买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明涉及一种基于RetinaXNet的建筑夜景灯光异常检测方法，数据集采用均衡化处理，保留图像的纹理信息，降低图像复杂度。RetinaXNet网络的输入模块将视频帧缩减为224*224的图像，主干模块采用改进的残差结构提取图像的轮廓信息，检测头模块采用XNet网络加强信息的整合，进行分类与回归，输出模块按照缩减比例将图像重新恢复成原大小。本发明提出的RetinaXNet网络能够用于检测图像中的故障灯的位置以及故障分类，实现自动化检测异常，提高检测的正确率，降低误检的情况，为建筑夜景异常灯光的检测提供一种可靠的方法。

主权项：1.一种基于RetinaXNet的建筑夜景灯光异常检测方法，其特征在于，包括如下步骤：1构建初始夜景灯图像集合C并发送到GPU计算服务器进行存储；2对图像集合C进行处理得到数据集，并将数据集划分为训练集E和测试集T；3构建RetinaXNet网络模型；所述RetinaXNet网络模型包括输入模块、主干模块、检测头模块；4利用UFL函数优化RetinaXNet网络模型的权值；5训练RetinaXNet网络模型；6夜景灯异常检测，即通过摄像头获取待检测帧并送入RetinaXNet网络，将网络的输出结果映射回原图，判断夜景灯是否异常；所述步骤3构建RetinaXNet网络模型包括如下步骤：3.1利用输入模块将训练集E中的图像统一缩减为r:l大小的图像，其中r为缩减后的长度像素值，l为缩减后的宽度像素值，变换后的集合记为X＝{x1,x2...x3}；3.2利用主干模块通过残差结构提取集合X中每一帧的轮廓特征，残差结构公式如下：Fx＝fx+ffx+fffx其中fx＝δW*x+c式中，每一帧图像x作为卷积层的输入，W为卷积需要学习的参数，δ为激活函数，Fx为残差结构的输出结果；3.3在检测头模块中设置分类融合的输入参数的结构FCLS，公式如下：FCLS＝δ[WCLS*Fx]+c式中，Fx为残差结构的输出结果，WCLS为训练参数，δ为激活函数，c为常数项；3.4在检测头模块中设置非线性回归连接参数的结构公式如下： 式中，FCLS为参数融合的输入部分，W1，W2为训练参数，δ为激活函数，c为常数项，LCR连接为非线性连接，其作用为加强分类与回归之间的联系；3.5计算回归的加强参数计算公式如下： 式中，Freg为网络原先的回归参数，为经过加强的回归参数；3.6在检测头模块中设置非线性分类连接参数的结构公式如下： 式中，W3为训练参数，为经过加强的回归参数，为非线性分类连接参数的结构；3.7计算分类的加强参数计算公式如下： 式中，Fcls为网络原先的分类参数，为经过加强的分类参数。

全文数据：

权利要求：

百度查询： 江西省旺恺建设有限公司 基于RetinaXNet的建筑夜景灯光异常检测方法