【技術實現步驟摘要】
所屬的技術人員能夠理解，本專利技術提供的于物聯網平臺的目標檢測方法各個方面可以實現為系統、方法或程序產品。因此，本公開的各個方面可以具體實現為以下形式，即：完全的硬件實施方式、完全的軟件實施方式(包括固件、微代碼等)，或硬件和軟件方面結合的實施方式，這里可以統稱為“電路”、“模塊”或“系統”。在儲存于物聯網平臺的目標檢測方法的非暫態計算機可讀存儲介質中，可以為但不限于電、磁、光、電磁、紅外線、或半導體的系統、裝置或器件，或者任意以上的組合。可讀存儲介質的更具體的例子(非窮舉的列表)包括：具有一個或多個導線的電連接、便攜式盤、硬盤、隨機存取存儲器(ram)、只讀存儲器(rom)、可擦式可編程只讀存儲器(eprom或閃存)、光纖、便攜式緊湊盤只讀存儲器(cd-rom)、光存儲器件、磁存儲器件、或者上述的任意合適的組合。盡管通過參考附圖并結合優選實施例的方式對本專利技術進行了詳細描述，但本專利技術并不限于此。在不脫離本專利技術的精神和實質的前提下，本領域普通技術人員可以對本專利技術的實施例進行各種等效的修改或替換，而這些修改或替換都應在本專利技術的涵蓋范圍內/任何熟悉本的技術人員在本專利技術揭露的技術范圍內，可輕易想到變化或替換，都應涵蓋在本專利技術的保護范圍之內。
技術介紹
1、目標檢測技術是一種基于圖像或視頻數據進行自動分析，從輸入數據中準確檢測出目標物體的位置、大小以及類別的技術。隨著物聯網技術的快速發展，目標檢測技術在安防監控、智能交通及工業監控等領域廣泛應用。現有的目標檢測系統在實時性、檢測精度以及嵌入設備上的運行效率方面仍
2、目前雖然有一些深度學習的目標檢測算法，例如yolo系列，已經在精度和速度上取得了顯著的進步，但在實際應用中，大多基于深度學習的目標檢測模型體積較大，而嵌入式設備的硬件性能有限，限制了這些深度學習模型的直接應用，而且深度學習模型在進行前向推理時需要大量的計算資源，尤其對于目標檢測人員中保護多個物體的復雜場景，計算量更是巨大，無法滿足實時應用的需求。此外，現有的目標檢測系統在數據傳輸、展示以及檢測結果的事實監測與優化方法也存在不足，無法進行直觀實時的結果展示。
3、此為現有技術的不足，因此，針對現有技術中的上述缺陷，提供一種基于物聯網平臺的目標檢測方法、系統、設備及介質，是非常有必要的。
技術實現思路
1、針對上述現有目標檢測方式在實際應用中，仍然面臨著模型過大、計算量過高以及難以在嵌入式設備上高效運行的缺陷，本專利技術提供一種基于物聯網平臺的目標檢測方法、系統、設備及介質以解決上述技術問題。
2、第一方面，本專利技術提供一種基于物聯網平臺的目標檢測方法，包括如下步驟：
3、s1.在原有目標檢測模型的基礎上進行改進得到目標檢測模型訓練網絡，使用目標檢測模型訓練網絡，并結合采集的圖像數據集對原有的目標檢測模型進行訓練；
4、s2.將訓練好的目標檢測模型導出并進行優化，再將優化的目標檢測模型轉換為智能攝像頭設備可執行的模型文件；
5、s3.智能攝像頭設備加載模型文件，使用模型文件對實時視頻流進行處理，得到目標檢測結果；
6、s4.通過物聯網展示平臺對智能攝像頭設備的目標檢測結果進行展示和監測，并在目標檢測結果不符合要求時，對目標檢測結果進行優化。
7、進一步地，步驟s1具體步驟如下：
8、s11.獲取原有基于yolov7算法的目標檢測模型；
9、s12.在原有yolov7算法基礎上對多分支堆疊模塊進行改進，引入了特征學習組件得到改進版多分支堆疊模塊；
10、s13.為原有基于yolov7算法的目標檢測模型構建輔助分支，在輔助分支中引入特征拆分模塊和特征融合模塊，并使用特征拆分模塊和特征融合模塊融合改進版多分支堆疊模塊和卷積操作，再將輔助分支與原有基于yolov7算法的目標檢測模型疊加得到目標檢測模型的訓練網絡；
11、s14.使用智能攝像頭設備采集的圖像和目標檢測圖片構建圖像數據集，并圖像數據集劃分為訓練集和測試集；
12、s15.通過目標檢測模型的訓練網絡使用訓練集對原有yolov7算法的目標檢測模型進行訓練，并在訓練完成后使用測試集進行驗證。
