System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于物体识别,具体而言,涉及一种应用于安全管控的物体识别方法、装置、系统。
技术介绍
1、对于有人员流动,且需要对环境安全要进行严格管控的场所,为了防止出现安全事故,往往需要对来往人员及所携带的物品进行物体识别、登记及销账。特别是对发电站这样的对作业环境要求极高的应用场景中,安全管控是最重要的一环,需要时刻对进出发电站风洞或者其他风洞的人员及随身携带物品需要进行严格登记和销账,同时对人员所随身携带物品需要进行精准的物体识别。传统的图像识别方法需要人工设计特征对行为进行表征,对于检测环境非常敏感,存在阈值选取困难、鲁棒性差、只能对单张工具图像检测等弊端。而采用深度学习模型、u-net语义分割网络模型等识别方法进行物体识别时,其数据采集成本高,并且算力消耗大,提取图像特征的精度及效率不高;这样的物体识别方法在增加检测类别时,需要重新训练整个模型,难以满足现场实时检测和新增检测工具类别的需求。另外,对进出发电站风洞人员及随身携带物品的登记和销账工作目前主要采用人工监管的方式,整个过程耗时耗力,难以达到实时性、全天候的要求,可能会导致一定的安全隐患。
技术实现思路
1、本专利技术的目的在于提供了一种应用于安全管控的物体识别方法,用语义分割模型toolnet对原始图像进行分割,采用基于八度卷积的toolrsu模块将图像特征按频率分解,降低模型的空间冗余和计算成本,提升模型的分割精度,提高了图像特征的提取精度及效率。
2、本专利技术的另一个目的在于提供了应用了上述物体识别
3、本专利技术是这样实现的,一种应用于安全管控的物体识别方法,包括以下步骤:
4、s1,预设特征库:在特征库中预定义目标类别;
5、s2,物体检测:采集图像,检测采集图像中的物体目标,并确定物体目标的位置;
6、s3,物体表征:将s2中检测到的物体目标转换为特征向量;
7、s4,物体匹配:获取s3中的特征向量,并对获取的特征向量所指代的物体目标与特征库中预定义的目标类别进行匹配计算,实现物体的识别。
8、进一步的,在步骤s4中,对提取的所有特征向量进行余弦相似度匹配,通过计算待识别物体目标的特征向量与目标类别的特征向量之间的夹角来评估相似程度,实现物体的识别。
9、进一步的,所述步骤s4包括:
10、s41,获取特征向量;
11、s42,计算余弦相似度:将待识别的物体目标的特征向量与每个目标类别的特征向量计算余弦相似度;得到一组相似度分数;
12、s43,物体目标预测:选择最高的相似度分数所对应的目标类别作为预测结果。
13、进一步的,余弦相似度计算公式:
14、sim(fi,fj)=(fi·fj)/(||fi||*||fj||)
15、其中,特征向量fi表示待识别物体目标的特征向量,fj表示目标类别的特征向量,sim(fi,fj)表示fi与fj的余弦相似度,·表示向量的点积操作,||||表示向量的2范数。
16、进一步的,所述相似度分数表示为:
17、scores=[sim(f1,fi),sim(f2,fi),...,sim(fm,fi)]
18、其中fi表示待识别物体目标的特征向量,sim(fi,fj)表示fi与fj的余弦相似度,scores是一个包含m个相似度分数的向量。
19、进一步的,余弦相似度的取值范围为[-1,1],取值越接近1表示待识别物体目标的特征向量与目标类别的特征向量越相似。余弦相似度的取值余弦相似度越接近1,证明越相似(cosθ->1,θ->0),所以,余弦相似度的取值范围是[-1,1]。
20、进一步的,所述步骤s3采用语义分割模型toolnet对原始图像进行分割,得到分割图;并将分割图输入到特征提取网络中,转换为一个具有丰富表征能力的特征向量。
21、进一步的,所述语义分割模型toolnet包括编码层、解码层和全连接层,每层至少包含一个u形残差块。
22、优选的,所述编码层为六层结构,解码层为五层结构。
23、优选的,采用toolrsu模块提升语义分割模型toolnet的分割精度;所述toolrsu模块中采用八度卷积,抵用局部上下文和全局上下文的特征信息以提高分割效果。
24、进一步的,在八度卷积层中输入特征图x和卷积核w,并将卷积层中的输入特征图x和卷积核w分为高频分量和低频分量,
25、
