本發(fā)明涉及人工智能，具體涉及一種基于無(wú)人機(jī)拍攝圖像的異常目標(biāo)檢測(cè)方法及裝置。

背景技術(shù)：

1、隨著無(wú)人機(jī)技術(shù)的發(fā)展，無(wú)人機(jī)在電力系統(tǒng)、工業(yè)、農(nóng)業(yè)、安防等領(lǐng)域得到了廣泛應(yīng)用。尤其是在巡檢領(lǐng)域，無(wú)人機(jī)攝像頭實(shí)時(shí)采集的視頻數(shù)據(jù)量巨大，其中包含了大量有用信息。如何在實(shí)時(shí)視頻數(shù)據(jù)中迅速精準(zhǔn)地發(fā)現(xiàn)異常目標(biāo)，如電纜異常受損等，成為無(wú)人機(jī)巡檢領(lǐng)域的一大難題。

2、現(xiàn)有的異常檢測(cè)方法大多依賴于人工觀察或復(fù)雜的圖像異常檢測(cè)算法。人工觀察不僅效率低下，而且容易漏檢或誤報(bào)?；谝曨l幀圖像的異常檢測(cè)技術(shù)不僅難以保障實(shí)時(shí)性的要求，還需要較大的計(jì)算資源開(kāi)銷。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)中的問(wèn)題，本發(fā)明實(shí)施例提供一種基于無(wú)人機(jī)拍攝圖像的異常目標(biāo)檢測(cè)方法及裝置，能夠至少部分地解決現(xiàn)有技術(shù)中存在的問(wèn)題。

2、一方面，本發(fā)明提出一種基于無(wú)人機(jī)拍攝圖像的異常目標(biāo)檢測(cè)方法，包括：

3、獲取無(wú)人機(jī)拍攝的包含待檢測(cè)目標(biāo)的圖像，基于第一分支孿生神經(jīng)網(wǎng)絡(luò)計(jì)算相鄰兩幀圖像之間的第一特征距離；

4、若確定所述第一特征距離大于第一預(yù)設(shè)距離閾值，則基于第二分支孿生神經(jīng)網(wǎng)絡(luò)計(jì)算相鄰兩幀圖像分別與正常樣本圖像之間的第二特征距離；

5、其中，所述第一分支孿生神經(jīng)網(wǎng)絡(luò)和所述第二分支孿生神經(jīng)網(wǎng)絡(luò)分別根據(jù)對(duì)應(yīng)的對(duì)比損失函數(shù)，并使用相應(yīng)的訓(xùn)練數(shù)據(jù)集訓(xùn)練得到；所述對(duì)比損失函數(shù)將樣本之間特征的歐氏距離的平方項(xiàng)作為增強(qiáng)距離差異和平滑優(yōu)化過(guò)程的因子；

6、若確定至少存在一個(gè)第二特征距離大于第二預(yù)設(shè)距離閾值的目標(biāo)幀圖像，則確定所述目標(biāo)幀圖像中的待檢測(cè)目標(biāo)為異常目標(biāo)。

7、其中，所述基于無(wú)人機(jī)拍攝圖像的異常目標(biāo)檢測(cè)方法還包括：

8、若確定所述第一特征距離小于等于所述第一預(yù)設(shè)距離閾值，則繼續(xù)基于第一分支孿生神經(jīng)網(wǎng)絡(luò)遍歷計(jì)算后續(xù)的相鄰兩幀圖像之間的第一特征距離。

9、其中，所述基于無(wú)人機(jī)拍攝圖像的異常目標(biāo)檢測(cè)方法還包括：

10、并行執(zhí)行基于第一分支孿生神經(jīng)網(wǎng)絡(luò)計(jì)算相鄰兩幀圖像之間的第一特征距離，以及基于第二分支孿生神經(jīng)網(wǎng)絡(luò)計(jì)算相鄰兩幀圖像分別與正常樣本圖像之間的第二特征距離。

11、其中，預(yù)先訓(xùn)練所述第一分支孿生神經(jīng)網(wǎng)絡(luò)和所述第二分支孿生神經(jīng)網(wǎng)絡(luò)，包括：

