[发明专利]灭火器位置检测方法、装置、设备及存储介质

权利要求书

1.一种灭火器位置检测方法，其特征在于，包括以下步骤：

(1)获取多个场景图像；

(2)对所述多个场景图像进行标注得到多个训练图像数据；

(3)将所述多个训练图像数据输入至深度卷积神经网络中进行训练，建立检测模型；其中，所述深度卷积神经网络为fasterrcnn模型，包括EfficientNet层、RPN网络层、感兴趣区域池化层和分类层；

(4)获取待检测的监控视频，并将所述监控视频输入所述检测模型进行逐帧检测，输出检测结果。

2.根据权利要求1所述的灭火器位置检测方法，其特征在于，所述步骤(2)具体为：调用图片标注工具，对所述场景图像中的货物进行选取，得到场景区域图像，并对所述场景区域图像进行区域信息标注，得到训练图像数据。

3.根据权利要求1所述的灭火器位置检测方法，其特征在于，所述步骤(3)具体为：

将所述训练图像数据输入所述EfficientNet层进行特征提取，得到第一特征图；

将所述第一特征图输入所述RPN网络层进行目标物体检测处理，采用抑制处理得到第一候选区域图；

将所述第一特征图和所述第一候选区域图输入所述感兴趣区域池化层进行映射处理，得到第一候选特征图；

将所述第一候选特征图输入所述分类层进行识别处理，得到第一候选特征图中的目标物体类别和位置；

调用损失函数计算第一候选特征图中的目标物体类别的分类损失和第一候选特征图中的目标物体位置的回归损失，并根据所述分类损失和回归损失对所述fasterrcnn模型的参数进行调整，直至所述fasterrcnn模型收敛，得到检测模型。

4.根据权利要求3所述的灭火器位置检测方法，其特征在于，所述EfficientNet层通过复合系数同时调整网络的深度、宽度和输入训练图像数据分辨率以放大网络，其中所述复合系数通过以下方式确定：

通过基线网络来调节确定最佳的网络深度缩放系数α、网络宽度缩放系数β和网络输入训练图像数据分辨率缩放系数γ；

将所述最佳的网络深度缩放系数α、网络宽度缩放系数β和网络输入训练图像数据分辨率缩放系数γ扩展或放大到比所述基线网络更大的网络中；

判断所述比所述基线网络更大的网络的准确率和效率是否均超过了阈值，若超过则把所述最佳的网络深度缩放系数α、网络宽度缩放系数β和网络输入训练图像数据分辨率缩放系数γ作为复合系数。

5.根据权利要求3所述的灭火器位置检测方法，其特征在于，所述采用抑制处理得到第一候选区域图具体为：

计算经过RPN网络层进行目标物体检测处理后得到的N个重叠的包围框的置信度；

选择置信度最高的作为建议框进行处理，得到新的置信度得分，将置信度得分最高的包围框进行保存；

去掉所述置信度得分最高的包围框，得到N-1个重叠的包围框，并重复上一步骤直至最后一个包围框；

将保存的包围框的置信度得分与预设的阈值进行比较，去掉置信度得分小于阈值的包围框，得到第一候选区域图。

6.根据权利要求1所述的灭火器位置检测方法，其特征在于，所述步骤(4)具体为：

获取待检测的监控视频；

将所述监控视频输入所述EfficientNet层逐帧进行特征提取，得到第二特征图；

将所述第二特征图输入所述RPN网络层进行目标物体检测处理，采用抑制处理得到第二候选区域图；

将所述第二特征图和所述第二候选区域图输入所述感兴趣区域池化层进行映射处理，得到第二候选特征图；

将所述第二候选特征图输入所述分类层进行识别处理，得到第二候选特征图中的目标物体类别和位置。

7.根据权利要求1所述的灭火器位置检测方法，其特征在于，所述步骤(2)和步骤(3)之间还包括对所述多个训练图像数据进行增强处理，具体为：

对所述训练图像数据的三个RGB通道的矩阵分别进行分解；

利用顶部奇异值进行反转变化，得到新的RGB矩阵；

根据得到的新的RGB矩阵创建新的真彩色图片，作为最终训练图像数据。