【技术实现步骤摘要】
本专利技术涉及开关门检测的，尤其涉及一种智能开关门检测方法。
技术介绍
1、智能开关门检测系统是部署在边缘计算网关装置，主要功能：开关门检测。resnet作为卷积神经网络的一个重要模型在各个领域被广泛应用，也因此衍生了各个改进模型。一般来说，理论上随着神经网络的层数不断增加，其特征提取的能力以及准确度也会不断提高，但实际上，对由单纯的卷积神经网络构成的深度网络来说，较多层数的网络的收敛表现反而会不如较少层数的网络。当网络的层数高达一定程度时，其准确率将会到达阈值，此时再添加新的网络层往往会带来相反的效果。
2、为了解决这个问题，resnet提出了残差结构，本文对yolov3的优化的主要体现在对残差结构进行改进，加入mixup中的beta函数，其能够更有效的获得图片特征，提高目标检测的准确度。
技术实现思路
1、本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
2、鉴于上述现有智能开关门检测方法存在的问题，提出了本专利技术。
3、因此，本专利技术目的是提供一种智能开关门检测方法，其本专利技术能够监测门的状态，支持分布在不同的位置的八路摄像头对门的状态进行监测，能够对于关键事件进行保存30s视频，能够满足用户的需求进行个性化阈值设定。
4、为解决上述
5、步骤一：输入检测的图像并在网络中共提取三个特征层，其大小分别为13×13，26×26，52×52，这三个特征层用于与上采样后的其他特征层进行拼接或预测输出；
6、步骤二：最底层的特征层13×13，在进行卷积处理后，分别用于预测输出，或经过卷积和上采样与26×26的特征图进行拼接，然后经过拼接后的特征图同样在进行卷积处理之后，用于预测输出以及通过卷积和上采样实现与52×52特征层的拼接，对该拼接后的特征层进行卷积处理之后进行预测输出；
7、步骤三：在网络模型的最后一层，融合三个预测输出，采用开关门检测模型算法实现对检测准确度进行提升并得到最终的检测结果。
8、作为本专利技术所述智能开关门检测方法的一种优选方案，其中：所述步骤一种的网络采用特征提取网络：darknet53，该特征提取网络含有53个卷积层。
9、作为本专利技术所述智能开关门检测方法的一种优选方案，其中：所述步骤三中的开关门检测模型算法中每个单元格输出3个结果，每个结果对应一个先验框，目标检测框的结果需要结合先验框并通过计算得出目标边界框的坐标。
10、作为本专利技术所述智能开关门检测方法的一种优选方案，其中：所述开关门检测模型算法公式如下：
11、bx＝σ(tx)+cx
12、by＝σ(ty)+cy
13、
14、
15、其中，cx和cy为先验框的中心在该特征图中的坐标，pw和ph为先验框的宽和高，(tx,ty)预测边界框中心偏移量，(bx，by)为宽高缩放比为最终预测的目标边界框的在特征图中的中心坐标，bw，bh为最终预测的目标边界框的宽和高；σ(x)函数代表sigmoid函数用于预测偏移量缩放至0到1之间。
16、作为本专利技术所述智能开关门检测方法的一种优选方案，其中：所述目标检测公式计算后结合置信度与非极大值抑制对预测目标框进行筛选；完成目标边界框预测之后，在原始图像中会出现一个目标拥有多个预测框，此时先通过置信度判断该目标框中是否存在目标物体，然后通过目标框的位置坐标和置信度进行非极大值抑制，通过交并比iou筛选出最终的目标边界框。
17、作为本专利技术所述智能开关门检测方法的一种优选方案，其中：所述函数算法中加入beta函数，能够更有效的获得图片特征，提高目标检测的准确度，具体包括：
18、g(x)＝σf(x)+(1-σ)x
19、其中σ代表beta函数。
20、作为本专利技术所述智能开关门检测方法的一种优选方案，其中：所述智能开关门检测方法运用了开关门检测系统，其包括host层和device层，所述host层采用八核处理器芯片，所述device层内设置有加速模块并集成处理器，在端侧实现图像识别、图像分类。
21、作为本专利技术所述智能开关门检测方法的一种优选方案，其中：所述开关门检测系统首先通过opencv拉取视频流进行处理，之后通过socket将图片发送到device层种的加速模块，加速模块接收图片并将图片输入到开关门检测模型，最后将检测结果通过socket发送到host层。
22、本专利技术的有益效果：本专利技术能够监测门的状态，支持分布在不同的位置的八路摄像头对门的状态进行监测，能够对于关键事件进行保存30s视频，能够满足用户的需求进行个性化阈值设定。
本文档来自技高网...【技术保护点】
1.一种智能开关门检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的智能开关门检测方法，其特征在于：所述步骤一种的网络采用特征提取网络：Darknet53，该特征提取网络含有53个卷积层。
3.根据权利要求2所述的智能开关门检测方法，其特征在于：所述步骤三中的开关门检测模型算法中每个单元格输出3个结果，每个结果对应一个先验框，目标检测框的结果需要结合先验框并通过计算得出目标边界框的坐标。
4.根据权利要求3所述的智能开关门检测方法，其特征在于：所述开关门检测模型算法公式如下：
5.根据权利要求4所述的智能开关门检测方法，其特征在于：所述目标检测公式计算后结合置信度与非极大值抑制对预测目标框进行筛选；完成目标边界框预测之后，在原始图像中会出现一个目标拥有多个预测框，此时先通过置信度判断该目标框中是否存在目标物体，然后通过目标框的位置坐标和置信度进行非极大值抑制，通过交并比IoU筛选出最终的目标边界框。
6.根据权利要求5所述的智能开关门检测方法，其特征在于：所述函数算法中加入Beta函数，能够更有效的获得图片特
7.根据权利要求1所述的智能开关门检测方法，其特征在于：所述智能开关门检测方法运用了开关门检测系统，其包括host层和device层，所述host层采用八核处理器芯片，所述Device层内设置有加速模块并集成处理器，在端侧实现图像识别、图像分类。
8.根据权利要求7所述的智能开关门检测方法，其特征在于：所述开关门检测系统首先通过opencv拉取视频流进行处理，之后通过socket将图片发送到device层种的加速模块，加速模块接收图片并将图片输入到开关门检测模型，最后将检测结果通过socket发送到host层。
...【技术特征摘要】
1.一种智能开关门检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的智能开关门检测方法，其特征在于：所述步骤一种的网络采用特征提取网络：darknet53，该特征提取网络含有53个卷积层。
3.根据权利要求2所述的智能开关门检测方法，其特征在于：所述步骤三中的开关门检测模型算法中每个单元格输出3个结果，每个结果对应一个先验框，目标检测框的结果需要结合先验框并通过计算得出目标边界框的坐标。
4.根据权利要求3所述的智能开关门检测方法，其特征在于：所述开关门检测模型算法公式如下：
5.根据权利要求4所述的智能开关门检测方法，其特征在于：所述目标检测公式计算后结合置信度与非极大值抑制对预测目标框进行筛选；完成目标边界框预测之后，在原始图像中会出现一个目标拥有多个预测框，此时先通过置信度判断该目标框中是否存在目标物体，然后通...
【专利技术属性】
技术研发人员：李德军，陆建军，王青朋，
申请(专利权)人：江苏思行达信息技术有限公司，
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。