【技术实现步骤摘要】
本专利技术涉及计算机图像识别领域，尤其涉及一种工业场景下无人值守的异常行为检测方法和系统。
技术介绍
1、在当今数字化和信息化的时代，利用人工智能进行图像识别的应用范围不断拓展，图像识别技术也日益成熟。工业作为国民经济的重要支柱之一，利用人工智能技术提高工业生产效率和生产质量以及保证工业生产安全具有至关重要的现实意义。图像识别技术在工业场景下的应用，能够实现自动化生产、设备故障检测和质量控制等功能，大大提升了工业生产的智能化水平。
2、然而，工业场景图像通常具有复杂多变、尺寸庞大和噪声干扰等特点，传统的图像识别算法难以有效应用。为了克服这些问题，大模型(例如，文本领域的chatgpt等大语言模型)被广泛应用于日常生活中。并且，大模型通过具有大量参数的神经网络结构，能够自动从大规模数据中学习图像的抽象特征，从而实现更加精准、准确的图像识别。在工业场景下，利用大模型进行图像识别能够帮助企业快速发现生产过程中的异常行为、提高产品质量、减少人为操作的依赖，从而降低成本并提升工业生产的效率。
3、尽管大模型为工业图像识别带来了新的发展契机，但在实际应用中仍然面临挑战：首先，工业图像往往以非结构化数据的形式存在，难以直接应用于传统的大模型；其次，大模型对于大规模数据的训练和更新需要较长的时间，而工业生产环境对于实时性的要求较高，因此如何在保证准确性的前提下提高识别效率成为一个重要问题。
技术实现思路
1、(一)要解决的技术问题
2、鉴于现有技术的上述缺点、不
3、(二)技术方案
4、为了达到上述目的，本专利技术采用的主要技术方案包括：
5、第一方面，本专利技术实施例提供一种工业场景下无人值守的异常行为检测方法，该异常行为检测方法包括：获取待识别图像；其中，待识别图像为工业场景下的监控图像；对待识别图像进行预处理，以得到预处理后的图像；对预处理后的图像进行切片辅助推理，以得到图像特征向量；将图像特征向量输入到预先训练好的yolo模型中进行目标识别，以得到目标边界框的位置；基于目标边界框的位置，从待识别图像中裁剪出目标边界框图像，并将目标边界框图像输入到预先训练好的sam模型中进行分割处理，以得到分割后的图像；将分割后的图像与语义库中的参考图像进行相似度比较，以得到相似度得分，并根据相似度得分判断待识别图像所在的工业场景中是否存在异常行为。
6、这里需要说明的是，本申请中的无人值守是指异常行为的检测过程无需人员参与，并非是指工业场景中没有人员值守。
7、在一些可能的实施例中，对待识别图像进行预处理，包括：基于预设图像处理方式对待识别图像进行优化处理，以得到优化图像；对优化图像中的目标进行姿态识别，以得到姿态识别结果；在确定姿态识别结果为正常姿态状态时，对优化图像中的背景进行建模，以得到背景模型；利用背景模型对优化图像进行差分计算，以得到预处理后的图像。
8、在一些可能的实施例中，异常行为检测方法，包括：在确定姿态识别结果为异常姿态状态时，则结束检测。
9、在一些可能的实施例中，对预处理后的图像进行切片辅助推理，包括：对预处理后的图像进行分块处理，得到多个图像块；在固定长宽比的情况下，调整多个图像块中每个图像块的大小，以使其等比例放缩到与待识别图像的尺寸大小一致；对每个图像块进行目标检测，以得到目标在多个不同位置上的预测结果，并利用nms非极大值抑制算法过滤重叠位置上的预测结果，在相同位置上只保留可能性最大的预测结果。
10、在一些可能的实施例中，通过如下公式计算得到相似度得分：
11、
12、
13、其中，psnr为相似度得分；n为每像素的比特数；mse为当前分割后的图像x和语义库中的参考图像y的均方误差；h为图像高度；w为图像宽度。
14、在一些可能的实施例中，根据相似度得分判断待识别图像所在的工业场景中是否存在异常行为，包括：判断相似度得分是否大于等于预设分；若相似度得分大于等于预设分，则确定待识别图像所在的工业场景中存在异常行为。
15、在一些可能的实施例中，根据相似度得分判断待识别图像所在的工业场景中是否存在异常行为，进一步包括：若相似度得分小于预设分，则确定待识别图像所在的工业场景中不存在异常行为。
16、第二方面，本申请实施例提供了一种工业场景下无人值守的异常行为检测系统，包括：获取模块，用于获取待识别图像；其中，待识别图像为工业场景下的监控图像；预处理模块，用于对待识别图像进行预处理，以得到预处理后的图像；切片辅助推理模块，用于对预处理后的图像进行切片辅助推理，以得到图像特征向量；输入模块，用于将图像特征向量输入到预先训练好的yolo模型中进行目标识别，以得到目标边界框的位置；裁剪分割模块，用于基于目标边界框的位置，从待识别图像中裁剪出目标边界框图像，并将目标边界框图像输入到预先训练好的sam模型中进行分割处理，以得到分割后的图像；比较判断模块，用于将分割后的图像与语义库中的参考图像进行相似度比较，以得到相似度得分，并根据相似度得分判断待识别图像所在的工业场景中是否存在异常行为。
