(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210877409.6 (22)申请日 2022.07.25 (71)申请人 福建省海峡智汇科技有限公司 地址 361112 福建省厦门市同安区五显镇 五显街23 3号 (72)发明人 林旭　李密　陈旭　陈佳期　 唐光铁　曾远强　卢雨畋　周小报　 (74)专利代理 机构 厦门福贝知识产权代理事务 所(普通合伙) 35235 专利代理师 陈远洋 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于神经网络目标检测的厂区工装检 测方法及系统 (57)摘要 本申请实施例提供的一种基于神经网络目 标检测的厂区工装检测方法及系统， 包含了对数 据集进行划分、 损失函数与目标函数的设计、 目 标检测模型的训练与推理等。 此处使用的目标检 测模型主要采用YOL Ov6模型， 也 即YOLO架构的目 标检测框架。 针对工作服样本图像的训练样本数 据集进行划分， 主要采用二分类来进行区分判断 是否有穿戴工装， 将数据集传入目标检测框架中 生成相应的检测模型， 最终即可得到推理检测的 结果。 权利要求书2页 说明书7页 附图7页 CN 115131339 A 2022.09.30 CN 115131339 A 1.一种基于神经网络目标检测的厂区工装检测方法， 其特 征在于， 包括以下步骤： S1、 获取多张工作服样本图像， 对所述工作服样本图像标注标签， 将全部的所述工作服 样本图像及其对应的标签确定为训练样本数据集； S2、 将所述训练样本数据集按比例划分为训练集、 验证集和 测试集； S3、 构建目标检测模型： 将所述训练样本数据 集中的图像输入到backbone网络中， 根据 所述backbone网络中的三层输出， 在neck层通过Rep ‑PAN网络继续输出三层不同尺寸大小 的特征图， 将所述特征图输入到head层中， 并且对所述特征图进 行三类任务预测； 构建所述 目标检测模型的损失函数； S4、 将所述训练集输入到构建好的所述目标检测模型中进行训练， 所述损失函数不断 迭代至收敛， 获得最优网络权重， 所述目标检测模 型通过所述验证集进 行预测， 并通过所述 测试集进行测试验证； 以及 S5、 设置固定阈值， 并根据所述固定阈值输出目标检测结果。 2.根据权利要求1一种基于神经网络目标检测的厂区工装检测方法， 其特征在于， 在步 骤S3中， 将所述训练样本数据集中的图像输入到backbo ne网络中， 包括以下子步骤： S311、 输入640*640*3的所述训练样本数据集中的图像到所述backbone网络中， 通过 stem层输出为320 *320*3*2的图像； S312、 所述stem层连接多个ERBlock， 每个所述ERB lock均做特征层的下采样和channel 的增大， 每个所述ERBlock由一个RVB和一个RB组成， 在所述RVB中做特征层的下采样， 同时 channel增大， 在所述RB中对特 征层充分融合后输出； 以及 S313、 最后， 所述backbo ne网络输出三个特 征图。 3.根据权利要求1一种基于神经网络目标检测的厂区工装检测方法， 其特征在于， 在步 骤S3中， 在neck层通过Rep ‑PAN网络继续输出三层不同尺寸大小的特征图， 包括以下子步 骤： S321、 从ERB5输出20*20*512的特征图， 通过SConv将所述特征图变成20*20*128大小， 上采样后真实框高度h和真实框宽度w增大一倍后与ERB4的输出特征图在channel层上进行 特征融合后， 所述特 征图的尺寸变成40 *43*84， 通过RB后， 输出40 *40*128特征图； S322、 重复执 行步骤S321后， 输出第一个所述特 征图； S323、 将80*80*64的特征图先通过所述SConv下采样， 得到40*40*64的特征图， 与步骤 S321中的真实框高度h和真实框宽度w一致的特征图在channel层上特征融合后， 通过 RB后， 输出第二个所述特 征图； 以及 S324、 重复执 行步骤S323， 输出第三个所述特 征图。 4.根据权利要求1一种基于神经网络目标检测的厂区工装检测方法， 其特征在于， 在步 骤S3中， 将所述特征图输入到head层中， 并且对所述特征图进 行三类任务预测， 包括以下子 步骤： S331、 从neck层输出三个分支， 对于每个分支， 先对输出的所述特征图通过BConv层， 进 行所述特征图的特 征融合； S332、 对步骤S331中进行所述特征图的特征融合后， 分成两个分支， 一个分支通过 BConv+Conv完成分类任务的预测， 另外一个 分支先通过BConv融合特征后再分成两个 分支， 一个分支通过Co nv完成边框的回归， 另一个分支通过Co nv完成前后背景的分类； 以及权　利　要　求　书 1/2 页 2 CN 115131339 A 2S333、 三个分支再通过c hannel层进行 特征融合， 输出 预测结果。 5.根据权利要求1一种基于神经网络目标检测的厂区工装检测方法， 其特征在于， 在步 骤S120中， 将所述训练样本数据集按8 :1:1的比例划分为训练集、 验证集和 测试集。 6.根据权利要求1一种基于神经网络目标检测的厂区工装检测方法， 其特征在于， 在步 骤S3中， 所述损失函数为SIOU损失函数， 表达式为： SIOU＝DIOU+β v 其中， DIOU是距离损失函数， β 是权重系数， v用来衡量预测框和真实框之间的长宽比的 相似性； 其中， w、 h分别是 预测框和真实框对应的宽度和高度。 7.根据权利要求1一种基于神经网络目标检测的厂区工装检测方法， 其特征在于， 还包 括设置所述目标检测模型的路径传 入， 设置所述训练样本数据集读取路径传给所述目标检 测模型。 8.根据权利要求1一种基于神经网络目标检测的厂区工装检测方法， 其特征在于， 还包 括通过调节epoc h、 batchsize参数控制所述目标检测模型的训练迭代次数、 迭代图片大小。 9.一种基于神经网络目标检测的厂区工装检测系统， 其特 征在于， 所述系统包括： 获取模块， 用于获取多张工作服样本图像， 对所述工作服样本图像标注标签， 将全部的 所述工作服样本图像及其对应的标签确定为训练样本数据集； 划分模块， 用于将所述训练样本数据集按比例划分为训练集、 验证集和 测试集； 目标检测模块， 用于构建目标检测模型： 将所述训练样本数据集中的图像输入到 backbone网络中， 根据所述backbone网络中的三层输出， 在neck层通过 Rep‑PAN网络继续输 出三层不同尺寸大小的特征图， 将所述特征图输入到head层中， 并且对所述特征图进行三 类任务预测； 构建所述目标检测模型的损失函数； 优化模块， 用于将所述训练集输入到构建好的所述目标检测模型中进行训练， 所述损 失函数不断迭代至收敛， 获得最优网络权重， 所述目标检测模 型通过所述验证集进 行预测， 并通过所述测试集进行测试验证； 以及 输出模块， 用于设置固定阈值， 并根据所述固定阈值输出目标检测结果。 10.一种计算机可读存储介质， 所述介质中存储有计算机程序， 在所述计算机程序被处 理器执行时， 实施如权利要求1 ‑8中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115131339 A 3