(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 202210490653.7 (22)申请日 2022.05.07 (71)申请人 广东电网有限责任公司广州供电局 地址 510620 广东省广州市天河区天河南 二路2号 (72)发明人 许斌斌　付志超　欧嘉俊　李炯　 张垚　 (74)专利代理 机构 北京睿智保诚专利代理事务 所(普通合伙) 11732 专利代理师 杜娟 (51)Int.Cl. G06V 40/10(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于自适应采样的交通协管员到位检 测方案 (57)摘要 本发明涉及交通协管员的检测方法技术领 域， 尤其是指一种基于自适应采样的交通协管员 到位检测方案， 对采集到的交通协管员图像数据 进行标注， 再利用基于自适应采样的RetinaNet 检测模型对交通协管员图像的深层语义信息进 行学习； 利用训练好的模型在测试集上进行推 理， 预测出交通协管员在图片中的位置， 并预测 对应位置的置信度， 最终根据设置的重叠阈值去 除冗余的检测框， 完成交通协管员到位检测， 本 发明能够实现 交通协管员的自动检测， 具有较高 的准确率和鲁棒性， 能够应用于基 建现场智能监 管系统。 权利要求书2页 说明书4页 附图2页 CN 114743222 A 2022.07.12 CN 114743222 A 1.一种基于自适应采样的交通协管员到位检测方案， 其特 征在于： 包括以下步骤： S1、 采集施工场景交通协管员样本图片， 对每一图片制作对应的标签文件； S2、 以RetinaNet为基础目标检测框架， 以ResNet50+FPN为骨干网络， 建立深度学习目 标检测模型； S3、 将获得的所有施工场景交通协管员样本图片及其对应的标签随机划分为训练集和 测试集； S4、 利用训练集对上述目标检测模型进行训练， 在训练阶段通过自适应采样方法生成 训练样本， 获得初步训练后的施工场景交通协管员检测模型； S5、 采用测试集测试初步训练后的施工场景交通协管员检测的性能， 根据测试结果调 整训练参数与检测置信度阈值， 优化并固化交通协管员检测模型参数。 2.根据权利要求1所述的一种基于自适应采样的交通协管员到位检测方案， 其特征在 于： 所述步骤S1中样本标签文件符合COCO格式的JSON标签文件标准。 3.根据权利要求1所述的一种基于自适应采样的交通协管员到位检测方案， 其特征在 于： 所述施工场景交通协管员样本图片是以施工现场的交通协管员作为 目标物， 通过监管 摄像头正对目标物的左右偏差15度和拍摄距离 5‑25米范围内采集获得的图片。 4.根据权利要求1所述的一种基于自适应采样的交通协管员到位检测方案， 其特征在 于： 所述步骤S2中， 深度学习网络模型具体是： 输入图片通过预处理后送入骨干网络 ResNet50， 分阶段提取特征后获得4个不同尺度的特征图， 相对原图的大小分别为1/4、 1/8、 1/16、 1/32， 用FPN结构对各阶段不同尺度的特征图进行融合， 在融合后的特征图上进行检 测框的生成， 即采用两个可训练的分支分别预测目标的类别和位置， 最后通过非极大值抑 制方法去除冗余的检测框 。 5.根据权利要求1所述的一种基于自适应采样的交通协管员到位检测方案， 其特征在 于： 所述步骤S4中， 自适应采样方法的主要作用是为每一个真实目标框g选正样本锚点框和 负样本锚点框， 具体流 程如下： (1)、 在每个尺度的特征图上选择与真实目标框g中心距离最近的k个锚点框， 形成锚点 框集合； (2)、 计算 集合中每个锚点框与真实目标框g的交并比； (3)、 计算Dg的均值mg和标准差vg， 从而得到针对g的I oU阈值tg； tg＝mg+vg 其中， p是 特征金字塔的层数； (4)、 将中数值大于阈值对应的锚点框标记为 正样本； (5)、 未被标记为 正样本的锚点框均为负 样本。 6.根据权利要求5所述的一种基于自适应采样的交通协管员到位检测方案， 其特征在权　利　要　求　书 1/2 页 2 CN 114743222 A 2于： 所述训练阶段， 正样本和负样 本用于计算类别预测的损失函数， 而边框预测的损失函数 则只使用正样本计算。 7.根据权利要求5所述的一种基于自适应采样的交通协管员到位检测方案， 其特征在 于： 所述步骤(1)的中心 距离采用欧式距离 。权　利　要　求　书 2/2 页 3 CN 114743222 A 3