[发明专利]基于深度残差网络的密集架通道异物存在性判别方法

说明书

本发明提供一种基于深度残差网络的密集架通道异物存在性判别方法，包括以下步骤：1)构建密集架通道图像数据集；2)构建深度残差网络模型；3)训练深度残差网络模型；4)模型的导出和调用;本发明利用深度神经网络强大的特征提取能力，在复杂的光照和地面背景条件下，能够对密集架通道异物进行快速准确的判别，同时具有操作简便、抗干扰性强、部署成本相对较低的特点。本发明可用于密集架通道异物的实时判别，并极大地提高密集架管理效率，为密集架的生产和经营企业降低成本压力。

技术领域

本发明属于计算机视觉智能实时判别领域，尤其涉及一种基于深度残差网络的密集架通道异物存在性判别方法。

背景技术

目前的密集架大多使用电机驱动架体移动，自动进行密集架的开闭操作。密集架的架体在移动过程中，由于架体晃动，容易发生个别架上摆放的物品跌落至通道中的情况。在密集架架体闭合时，如若通道中有跌落的物品或有其他异物未被及时发现，则可能夹坏掉落的物品甚至损坏架体结构。因此，判别密集架通道内是否存在异物对保障密集架的安全具有十分重要的意义。

传统的密集架通道异物存在性判别方法，主要分为智能判别和非智能判别两大类，其中，智能判别方法往往是在密集架架体之间安装光幕传感器，以此感知密集架通道内是否有异物存在，并将结果反馈给密集架控制系统，该方法的主要缺点是使用年限较短、故障率较高；非智能判别方法主要是在库房顶部部署轨道监控机器人，通过监控视频进行人工判别，该方法的主要缺点是操作复杂、管理效率低、投入成本大。因此，研究一种可以快速准确判别且成本低廉的密集架通道异物存在性判别方法，具有重要的实际应用价值。

发明内容

为解决现有技术中存在的不足，本发明提供一种基于深度残差网络的密集架通道异物存在性判别方法。利用深度学习强大的特征提取能力，能够在复杂的光照和地面背景条件下提取通道异物特征，对密集架通道进行快速判别。

一种基于深度残差网络的密集架通道异物存在性判别方法，包括以下步骤：

步骤(1)构建密集架通道图像数据集；

步骤(2)构建深度残差网络模型；1)构建网络输入层，用于进行密集架通道图像的浅层特征提取；2)引入多尺度注意力融合模块，得到特征图不同尺度和不同区域间的信息变化，并且使网络聚焦于异物的关键特征；3)采用改进的Res2Net残差单元构建残差主干网络，进一步提取特征图中高阶的异物特征，提高模型判别准确率；4)经过输出层，将异物特征进行特征分类匹配，得到异物存在性判别结果；

步骤(3)训练深度残差网络模型；得到测试准确率最高的一组模型参数；

步骤(4)模型的导出和调用；首先，将步骤(3)中得到的模型参数重新导入深度残差网络模型并保存成字典文件；其次，将字典文件转化为ONNX通用的模型框架；再次，在C++工程里调用内存中的ONNX模型参数，对实时采集的密集架通道图像进行运算；最后，输出异物存在性判别结果。

作为优选的，所述步骤(2)中的多尺度注意力融合模块是首先经过三个并行的特征图处理通道，每个通道包括一个空洞卷积层和一个SE注意力机制模块，其中空洞卷积层的输入通道数为32，输出通道数为32，卷积核尺寸为3×3，步长为1，空洞率分别为1、2、5，均采用批量正则化和ReLU线性激活；其次，将三个通道得到的特征图按通道维度进行拼接，得到一个96通道特征图；再次，利用1×1卷积将步骤(2.1)中特征提取模块输出特征图的通道扩张为96，并使其与上述拼接后的96通道特征图逐元素相加；最后，经过一个ReLU线性激活层；