[发明专利]基于自适应空间特征融合的排爆机器人危险品检测方法

说明书

本发明公开了一种基于自适应空间特征融合的排爆机器人危险品检测方法，步骤：从互联网抓取数据获取初始危险物数据集，对初始危险物数据集进行清洗后再对其进行标注，最后对标注完成的数据集进行数据增强即得危险物数据集；使用危险物数据集训练危险物检测模型，其训练过程即以已知类别的物品图像为输入，以物品的对应类别概率为理论输出，不断调整模型参数的过程，训练的终止条件为达到训练次数上限，危险物检测模型是以MobileNetV3作为主干提取网络，采用ASFF特征融合策略的YOLOV4模型；获取排爆机器人采集到的待检测品照片后将其输入危险物检测模型得待检测品的类别。本发明的方法，检测危险物的精度和效率高，鲁棒性好。

技术领域

本发明属于视觉检测技术领域，涉及一种基于自适应空间特征融合的排爆机器人危险品检测方法及其应用。

背景技术

近年来，机器人技术突飞猛进，在工业生产、救援救灾等领域均有机器人的身影，排爆机器人作为安防领域的机器人受到诸多关注。目前投入使用的排爆机器人主要依赖于机器人计算机视觉系统回传的视频影像，再由排爆人员通过键盘或者遥控器远程控制排爆机器人完成爆炸物的抓取、转移、引爆等操作，其精度和效率会受到回传视频影像的质量、排爆人员对设备的熟练程度以及回传视频影像和操作之间的时间误差等因素的影响。而作为一种可以在危险环境下代替人类工作的机器人，其对精准度有更高的要求。因此进一步提升排爆机器人的智能化程度是提升其精准度的关键。

排爆机器人的智能化在于机器人能够通过计算机视觉系统感知周围环境，并根据所获取的信息自主的做出决策并进行下一步操作，其中排爆机器人感知周围环境的关键在于如何让其快速准确的检测识别危险物。随着人工智能技术的不断发展，深度学习算法越来越受到重视，目前已逐渐成为图像识别领域的研究热点。深度学习领域的卷积神经网络技术能够自动的提取图像的特征信息，这些信息具有良好的图像表达能力，因此在目标检测与识别问题中展现出了良好的性能。因此，将深度学习应用于排爆机器人计算机视觉模块从而进行危险物的检测识别，不仅可以提高危险物的检测的精度与速度，而且还可以提高排爆机器人对周围环境的自主感知能力，进而提升排爆机器人的智能化程度。尽管如此，将该技术应用于排爆机器人危险物检测时仍存在以下缺陷：

第一，由于深度学习是数据驱动型技术，其优异的性能往往依赖于大规模带标签的数据，但是当前并没有公开可使用的危险物数据集。

第二，当使用现有的深度学习模型进行危险物检测时，其检测精度和速率较低。

因此，开发一种能够获取大量危险物数据集且检测精度高、检测速率快的排爆机器人危险品检测方法极具现实意义。

发明内容

本发明的目的在于克服现有用于排爆机器人危险物检测的深度学习算法无危险物数据集可用、检测精度较低且检测速率较慢的缺陷，提供一种能够获取大量危险物数据集且检测精度高、检测速率快的排爆机器人危险品检测方法。

为实现上述目的，本发明提供如下技术方案：

基于自适应空间特征融合的排爆机器人危险品检测方法，应用于电子设备(具体可在电子设备的GPU中运行)，包括以下步骤：

(1)构建危险物数据集，具体为从互联网抓取数据获取初始危险物数据集，对初始危险物数据集进行清洗后再对其进行标注，最后对标注完成的数据集进行数据增强即得危险物数据集；

(2)使用步骤(1)得到的危险物数据集训练危险物检测模型，其训练过程即以已知类别的物品图像为输入，以物品的对应类别概率为理论输出，不断调整模型参数的过程，训练的终止条件为达到训练次数上限(反复迭代，直到模型的损失函数值趋于稳定，即达到训练上限)，所述危险物检测模型是以MobileNetV3作为主干提取网络，采用ASFF特征融合策略的YOLOV4模型；

(3)获取排爆机器人采集到的待检测品照片后将其输入步骤(2)训练得到的危险物检测模型即得待检测品的对应类别。