12、獲取無(wú)人機(jī)拍攝的歷史視頻數(shù)據(jù)，所述歷史視頻數(shù)據(jù)包含有所述待檢測(cè)目標(biāo)；

13、根據(jù)所述歷史視頻數(shù)據(jù)構(gòu)建訓(xùn)練數(shù)據(jù)集，所述訓(xùn)練數(shù)據(jù)集包括由連續(xù)幀相似樣本和連續(xù)幀不相似樣本組成的第一訓(xùn)練數(shù)據(jù)集，以及由正常樣本和異常樣本組成的第二訓(xùn)練數(shù)據(jù)集；

14、構(gòu)建所述第一分支孿生神經(jīng)網(wǎng)絡(luò)和所述第二分支孿生神經(jīng)網(wǎng)絡(luò)，并使用所述第一訓(xùn)練數(shù)據(jù)集訓(xùn)練所述第一分支孿生神經(jīng)網(wǎng)絡(luò)，直到所述第一分支孿生神經(jīng)網(wǎng)絡(luò)收斂為止，以及使用所述第二訓(xùn)練數(shù)據(jù)集訓(xùn)練所述第二分支孿生神經(jīng)網(wǎng)絡(luò)，直到所述第二分支孿生神經(jīng)網(wǎng)絡(luò)收斂為止。

15、其中，所述構(gòu)建所述第一分支孿生神經(jīng)網(wǎng)絡(luò)和所述第二分支孿生神經(jīng)網(wǎng)絡(luò)，包括：

16、基于反卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建細(xì)節(jié)特征提取層，基于單頭注意力機(jī)制的transformerencoder構(gòu)建全局特征捕捉層，串聯(lián)所述細(xì)節(jié)特征提取層和所述全局特征捕捉層，得到所述第一分支孿生神經(jīng)網(wǎng)絡(luò)和所述第二分支孿生神經(jīng)網(wǎng)絡(luò)。

17、其中，所述使用所述第一訓(xùn)練數(shù)據(jù)集訓(xùn)練所述第一分支孿生神經(jīng)網(wǎng)絡(luò)，包括：

18、根據(jù)如下第一對(duì)比損失函數(shù)，并使用所述第一訓(xùn)練數(shù)據(jù)集訓(xùn)練所述第一分支孿生神經(jīng)網(wǎng)絡(luò)：

19、

20、其中，l1為所述第一對(duì)比損失函數(shù)，y1為連續(xù)幀樣本對(duì)的標(biāo)簽，，為平衡相似樣本和不相似樣本之間的權(quán)重，m1為所述第一預(yù)設(shè)距離閾值，d1為相似樣本和不相似樣本之間特征的歐氏距離。

21、其中，所述使用所述第二訓(xùn)練數(shù)據(jù)集訓(xùn)練所述第二分支孿生神經(jīng)網(wǎng)絡(luò)，包括：

22、根據(jù)如下第二對(duì)比損失函數(shù)，并使用所述第二訓(xùn)練數(shù)據(jù)集訓(xùn)練所述第二分支孿生神經(jīng)網(wǎng)絡(luò)：

23、

24、其中，l2為所述第二對(duì)比損失函數(shù)，y2為正常樣本和異常樣本對(duì)的標(biāo)簽，，為平衡正常樣本和異常樣本之間的權(quán)重，m2為所述第二預(yù)設(shè)距離閾值，d2為正常樣本和異常樣本之間特征的歐氏距離。

25、一方面，本發(fā)明提出一種基于無(wú)人機(jī)拍攝圖像的異常目標(biāo)檢測(cè)裝置，包括：

26、獲取單元，用于獲取無(wú)人機(jī)拍攝的包含待檢測(cè)目標(biāo)的圖像，基于第一分支孿生神經(jīng)網(wǎng)絡(luò)計(jì)算相鄰兩幀圖像之間的第一特征距離；

27、計(jì)算單元，用于若確定所述第一特征距離大于第一預(yù)設(shè)距離閾值，則基于第二分支孿生神經(jīng)網(wǎng)絡(luò)計(jì)算相鄰兩幀圖像分別與正常樣本圖像之間的第二特征距離；

28、其中，所述第一分支孿生神經(jīng)網(wǎng)絡(luò)和所述第二分支孿生神經(jīng)網(wǎng)絡(luò)分別根據(jù)對(duì)應(yīng)的對(duì)比損失函數(shù)，并使用相應(yīng)的訓(xùn)練數(shù)據(jù)集訓(xùn)練得到；所述對(duì)比損失函數(shù)將樣本之間特征的歐氏距離的平方項(xiàng)作為增強(qiáng)距離差異和平滑優(yōu)化過(guò)程的因子；