17、第三方面，本申请实施例提供了一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行第一方面或第一方面的任一可选的实现方式所述的方法。
18、第四方面，本申请实施例提供了一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当所述电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行第一方面或第一方面的任一可选的实现方式所述的方法。
19、第五方面，本申请提供一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行第一方面或第一方面的任意可能的实现方式中的方法。
20、(三)有益效果
21、本专利技术的有益效果是：
22、本申请实施例提供了一种工业场景下无人值守的异常行为检测方法和系统，通过获取待识别图像，以及对待识别图像进行预处理，以得到预处理后的图像，以及对预处理后的图像进行切片辅助推理，以得到图像特征向量，以及将图像特征向量输入到预先训练好的yolo模型中进行目标识别，以得到目标边界框的位置，以及基于目标边界框的位置，从待识别图像中裁剪出目标边界框图像，并将目标边界框图像输入到预先训练好的sam模型中进行分割处理，以得到分割后的图像，以及将分割后的图像与语义库中的参考图像进行相似度比较，以得到相似度得分，并根据相似度得分判断待识别图像所在的工业场景中是否存在异常行为，从而通过对待识别图像进行预处理，能够将待识别图像转换为适合大模型输入的结构化数据，进而能够解决现有技术中存在着的工业场景中非结构化数据难以直接应用于传统的大模型的问题，以及通过将sam大本文档来自技高网...
【技术保护点】
1.一种工业场景下无人值守的异常行为检测方法和系统，其特征在于，包括：
2.根据权利要求1所述的异常行为检测方法，其特征在于，所述对所述待识别图像进行预处理，包括：
3.根据权利要求2所述的异常行为检测方法，其特征在于，所述异常行为检测方法，包括：
4.根据权利要求1所述的异常行为检测方法，其特征在于，所述对所述预处理后的图像进行切片辅助推理，包括：
5.根据权利要求1所述的异常行为检测方法，其特征在于，通过如下公式计算得到所述相似度得分：
6.根据权利要求5所述的异常行为检测方法，其特征在于，所述根据所述相似度得分判断所述待识别图像所在的工业场景中是否存在异常行为，包括：
7.根据权利要求6所述的异常行为检测方法，其特征在于，所述根据所述相似度得分判断所述待识别图像所在的工业场景中是否存在异常行为，进一步包括：
8.一种工业场景下无人值守的异常行为检测方法系统，其特征在于，包括：
9.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求
10.一种电子设备，其特征在于，所述电子设备包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当所述电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1-7任一所述的工业场景下的异常行为检测方法。
...【技术特征摘要】
1.一种工业场景下无人值守的异常行为检测方法和系统，其特征在于，包括：
2.根据权利要求1所述的异常行为检测方法，其特征在于，所述对所述待识别图像进行预处理，包括：
3.根据权利要求2所述的异常行为检测方法，其特征在于，所述异常行为检测方法，包括：
4.根据权利要求1所述的异常行为检测方法，其特征在于，所述对所述预处理后的图像进行切片辅助推理，包括：
5.根据权利要求1所述的异常行为检测方法，其特征在于，通过如下公式计算得到所述相似度得分：
6.根据权利要求5所述的异常行为检测方法，其特征在于，所述根据所述相似度得分判断所述待识别图像所在的工业场景中是否存在异常行为，包括：
7.根据权利...
【专利技术属性】
技术研发人员：郭斌，肖节，沈豪宬，朱同功，梁五星，杨坤，
申请(专利权)人：西北工业大学，
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。