一种融合场景关联知识联动的施工安全目标检测方法与流程
本发明涉及计算机视觉与施工安全检测交叉,尤其涉及一种融合场景关联知识联动的施工安全目标检测方法。
背景技术:
1、施工安全无人机巡检领域,以深度学习目标检测技术为核心支撑。其中youonlylookonce(yolo)系列作为单阶段检测算法的典型范式,被广泛采用在各种目标检测场景中。与通用目标检测场景不同,施工场景中,人员、安全设备等目标并非孤立存在,而是呈现稳定的场景语义关联关系,可为目标检测模型提供超越单一视觉特征之外的辅助判别依据。然而,现有检测框架的模型迁移、样本分配和类别判别方法,难以使上述场景关联知识在不同检测环节中得到连续利用,因而容易出现源域知识继承不充分、正样本形成偏差以及关联类别竞争加剧等问题,具体表现如下:
2、1.跨域继承机制缺失:在跨域迁移学习场景中,源任务与目标任务的类别名称可能存在差异,但不同名称所指代的实际目标类别可能具有相同或等价的语义。例如,源域中的“head”类别与目标域中的“person_head”类别虽然标签命名不同,但二者均表示人员头部目标,因而可视为语义等价类别。然而,现有yolo检测框架在迁移学习过程中,主要依据网络层对应关系和参数张量形状的一致性完成权重加载,其关注点限于模型结构层面的几何兼容,缺乏对上述语义对应关系的识别与锚定机制。该机制仅能根据输出通道数的匹配关系进行参数搬运,无法将源域已习得的类别判别知识沿语义维度定向映射至目标域的关联类别。由此导致两类后果:其一,对于目标域与源域存在语义等价类别,其源域判别知识因缺乏显式映射通道而被结构性丢弃,目标域不得不从随机状态重新学习;其二,新增类别随机初始化参数产生的梯度可能在联合微调初期扰动既有特征表达,增加模型适配不稳定和预训练知识遗忘的风险。
3、2.引导机制缺位:施工安全场景中,安全帽、反光衣等安全装备与人员目标之间存在稳定的空间共生关系,这一关系可为小尺度、弱视觉响应的安全装备提供超越外观特征的辅助定位线索。然而,现有yolo框架所采用的任务对齐样本分配机制,其核心评价函数由目标分类置信度与定位交并比加权构成,本质上是一种纯视觉质量驱动的锚点筛选器。该函数在构成上仅接受逐像素的视觉特征响应作为输入变量,未将施工场景中目标间空间共生关系作为正样本分配的显式评价依据。现有的部分研究在推理阶段后处理、关系约束模块或附加损失函数中引入空间信息,其作用时机均发生在正样本分配完成之后,无法干预高质量正样本的形成过程。这一缺陷在无人机航拍场景下被进一步放大:安全帽等小尺度目标分类置信度低、定位精度易受背景噪声干扰,纯视觉质量函数难以将其从干扰样本中甄别出来,导致符合空间规律的真实目标在正样本筛选中被低估或漏选,高质量正样本比例下降,小目标漏检风险随之增加。
4、3.协同判别机制不足:施工安全检测任务中面对具有明显语义相关性和视觉相似性的类别时,标准yolo检测头仍然采用统一共享分类器结构,在同一特征空间内完成全部类别的判别任务,使所有类别共享相同的分类参数和决策空间。在该结构下,由于分类过程缺乏对类别组层级语义信息的利用能力,当检测任务中存在多组易混淆类别集合时,所有类别只能共享同一决策边界。即便根据任务特点预先构建了结构化的类别关联分组,由于分类器在结构上不具备利用组级语义通道的能力,关联分组知识也难以转化为约束分类决策、抑制跨组串扰的依据,导致无关类别间仍存在决策耦合,易混淆类别之间的响应串扰加剧,进而造成正确类别分类置信度不足,使目标类别判别精度受到制约,并增加因分类置信度不足导致的目标漏检风险。
5、因此,亟需构建一种面向无人机施工巡检场景的场景关联知识联动机制,打通模型初始化阶段的语义继承、正样本分配阶段的空间引导与分类决策阶段的判别协同三大环节,使场景中固有的语义映射关系、空间共生关系与类别分组结构得以在目标检测框架中形成连贯的“继承—引导—协同”全流程知识传递链路,从而提升复杂航拍场景下目标检测的精度与工程适用性。
