及
[0017]处理器，用于运行所述计算机可读指令，
[0018]其中，所述计算机可读指令被所述处理器运行时，执行上述第一方面所述的方法
。
[0019]再一方面，还提供了一种存储介质，非暂时性地存储计算机可读指令，其中，当非
暂时性计算机可读指令由计算机执行时，执行第一方面所述方法的指令
。
[0020]再一方面，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现上述第一方面所述的方法
。
[0021]上述技术方案中的一个技术方案具有如下优点或有益效果：
[0022]在校园场景下精确的捕获和识别校园危险行为和动作，在面对不同尺度的目标时能确保检测精度，在实时检测的前提下优化了对遮挡目标和密集目标的检测精度
。
相较于人工监控的方法检测效率更高，发现也更及时
。
附图说明
[0023]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定
。
[0024]图1为本专利技术实施例一的
yolo
校园危险行为系统的基本框架；
[0025]图2为本专利技术实施例一的系统程序流程框图；
[0026]图
3(a)
～图
3(g)
为本专利技术实施例一的改进的
YOLOV7
的网络结构图；
[0027]图4为本专利技术实施例一的
CM
模块结构图；
[0028]图5为本专利技术实施例一的最佳比例的
map
结果；
[0029]图6为本专利技术实施例一的最佳比例的
precision
结果；
[0030]图7为本专利技术实施例一的最佳比例的
recall
结果；
[0031]图8为现有技术的
YOLOV7
的网络结构图
。
具体实施方式
[0032]应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明
。
除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义
。
[0033]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式
。
如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”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
。
[0034]实施例一
[0035]本实施例提供了校园危险行为检测方法；
[0036]如图1所示，校园危险行为检测方法，包括：
[0037]S101
：获取待检测的图像；
[0038]S102
：将待检测的图像，输入到训练后的校园危险行为检测模型中，输出校园危险行为检测结果；
[0039]其中，训练后的校园危险行为检测模型采用改进的
yolov7
来实现，改进的
yolov7
是将原始
yolov7
的
head
模块的
cat
单元，替换为注意力机制单元
CM
；训练后的校园危险行为检测模型，训练过程中所采用的损失函数为
DRIoU。
[0040]进一步地，所述训练后的校园危险行为检测模型，训练过程包括：
[0041]构建数据集，对数据集进行增强处理，将数据集按照比例划分为训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
校园危险行为检测方法，其特征是，包括：获取待检测的图像；将待检测的图像，输入到训练后的校园危险行为检测模型中，输出校园危险行为检测结果；其中，训练后的校园危险行为检测模型采用改进的
yolov7
来实现，改进的
yolov7
是将原始
yolov7
的
head
模块的
cat
单元，替换为注意力机制单元
CM
；训练后的校园危险行为检测模型，训练过程中所采用的损失函数为
DRIoU。2.
如权利要求1所述的校园危险行为检测方法，其特征是，所述训练后的校园危险行为检测模型，训练过程包括：构建数据集，对数据集进行增强处理，将数据集按照比例划分为训练集
、
验证集和测试集；所述数据集为已知校园危险行为标签的校园内部监控图像；所述标签包括：吸烟
、
打架
、
教室内奔跑；将训练集输入到校园危险行为检测模型中，对模型进行训练，当模型的损失函数
DRIoU
不再下降时，停止训练，得到初步训练后的模型；采用验证集对初步训练后的模型进行验证；采用测试集对初步训练后的模型进行测试；当测试指标均达到设定阈值时，停止训练，得到训练后的校园危险行为检测模型
。3.
如权利要求2所述的校园危险行为检测方法，其特征是，所述对数据集进行增强处理，包括：对图像进行翻转
、
对比度调整
、
添加高斯噪声
、
调整曝光程度
、
对颜色空间进行增强模拟不同光照水平
。4.
如权利要求2所述的校园危险行为检测方法，其特征是，所述测试指标，包括：检测效率
、
准确率
、
召回率
、
精确度；检测效率：
IOU
表示目标检测框的交并比；准确率：召回率：精确度：召回率
F
‑1计算：其中，
b
表示预测框，
b
gt
目标的中心点，
ρ2表示计算真实框的中心点和预测框的中心点
的欧氏距离，
c
表示包含真实框和预测框的并集区域对角线的距离
,w1、w2、h1、h2
分别代表预测框和真实框的宽度和高度，
TP
代表真正例，模型判断和实际均为正确；
TN
代表真反例，被模型预测为负类的负样本；
FP
代表假正例，被模型预测为正的负样本；
FN
代表假反例，被模型预测为负的正样本
。5.
如权利要求2所述的校园危险行为检测方法，其特征是，所述损失函数
DRIoU
，具体表达为：达为：达为：达为：其中，
b
表示预测框，
b
gt
表示目标的中心点，
ρ2表示计算真实框的中心点和预测框的中心点的欧氏距离，
c
表示包含真实框和预测框的并集区域对角线的距离，
w1代表预测框的宽度，
w2代表真实框的宽度，
h1代表预测框的高度，
h2代表真实框的高度，
l1和
l2代表两向量的长度，
arctan(x)
的函数值并不会随着
x
值的不断增大而快速上升
。6.
如权利要求1所述的校园危险行为检测方法，其特征是，所述改进的
yolov7
，包括：依次连接的第一
CBS
模块
、
第二
CBS
模块
、
第三
CBS
模块
、
第四
CBS
模块
、
第一
ELAN
模块
、
第一
MP
‑1模块
、
第二
ELAN
模块
、
第二
MP
‑1模块
、
第三
EALN
模块
、
第三
MP
‑1模块
、
第四
ELAN
模块
、SPPCSPC
模块
、
第五
CBS
模块
、
第一上采样模块
、
第一注意力机制模块
CM、
第一
ELAN
‑
W
模块
、
第六
CBS
模块
、
第二上采样模块
、
第二注意力机制模...

【专利技术属性】
技术研发人员：刘祥志，邱文科，吴晓明，尹训嘉，裴加彬，
申请(专利权)人：齐鲁工业大学山东省科学院山东山科智能科技有限公司，
类型：发明
国别省市：