[发明专利]一种基于深度学习图像处理的投喂检测方法和系统

权利要求书

1.一种基于深度学习图像处理的投喂检测方法，用于实时检测是否出现投喂动作，并在出现投喂动作时向管理员终端发送报警信息，其特征在于，所述基于深度学习图像处理的投喂检测方法，包括以下步骤：

步骤S1、获取经过是否有投喂动作标定的若干训练图片，随机划分训练图片得到训练集和测试集；

步骤S2、构建融合CLAHE算法和MobileNet神经网络的RetinaNet目标检测网络，并利用所述训练集训练优化所述RetinaNet目标检测网络；

步骤S3、根据训练优化后的RetinaNet目标检测网络获得模型权重文件，并将所述模型权重文件读取至融合非极大值抑制算法的ImageAI库中，得到投喂检测模型，利用所述测试集验证所述投喂检测模型是否达到收敛条件，若达到收敛条件，则输出投喂检测模型；否则重新进入步骤S1；

步骤S4、获取实时的待检测监控视频，根据所述待检测监控视频得到实时监控图片，采用所述投喂检测模型检测每一实时监控图片中是否有投喂动作，若连续M张实时监控图片的检测结果为存在投喂动作，则向管理员终端发送报警信息。

2.如权利要求1所述的基于深度学习图像处理的投喂检测方法，其特征在于，所述基于深度学习图像处理的投喂检测方法还包括：

在获取待检测监控视频时，同时获取与待检测监控视频匹配的监控位置信息，并在根据所述待检测监控视频得到实时监控图片时，为每一实时监控图片生成对应的监控位置信息；

则所述向管理员终端发送报警信息，包括：向管理员终端发送存在投喂动作的实时监控图片以及对应的监控位置信息。

3.如权利要求1所述的基于深度学习图像处理的投喂检测方法，其特征在于，所述构建融合CLAHE算法和MobileNet神经网络的RetinaNet目标检测网络，包括：

步骤S2.1、建立CLAHE算法均衡图像，CLAHE算法如下：

若h_w(s)为窗口内的直方图均衡，h_b(S)为窗口外的直方图均衡，则CLAHE算法处理后的均衡图像h(s)为：

h(s)＝βh_w(s)+(1-β)h_b(s)

式中，0≤β≤1，β＝1表示均衡图像h(s)为局部直方图均衡，β＝0表示均衡图像h(s)为全局直方图均衡，通过调整β的大小来调整窗口外部环境对窗口内变换的影响程度；

步骤S2.2、建立深度残差网络RestNet50提取CLAHE算法处理后的均衡图像h(s)的特征，特征提取过程中利用MobileNet神经网络对深度残差网络RestNet50进行加速和压缩；

步骤S2.3、建立FPN网络对提取的特征进行重组合；

步骤S2.4、建立FCN网络识别重组合后的特征，输出是否有投喂动作的标签以及相应的置信度；

步骤S2.5、组合步骤S2.1～S2.4即可得到融合CLAHE算法和MobileNet神经网络的RetinaNet目标检测网络。

4.如权利要求1所述的基于深度学习图像处理的投喂检测方法，其特征在于，所述利用所述测试集验证所述投喂检测模型是否达到收敛条件，若达到收敛条件，则输出投喂检测模型；否则重新进入步骤S1，包括：

采用评估指标mAP作为收敛条件，当投喂检测模型的评估指标mAP大于阈值K，则达到收敛条件；否则不满足收敛条件。