一种基于深度学习的消防器材图像识别方法及系统与流程

1.本发明涉及图像识别领域，具体而言，涉及一种基于深度学习的消防器材图像识别方法及系统。


背景技术：

2.近年来，图像识别技术发展迅猛。例如，在pascal voc物体检测基准测试中，检测器的性能从平均准确率百分之三十飙升到了今天的超过百分之九十。对于图像分类，在极具挑战性的imagenet数据集上，先进算法的表现甚至超过了人类。图像识别技术的发展，为安全视频监控技术提供了更为广阔的发展前景。
3.然而，现有技术却缺乏相应的图像识别技术来实现对消防器材的管理全过程的安全监管，使得消防作业中存在的安全隐患较大，且违规作业行为不能实时预警。
4.数据增强可以有效增加深度学习网络的训练数据的多样性。常用的数据增强方式中，通常在源数据层面进行增强，例如对训练图像进行随机的旋转、平移、缩放等；但是这些方式通常都需要人工设计，导致增强后的数据种类有限。另一种方式中，可以在网络输出的特征层面进行增强。
5.但是现有的在特征层面进行增强的方式，难以适用于特征归一化的情况，不利于从整体上提高网络训练的精确度。


技术实现要素：

6.本发明的目的在于提供一种基于深度学习的消防器材图像识别方法，其能够根据特征提取结果生成图像识别结果以此实现对消防器材图像的高效识别，也提高了对批量消防器材图像的处理速度，便于快速定位消防器材图像对应的消防器材对象。
7.本发明的另一目的在于提供一种基于深度学习的消防器材图像识别系统，其能够运行一种基于深度学习的消防器材图像识别方法。
8.本发明的实施例是这样实现的：
9.第一方面，本技术实施例提供一种基于深度学习的消防器材图像识别方法，其包括采集消防器材图像信息，对采集的消防器材图像进行处理，获取消防器材图像；对消防器材图像进行特征提取，得到图像特征点；将图像特征点输入至预先训练完成的神经网络模型中，输出图像特征点对应的特征数据；将特征数据进行分类并标记上相对应的标签。
10.在本发明的一些实施例中，上述采集消防器材图像信息，对采集的消防器材图像进行处理，获取消防器材图像包括：对采集的消防器材图像进行区域分割，分割出多个图像，对分割后的每一张图像均进行增强处理。
11.在本发明的一些实施例中，上述还包括：基于预设图像分割方法，对增强处理后的多个图像均进行图像分割处理，分割出每张图像的目标区域图像。
12.在本发明的一些实施例中，上述对消防器材图像进行特征提取，得到图像特征点包括：将消防器材图像进行粗提取，得到数据点，利用训练完成的神经网络模型对数据点进
行消防器材的细提取，得到图像特征点以完成消防器材的检测。
13.在本发明的一些实施例中，上述将图像特征点输入至预先训练完成的神经网络模型中，输出图像特征点对应的特征数据包括：获取图像特征点对应的样本类别向量，根据样本图像特征和样本类别向量放入向量机中进行训练，以获得预先训练完成的神经网络模型。
14.在本发明的一些实施例中，上述还包括：将样本图像特征作为向量机的输入特征，将样本类别向量作为向量机的输出特征对向量机进行训练，获得预先训练完成的神经网络模型。
15.在本发明的一些实施例中，上述将特征数据进行分类并标记上相对应的标签包括：根据图像处理、特征提取、灰度共生矩阵方法及局部二值化方法后的标签图像，构建出基于卷积神经网络回归的图像识别模型，将特征数据通过卷积神经网络回归的图像识别模型进行分类并标记上相对应的标签。
16.第二方面，本技术实施例提供一种基于深度学习的消防器材图像识别系统，其包括采集模块，用于采集消防器材图像信息，对采集的消防器材图像进行处理，获取消防器材图像；
17.特征提取模块，用于对消防器材图像进行特征提取，得到图像特征点；
18.特征数据模块，用于将图像特征点输入至预先训练完成的神经网络模型中，输出图像特征点对应的特征数据；
19.分类模块，用于将特征数据进行分类并标记上相对应的标签。
20.在本发明的一些实施例中，上述包括：用于存储计算机指令的至少一个存储器；与上述存储器通讯的至少一个处理器，其中当上述至少一个处理器执行上述计算机指令时，上述至少一个处理器使上述系统执行：采集模块、特征提取模块、特征数据模块及分类模块。
21.第三方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如一种基于深度学习的消防器材图像识别方法中任一项的方法。
22.相对于现有技术，本发明的实施例至少具有如下优点或有益效果：
23.能够根据特征提取结果生成图像识别结果以此实现对消防器材图像的高效识别，也提高了对批量消防器材图像的处理速度，便于快速定位消防器材图像对应的消防器材对象。图像处理及目标区域分割后，对分割后的图像进行标签标记，提取目标区域图像特征数据通过使用卷积神经网络来完成图像识别模型的构建，实现对消防器材图像的识别，不仅快速便捷，而且精确度高，提高了识别的可靠性，还省时省力。
附图说明
24.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
