一种安监场景下图像识别模型构建方法及终端技术

本发明专利技术提供一种安监场景下图像识别模型构建方法及终端，构建前层网络模型；构建初始网络模型；在初始网络模型上采用多种类别的数据集训练得到全能网络模型；对全能网络模型进行锁定，并在全能网络模型前面拼接前层网络模型；对拼接后的全能网络模型进行微调，得到最终图像识别模型

【技术实现步骤摘要】
一种安监场景下图像识别模型构建方法及终端


[0001]本专利技术涉及电力作业
，尤其是涉及一种安监场景下图像识别模型构建方法及终端
。

技术介绍

[0002]电力作业过程中的基建违章监控或安防监控十分重要，现有通常是基于常用模型对现场实时拍摄到的安监图像进行处理，以输出识别结果从而实现对电力作业的实时安全监控，例如公布号为
CN111813532A
的中国专利“一种基于多任务机器学习模型的图像管理方法及装置”，其方法公开了输入多任务机器学习模型中的共享特征表达网络，以得到任务输出特征；并将任务输出特征分别输入多个子任务网络，以得到识别结果；进而基于识别结果对图像数据进行处理
。
[0003]即通过多个子任务模型共享特征网络，多个任务实现任务分离和减少模型大小，但是在模型训练过程中，新样本的输入往往需要重新训练共享特征网络，导致整体训练进展缓慢
。

技术实现思路

[0004]本专利技术所要解决的技术问题是：提供一种安监场景下图像识别模型构建方法及终端，减少计算资源的同时提高迁移能力
。
[0005]为了解决上述技术问题，本专利技术采用的技术方案为：
[0006]一种安监场景下图像识别模型构建方法，包括步骤：
[0007]S1、
构建前层网络模型；
[0008]S2、
构建初始网络模型；
[0009]S3、
在所述初始网络模型上采用多种类别的数据集训练得到全能网络模型；
[0010]S4、
对所述全能网络模型进行锁定，并在所述全能网络模型前面拼接所述前层网络模型；
[0011]S5、
对拼接后的所述全能网络模型进行微调，得到最终图像识别模型
。
[0012]为了解决上述技术问题，本专利技术采用的另一个技术方案为：
[0013]一种安监场景下图像识别模型构建终端，包括处理器
、
存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述的一种安监场景下图像识别模型构建方法中的步骤
。
[0014]本专利技术的有益效果在于：本专利技术提供一种安监场景下图像识别模型构建方法及终端，通过先构建前层网络模型并采用多种类别的大量安监数据集训练全能网络模型，然后采用对全能网络模型进行锁定
、
将前层网络模型拼接到全能网络模型前面的方式，由于全能网络模型经过大量数据训练，具备各类特征物体标注能力，因此能够通过前层网络将这些优秀的标注能力迁移到各类安监场景中，适应不同的安防监控
、
电力作业等领域的图像处理需求，具备很强的迁移能力；同时修改方法时也无需重新训练整个模型，只需修改前层
网络模型，大大减少了对特定场景训练数据的需求，并且前层网络模型只需进行微调，就可以直接应用于新的安监场景中，大大减少计算资源
。
附图说明
[0015]图1为本专利技术实施例的一种安监场景下图像识别模型构建方法的流程图；
[0016]图2为本专利技术实施例的一种安监场景下图像识别模型构建终端的结构示意图
。
[0017]标号说明：
[0018]1、
一种安监场景下图像识别模型构建终端；
2、
存储器；
3、
处理器
。
具体实施方式
[0019]为详细说明本专利技术的
技术实现思路

