[发明专利]基于RetinaXNet的建筑夜景灯光异常检测方法

说明书

本发明涉及一种基于RetinaXNet的建筑夜景灯光异常检测方法，数据集采用均衡化处理，保留图像的纹理信息，降低图像复杂度。RetinaXNet网络的输入模块将视频帧缩减为224*224的图像，主干模块采用改进的残差结构提取图像的轮廓信息，检测头模块采用XNet网络加强信息的整合，进行分类与回归，输出模块按照缩减比例将图像重新恢复成原大小。本发明提出的RetinaXNet网络能够用于检测图像中的故障灯的位置以及故障分类，实现自动化检测异常，提高检测的正确率，降低误检的情况，为建筑夜景异常灯光的检测提供一种可靠的方法。

技术领域

本发明涉及图像处理与异常检测领域，具体涉及一种基于RetinaXNet的建筑夜景灯光异常检测方法。

背景技术

随着现代化城市科学技术的应用和经济实力的高速发展，城市亮化工程在改善城市环境和建设宜居城市，提升城市整体功能，拉动内需，推动城市经济的发展，提升相应企业的形象等起到了显著的作用。但由于建筑夜景灯光的布置常年暴露在户外，由于灯具老化、安装环境和散热等问题，导致建筑夜景灯光故障频发。现有的检测手段主要以人工巡检目测为主，人工巡检存在成本高、实时性低、主观性强等缺点。随着人工智能技术的发展，基于深度学习的检测方法在一些图像相关的领域可以取代传统的基于人工的方法，采用经过前期训练的网络进行建筑夜景灯光的异常检测，提高了检测的准确性以及降低人为主观性，实现检测的自动化。

发明内容

针对目前人工巡检的成本高、实时性低、主观性强等缺点，提出一种基于RetinaXNet的建筑夜景灯光异常检测方法，通过摄像头以及网络模型，实现夜景灯光异常检测的自动化，并提高检测的准确率。

为了实现上述目的，本发明采用的技术方案如下：一种基于RetinaXNet的建筑夜景灯光异常检测方法，包括如下步骤：

1)构建初始夜景灯图像集合C并发送到GPU计算服务器进行存储；

2)对图像集合C进行处理得到数据集，并将数据集划分为训练集E和测试集T；

3)构建RetinaXNet网络模型；所述RetinaXNet网络模型包括输入模块、主干模块、检测头模块；

4)利用UFL函数优化RetinaXNet网络模型的权值；

5)训练RetinaXNet网络模型；

6)夜景灯异常检测，即通过摄像头获取待检测帧并送入RetinaXNet网络，将网络的输出结果映射回原图，判断夜景灯是否异常。

进一步的，上述步骤1)包括如下步骤：

1.1)利用摄像头采集夜景灯光的视频数据V，所述摄像头事先固定安装于可以拍摄需要进行夜景灯光检测的地点；

1.2)从视频数据V中每隔时间Δt提取一帧图像，构建初始夜景灯图像集合C，记为C＝{I₁，I₂...I_n}，I_i为第i帧图像，n为夜景灯图像的个数；

1.3)将初始夜景灯图像集合C发送到GPU计算服务器进行存储。

进一步的，上述步骤2)包括如下步骤：

2.1)对图像集合C中的每一帧图像，计算像素值小于j的像素出现概率p_i(j)，计算公式如下：

p_i(j)表示第i帧图像中灰度大于0小于j的出现概率，n_t为灰度级小于j的像素个数，n_I为每帧图像的像素总个数；

2.2)计算集合C中每一帧图像的直方图结果G(i)，计算公式如下：