25.图1为本发明实施例提供的一种基于深度学习的消防器材图像识别方法步骤示意
图；
26.图2为本发明实施例提供的一种基于深度学习的消防器材图像识别方法详细步骤示意图；
27.图3为本发明实施例提供的一种基于深度学习的消防器材图像识别系统模块示意图；
28.图4为本发明实施例提供的一种电子设备。
29.图标：10
‑
采集模块；20
‑
特征提取模块；30
‑
特征数据模块；40
‑
分类模块；101
‑
存储器；102
‑
处理器；103
‑
通信接口。
具体实施方式
30.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。
31.因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
32.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
33.需要说明的是，术语“包括”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
34.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
35.实施例1
36.请参阅图1，图1为本发明实施例提供的一种基于深度学习的消防器材图像识别方法步骤示意图，其如下所示：
37.步骤s100，采集消防器材图像信息，对采集的消防器材图像进行处理，获取消防器材图像；
38.在一些实施方式中，采集不同磨损程度或不同磨损类型的消防器材具图像，并对图像进行预处理，构建训练样本集。以灭火器为例，实际实验时，收集灭火器图片素材并进行分类整理，这里的分类是人工分类，根据灭火器外观磨损程度分为四类：1，完整且无划痕；2，完整有轻微划痕(划痕少)；3.完整有严重划痕(划痕多)；4不完整(有残缺)；根据这四类，给出分数段，1
‑
100；2
‑
90；3
‑
70；4
‑
50；四类灭火器,每类包含500张图片,并标注分类标签；构成训练样本集以及对应的标签数据。
39.步骤s110，对消防器材图像进行特征提取，得到图像特征点；
40.在一些实施方式中，检测消防器材图像时，先进行图像数据采集，通过特征点提取模型获取图像特征点，然后分为四个区域图像；构建消防器材区域检测模型对区域图像进行消防器材区域检测，构建消防器材区域分割模型对检测到的消防器材区域分割出消防器材，构建消防器材色度值计算模型计算消防器材色度，根据区域图像的消防器材色度和面积占比计算消防器材图像评价得分，对消防器材特征进行评估。
41.步骤s120，将图像特征点输入至预先训练完成的神经网络模型中，输出图像特征点对应的特征数据；
42.在一些实施方式中，为了在神经网络模型输出的特征层面进行数据增强，该神经网络模型根据样本特征训练得到；预设的训练样本图像输入至神经网络模型后，神经网络模型输出上述样本特征；该样本特征经预设的映射矩阵映射后，得到第二样本特征；其中的映射矩阵根据样本特征对应的训练样本图像的类别标签和预设的目标类别确定。
43.步骤s130，将特征数据进行分类并标记上相对应的标签。
44.在一些实施方式中，训练样本图像携带有类别标签，根据该类别标签和目标类别，可以得到从类别标签映射至目标类别的映射矩阵；当目标类别有多个时，可以按照预设顺序或随机选择一个目标类别，再计算类别标签映射至该目标类别的映射矩阵。
45.根据预设的图像识别任务的内容，设置对应的算法、模型或者网络结构对特征数据进行处理，得到该图像识别任务对应的结果。例如，当图像识别任务为对待处理图像进行消防器材识别时，可以通过预设的分类器对特征数据进行处理，从而得到待处理图像中消防器材的识别结果，从而完成该图像识别任务。
46.实施例2
47.请参阅图2，图2为本发明实施例提供的一种基于深度学习的消防器材图像识别方法详细步骤示意图，其如下所示：
48.步骤s200，对采集的消防器材图像进行区域分割，分割出多个图像，对分割后的每一张图像均进行增强处理。
49.步骤s210，基于预设图像分割方法，对增强处理后的多个图像均进行图像分割处理，分割出每张图像的目标区域图像。
50.步骤s220，将消防器材图像进行粗提取，得到数据点，利用训练完成的神经网络模型对数据点进行消防器材的细提取，得到图像特征点以完成消防器材的检测。
51.步骤s230，获取图像特征点对应的样本类别向量，根据样本图像特征和样本类别向量放入向量机中进行训练，以获得预先训练完成的神经网络模型。
52.步骤s240，将样本图像特征作为向量机的输入特征，将样本类别向量作为向量机的输出特征对向量机进行训练，获得预先训练完成的神经网络模型。
53.步骤s250，根据图像处理、特征提取、灰度共生矩阵方法及局部二值化方法后的标签图像，构建出基于卷积神经网络回归的图像识别模型，将特征数据通过卷积神经网络回归的图像识别模型进行分类并标记上相对应的标签。
54.在一些实施方式中，待所有图像标签标记完成后，对每一张已有标签的图像均进行真彩色增强处理；其中，真彩色增强处理为图像色彩保持不变，则图像亮度增强；