、
所实现目的及效果，以下结合实施方式并配合附图予以说明
。
[0020]请参照图1，一种安监场景下图像识别模型构建方法，包括步骤：
[0021]S1、
构建前层网络模型；
[0022]S2、
构建初始网络模型；
[0023]S3、
在所述初始网络模型上采用多种类别的数据集训练得到全能网络模型；
[0024]S4、
对所述全能网络模型进行锁定，并在所述全能网络模型前面拼接所述前层网络模型；
[0025]S5、
对拼接后的所述全能网络模型进行微调，得到最终图像识别模型
。
[0026]由上述描述可知，本专利技术的有益效果在于：通过先构建前层网络模型并采用多种类别的大量安监数据集训练全能网络模型，然后采用对全能网络模型进行锁定
、
将前层网络模型拼接到全能网络模型前面的方式，由于全能网络模型经过大量数据训练，具备各类特征物体标注能力，因此能够通过前层网络将这些优秀的标注能力迁移到各类安监场景中，适应不同的安防监控
、
电力作业等领域的图像处理需求，具备很强的迁移能力；同时修改方法时也无需重新训练整个模型，只需修改前层网络模型，大大减少了对特定场景训练数据的需求，并且前层网络模型只需进行微调，就可以直接应用于新的安监场景中，大大减少计算资源
。
[0027]进一步地，所述步骤
S1
具体为：
[0028]构建由两个卷积网络层组成的前层网络模型
LowTastNet
，并在两个卷积网络层之间增加一特殊算子层，所述特殊算子层的算子如下公式
(1)
：
[0029]0.3*sign(x)+0.7*relu(x)(1)
；
[0030]其中，
x
为一个实数，
sign(x)
的值为
1、
‑1或0，分别表示
x
的正负性和是否为0，
relu(x)
＝
max(0,x)
，表示激活函数
。
[0031]进一步地，所述步骤
S1
还包括：
[0032]定义所述前层网络模型包括第0～2共三层，其中第0层和第2层为卷积网络层，第1层为特殊算子层；
[0033]定义两个卷积网络层的算子均为
Conv2d。
[0034]由上述描述可知，前层网络模型的两层卷积网络层中间增加一层特殊算子层，以便让前层网络具备过迁移能力和多样性
。
[0035]进一步地，所述步骤
S2
具体为：
[0036]构建由五个单一卷积网络层
、
一个矩阵卷积网络层
、
三个最大化池化层和一个通用检测头组成的初始网络模型
GenpNett。
[0037]进一步地，所述步骤
S2
还包括：
[0038]定义所述初始网络模型包括第0～9共十层，其中五个单一卷积网络层分别位于所述初始网络模型的第
0、2、4、5
和6层，一个矩阵卷积网络层位于所述初始网络模型的第3层，三个最大化池化层分别位于所述初始网络模型的第
1、7
和8层，一个通用检测头位于所述初始网络模型的第9层；
[0039]定义五个单一卷积网络层和一个矩阵卷积网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种安监场景下图像识别模型构建方法，其特征在于，包括步骤：
S1、
构建前层网络模型；
S2、
构建初始网络模型；
S3、
在所述初始网络模型上采用多种类别的数据集训练得到全能网络模型；
S4、
对所述全能网络模型进行锁定，并在所述全能网络模型前面拼接所述前层网络模型；
S5、
对拼接后的所述全能网络模型进行微调，得到最终图像识别模型
。2.
根据权利要求1所述的一种安监场景下图像识别模型构建方法，其特征在于，所述步骤
S1
具体为：构建由两个卷积网络层组成的前层网络模型
LowTastNet
，并在两个卷积网络层之间增加一特殊算子层，所述特殊算子层的算子如下公式
(1)
：
0.3*sign(x)+0.7*relu(x)(1)
；其中，
x
为一个实数，
sign(x)
的值为
1、
‑1或0，分别表示
x
的正负性和是否为0，
relu(x)
＝
max(0,x)
，表示激活函数
。3.
根据权利要求2所述的一种安监场景下图像识别模型构建方法，其特征在于，所述步骤
S1
还包括：定义所述前层网络模型包括第0～2共三层，其中第0层和第2层为卷积网络层，第1层为特殊算子层；定义两个卷积网络层的算子均为
Conv2d。4.
根据权利要求1所述的一种安监场景下图像识别模型构建方法，其特征在于，所述步骤
S2
具体为：构建由五个单一卷积网络层
、
一个矩阵卷积网络层
、
三个最大化池化层和一个通用检测头组成的初始网络模型
GenpNett。5.
根据权利要求4所述的一种安监场景下图像识别模型构建方法，其特征在于，所述步骤
S2
还包括：定义所述初始网络模型包括第0～9共十层，其中五个单一卷积网络层分别位于所述初始网络模型的第
0、2、4、5
和6层，一个矩阵卷积网络层位于所述初始网络模型的第3层，三个最大化池化层分别位于所述初始网络模型的第
1、7
和8层，一个通用检测头位于所述初始网络模型的第9层；定义五...

【专利技术属性】
技术研发人员：黄建业，吴飞，郑州，何德明，钱健，马腾，林晨翔，刘冰倩，谢炜，林爽，姚文旭，廖飞龙，杨彦，
申请(专利权)人：国网福建省电力有限公司电力科学研究院，
类型：发明
国别省市：