[发明专利]基于自主学习策略的安全防护设备识别方法及存储介质

权利要求书

1.一种基于自主学习策略的安全防护设备识别方法，其特征在于，包括以下步骤：

S1、采集训练图片集合；

S2、对所述训练图片集合进行预处理；

S3、根据所述训练图片集合对构建的深度网络模型进行训练；

S4、将待检测图片集合输入所述深度网络模型进行识别，得到由每个待检测图片识别结果组成的识别结果集合；

S5、将识别结果集合分类为识别成功集合和无法识别集合；

S6、输出识别成功集合；

S7、将无法识别集合对应的所述待检测图片集合作为新的训练图片集合，跳转至S2继续执行。

2.如权利要求1所述的基于自主学习策略的安全防护设备识别方法，其特征在于，所述对所述训练图片集合进行预处理，包括以下步骤：

S21、对每一张训练图片进行归一化处理；

S22、对每一张训练图片中包含待检测目标的区域进行标注；

S23、为标注后的每一张训练图片生成对应的训练数据文件。

3.如权利要求2所述的基于自主学习策略的安全防护设备识别方法，其特征在于，所述根据所述训练图片集合对构建的深度网络模型进行训练，包括以下步骤：

S31、根据所述训练数据文件使用k-means聚类方法获取所述训练图片中待检测目标的先验框位置；

S32、使用加权双向特征金字塔法提取所述训练图片的网络特征；

S33、根据所述先验框位置以及所述训练图片的网络特征，对所述训练图片中的待检测目标进行预测，得到预测结果；

S34、根据所述预测结果与标注的训练图片进行比较，根据差异调整模型参数优化深度网络模型；

重复执行上述S31至S34，完成所述训练图片集合中所有训练图片的处理。

4.如权利要求3所述的基于自主学习策略的安全防护设备识别方法，其特征在于，所述根据所述训练数据文件使用k-means聚类方法获取所述训练图片中待检测目标的先验框位置，包括以下步骤：

S311、在训练图片中随机选取k个标注框作为初始先验框；

S312、计算训练图片中每个标注框与每个先验框的IoU值；所述IoU为所述先验框和所述标注框的交集与所述先验框和所述标注框的并集的比值；

S313、计算每个标注框与每个聚类中心之间的距离，所述聚类中心为先验框的中心点，距离计算公式为：

d＝1-IoU[(x_i，y_i，w_i，h_i)，(x_j，y_j，W_j，H_j)]

其中，i∈{1，2，...，k}，j∈{1，2，...，N}，k为先验框的个数，N为标注框的个数，x_i表示第i个先验框中心点的横坐标，y_i表示第i个先验框中心点的纵坐标，w_i为第i个先验框的宽度，h_i为第i个先验框的高度，x_j表示第j个标注框中心点的横坐标，y_j表示第j个标注框中心点的纵坐标，W_j为第j个标注框的宽度，H_j为第j个标注框的高度；

S314、将每个标注框分配给距离最近的聚类中心；

S315、所有标注框分配完毕以后，对每个簇重新计算聚类中心，更新每个先验框的宽和高，计算方式为：

其中，W_i′是第i个先验框的宽，H′_i是第i个先验框的高，i∈{1，2，...，k}，k为先验框的个数，即簇的个数，N_i是第i个簇中标注框的个数，w_ij是第i个簇中第j个标注框的宽度值，h_ij是第i个簇中第j个标注框的高度值，j∈{1，2，...，N_i}；

重复执行上述步骤S312至S315，直至每个标注框与每个聚类中心之间的距离d小与设定的阈值，得到最终的先验框位置。