【技术实现步骤摘要】
本专利技术涉及一种基于图像的异常状态识别方法，属于深度学习检测。
技术介绍
1、在诸多行业中，如果焊接领域和养殖领域，出现异常情况需要人工进行判断，这样不仅会引入不确定的人为因素，而且由于不同人员的知识水平、理解能力都会对判断的标准产生影响。而通过将标准数据化、使用计算机进行判断将会避免人为因素的影响，同时可以实现大量不间断的检测。
2、在养殖领域中，以笼养肉鸡养殖过程中作为一个缩影，由于活动空间狭小，腿部的异常生长成为高发危险指征，腿部异常生长增加了肉鸡其它异常情况的出现，甚至不及时发现的情况下死亡的风险大大增加。传统上，肉鸡腿部异常的检测通常依赖人工观察和检查。然而，这种方法容易出现误判、漏判等问题，并且需要大量时间和劳动力成本。因此，及早发现肉鸡腿部异常的状态，并及时将有异常情况的肉鸡隔离出来进行分类养殖或处理变得尤为重要。
3、在两个焊接件的焊接中，对焊缝的宽窄、大小、形状有着范围要求，同时焊接件的成型角度有着越来越高的要求，通过人眼判断或者机器测绘，都需要较高的人力投入。
4、结合上述行业的需求，亟需一种能够对采集的上分析识别对象的图像进行分析识别，并且可以对关键点连线形成的角度信息和关键位置目标的状态信息综合判断的异常状态自动识别方法。
技术实现思路
1、针对上述现有技术的不足，本专利技术的目的在于提供一种基于图像的异常状态识别方法。
2、根据本专利技术的实施方案，提供第一个方案为：
3、一种基于图像的异常状态
4、步骤1、获取检测目标的图像，针对目标图像中存在异常情况，通过分类采用两种方式进行标注，建立出检测目标图像的异常状态数据集；
5、步骤2、以yolov8模型为主体，在网络的backbone引入轻量化c2f结构，neck部分引入dense-query detr结构，head部分引入sharedpconv结构构建改进后的yolov8网络结构作为异常状态的识别检测网络，通过对标注过的关键位置目标异常状态的数据集放入网络进行训练，得到关键位置目标的异常状态的模型；
6、步骤3、通过对图像中关键点连线之间的夹角进行测量，通过这些角度的测量结果，运用箱线图来可视化这些数据，得到关键点连线之间夹角是否为异常的评判标准，可以采用偏移阈值的百分比的方式，或者直接限定阈值范围的方式来确定是否为异常的判定标准，以hrnet网络结构为基准，同时引入dropout-hrformer结构对标注后的关键点连线之间的夹角判断为异常的关键点进行训练，得到最终预测关键点的位置信息，并通过余弦定理计算出关键点之间的夹角与评判标准进行对比，判断检测目标是否存在关键点连线形成的角度异常；形成关键点连线之间的夹角目标检测模块；
7、步骤4、最后将两个推理模型进行集成，将待检测目标的图像输入到集成的模型中，检测是否存在异常状态，并输出异常状态判断，可视化的展示识别结果。
8、进一步的，步骤1的具体实现方法：
9、步骤1.1、取得检测目标的图像，利用labelimg工具对含有关键位置目标的状态存在异常的图像进行标注信息；利用coco-annotation工具对关键点连线形成的角度信息存在异常的图像进行标注信息，采集标注的关键点为三个，关键点连线之间的夹角为第一连线与第二连线的夹角，其中第一连线为第一关键点与第二关键点的连线，第二连线为第二关键点与第三关键点的连线；
10、步骤1.2、对标注后的图像进行数据增强处理，建立关键位置目标的异常状态数据集以及关键点连线形成的角度异常数据集；
11、其中步骤1.1的标注信息包括：关键位置目标的异常状态的位置坐标信息，以及其异常状态所对应的类别信息，其标注信息以xml格式进行存储，关键点连线形成的角度异常的关键点坐标信息，其中关键点的标注位置包括检测目标的关键位置目标得位置节点和检测目标的连接体端点，其标注信息以json格式进行存储；
