一种面向工地监控的图像识别模型准确度提升方法与流程

1.本发明涉及人工智能图像识别技术领域，更具体地说，涉及一种面向工地监控的图像识别模型准确度提升方法。


背景技术：

2.现有技术中，基于深度学习的图像识别技术已经成为了工程界的主流，针对深度学习技术路线而言，提升图像识别准确率主要有以下几种办法：1、足够多的样本数据。这是最简单也最可靠的解决办法，深度学习模型的准确程度主要取决于样本数据，而增加验证准确性的最简单方法就是添加更多数据。除增加原始样本外，一般可以通过图像增强或者生成对抗网络补充样本。2、改进模型和训练强度。比如向模型中添加更多层可以增强它更深入地学习数据集特性的能力，因此它将能够识别出细微差异。增加训练轮次也可以提升模型准确度，但当训练轮次增加到一定程度后，模型准确度提升将变得极为缓慢甚至可能降低。3、迁移学习和调参优化。通过使用预训练的模型，并进行参数调谐。
3.而建设工地是安全监控的重要领域，但大量的建筑工地既有共同点，也有差异，这就造成人工智能图像识别模型需要处于一个不断迭代更新的模式。在建设工地安防监控中使用的人工智能模型，可以分为两类：其一是与环境背景关联较小的应用，例如不带安全帽、抽烟；其二是和环境背景关联较大的应用，例如厂区脚手架施工等。针对第一类，所有建设工地可以采用通用模型进行实现；而针对第二类不同的建设工地采用个性化模型进行支撑。
4.有鉴于此，如何设计一种方法，其能够在实际应用中不断提升人工智能图像识别模型的精度，成为了我们思考的方向。


技术实现要素：

5.本发明克服了现有技术的不足，提供了一种面向工地监控的图像识别模型准确度提升方法，其能够自动捕捉样本，供后台训练以及评估使用，进而产生出新的模型，实现能够不断改进模型识别准确度的目的。
6.为实现上述目的，本发明提供了如下技术方案：一种面向工地监控的图像识别模型准确度提升方法，包括以下步骤：s1、在现有开源、开放的模型中选取两个作为迁移学习基础模型，并在基础样本集、测试集上进行图像识别训练、评估，得出精度和召回率；s2、权衡精度和召回率，使用f1分数作为信度函数，f1分数是对精度和召回率的调和平均，f1=2*precision*recall/（precision recall）；s3、针对同一目标问题，采用不同样本集训练两个人工智能识别模型，即模型a和模型b；s4、根据模型a和模型b在测试集的表现，为f1(a)和f1(b)定义优先级；s5、将模型a和模型b部署在边端设备上；
s6、在边端设备进行目标识别过程中，当模型a和模型b结果出现差异时，将差异图像上传至平台侧进行人工确认，确认的结果作为对模型a和模型b的评价，并累计之，同时将差异图像保存到样本库；s7、当差异信度函数大于阈值设定时，即abs(f1(a)-f1(b))》阈值t，对评价分值f1较低的模型进行更新，由于只更新一个模型，边端设备上的模型会始终存在差异，形成更新驱动力。
7.本发明的有益效果：本发明的一种面向工地监控的图像识别模型准确度提升方法，其能够自动捕捉样本，供后台训练以及评估使用，进而产生出新的模型，实现能够不断改进模型识别准确度的目的。
附图说明
8.图1为本发明具体实施例的结构框图；图2为本发明的流程示意图。
具体实施方式
9.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
10.如图1-2所示，一种面向工地监控的图像识别模型准确度提升方法，包括以下步骤：s1、在现有开源、开放的模型中选取两个作为迁移学习基础模型，并在基础样本集、测试集上进行图像识别训练、评估，得出精度和召回率；s2、权衡精度和召回率，使用f1分数作为信度函数，f1分数是对精度和召回率的调和平均，f1=2*precision*recall/（precision recall）；s3、针对同一目标问题，采用不同样本集训练两个人工智能识别模型，即模型a和模型b；s4、根据模型a和模型b在测试集的表现，为f1(a)和f1(b)定义优先级；s5、将模型a和模型b部署在边端设备上；s6、在边端设备进行目标识别过程中，当模型a和模型b结果出现差异时，将差异图像上传至平台侧进行人工确认，确认的结果作为对模型a和模型b的评价，并累计之，同时将差异图像保存到样本库；s7、当差异信度函数大于阈值设定时，即abs(f1(a)-f1(b))》阈值t，对评价分值f1较低的模型进行更新，由于只更新一个模型，边端设备上的模型会始终存在差异，形成更新驱动力。
11.在本发明中，技术方案整体上针对的是两级部署的应用方式，而技术方案在逻辑上可分为三个主要部分，即a、云侧-云端集团；b、软件/模型/样本分发机制；c、边侧-建筑工地。
12.a、关于云侧的功能实现1、针对不同工地建设样本仓库、模型库个性化管路模块；管理每个工地的个性化样本和模型；2、模型评估集管理和指标体系；建立评估标准，从样本中按统计方法选取模型评估集，建立模型评价指标体系；3、模型训练；从云端集团（即云侧）的样本库和建筑工地样本仓库中按m:n比例提取样本，从而训练边侧模型，其中m、n的数值按工程需要调整。
13.而具体工作包括：1、数据收集：常见的数据来源是采集、购买或其他方式获取现有数据。
14.2、数据理解：获取到原始数据之后，分析数据里面有什么内容、数据准确性如何，为下一步的预处理做准备。
15.3、数据预处理：原始数据可能会有环境影响或者干扰因素，所以为了保证预测的准确性和有效性，需要进行数据增强。常见的比如调整照片亮度、对比度、锐化等等。
16.4、特征提取：将数据里有用的，有典型特征的抽取出来。
17.5、模型构建：依托常用框架（tensorflow、pytorch、darknet（yolov4）、百度飞桨），使用适当的算法，获取预期准确的值。
18.6、模型评估：通常对一个模型进行评估的标准有准确率、查全率；查准率=检索出的相关信息量/检索出的信息总量；查全率=检索出的相关信息量/系统中的相关信息总量；计算f1分数。
19.7、模型训练：根据模型评估的结果，对模型进行不断的训练甚至是调整，以达到更好的效果。
20.8、生成可下发的模型：将模型部署、应用到实际场景中。
21.b、软件/模型/样本分发机制docker镜像仓库使用流程步骤如下：1、云端搭建harbor仓库；推理模型镜像上传至harbor；云侧安装portainer管理工具； 2、利用portainer代理将边端注册到云侧；3、边端定期拉取/更新ai识别模型镜像；4、边端创建数据卷容器； 5、挂载数据卷容器，建立模型数据的映射关系，启动推理模型容器；6、实现ai识别模型同步至边端数据卷容器中，边侧启动应用程序容器，挂载含有ai识别模型的数据卷容器，实现ai识别模型同步至应用系统容器中，应用系统便可实现ai识别工作。
[0022] c：边侧模型同步机制： 1、模型和样本采用public/subscribe模式；2、模型描述依据基准测试集建立指标体系；3、样本上传通过数据中台通道；4、同步策略如本模型更新方法所述。
[0023]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，
任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。