[发明专利]一种基于深度学习的图片检测方法及系统

权利要求书

1.一种基于深度学习的图片检测方法，其特征在于，所述方法包括：

图片检测系统自动读取硬盘存储介质上的轨道交通的图像数据；

所述图片检测系统将所述图像数据输入至预先训练好的深度学习网络模型，使用GPU进行分析，以使得深度学习网络模型各层对输入图像进行卷积处理和采样过滤，提取出输入图像的特征，将检测到的输入图像的异常区域确定为目标区域；

由尺寸大小不同的检测框分析目标区域的位置和置信度，在原图上标注缺陷类型和置信度，作为输出结果输入到CPU；所述检测框为所述深度学习网络模型在推理完一帧图像后，显示在推理完的图像上的被识别为异常区域的标注方框；

CPU将输出结果保存至数据库和本地指定路径，并发送至前端进行结果统计和可视化处理，以使得在前端界面实时查看检测结果和所有图像检测的统计结果。

2.如权利要求1所述的方法，其特征在于，所述图片检测系统将所述图像数据输入至预先训练好的深度学习网络模型，使用GPU进行分析，包括：

将所述图像数据输入至预先训练好的深度学习网络模型，利用多个GPU并行处理分析多个图像数据。

3.如权利要求1所述的方法，其特征在于，所述方法还包括：在所述异常区域上会用不同颜色的标注框指示出异常位置，所述图片检测系统自动在同级目录下另存异常图像原图目录和异常图像标注图目录，以便于用户查找比对。

4.如权利要求1所述的方法，其特征在于，所述输入图像的异常区域是根据基建墙、路面水泥表面裂纹、剥落、交通沿线设备零部件异常状态、非正常位置的用户预定义情况中的一种或多种确定的。

5.一种基于深度学习的图片检测系统，其特征在于，所述系统包括：

数据读取模块，用于自动读取硬盘存储介质上的轨道交通的图像数据；

图片智能检测模块，用于将所述图像数据输入至预先训练好的深度学习网络模型，使用GPU进行分析，以使得深度学习网络模型各层对输入图像进行卷积处理和采样过滤，提取出输入图像的特征，将检测到的输入图像的异常区域确定为目标区域；

输出模块，用于由尺寸大小不同的检测框分析目标区域的位置和置信度，在原图上标注缺陷类型和置信度，作为输出结果输入到CPU；所述检测框为所述深度学习网络模型在推理完一帧图像后，显示在推理完的图像上的被识别为异常区域的标注方框；

数据发送模块，用于CPU将输出结果保存至数据库和本地指定路径，并发送至前端进行结果统计和可视化处理，以使得在前端界面实时查看检测结果和所有图像检测的统计结果。

6.如权利要求5所述的系统，其特征在于，所述图片智能检测模块，具体用于：

将所述图像数据输入至预先训练好的深度学习网络模型，利用多个GPU并行处理分析多个图像数据。

7.如权利要求5所述的系统，其特征在于，所述系统还包括：在所述异常区域上会用不同颜色的标注框指示出异常位置，所述图片检测系统自动在同级目录下另存异常图像原图目录和异常图像标注图目录，以便于用户查找比对。

8.如权利要求5所述的系统，其特征在于，所述输入图像的异常区域是根据基建墙、路面水泥表面裂纹、剥落、交通轨道或沿线设备零部件异常状态、非正常位置的用户预定义情况中的一种或多种确定的。

9.一种设备，其特征在于，所述设备包括：数据采集装置、处理器和存储器；

所述数据采集装置用于采集数据；所述存储器用于存储一个或多个程序指令；所述处理器，用于执行一个或多个程序指令，用以执行如权利要求1-4任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于执行如权利要求1-4任一项所述的方法。