一种自适应鼠害实时检测方法、装置、设备及存储介质与流程

摘要: 本发明实施例涉及图像检测,特别涉及一种自适应鼠害实时检测方法、装置、设备及存储介质。背景技术:1、现有技术中,基于深度学习的方案(如fasterr-cnn,yo...
一种自适应鼠害实时检测方法、装置、设备及存储介质与流程

本发明实施例涉及图像检测,特别涉及一种自适应鼠害实时检测方法、装置、设备及存储介质。

背景技术:

1、现有技术中,基于深度学习的方案(如faster r-cnn, yolo等)大多需gpu(graphics processing unit,图形处理器)算力支撑,硬件依赖性强,导致硬件采购和运营成本高昂,不适合大规模部署于已有普通监控系统的场景。部分方案采用高分辨率视频流全帧检测,计算量巨大,尤其在处理多路视频流时,对服务器的cpu(central processingunit,中央处理器)造成巨大压力,难以利用闲置cpu资源,因而实时性与资源消耗存在矛盾。在厨房、仓库等明厨亮灶场景下,环境复杂(光影变化、设备移动、昆虫、人员走动),现有的基于单一ai(artificial intelligence,人工智能)模型的方法容易将移动的物体(如光影、飞虫、拖把)误判为老鼠,导致报警准确率低,因此复杂环境下误检率较高。此外,多数方案未充分利用时间信息,昼夜适应性差,在光线充足的非营业时间(如白天)也可能触发检测,浪费计算资源。

2、因此,相关技术中在对复杂环境场景进行鼠害检测时存在依赖gpu等昂贵算力、单模型在复杂环境下误检率高、能耗和资源浪费严重的问题有待解决。

技术实现思路

1、本发明的目的在于至少提供一种自适应鼠害实时检测方法、装置、设备及存储介质,至少可以解决现有方法在对复杂环境场景进行鼠害检测时存在依赖gpu等昂贵算力、单模型在复杂环境下误检率高、能耗和资源浪费严重的技术问题。

2、为解决上述技术问题,本申请的至少一个实施例提供了一种自适应鼠害实时检测方法,应用于配置cpu的服务器,包括:

3、实时获取视频帧;

4、基于所述视频帧,定期检测当前环境是否满足目标亮度条件;

5、在满足目标亮度条件的情况下,检测当前环境是否存在人员;

6、在不存在人员的情况下,定位所述视频帧中包含移动物体的候选目标区域;

7、若定位到所述候选目标区域,确定所述候选目标区域中的移动物体是否为老鼠。

8、本申请的至少一个实施例还提供了一种自适应鼠害实时检测装置,应用于配置cpu的服务器,包括:

9、获取模块,用于实时获取视频帧;

10、第一检测模块,用于基于所述视频帧,定期检测当前环境是否满足目标亮度条件;

11、第二检测模块,用于在满足目标亮度条件的情况下,检测当前环境是否存在人员;

12、定位模块,用于在不存在人员的情况下,定位所述视频帧中包含移动物体的候选目标区域;

13、确定模块,用于若定位到所述候选目标区域,确定所述候选目标区域中的移动物体是否为老鼠。

14、本申请的至少一个实施例还提供了一种电子设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的自适应鼠害实时检测方法。

15、本申请的至少一个实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现上述的自适应鼠害实时检测方法。

16、本申请的实施例提供的方法,是纯cpu驱动的、低成本的鼠害检测方案,能有效利用闲置服务器算力实现鼠害检测;通过多级过滤机制(环境判断-人员排除-移动侦测-小模型识别)大幅降低误检率,尤其解决人员干扰问题;引入了基于图像亮度的昼夜自适应生效机制,在无效时段(如白天)自动休眠,节省资源。

17、在一些可选的实施例中,基于所述视频帧,定期检测当前环境是否满足目标亮度条件,包括:

18、根据关键视频帧的灰度生成灰度图像;

19、基于所述灰度图像计算所述关键视频帧的亮度直方图;

20、统计所述亮度直方图中亮度低于设定阈值的像素占比;

21、若所述像素占比大于设定占比,则满足目标亮度条件。

22、在一些可选的实施例中,检测当前环境是否存在人员,包括:

23、加载经过轻量化处理的第一检测模型,所述第一检测模型用于检测人员;

24、针对当前视频帧,推理人员检测集合,包括人员检测框及对应的置信度;

25、若所述人员检测集合为空,则当前环境不存在人员。

26、在一些可选的实施例中,定位所述视频帧中包含移动物体的候选目标区域,包括:

27、采用高斯混合模型维护一个轻量级背景模型;

28、基于当前视频帧与所述背景模型之间的差分,获得运动前景掩码;

29、对所述运动前景掩码进行形态学处理;

30、查找形态学处理后的运动前景掩码中的所有连通域轮廓,得到外接矩形框集合,每个外接矩形框为移动物体的候选框。

31、在一些可选的实施例中,确定所述候选目标区域中的移动物体是否为老鼠,包括:

32、对每个所述候选框,从当前视频帧中裁剪出对应的局部图像区域;

33、将所述局部图像区域缩放至目标尺寸,输入第二检测模型进行推理,所述第二检测模型输出推理结果及相应置信度,所述推理结果包括老鼠和非老鼠;

34、根据所述推理结果的置信度判定移动物体为老鼠,将对应的候选框作为报警框输出。

35、在一些可选的实施例中,所述第一检测模型包括经过openvino轻量化处理的模型。

36、在一些可选的实施例中,所述第二检测模型包括3层卷积神经网络模型。

1.一种自适应鼠害实时检测方法,其特征在于,应用于配置cpu的服务器,包括:

2.根据权利要求1所述的自适应鼠害实时检测方法,其特征在于,基于所述视频帧,定期检测当前环境是否满足目标亮度条件,包括:

3.根据权利要求1所述的自适应鼠害实时检测方法,其特征在于,检测当前环境是否存在人员,包括:

4.根据权利要求1所述的自适应鼠害实时检测方法,其特征在于,定位所述视频帧中包含移动物体的候选目标区域,包括:

5.根据权利要求4所述的自适应鼠害实时检测方法,其特征在于,确定所述候选目标区域中的移动物体是否为老鼠,包括:

6.根据权利要求3所述的自适应鼠害实时检测方法,其特征在于,所述第一检测模型包括经过openvino轻量化处理的模型。

7.根据权利要求5所述的自适应鼠害实时检测方法,其特征在于,所述第二检测模型包括3层卷积神经网络模型。

8.一种自适应鼠害实时检测装置,其特征在于,应用于配置cpu的服务器,包括:

9.一种电子设备,其特征在于,包括:

10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的自适应鼠害实时检测方法。