技术实现思路
1、本发明的目的是为了解决现有技术中存在的缺点,而提出的一种融合场景关联知识联动的施工安全目标检测方法。
2、为了实现上述目的,本发明采用了如下技术方案:
3、一种融合场景关联知识联动的施工安全目标检测方法,本发明旨在解决航拍施工场景环境下的场景知识关联知识的应用不足的问题,提供以施工场景中场景关联知识的多阶段连续传递为核心思路,构建“模型初始化阶段的知识继承—正样本分配阶段的空间引导—分类决策阶段的协同判别”的三层联动机制。具体内容包括:1、跨域知识继承策略2、空间关联引导策略3、类别关联解耦决策机制。本发明通过构建“知识继承—知识引导—知识决策”的场景关联知识连续传递体系,实现施工场景关联知识在模型初始化、样本学习和分类决策等关键环节中的协同利用。基于源任务与目标任务之间的语义关联关系、施工场景中的空间关联规律以及类别间的语义关联与混淆特征,缓解了现有方法中知识继承不充分、样本学习缺乏场景引导以及非关联类别的干扰性竞争等问题。
4、进一步的,所述跨域知识继承策略:在模型初始化阶段,为实现场景关联知识从源域向目标域的连续继承,本发明构建跨域知识继承链路。具体内容如下:首先建立源域类别集合与目标域类别集合之间的语义关联关系,以构建场景知识的跨域继承通道。设源域类别集合表示为:,目标域类别集合表示为:。其中,表示源域类别数量,表示目标域类别数量。构建语义映射函数:,其中,表示目标类别与源域类别存在语义对应关系,源域已习得的知识可沿该映射路径定向迁移至目标域关联类别;表示该目标类别为新增类别,无源域知识可继承。
5、进一步的,在此基础上,对未建立映射关系的新增类别构建增量参数约束机制,设新增类别对应分类参数矩阵为,基础初始化参数为,则初始化过程表示为:,其中为抑制系数。通过约束的取值,使新增类别参数的初始响应值低于已继承类别对应参数的响应值,降低新增类别在训练初期产生过强分类响应的概率,并减少其反向更新对已继承特征表达的扰动。在此基础上,对模型不同功能模块实施分层冻结控制策略,使目标域训练初期的可更新参数范围受到限制。随后按预设阶段比例逐步解冻分类特征层、回归分支及全部网络参数,并在全模型解冻时同步降低学习率,实现新增知识向既有特征表达体系的平滑融入。
6、进一步的,所述空间关联引导策略:在正样本分配阶段,为实现施工场景空间关联知识向样本学习过程的持续传递,本发明构建空间关联知识建模与在线调制引导机制。首先,对训练数据集标注信息执行离线统计,对于每张图像中属于指定安全装备类的标注框,根据该安全装备框与人员框之间的中心距离、框间包含关系以及预设匹配阈值,从当前图像的人员标注框集合中确定对应的参考人员框。以参考人员框中心作为相对坐标系原点,将安全装备框中心坐标映射至参考人员框的归一化相对坐标系中,对全数据集中满足匹配条件的人员—安全装备样本对统计归一化相对坐标,并计算其均值向量与标准差向量,并拟合得到二维高斯空间先验分布,作为该类安全装备目标相对于人员目标的空间位置先验模型。
7、进一步的,在候选锚点或候选预测框生成后,对于利用模型对候选样本进行筛选,并根据所述二维高斯空间先验分布计算通过筛选的候选样本的原始空间一致性值。随后,对该原始空间一致性值进行归一化处理,得到空间一致性评分,为了使空间先验以可控方式参与正样本分配,本发明进一步构造空间调制因子。空间调制因子记为,其计算方式为:,其中,为随训练迭代变化的空间先验强度系数,用于控制空间先验对任务对齐度量的影响程度;为空间一致性评分。
8、进一步的,将空间调制因子与基础任务对齐度量相乘,得到调制后的任务对齐度量:,其中,表示由分类置信度和边界框重叠度得到的基础任务对齐度量,表示融合空间关联先验后的任务对齐度量。随后,根据调制后的任务对齐度量,从候选锚点集合中选取前k个锚点作为正样本。对于非预设空间关联类别、当前图像中不存在可用人员参考框,或者候选样本与人员参考框之间不满足预设匹配条件的情况,将空间调制因子置为1,退化为标准任务对齐度量,保持原始正样本分配策略的通用性。
