(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 202211111450.9 (22)申请日 2022.09.13 (71)申请人 重庆稹元创新科技有限责任公司 地址 400020 重庆市江北区铁山 坪街道海 尔路988号附19号2-10 (72)发明人 黄麟　肖岁寒　刘洋宏　杨成旭　 余智杰　 (51)Int.Cl. G06V 20/52(2022.01) G06V 20/40(2022.01) G06V 10/80(2022.01) G06V 10/10(2022.01) G06V 10/22(2022.01) G06N 3/04(2006.01) (54)发明名称 一种基于动态双特征池目标检测的环境异 常检测方法 (57)摘要 本发明涉及基于动态双特征池目标检测的 环境异常检测方法， 输入特征图后经过跨级分部 网络模块， 形成三个层级的输出特征； 将各个层 级的输出经过卷积网络进行特征分流， 形成半特 征通道图； 不同层级中分流的半特征通道图两两 汇集到特征池1和特征池2； 对不同层级的半特征 通道图进行按通道维度进行拼接融合； 融合的特 征再与原先层级的另一半输出进行二次融合； 最 后经过低特征消除模块和空间注意力模块得到 目标的特征和背景的弱化特征， 并输出至不同的 检测头中； 对前后帧关联图片进行目标定位， 分 析前后位移并获得目标运动轨迹特征； 通过对目 标特征、 弱化的背景特征及目标运动特征与预设 阈值进行判别。 本发明具有检测精准高、 干扰小、 误差小的优点。 权利要求书1页 说明书4页 附图3页 CN 115393800 A 2022.11.25 CN 115393800 A 1.一种基于动态双特 征池目标检测的环境异常检测方法， 其特 征在于， 包括以下步骤： S1： 输入特 征图后经 过跨级分部网络模块， 进行 特征分解， 形成三个层级的输出 特征； S2:将步骤S1中各个层级的输出经过减半通道数的卷积网络进行特征分流， 形成不同 的半特征通道图； S3:将步骤S2中不同层级中分流的半特 征通道图两 两汇集到特 征池1和特 征池2中； S4： 在特征池1和特征池2中对不同层级的半特征通道图进行按通道维度进行拼接融 合； S5： 将步骤S4中 融合后的特 征再与原先层级的另一半输出进行二次融合； S6： 最后经过低特征消除模块和空间注意力模块得到目标的特征和背景的弱化特征， 并输出至不同的检测头中； S7： 对前后帧关联图片进行目标定位， 分析 前后位移并获得目标运动轨 迹特征； S8： 通过对目标特征、 弱化的背景特征及目标运动特征及预设阈值进行判别， 检测环境 异常情况。 2.根据权利要求1所述的一种基于动态双特征池目标检测的环境异常检测方法， 其特 征在于， 步骤S1中形成三个层级的输出特征是经过特征图骨干网络的特征分解， 即输入图 片后经过两层跨级分部网络模块结构， 对图片按结构顺序进行 特征分解。 3.根据权利要求2所述的一种基于动态双特征池目标检测的环境异常检测方法， 其特 征在于， 步骤S3中进行特征汇集时汇入同一特征池种的为不同层级中的不同半特征通道 图。 4.根据权利要求3所述的一种基于动态双特征池目标检测的环境异常检测方法， 其特 征在于， 步骤S7中进 行对前后帧关联图片进行目标定位时 目标前后帧运动轨迹特征计算 公 式如下所示： 其中x,y,h,w为目标检测框中心点坐标及框高和框宽， i为帧数， FPS为固定 的帧率， 该 公式用于计算目标每秒移动距离， 用于目标运动轨 迹特征(轨迹向量)的计算。 5.根据权利要求4所述的一种基于动态双特征池目标检测的环境异常检测方法， 其特 征在于， 步骤S7中， 在帧与帧之 间， 使用二帧差 分法用于背 景的过滤， 只显示出目标特征， 而 弱化背景 特征， 其公式如下 所示： Di(x， y)＝|fi(x， y)‑fi‑1(x， y)| 其中， i为帧数， x,y为图片像素点坐标， T为二值化 阈值， 提取固定背景下的运动目标特 征。权　利　要　求　书 1/1 页 2 CN 115393800 A 2一种基于动态双特征池 目标检测的环境 异常检测方 法 技术领域 [0001]本发明涉及工业巡检技术领域， 特别是涉及一种基于动 态双特征池目标检测的环 境异常检测方法。 背景技术 [0002]在日常工业巡检过程中， AI图像识别成为最重要的环境感知识别技术之一， 但是 在实际应用效果中， 基于图像识别技术的工业巡检往往准确率偏低、 误检率偏高。 这是 因为 工业所处的环境往往不是恒定不变的， 而是动态多变的， 这是受工业现场的光照、 粉尘、 人 员流动、 生产强度的周期性变化、 相同场景不同员工作业的差异 性等因素影响。 应对上述因 素， 目前的处理办法更多 是被动的根据 环境变化， 调整算法模 型， 重新大量的采集样本数据 进行训练， 这 不仅造成技 术迭代的成本过高， 同时也 直接影响了 巡检工作的效率和连续 性。 [0003]针对环境异常的目标检测算法模型主要存在三个问题， 一是环境复杂， 需要检出 的目标受环境背景影响非常大， 现有技术很难区分不同大小且运动目标以及背景 的差别； 二是大多数环境异常检测需要检测 运动目标， 而背景变化较小， 但现有算法没法都属于静 态检测， 并没有关注运动目标与背景的联系， 从而提高检出率； 三是环境异常检测需要把目 标与其运动特征进行关联， 而现有目标检测算法仅检测每帧图片的目标而不分析其运动特 征， 导致检出率降低。 发明内容 [0004]针对上述现有技术的不足， 本专利申请所要解决的技术问题是如何提供一种检测 精准高、 干扰小、 误差小的基于动态双特 征池目标检测的环境异常检测方法。 [0005]为了解决上述 技术问题， 本发明采用了如下的技 术方案： [0006]一种基于动态双特 征池目标检测的环境异常检测方法， 包括以下步骤： [0007]S1： 输入特征图后经过跨级分部网络模块， 进行特征分解， 形成三个层级的输出特 征； S2:将步骤S1中各个层 级的输出经过减半通道数的卷积网络进 行特征分流， 形成不同的 半特征通道图； S 3:将步骤S2中不同层级中分流的半特征通道图两两汇 集到特征池1和特征 池2中； S4： 在特征池1和特征池2中对不同层级的半特征通道图进 行按通道维度进 行拼接融 合； S5： 将步骤S4中融合后的特征再与原先层级的另一半输出进行二次融合； S6： 最后经过 低特征消除模块和空间注意力模块得到目标的特征和背景的弱化特征， 并输出至不同的检 测头中； S7： 对 前后帧关联图片进 行目标定位， 分析前后位移并获得目标运动轨迹特征； S8： 通过对目标特征、 弱化的背景特征及目标运动特征及预设阈值进行判别， 检测环境异常情 况。 [0008]作为优化， 步骤S1中形成三个层级的输出特征是经过特征图骨干网络的特征分 解， 即输入图片后经 过两层跨级分部网络模块结构， 对图片按结构顺序进行 特征分解。 [0009]作为优化， 步骤S3中进行特征汇集时汇入同一特征池种的为不同层级中的不同半 特征通道图。说　明　书 1/4 页 3 CN 115393800 A 3