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】
本专利技术涉及危险区域闯入状态监测,具体为一种结合深度学习的轻量化树莓派部署危险区域闯入状态检测算法。
技术介绍
1、危险区域闯入监测预警系统通过ai视频分析技术,危险区域闯入监测预警系统对施工工地现场作业危险区域的人员违规靠近闯入自动监测预警,当危险区域闯入监测预警系统监测到有人靠近时,不需人为干预立即抓拍触发告警提示后台人员及时处理避免发生更大的意外。
2、然而,危险区域闯入监控是一项耗费时间和具有挑战性的任务,需要大量的人工投入和专业技能。传统的方法主要依赖于人力的目视检查,这种方法主要依靠大量富有经验的劳务工作者,判断标准相对来说比较主观,速度慢,成本高,时效性差。容易出现误差,具备一定的局限性。
3、综上所述,本专利技术通过设计一种结合深度学习的轻量化树莓派部署危险区域闯入状态检测算法来解决存在的问题。
技术实现思路
1、本专利技术的目的在于提供一种结合深度学习的轻量化树莓派部署危险区域闯入状态检测算法,以解决上述
技术介绍
中提出的问题。
2、为实现上述目的,本专利技术提供如下技术方案:
3、一种结合深度学习的轻量化树莓派部署危险区域闯入状态检测算法,其步骤具体如下:
4、步骤1,目标检测:采用一阶段目标检测算法如yolo,ssd,retinanet,并利用coco数据集预训练模型,可以得到人体形状算法检测器,用该检测器可以检测出图片中人体形的位置坐标及宽高;
5、步骤2,se网络添加:在检测算法的ba
6、步骤3,ghost模块引入优化:实用ghost模块来替换卷积层,从而达到减少模型参数的目的,使得算法在边缘端侧上也有较好的检测效果,其中ghost模块前向传播过程可以分为三个部分:
7、第一部分中,通过普通的卷积过滤器生成了一些内在特征图;第二部分中,通过对每个内在特征进行一系列的廉价操作来生成幽灵特征图,最后,将第一部分中获得的固有特征图和第二部分中的幽灵特征图拼接起来,作为最终输出。
8、作为本专利技术优选的方案,所述步骤1中目标检测的具体步骤如下:
9、基于yolov5模型,将输入的源图片缩放与自动填充,默认尺寸为608*608像素,输入到backbone网络进行特征提取,得到包含[x,y,w,h,c,s]的识别结果,其中x,y为目标中心点坐标,w,h为目标框的宽和高,c是目标的类别,s为目标的置信度;然后根据x,y,w,h和原图得到具体目标的图片及其在原图中的位置坐标。
10、作为本专利技术优选的方案,所述步骤2中backbone中引入se网络流程如下:
11、模型:yolov5模型backbone添加se网络;
12、输入:图片,默认对原图进行缩放与自动填充,尺寸为608*608像素;
13、步骤一:将608*608*3的图像输入focus模块,采取切片操作,经过一次卷积,输出为304*304*32大小的特征图;
14、步骤二:添加自注意力层的大小为128的se,提取全局特征,将输出作为下一层c3模块的输入;
15、步骤三:重复步骤二共计三次,自注意力层se的大小分别为128、256和512;
16、步骤四:使用spp模块进行池化操作,将结果特征传入neck层。
17、作为本专利技术优选的方案,所述s1中se网为squeeze-and-excitation networks:
18、其中squeeze-and-excitation networks易于实现,增加了计算量,但是易于加载到现有网络模型框架中,能通过全连接层,根据loss自动学习特征权重,取得更好的识别效果;
19、核心思路描述:给定一个输入x(c`,h`,w`),通过一系列卷积操作(ftr)变换后得到特征u(c,h,w).接下来通过三个操作来重标前面得到的特征:
20、步骤一:squeeze(fsq)
21、深度学习的模型都依赖于卷积操作,但是基于局部空间的卷积往往很难获得channel之间的信息,从而导致网络的感受野比较小;
22、squeeze采用global average pooling来实现将每个通道的二维特征(hxw)压缩为1个实数,每个值都具有一个channel上的全局感受野;
23、公式表示为:
24、
25、步骤二:excitation(fex)
26、步骤一种获取了所有channel对应的全局特征,步骤二通过fsq操作得来的参数[c,1,1]来为每个特征通道动态的生成一个权重值:
27、公式表示为:
28、s=fex(z,w)=σ(g(z,w))=σ(w2δ(w1z))
29、步骤三:scale(fscale)
30、步骤三将学习到的归一化权重加权到每个通道的特征上,逐个通道乘以权重系数;
31、公式表示为:
32、
33、作为本专利技术优选的方案,所述步骤3中ghost模块生成特征图的具体步骤如下:
34、首先通过卷积运算从n个通道的输入图生成m个通道的固有特征图,其次,通过cheap operation生成个s-1通道的ghost特征图,最后将y和yghost拼接起来,此时输出特征图的尺寸变为n(n=m·s)。
35、与现有技术相比,本专利技术的有益效果是:
36、本专利技术中,通过设计一种结合深度学习的轻量化树莓派部署危险区域闯入状态检测算法,危险区域闯入监测预警的方法主要是通过ai视频技术手段提升对现场安全施工作业管理效率。首先,通过添加ghost模块,优化yolov5网络,使得优化后的网络结构更简单、计算参数更好,其次,为了提高轻量级模型的精度,通过添加注意力机制se网络(squeeze-and-excitation networks),在特征层的每一层分配不同的权重,提取更广阔的的全局特征,从而提高检测效果,对实际环境中有较为准确的识别效果,模型响应快,精度高,鲁棒性好,部署在树莓派边缘设备上具有较高的实用场景。
本文档来自技高网...【技术保护点】
1.一种结合深度学习的轻量化树莓派部署危险区域闯入状态检测算法,其步骤具体如下:
2.根据权利要求1所述的一种结合深度学习的轻量化树莓派部署危险区域闯入状态检测算法,其特征在于:所述步骤1中目标检测的具体步骤如下:
3.根据权利要求2所述的一种结合深度学习的轻量化树莓派部署危险区域闯入状态检测算法,其特征在于:所述步骤2中backbone中引入SE网络流程如下:
4.根据权利要求1所述的一种结合深度学习的轻量化树莓派部署危险区域闯入状态检测算法,其特征在于:所述S1中SE网为Squeeze-and-Excita tion Networks:
5.根据权利要求1所述的一种结合深度学习的轻量化树莓派部署危险区域闯入状态检测算法,其特征在于:所述步骤3中Ghost模块生成特征图的具体步骤如下:
【技术特征摘要】
1.一种结合深度学习的轻量化树莓派部署危险区域闯入状态检测算法,其步骤具体如下:
2.根据权利要求1所述的一种结合深度学习的轻量化树莓派部署危险区域闯入状态检测算法,其特征在于:所述步骤1中目标检测的具体步骤如下:
3.根据权利要求2所述的一种结合深度学习的轻量化树莓派部署危险区域闯入状态检测算法,其特征在于:所述步骤2中backbone中引入s...
【专利技术属性】
技术研发人员:堵炜炜,虞祝豪,崔强,徐昊,潘倩,郎晨,
申请(专利权)人:联通上海产业互联网有限公司,
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。