55.基于预设的彩色图像分割方法，对每一张真彩色增强处理后的原始皮肤热成像图像均进行图像分割处理，分割出每一张已有标签的目标区域图像；
56.对已分割出的每一个目标区域图像的近似熵和样本熵进行提取并作为主要特征，且进一步使用颜色统计特征提取方法、灰度共生矩阵方法及局部二值化方法，对已分割出的每一个目标区域图像的颜色直方图、颜色矩、能量、对比度、纹理熵、纹理相关、图像局部二值化特征进行提取并作为补充特征。
57.应当说明的是，对每一张已有标签的图像均进行真彩色增强处理的具体步骤包括：将每一张已有标签的图像中的r、g、b分量均对应转换为h、i、s分量来表示；利用灰度线性变换方法，增强每一张已有标签的图像中已转换的i分量；待每一张灰度线性变换后的图像中i分量增强后，将每一张灰度线性变换后的图像的h、i、s分量逆转换为r、g、b分量来表示，得到每一张真彩色增强处理后的图像。
58.实施例3
59.请参阅图3，图3为本发明实施例提供的一种基于深度学习的消防器材图像识别系统模块示意图，其如下所示：
60.采集模块10，用于采集消防器材图像信息，对采集的消防器材图像进行处理，获取消防器材图像；
61.特征提取模块20，用于对消防器材图像进行特征提取，得到图像特征点；
62.特征数据模块30，用于将图像特征点输入至预先训练完成的神经网络模型中，输出图像特征点对应的特征数据；
63.分类模块40，用于将特征数据进行分类并标记上相对应的标签。
64.如图4所示，本技术实施例提供一种电子设备，其包括存储器101，用于存储一个或多个程序；处理器102。当一个或多个程序被处理器102执行时，实现如上述第一方面中任一项的方法。
65.还包括通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
66.其中，存储器101可以是但不限于，随机存取存储器101(random access memory，ram)，只读存储器101(read only memory，rom)，可编程只读存储器101(programmable read
‑
only memory，prom)，可擦除只读存储器101(erasable programmable read
‑
only memory，eprom)，电可擦除只读存储器101(electric erasable programmable read
‑
only memory，eeprom)等。
67.处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器102，包括中央处理器102(central processing unit，cpu)、网络处理器102(network processor，np)等；还可以是数字信号处理器102(digital signal processing，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
68.在本技术所提供的实施例中，应该理解到，所揭露的方法及系统和方法，也可以通过其它的方式实现。以上所描述的方法及系统实施例仅仅是示意性的，例如，附图中的流程
图和框图显示了根据本技术的多个实施例的方法及系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
69.另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
70.另一方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器102执行时实现如上述第一方面中任一项的方法。所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器101(rom，read
‑
only memory)、随机存取存储器101(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
71.综上所述，本技术实施例提供的一种基于深度学习的消防器材图像识别方法及系统，能够根据特征提取结果生成图像识别结果以此实现对消防器材图像的高效识别，也提高了对批量消防器材图像的处理速度，便于快速定位消防器材图像对应的消防器材对象。图像处理及目标区域分割后，对分割后的图像进行标签标记，提取目标区域图像特征数据通过使用卷积神经网络来完成图像识别模型的构建，实现对消防器材图像的识别，不仅快速便捷，而且精确度高，提高了识别的可靠性，还省时省力。
72.以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
73.对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其它的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。