9、进一步的,所述类别关联解耦决策机制:在分类决策阶段,为实现类别关联知识在分类推理过程中的有效利用,本发明构建基于类别关联知识组织与协同判别的类别关联解耦决策机制。内容如下:首先,依据类别间的语义关联关系、视觉形态相似性以及历史混淆规律,将全量目标类别划分为多个语义组,使具有较强关联性的类别被组织到同一类别组内,形成结构化的类别关联分组。在此基础上,构建由组路由器与组内子分类器群构成的两级分类结构。对于输入分类特征f,每个语义组配置参数独立的组内子分类器,第k个语义组对应的组内子分类器输出该组内类别的分类结果为,其中,表示第k个语义组内的分类输出。同时,组路由器接收同一输入分类特征f,生成各语义组对应的组级响应得分,并将第k个语义组的组级响应得分转换为组级调制项。
10、进一步的,解耦融合模块将所述组级调制项注入对应语义组的组内分类结果中,得到经组级语义调制后的分类输出:,其中表示第k个语义组经组级语义调制后的分类输出。最后,将各语义组调制后的分类输出按照目标类别的预设顺序进行拼接,形成与原检测头类别通道数一致的最终分类输出:,所述最终分类输出z与检测头的边界框回归输出共同构成目标检测结果。通过上述方式,分类过程能够同时利用组级语义关联信息和组内细粒度判别信息,使全量类别共享判别转变为按语义组组织的协同判别,减少非关联类别对当前候选目标分类输出的干扰,并提高易混淆类别之间的区分能力。
11、本发明的有益效果:
12、1.跨域知识继承策略:引入跨域语义映射与增量参数约束机制,将源域已习得的类别判别知识沿语义关联路径定向迁移至目标域关联类别,对新增类别以抑制系数约束其初始参数响应幅值,配合分层冻结控制策略,缓解迁移学习中知识继承不充分的问题,可以抑制新增类别随机梯度对预训练特征层的噪声扰动,进而降低全模型微调阶段的特征退化的风险。最终,实现源域知识向目标域的平滑结构化继承,缩短模型在新施工场景下的收敛周期。
13、2.空间关联引导策略:引入空间先验统计建模与在线调制机制,将人员与安全装备之间的空间共生关系以二维高斯分布形式参数化建模,对任务对齐分配器的对齐度量进行调制,改善纯视觉分配器在小尺度安全装备检测中高质量正样本比例低的问题,可以抑制背景噪声对弱视觉响应目标的干扰,进而降低符合空间规律的真实目标在样本筛选中被漏选的风险。最终,在目标域训练过程中将空间关联知识嵌入正样本形成过程,并通过先验强度调制控制其参与程度,实现视觉特征与场景空间先验协同驱动的样本分配,提升小目标的检测能力与训练稳定性。
14、3.类别关联解耦决策机制:引入基于语义分组与组级协同的分组解耦检测头,将全量类别按语义关联性划分为独立语义子空间,每组配置参数独立的子分类器,对分类决策边界进行按语义簇的解耦分离,有效缓解统一共享分类头中相似类别间的特征竞争与判别耦合问题,并缓解分类器容量被无关类别任务稀释的缺陷。最终,在保持检测头输入输出接口一致并控制额外计算开销的前提下,实现组内独立判别与组间语义协同的分类决策,降低施工安全核心类别的误判和漏判。
15、4.整体联动效果:本发明以施工场景中的场景关联知识连续传递为主线,将语义关联知识、空间关联知识和类别关联知识分别嵌入模型初始化、正样本分配以及分类决策三个核心环节,形成“知识继承—知识引导—知识决策”的全流程联动体系。相比于现有方法中场景信息多集中于单一环节或后处理阶段的利用方式,本发明实现了场景关联知识在模型训练与推理过程中的持续参与和协同利用,有效提升了复杂航拍施工场景下的目标检测能力和模型稳定性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com