CN114627286B 基于PSPNet和改进YOLOv4的地磅人员入侵的检测方法 （南京理工大学）

基于PSPNet和改进YOLOv4的地磅人员入侵本发明提供了一种基于PSPNet和改进摄像头采集的实时视频流进行图像的截取和预员和地磅的相对位置，判定人员停留在地磅上2整理为VOC格式数据集；步骤4、将地磅图片数据集传入到设定好初始训练超参数的PSPNet语义分割网络进行训练PSPNet语义分割模型并识别空闲地磅区域，具体训练超参数设置和损失函数如像素级识别地磅区域的PSPNet语义分割模(1)将监控视频分帧后的图片以添加灰条的方式进行不失真预处理，通过Resnet50主干特征提取网络提取出不同尺度的Featu步骤5、将人员和车辆数据集传入到设定好初始训练超参数的改进YOLOv4目标检测模改进YOLOv4为：将原始的YOLOv4目标检测模型中的主干特征将这些普通卷积块中的普通卷积操作改为逐通道和逐点的深度可分离卷积32.根据权利要求1所述的基于PSPNet和改进YOLOv4的地磅称重人员入侵的检测方法，3.根据权利要求2所述的基于PSPNet和改进YOLOv4的地磅称重人员入侵的检测方法，真实框的中心点的欧式距离；c表示同时包含预测框和真实框的最小闭包区域的对角线距4.根据权利要求1所述的基于PSPNet和改进YOLOv4的地磅称重人员入侵的检测方法，(2)将监控视频分帧后的图片以添加灰条的方式进行不失真预处理，使用主干特征提(3)使用SPP空间金字塔池化结构和PANet路径聚合结构作为加强特征提取网络，进行(4)将得到的先验框中心的调整参数再结合宽高调整参数来确定预测框的长宽和位4导致称重数据记录错误的作弊方式是一个急需[0004]针对以上问题，需要分别识别出准确的地磅区域以及车辆和人员两个目标对象,目前大多数解决方案采用的还是传统的图像分割技术和红外辐射成像等图像识别检测技5[0011]步骤4、将地磅图片数据集传入到设定好初始训练超参数的PSPNet语义分割网络[0012]步骤5、将人员和车辆数据集传入到设定好初始训练超参数的改进YOLOv4目标检出视频内的人员违法入侵现象：称重状态下，判断改进YOLOv4识别出的人员预测框与PSPNet分割出的地磅区域的相对位置，对人员预测框从下至上截取人体腿部区域的矩形[0017](1)使用PSPNet语义分割网络像素级识别地磅区域，像素识别精度高，PA值达到[0018](2)使用改进的YOLOv4模型识别车辆和人员，对目标的检测精度高，mAP值达到[0020](4)结合PSPNet语义分割模型和YOLOv4目标检测模型，可实时分析称重的状态信6[0033]步骤1、通过各个厂区的各个地磅区域的监控摄像机采集历史监控视频，利用张空闲地磅图片和2860张人员与车辆图片作为原集共同组成最终数据集，最终空闲地磅数据集和人员车辆数据集，数量分别总计994张和VOC2007格式的数据集并以8:2的比例将其分为训练集和测试分类的准确度(PA)以及FPS作为识别地磅区域效果的评价指标评价[0038]4.1、设置最大迭代次数为10000次，个epoch，训练过程中的学习率为0.00001，批量大小为8；训练过程中使用交叉熵损7[0043]Diceloss将语义分割的评价指标作为Loss，Dice系数是一种集合相似度度[0046]4.2、使用训练好的PSPNet模8数据集出入改进YOLOv4模型中训练，使用训练好的改进YOLOv4模型识别称重车辆和人员，学习率为0.001，批量大小为32，模型解冻后再训练50个世代，解冻训练过程中用的损失函数由边界框回归损失Lciou、置信度9框和真实框的中心点的欧式距离；c表示同时包含预测框和真实框的最小闭包区域的对角调整成大小为(3,608,608)，将处理后的图片作为输入传入主干特征提取网络MobileNet员两个类别。象的预测框进行置信度得分排序和非极大抑制筛选得到最接近目的检测分割出准确的地磅区域，改进Yolov4模型对监控视频分帧处理实时检测人员和车止非法人员在地磅称重时停留在地磅上导致称重数据异常