[发明专利]一种城市容貌乱贴乱画行为识别方法，存储装置及服务器

说明书

本发明提供一种城市容貌乱贴乱画行为识别方法，该方法包括以下步骤：S1:获取城市容貌乱贴乱画行为图像；S2:对所述行为图像中具有城市容貌乱贴乱画行为的部分使用labelImg数据标注，并转换生成COCO格式数据集；S3:采用零‑均值规范化数据预处理；S4:基于PP‑YOLO训练城市容貌乱贴乱画行为数据集得到训练模型，在测试集上选取训练模型，对模型剪裁优化模型后转化成推理模型，得到城市容貌乱贴乱画行为识别模型；S5:通过所述城市容貌乱贴乱画行为识别模型对城市场景图片进行识别，判断其是否存在乱贴乱画行为。本发明采用目标检测方式检测识别乱贴乱画行为，使得城市乱贴乱画行为得到监控监管，城市市容市貌得到有效监督规范，在迈进智能化文明城市上更进一步。

技术领域

本发明涉及人工智能图像识别领域，属于智能化城市技术领域，具体涉及城市容貌乱贴乱画行为识别方法。

背景技术

在我国有很多地方存在乱贴乱画现象，诸如小广告、喷漆字样、广告牌。特别是这些乱贴乱画的小广告内容五花八门，广告内容也并不可信，不仅影响周边居住环境，而且破坏城市整洁文明。这些乱贴乱画的现象不仅加大清洁难度，而且影响整个城市的形象。

现有技术采用人工识别乱贴乱画行，成本高昂且效率低下不能满足城市市容市貌监督和智能化文明城市建设的需求。

发明内容

为了解决现有技术在城市管理过程中不能对乱贴乱画现象进行高效率监控监管监督问题，本发明提供一种可以自动对城市容貌乱贴乱画行为识别方法进行高效率识别的方法。

本发明提供一种城市容貌乱贴乱画行为识别方法，包括以下步骤：

S1:获取城市容貌乱贴乱画行为图像；

S2:对所述行为图像中具有城市容貌乱贴乱画行为的部分使用labelImg数据标注，并转换生成COCO格式数据集；

COCO的全称是Common Objects in COntext，是微软团队提供的一个可以用来进行图像识别的数据集。

S3:采用零-均值规范化数据预处理；

S4:基于PP-YOLO训练城市容貌乱贴乱画行为数据集得到训练模型，在测试集上选取训练模型，对模型剪裁优化模型后转化成推理模型，得到城市容貌乱贴乱画行为识别模型；

YOLO最初是由约瑟夫·雷德蒙(Joseph Redmon)创作的，用于检测物体。物体检测是一种计算机视觉技术，它通过在对象周围绘制边框并标识给定框也属于的类标签来对对象进行定位和标记。与大型NLP不同，YOLO设计得很小，可以为设备上的部署提供实时推理速度。PP是PaddlePaddle(由百度编写的深度学习框架)的缩写。PP-YOLO是百度提供的一种深度学习模型。

S5:通过所述城市容貌乱贴乱画行为识别模型对城市场景图片进行识别，判断其是否存在乱贴乱画行为。

进一步的，所述步骤S2中，城市容貌乱贴乱画行为包括,贴纸、横幅、小广告、方向引导路标性贴纸和复杂密集广告。

进一步的，，所述步骤S4包括，

使用kmeans算法计算城市容貌乱贴乱画行为训练数据集anchors(锚点)，模型训练好后根据mAP指标选取模型，使用PaddleSlim对模型剪裁，模型裁剪后导出推理模型。

PaddleSlim是PaddlePaddle框架的一个子模块。在PaddleSlim中，实现了目前主流的网络剪枝、量化、蒸馏三种压缩策略，主要用于压缩图像领域模型。

进一步的，所述步骤S4中，所述模型训练好后根据mAP指标选取模型包括，

S41:IOU计算，IOU等于预测区域面积SA与真实标注区域面积SB交集比并集，并集指SA与SB面积之和减去SA与SB区域重叠面积，