13、進一步地，步驟s12具體步驟如下：
14、s121.通過在多個并行路徑進行不同的特征提取；
15、s122.使用特征學習組件代替卷積學習特征；
16、s123.在不同深度的層之間插入聚合節點對不同分支的特征圖進行融合，得到改進版多分支堆疊模塊。
17、進一步地，步驟s13具體步驟如下：
18、s131.獲取原有基于yolov7算法的目標檢測模型的輸入和輸出，分別作為輸入分支和輸出分支；
19、s132.為輸入分支使用卷積和改進版多分支堆疊模塊構建輸入輔助分支；
20、s133.為每個輸出分支使用卷積和改進版多分支堆疊模塊構建輸出輔助分支；
21、s134.將原有基于yolov7算法的目標檢測模型的輸入同時與輸入輔助分支的前端連接；
22、s135.將原有基于yolov7算法的目標檢測模型的各輸出使用特征拆分模塊進行拆分；
23、s136.將每個特征拆分模塊的拆分結果與輸入輔助分支的后端以及每個輸出輔助分支的前端使用特征融合模塊進行融合，得到目標檢測模型的訓練網絡，其中原有基于yolov7算法的目標檢測模型的輸入為目標檢測模型的訓練網絡的輸入，而各輸出輔助分支的輸出為目標檢測模型的訓練網絡的輸出；
24、步驟s14具體步驟如下：
25、s141.使用抽幀法按照設定比例從智能攝像頭設備采集的圖像中抽取數據源圖片；
26、s142.根據需要檢測的目標及數量從公共的目標檢測數據集中選取對應數量的目標圖片；
27、s143.將數據源圖片和目標圖片構建圖像數據集，并將數據源圖片標記為輸入部分，而將目標圖片部分標記為輸出部分；
28、s144.將圖像數據集按照設定比例劃分為訓練集和測試集。
29、進一步地，步驟s2具體步驟如下：
30、s21.訓練好的目標檢測模型導出為onxx格式；
31、s22.將onxx格式的目標檢測模型通過剪枝方式去除重要性低于閾值的權重和節點，并將模型的權重和激活值從浮點數轉換為精度低于閾值的整數，再合并目標檢測模型中連續的計算層；
32、s23.將優化后的目標檢測模型的onxx格式文件生成智能攝像頭設備可執行的模型文件，并向智能攝像頭設備下發。
33、進一步地，步驟s3具體步驟如下：
34、s31.預先在智能攝像頭設備配置可執行的模型文件的運行環境和自啟動腳本，所述運行環境包括依賴庫、驅動程序以及加速庫；
35、s32.智能攝像頭設備使用依賴庫中的opencv庫獲取實時視頻流，本文檔來自技高網...
【技術保護點】
1.一種基于物聯網平臺的目標檢測方法，其特征在于，包括如下步驟：
2.如權利要求1所述的基于物聯網平臺的目標檢測方法，其特征在于，步驟S1具體步驟如下：
3.如權利要求2所述的基于物聯網平臺的目標檢測方法，其特征在于，步驟S12具體步驟如下：
4.如權利要求2所述的基于物聯網平臺的目標檢測方法，其特征在于，步驟S13具體步驟如下：
5.如權利要求2所述的基于物聯網平臺的目標檢測方法，其特征在于，步驟S2具體步驟如下：
6.如權利要求5所述的基于物聯網平臺的目標檢測方法，其特征在于，步驟S3具體步驟如下：
7.如權利要求6所述的基于物聯網平臺的目標檢測方法，其特征在于，步驟S4具體步驟如下：
8.一種基于物聯網平臺的目標檢測系統，其特征在于，包括：
9.一種電子設備，其特征在于，包括處理器和存儲器；
10.一種存儲介質，其特征在于，
【技術特征摘要】
1.一種基于物聯網平臺的目標檢測方法，其特征在于，包括如下步驟：
2.如權利要求1所述的基于物聯網平臺的目標檢測方法，其特征在于，步驟s1具體步驟如下：
3.如權利要求2所述的基于物聯網平臺的目標檢測方法，其特征在于，步驟s12具體步驟如下：
4.如權利要求2所述的基于物聯網平臺的目標檢測方法，其特征在于，步驟s13具體步驟如下：
5.如權利要求2所述的基于物聯網平臺的目標...
【專利技術屬性】
技術研發人員：婁文，王珂，于福勇，張再勝，袁江逸，
申請(專利權)人：浪潮智慧科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。