26、所述低频分量是指经过高斯滤波处理后得到的特征图,高频分量是指未经高斯滤波的原始特征图;其中xl和xh分别表示特征图的低频分量和高频分量,wl和wh分别表示用于低频分量和高频分量的卷积核。
27、进一步的,在八度卷积中提取低频分量和高频分量的特征同时,低频分量和高频分量的特征表示之间进行有效通信。
28、进一步的,低频分量的特征图大小设置为高频分量特征图大小的一半。
29、进一步的,步骤s3包括:
30、s31,将分割图输入到特征提取网络中,经过一个卷积核的卷积,对分割图进行浅层特征提取,得到特征信息a1x;
31、s32,特征信息a1x经过fused-mbconv卷积,进一步的进行特征提取和信息融合,得到特征信息a2x;
32、s33,特征信息a2x经过mbconv卷积再进一步的进行特征提取和信息融合,得到特征信息a3x;
33、s34,特征信息a3x通过全局平均池化,将最终特征图的空间维度降为1x1;
34、s35,通过全连接层将特征信息a3x映射到物体目标类别的概率分布上,得到维度为512的物体特征向量。
35、进一步的,每个fused-mbconv卷积块包含输入特征图的分解、深度可分离卷积、逐点卷积、融合和残差连接五个步骤。
36、进一步的,特征信息从低频更新到高频时,需要对低频分量进行上采样,计算公式为:
37、yh=f(xh;wh→h)+upsampling(f(xl;wl→h),k)
38、其中f(x;w)表示具有卷积核w参数的卷积,upsampling(f(),k)表示上采样,wl→h表示低频更新到高频的过程,k表示步幅,步幅k=2的最近邻插值。
39、进一步的,当特征信息从高频更新到低频时,需使用平均池化对高频分量进行下采样,计算公式为:
40、yl=f(xl;wl→l)+f(pool(xh,k);wh→l)
41、其中pool(x,k)代表实现降采样的平均池化运算,wh→l表示信息从高频更新到低频的过程,k表示步幅;步幅k=2。
42、一种应用于安全管控的物体识别装置,应用了所述物体识别方法,包括:一体化控制操作台,一体化控制操作台集成有检测控制模块,所述检测控制模块内设有特征库和物体信息数本文档来自技高网...
【技术保护点】
1.一种应用于安全管控的物体识别方法,其特征在于,所述方法包括以下步骤:
2.根据权利要求1所述的一种应用于安全管控的物体识别方法,其特征在于,在S4中,对获取的所有特征向量进行余弦相似度计算,通过计算待识别物体目标的特征向量与目标类别的特征向量之间的夹角来评估相似程度,实现物体的识别。
3.根据权利要求1所述的一种应用于安全管控的物体识别方法,其特征在于,所述S4包括:
4.根据权利要求3所述的一种应用于安全管控的物体识别方法,其特征在于,余弦相似度计算公式:
5.根据权利要求3所述的一种应用于安全管控的物体识别方法,其特征在于,
6.根据权利要求4所述的一种一种应用于安全管控的物体识别方法,其特征在于,余弦相似度的取值范围为[-1,1]。
7.根据权利要求1所述的一种应用于安全管控的物体识别方法,其特征在于,所述步骤S3采用语义分割模型ToolNet对原始图像进行分割,得到分割图;并将分割图输入到特征提取网络中,转换为一个具有丰富表征能力的特征向量。
8.根据权利要求7所述的一种应用于安全管控
9.根据权利要求8所述的一种应用于安全管控的物体识别方法,其特征在于,所述编码层为六层结构,解码层为五层结构。
10.根据权利要求8所述的一种应用于安全管控的物体识别方法,其特征在于,采用ToolRSU模块提升语义分割模型ToolNet的分割精度;所述ToolRSU模块中采用八度卷积,抵用局部上下文和全局上下文的特征信息以提高分割效果。
11.根据权利要求10所述的一种应用于安全管控的物体识别方法,其特征在于,在八度卷积层中输入特征图X和卷积核W,并将卷积层中的输入特征图X和卷积核W分为高频分量和低频分量,
12.根据权利要求11所述的一种应用于安全管控的物体识别方法,其特征在于,在八度卷积中提取低频分量和高频分量的特征同时,低频分量和高频分量的特征表示之间进行有效通信。
13.根据权利要求11所述的一种应用于安全管控的物体识别方法,其特征在于,低频分量的特征图大小设置为高频分量特征图大小的一半。
14.根据权利要求7所述的一种应用于安全管控的物体识别方法,其特征在于,
