[发明专利]一种基于边缘设备和深度学习的违章检测方法

权利要求书

1.一种基于边缘设备和深度学习的违章检测方法，其特征在于：包括如下步骤：

步骤S10、服务器创建若干个违章检测模型以及对应的检测规则，并对各所述违章检测模型进行训练；

步骤S20、服务器基于应用场景将各所述违章检测模型以及检测规则发送给对应的边缘设备；

步骤S30、边缘设备基于接收的所述违章检测模型以及检测规则，对关联摄像头拍摄的视频进行违章检测，生成违章检测结果；

步骤S40、边缘设备将所述违章检测结果发送给服务器进行预警；

步骤S50、服务器基于所述违章检测结果对违章检测模型进行优化。

2.如权利要求1所述的一种基于边缘设备和深度学习的违章检测方法，其特征在于：所述步骤S10具体包括：

步骤S11、服务器基于应用场景创建若干个违章检测模型以及各违章检测模型对应的检测规则；

步骤S12、服务器获取大量的监控视频，并将各所述监控视频保存为监控图像；

步骤S13、对各所述监控图像进行违章标注，基于所述违章标注对各所述监控图像按应用场景进行分类；

步骤S14、对所述监控图像进行样本扩充；

步骤S15、利用所述监控图像对各应用场景的违章检测模型进行训练。

3.如权利要求1所述的一种基于边缘设备和深度学习的违章检测方法，其特征在于：所述步骤S10中，所述检测规则包括检测区域以及检测时间段。

4.如权利要求2所述的一种基于边缘设备和深度学习的违章检测方法，其特征在于：所述步骤S11中，所述违章检测模型采用YOLOV4模型；所述YOLOV4模型的隐藏层的激活函数采用LeakyReLU，检测层的激活函数采用Sigmoid，损失函数采用GIOU Loss。

5.如权利要求2所述的一种基于边缘设备和深度学习的违章检测方法，其特征在于：所述步骤S14具体为：

利用三维模拟器，模拟各所述监控图像在不同环境光以及不同天气情况下的图像进行样本扩充。

6.如权利要求2所述的一种基于边缘设备和深度学习的违章检测方法，其特征在于：所述步骤S14具体为：

利用Mosaic算法依次随机选取4张所述监控图像，进行随机缩放、随机裁剪以及随机拼接，以进行样本扩充。

7.如权利要求2所述的一种基于边缘设备和深度学习的违章检测方法，其特征在于：所述步骤S15具体包括：

步骤S151、将不同类别的各所述监控图像分别按预设的比例划分为训练集和验证集；

步骤S152、将所述训练集以及验证集中的监控图像切割为指定尺寸的监控子图像；

步骤S153、利用所述训练集中的监控子图像，对关联应用场景的违章检测模型进行训练；

步骤S154、设定一准确率阈值，利用所述验证集中的监控子图像，对关联应用场景的违章检测模型进行验证，判断准确率是否大于所述准确率阈值，若是，则进入步骤S20；若否，则增加所述训练集的样本量，并进入步骤S153。

8.如权利要求1所述的一种基于边缘设备和深度学习的违章检测方法，其特征在于：所述步骤S30具体包括：

步骤S31、边缘设备接收所述违章检测模型以及检测规则；

步骤S32、边缘设备基于所述检测规则获取关联摄像头拍摄的视频,将所述视频的图像帧切割为指定尺寸的子图像；

步骤S33、边缘设备利用所述违章检测模型对各子图像进行违章检测，判断是否存在违章行为以及违章行为类别；

步骤S34、将存在违章行为的所述子图像拼接回原图像帧，即违章图像，基于所述违章图像、违章行为类别以及违章时间生成违章检测结果。

9.如权利要求1所述的一种基于边缘设备和深度学习的违章检测方法，其特征在于：所述步骤S40具体为：

边缘设备将所述违章检测结果实时发送给服务器进行预警。

10.如权利要求1所述的一种基于边缘设备和深度学习的违章检测方法，其特征在于：所述步骤S50具体为：

服务器设定一百分比阈值；服务器基于所述违章检测结果携带的违章图像扩充训练集，利用扩充后的训练集对所述违章检测模型进行训练优化，判断优化后的所述违章检测模型的准确率提升的百分比是否超过百分比阈值，若是，则将所述违章检测模型更新给对应的边缘设备；若否，则结束流程。