[发明专利]基于深度学习的施工隔离栅栏状态智能检测的方法及系统

权利要求书

1.一种基于深度学习技术实现施工隔离栅栏状态智能检测的方法，其特征在于，所述的方法包括以下步骤：

(1)从视频监控系统中获取实时图像作为监控图像；

(2)建立针对所述的施工隔离栅栏状态进行分类的深度神经网络模型；

(3)对所述的施工隔离栅栏进行监控处理操作；

(4)对所述的监控图像进行归类并进行状态分类判断，如果所述的监控图像中所述的隔离栅栏状态正常，则返回上述步骤(3)，否则继续步骤(5)；

(5)针对所述的施工隔离栅栏发现异常状态启动告警。

2.根据权利要求1所述的基于深度学习技术实现施工隔离栅栏状态智能检测的方法，其特征在于，所述的步骤(1)具体包括以下步骤：

(11)将摄像头调整到施工区域；

(12)从监控视频流中实时截取每帧所述的实时图像作为监控图像。

3.根据权利要求1所述的基于深度学习技术实现施工隔离栅栏状态智能检测的方法，其特征在于，所述的步骤(2)具体包括以下步骤：

(21)收集所述的施工隔离栅栏放置状态的所述的监控图像作为样本图像，并对所述的样本图像进行分类，分为正常放置状态下的样本图像和非正常放置状态下的样本图像；

(22)建立专用于所述的施工隔离栅栏的所述的样本图像各个状态分类的深度神经网络模型，并初始化各神经元之间的连接参数；

(23)将所述的施工隔离栅栏的监控图像的训练和验证样本输入到所述的深度神经网络模型进行迭代训练；

(24)当对所述的验证样本分类精度达到系统预设的阈值或训练达到系统预设的迭代次数后，结束所述的深度神经网络模型的训练；

(25)取训练结束后验证误差最小的一次训练参数作为最后结果，保存该次相应的深度神经网络各神经元之间的连接参数作为最终的所述的施工隔离栅栏状态分类的所述的深度神经网络模型。

4.根据权利要求3所述的基于深度学习技术实现施工隔离栅栏状态智能检测的方法，其特征在于，所述的步骤(21)具体包括：

收集所述的施工隔离栅栏所述的正常放置状态下的样本图像，并将此状态的图像标注为第一类别；

收集所述的施工隔离栅栏缺失状态下的样本图像，并将此状态的图像标注为第二类别；

收集所述的施工隔离栅栏倒下状态下的样本图像，并将此状态的图像标注为第三类别；

其中，各类别中的样本都不少于2000幅图像，而且属于同一类别中的图像需要覆盖不同视角、不同尺度、不同光照、不同程度遮挡条件下的监控图像样本。

5.根据权利要求3所述的基于深度学习技术实现施工隔离栅栏状态智能检测的方法，其特征在于，所述的步骤(22)中所述的深度神经网络模型的输入为与所述的样本图像采集分类的种类数量相同的通道的彩色图像，且该样本图像的分辨率不低于256像素×256像素；该深度神经网络模型的输出为与所述的样本图像采集分类的种类数量相同的分类，表示将所述的输入图像分类为所述的施工隔离栅栏的各个状态所对应的各个分类。

6.根据权利要求5所述的基于深度学习技术实现施工隔离栅栏状态智能检测的方法，其特征在于，所述的深度神经网络模型的输入输出样本图像各分为3类。

7.根据权利要求3或5中任一项所述的基于深度学习技术实现施工隔离栅栏状态智能检测的方法，其特征在于，所述的深度神经网络模型的中间层采用多层卷积神经网络。

8.根据权利要求3所述的基于深度学习技术实现施工隔离栅栏状态智能检测的方法，其特征在于，所述的步骤(23)，包括以下步骤：

(231)将所述的施工隔离栅栏的监控图像的训练和验证样本输入到专门的所述的深度神经网络模型进行迭代训练；

(232)从收集的样本图像中随机抽取小于30％的样本作为验证样本，抽取验证样本采样后的剩余量的样本作为训练样本输入到所述的深度神经网络模型的输入层；

(233)经过前向运算得到输出结果，将输出结果与实际值的误差进行反向传播BP算法运算，更新各神经元之间的连接参数。