12、步骤1.2的数据增强处理采用clahe算法的对比度提升增强方法，使图像的异常区域特征更加突出。
13、进一步的，步骤2的具体实现方法：
14、2.1选定基础yolov8，该网络的backbone包括普通卷积conv(conv+bn+silu)结构、c2f结构，以及spp结构，neck采用fpn+pan结构：其中包括了head采用了decoupled-head设计，将分类损失和预测框损失分开计算，其中，本专利技术专利将yolov8的backbone中的部分c2f结构用轻量化c2f结构代替，neck中引入dense-query detr结构提高模型对关键位置目标的异常区域的敏感度，head部分采用sharedpconv结构，修改后的各结构和模块按照原yolov8网络结构形式顺序堆叠，从而得到改进后的yolov8网络结构；改进后的yolov8每个结构具体堆叠方式以及经过每个结构之后特征图尺寸、通道数；
15、2.2对步骤1.1标注的关键位置目标的异常状态经过数据增强后的数据集进行预处理，并将数据集按照9:1的比例划分为训练集和测试集；
16、2.3在gpu服务器上搭建训练模型所用的虚拟环境，并将关键位置目标的异常状态的训练集输入改进的yolov8模型进行训练，训练完成后得到用于关键位置目标的异常状态的识别检测的推理模型；之后将验证集输入推理模型中进行验证，根据验证得到的效果，对推理模型进行优化，最终得到效果最好的关键位置目标的异常状态的推理模型；
17、步骤2对关键位置目标的异常状态的检测数据集进行预处理的方法为：将所有xml格式文件转换为txt格式并对坐标进行归一化，完成后的txt格式文件包含目标类别、左上角坐标和右下角坐标；关键位置目标的异常状态判断标准为，关键位置目标在设定的阈值范围或图像边界光滑过渡则为正常，反之为异常。
18、进一步的，步骤3的具体实现方法：
19、3.1按照hrnet的设计，从一个高分辨率卷积系统作为第一阶段开始，逐步增加一个高到低分辨率的流作为新阶段；多分辨率流并行连接；主体由一系列的阶段组成；在每个阶段，每个分辨率流的特征表示都由dropout-hrformer block独立更新，并且通过卷积多尺度融合模块重复交换不同分辨率的信息，从而得到改进后的hrnet网络结构；
20、3.2对步骤1.1标注的关键点连线形成的角度异常经过数据增强后的数据集进行预处理，并将数据集按照9:1的比例划分为训练集和测试集；
21、3.3在gpu服务器上搭建训练模型所用的虚拟环境，并将关键位置目标的异常状态的验证集输入改进的hrnet模型进行训练，训练完成后得到用于关键点连线形成的角度异常的识别检测的推理模型；之后将验证集输入推理模型中进行验证，根据验证得到的效果，对推理模型进行优化，最终得到效果最好的关键点连线形成的角度异常的推理模型；
22、3.4将训练好得到的关本文档来自技高网...
【技术保护点】
1.一种基于图像的异常状态识别方法，其特征在于，步骤包括：
2.根据权利要求1所述的基于图像的异常状态识别方法，其特征在于，
3.根据权利要求1所述的基于图像的异常状态识别方法，其特征在于，
4.根据权利要求1所述的基于图像的异常状态识别方法，其特征在于，
5.根据权利要求3所述的基于图像的异常状态识别方法，其特征在于，
6.根据权利要求1所述的基于图像的异常状态识别方法，其特征在于，
【技术特征摘要】
1.一种基于图像的异常状态识别方法，其特征在于，步骤包括：
2.根据权利要求1所述的基于图像的异常状态识别方法，其特征在于，
3.根据权利要求1所述的基于图像的异常状态识别方法，其特征在于，
<...
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。