[发明专利]一种基于深度学习的电子围栏风险预警方法

权利要求书

1.一种基于深度学习的电子围栏风险预警方法，其特征在于，包括：

获取包含锥形桶的图像并进行位置标记，构建锥形桶检测模型，并将标记锥形桶位置的图像输入锥形桶检测模型进行训练；

通过训练好的锥形桶检测模型，对实时图像中的锥形桶位置进行识别和标记；

基于完成锥形桶标记的实时图像，通过计算，就识别得到的锥形桶，在实时图像中生成电子围栏；

识别实时图像的电子围栏中是否存在活动目标，若存在则发出警报信号；其中，所述活动目标的类型至少包括：人、动物、机动车、非机动车或障碍物。

2.根据权利要求1所述的基于深度学习的电子围栏风险预警方法，其特征在于，锥形桶检测模型进行训练的步骤包括：

收集大量包含锥形桶的图像，手动使用矩形框标注出图像中锥形桶的位置；

使用开源深度学习目标检测框架，构建用于图像目标检测的锥形桶检测模型；

将标注出锥形桶位置的图像划分为训练集和测试集，将其中的训练集输入至构建的锥形桶检测模型中，通过输出结果调节模型的函数和参数，至输出结果与图像中锥形桶位置标记结果相同，结束训练；

通过测试集对锥形桶检测模型的检测结果的准确性进行测试。

3.根据权利要求1所述的基于深度学习的电子围栏风险预警方法，其特征在于，在实时图像中生成电子围栏的步骤包括：

将图像中每一锥形桶的尖端作为识别点，形成锥形桶的识别点集；

将识别点集中所有点两两配对，配对点的连线组成n(n-1)/2条线段；

针对每一条线段，判断识别点集中除连接组成该线段的两点外的（n-2）个识别点，相对线段的位置关系；

仅保留除连接组成该线段的两点外的（n-2）个识别点位于对应现对同一侧的n条线段，即得到电子围栏。

4.根据权利要求3所述的基于深度学习的电子围栏风险预警方法，其特征在于，在判断识别点集中除连接组成该线段的两点外的（n-2）个识别点，相对线段的位置关系的步骤中，

设定线段p1p2，坐标分别为 p1(x1,y1)，p2(x2,y2)，判断除连接组成该线段的两点外的（n-2）个识别点中任一点p3相对线段p1p2的位置关系时，设定p3的坐标为p3(x3,y3)，则通过将各点坐标代入公式（1）计算结果；

针对线段p1p2，若其余各识别点代入公式（1）所得结果均为正数或负数，则判断其余各识别点位于线段p1p2的同一侧，若结果有正有负，则判断其余各识别点位于线段p1p2的不同侧。

5.根据权利要求1所述的基于深度学习的电子围栏风险预警方法，其特征在于，所述锥形桶检测模型是基于SSD神经网络模型构建。

6.根据权利要求1所述的基于深度学习的电子围栏风险预警方法，其特征在于，识别实时图像的电子围栏中是否存在活动目标的步骤包括：

识别图像中所有的活动目标，并确定活动目标的识别点；其中，将活动目标的中心点设定为活动目标识别点；

设定其中一个活动目标识别点为p点，以p点为端点，做任意方向的射线；

若任意一条射线与电子围栏形成的多边形任意一边的交点个数为奇数，则判定p点对应的活动目标位于电子围栏范围内；若任意一条射线与电子围栏形成的多边形任意一边的交点个数为偶数，则判定p点对应的活动目标位于电子围栏范围外。

7.根据权利要求3所述的基于深度学习的电子围栏风险预警方法，其特征在于，在将图像中每一锥形桶的尖端作为识别点的步骤中，包括步骤：

将完成锥形桶检测的图像输入至锥形桶顶点检测网络模型CenterNet；

接收锥形桶顶点检测网络模型CenterNet的输出结果并进行筛选，获取图像中锥形桶尖端位置；

在图像中构建坐标系，并确定每一锥形桶尖端的坐标信息，作为识别点坐标。