15.根据权利要求14所述的一种应用于安全管控的物体识别方法,其特征在于,每个Fused-MBConv卷积块包含输入特征图的分解、深度可分离卷积、逐点卷积、融合和残差连接五个步骤。
16.根据权利要求11所述的一种应用于安全管控的物体识别方法,其特征在于,特征信息从低频更新到高频时,需要对低频分量进行上采样,计算公式为:
17.根据权利要求11所述的一种应用于安全管控的物体识别方法,其特征在于,
18.一种应用于安全管控的物体识别装置,其特征在于,应用了权利要求1至17任意一项权利要求所述的物体识别方法,包括:一体化控制操作台,一体化控制操作台集成有检测控制模块,所述检测控制模块内设有特征库和物体信息数据库,在特征库中预定义了目标类别的标签集合,用目标类别以表示要识别的不同物体目标。
19.根据权利要求18所述的一种应用于安全管控的物体识别装置,其特征在于,还包括摄像装置、声光告警指示器、金属检测器;摄像装置、声光告警指示器、金属检测器分别与一体化控制操作台电性连接。
20.根据权利要求18所述的一种应用于安全管控的物体识别装置,其特征在于,一体化控制操作台还集成有人员管理模块,人员管理模块中可灵活设置进出管制人员、时间段控制、及黑名单挂失、增加,进行不同场景的黑名单和白名单管理。
21.根据权利要求18所述的一种应用于安全管控的物体识别的装置,其特征在于,一体化控制操作台还集成有警报控制模块,警报控制模块集成有警报数据库,可对警报信息进行编辑、警报声音及类别进行调节。
22.一种应用于安全管控的物体识别系统,其特征在于,应用了权利要求18所述的物体识别装置,所述系统包括:管控设备和后端管理平台,所述管控设备包括前端物体识别装置和后端物体识别装置,所述前端物体识别装置和后端物体识别装置之间通过网络设备无线连接,进行数据共享、匹配;前端物体识别装置和后端物体识别装置分别与后端管理平台通过网络设备进行无线连接。
...【技术特征摘要】
1.一种应用于安全管控的物体识别方法,其特征在于,所述方法包括以下步骤:
2.根据权利要求1所述的一种应用于安全管控的物体识别方法,其特征在于,在s4中,对获取的所有特征向量进行余弦相似度计算,通过计算待识别物体目标的特征向量与目标类别的特征向量之间的夹角来评估相似程度,实现物体的识别。
3.根据权利要求1所述的一种应用于安全管控的物体识别方法,其特征在于,所述s4包括:
4.根据权利要求3所述的一种应用于安全管控的物体识别方法,其特征在于,余弦相似度计算公式:
5.根据权利要求3所述的一种应用于安全管控的物体识别方法,其特征在于,
6.根据权利要求4所述的一种一种应用于安全管控的物体识别方法,其特征在于,余弦相似度的取值范围为[-1,1]。
7.根据权利要求1所述的一种应用于安全管控的物体识别方法,其特征在于,所述步骤s3采用语义分割模型toolnet对原始图像进行分割,得到分割图;并将分割图输入到特征提取网络中,转换为一个具有丰富表征能力的特征向量。
8.根据权利要求7所述的一种应用于安全管控的物体识别方法,其特征在于,所述语义分割模型toolnet包括编码层、解码层和全连接层,每层至少包含一个u形残差块。
9.根据权利要求8所述的一种应用于安全管控的物体识别方法,其特征在于,所述编码层为六层结构,解码层为五层结构。
10.根据权利要求8所述的一种应用于安全管控的物体识别方法,其特征在于,采用toolrsu模块提升语义分割模型toolnet的分割精度;所述toolrsu模块中采用八度卷积,抵用局部上下文和全局上下文的特征信息以提高分割效果。
11.根据权利要求10所述的一种应用于安全管控的物体识别方法,其特征在于,在八度卷积层中输入特征图x和卷积核w,并将卷积层中的输入特征图x和卷积核w分为高频分量和低频分量,
12.根据权利要求11所述的一种应用于安全管控的物体识别方法,其特征在于,在八度卷积中提取低频分量和高频分量的特征同时,低频分量和高频分量的特征表示之间进行有效通信。
13.根据权利要求11所述的一种应用于安全管控...
【专利技术属性】
技术研发人员:方恒,张强,华宏举,陈伟,武法磊,芦伟,贺新,敬光荣,罗立,雷代银,
申请(专利权)人:雅砻江流域水电开发有限公司,
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。