本發(fā)明涉及深度學習的目標檢測，具體涉及一種基于輕量化模型的泵房異常檢測方法。

背景技術(shù)：

1、近年來，隨著我國經(jīng)濟高速發(fā)展和城市化水平的不斷提高，國內(nèi)城市中高層建筑的數(shù)量不斷增加，高層建筑二次供水已成為城市供水的重要部分。城市自來水或飲用水二次供水，是指從城市或城鎮(zhèn)公共給水管道取水，經(jīng)過儲水設(shè)施加壓后再供給管網(wǎng)末檔即用戶的供水方式。外來人員或動物的闖入可能導致二次供水設(shè)備無法正常運行，為了能為用戶提供更加穩(wěn)定安全的生活飲用水，二次供水泵房內(nèi)的異常監(jiān)測十分重要。

2、泵房的監(jiān)控系統(tǒng)通常為嵌入式設(shè)備，嵌入式系統(tǒng)是專門為特定需求提供服務(wù)的，該系統(tǒng)有軟硬件可裁剪、體積小和處理實時性高等特點。但當前深度學習目標檢測模型都需要完成大規(guī)模的集群運算與神經(jīng)網(wǎng)絡(luò)訓練，這對于邊緣設(shè)備來說過于龐大，對于要將其直接部署到嵌入式設(shè)備要面臨著無法運行、存儲不足等問題。所以研究小而高效的輕量目標檢測模型并將其同嵌入式設(shè)備結(jié)合運用是至關(guān)重要。

3、因此，為了深度學習模型能在泵房監(jiān)控等嵌入式設(shè)備上穩(wěn)定運行和實時檢測，本發(fā)明提出一種基于輕量化模型的泵房異常檢測方法。

技術(shù)實現(xiàn)思路

1、鑒于此，本發(fā)明提供了一種基于輕量化模型的泵房異常檢測方法，以解決解決原yolov5s模型在嵌入式設(shè)備上占用內(nèi)存大和檢測速度慢的問題。

2、本發(fā)明解決上述技術(shù)問題的技術(shù)方案如下：一種基于輕量化模型的泵房異常檢測方法，包括：

3、構(gòu)建yolov5s-nsfnet，在泵房數(shù)據(jù)集上訓練輕量化模型yolov5s-nsfnet，將訓練后的yolov5s-nsfnet在泵房嵌入式設(shè)備上應用，檢測泵房監(jiān)控攝像頭記錄的異常圖像；

4、其中所述yolov5s-nsfnet網(wǎng)絡(luò)結(jié)構(gòu)中的主干網(wǎng)絡(luò)為輕量級網(wǎng)絡(luò)結(jié)構(gòu)fasternet；

5、所述網(wǎng)絡(luò)結(jié)構(gòu)fasternet具有四個層次級，每個層次級之前各具有嵌入層embedding或一個合并層merging，用于空間下采樣和通道數(shù)擴展；

6、每個層次級中均具有fasternet?block，用于網(wǎng)絡(luò)特征提??；

7、每個fasternet?block均具有一個pconv層、兩個pwconv或conv?1×1層；在中間層的pconv或conv?1×1層中設(shè)有bn層和relu層；

8、在第一個fasternet?block中加入通道注意力機制se，提取特征圖的權(quán)重。

9、具體地，所述泵房數(shù)據(jù)集的獲取方法為：

10、通過泵房監(jiān)控攝像頭收集泵房現(xiàn)場實時有異常的圖像；異常的圖像包括帶有安全帽和吸煙目標的圖像；

11、對圖像中的安全帽和吸煙目標進行標注，制成數(shù)據(jù)集。

12、具體地，所述在第一個fasternet?block中加入通道注意力機制se，提取特征圖的權(quán)重：

13、輸入特征圖經(jīng)過se通道注意力模塊得到輸出特征圖和各個通道的權(quán)重；

14、再將權(quán)重進行降序排列，并將每個權(quán)重對應通道的特征圖進行重新排序；

15、最后通過pconv時，用于空間特征提取的cp作用在權(quán)重較大的前cp個通道上，將剩余c-cp個通道進行拼接，得到最終輸出特征圖。

16、具體地，將yolov5s網(wǎng)絡(luò)結(jié)構(gòu)的損失函數(shù)調(diào)整為nwd，提高小目標的檢測精度；

17、所述nwd為：

18、將邊界框建模為2d高斯分布，通過邊界框?qū)母咚狗植加嬎氵吔缈蛑g的相似性；假設(shè)邊界框r＝(cx,cy,w,h)，對于兩個邊界框ra＝(cxa,cya,wa,ha)，rb＝(cxb,cyb,wb,hb)其二階wasserstein距離定義為：

19、

20、采用歸一化后的指數(shù)得到歸一化的wasserstein距離：

21、

22、其中c是一個跟數(shù)據(jù)集相關(guān)的常數(shù)，基于nwd的損失函數(shù)lnwd：

23、lnwd＝1-nwd(na,nb)。

24、本發(fā)明提供了種基于輕量化模型的泵房異常檢測方法，該方法通過替換主干網(wǎng)絡(luò)降低模型參數(shù)量和計算量，提升檢測速度；加入se通道注意力和替換損失函數(shù)為nwd，來保證輕量化后模型的精度，本發(fā)明改進后的模型可在嵌入式設(shè)備上穩(wěn)定運行和實時檢測目標。

25、經(jīng)過輕量化后的模型yolov5s-nsfnet在泵房數(shù)據(jù)集上有較好的檢測效果，并且在jetson等嵌入式設(shè)備上，解決了直接部署深度學習模型可能導致內(nèi)存不足和無法實時檢測等問題。

技術(shù)特征：

1.一種基于輕量化模型的泵房異常檢測方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的一種基于輕量化模型的泵房異常檢測方法，其特征在于，所述泵房數(shù)據(jù)集的獲取方法為：

3.根據(jù)權(quán)利要求1所述的一種基于輕量化模型的泵房異常檢測方法，其特征在于，所述在第一個fasternet?block中加入通道注意力機制se，提取特征圖的權(quán)重：

4.根據(jù)權(quán)利要求1所述的一種基于輕量化模型的泵房異常檢測方法，其特征在于，將yolov5s網(wǎng)絡(luò)結(jié)構(gòu)的損失函數(shù)調(diào)整為nwd，提高小目標的檢測精度；

技術(shù)總結(jié)
本發(fā)明公開了一種基于輕量化模型的泵房異常檢測方法，包括：構(gòu)建Yolov5s?NSFnet，在泵房數(shù)據(jù)集上訓練輕量化模型Yolov5s?NSFnet，將訓練后的Yolov5s?NSFnet在泵房嵌入式設(shè)備上應用，檢測泵房監(jiān)控攝像頭記錄的異常圖像；其中所述Yolov5s?NSFnet網(wǎng)絡(luò)結(jié)構(gòu)中的主干網(wǎng)絡(luò)為輕量級網(wǎng)絡(luò)結(jié)構(gòu)Fasternet；在第一個Fasternet?block中加入通道注意力機制SE，提取特征圖的權(quán)重。本發(fā)明通過替換主干網(wǎng)絡(luò)降低模型參數(shù)量和計算量，提升檢測速度；加入SE通道注意力和替換損失函數(shù)為NWD，來保證輕量化后模型的精度，改進后的模型可在嵌入式設(shè)備上穩(wěn)定運行和實時檢測目標。

技術(shù)研發(fā)人員：喻勇濤,鞏俊辰,魯曉強,劉超,張堃,朱琳琳
受保護的技術(shù)使用者：沈陽航空航天大學
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15