29、檢測(cè)單元，用于若確定至少存在一個(gè)第二特征距離大于第二預(yù)設(shè)距離閾值的目標(biāo)幀圖像，則確定所述目標(biāo)幀圖像中的待檢測(cè)目標(biāo)為異常目標(biāo)。

30、再一方面，本發(fā)明實(shí)施例提供一種電子設(shè)備，包括：處理器、存儲(chǔ)器和總線，其中，

31、所述處理器和所述存儲(chǔ)器通過(guò)所述總線完成相互間的通信；

32、所述存儲(chǔ)器存儲(chǔ)有可被所述處理器執(zhí)行的程序指令，所述處理器調(diào)用所述程序指令能夠執(zhí)行如下方法：

33、獲取無(wú)人機(jī)拍攝的包含待檢測(cè)目標(biāo)的圖像，基于第一分支孿生神經(jīng)網(wǎng)絡(luò)計(jì)算相鄰兩幀圖像之間的第一特征距離；

34、若確定所述第一特征距離大于第一預(yù)設(shè)距離閾值，則基于第二分支孿生神經(jīng)網(wǎng)絡(luò)計(jì)算相鄰兩幀圖像分別與正常樣本圖像之間的第二特征距離；

35、其中，所述第一分支孿生神經(jīng)網(wǎng)絡(luò)和所述第二分支孿生神經(jīng)網(wǎng)絡(luò)分別根據(jù)對(duì)應(yīng)的對(duì)比損失函數(shù)，并使用相應(yīng)的訓(xùn)練數(shù)據(jù)集訓(xùn)練得到；所述對(duì)比損失函數(shù)將樣本之間特征的歐氏距離的平方項(xiàng)作為增強(qiáng)距離差異和平滑優(yōu)化過(guò)程的因子；

36、若確定至少存在一個(gè)第二特征距離大于第二預(yù)設(shè)距離閾值的目標(biāo)幀圖像，則確定所述目標(biāo)幀圖像中的待檢測(cè)目標(biāo)為異常目標(biāo)。

37、本發(fā)明實(shí)施例提供一種非暫態(tài)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，包括：

38、所述非暫態(tài)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)計(jì)算機(jī)指令，所述計(jì)算機(jī)指令使所述計(jì)算機(jī)執(zhí)行如下方法：

39、獲取無(wú)人機(jī)拍攝的包含待檢測(cè)目標(biāo)的圖像，基于第一分支孿生神經(jīng)網(wǎng)絡(luò)計(jì)算相鄰兩幀圖像之間的第一特征距離；

40、若確定所述第一特征距離大于第一預(yù)設(shè)距離閾值，則基于第二分支孿生神經(jīng)網(wǎng)絡(luò)計(jì)算相鄰兩幀圖像分別與正常樣本圖像之間的第二特征距離；

41、其中，所述第一分支孿生神經(jīng)網(wǎng)絡(luò)和所述第二分支孿生神經(jīng)網(wǎng)絡(luò)分別根據(jù)對(duì)應(yīng)的對(duì)比損失函數(shù)，并使用相應(yīng)的訓(xùn)練數(shù)據(jù)集訓(xùn)練得到；所述對(duì)比損失函數(shù)將樣本之間特征的歐氏距離的平方項(xiàng)作為增強(qiáng)距離差異和平滑優(yōu)化過(guò)程的因子；

42、若確定至少存在一個(gè)第二特征距離大于第二預(yù)設(shè)距離閾值的目標(biāo)幀圖像，則確定所述目標(biāo)幀圖像中的待檢測(cè)目標(biāo)為異常目標(biāo)。

43、本發(fā)明實(shí)施例提供的基于無(wú)人機(jī)拍攝圖像的異常目標(biāo)檢測(cè)方法及裝置，獲取無(wú)人機(jī)拍攝的包含待檢測(cè)目標(biāo)的圖像，基于第一分支孿生神經(jīng)網(wǎng)絡(luò)計(jì)算相鄰兩幀圖像之間的第一特征距離；若確定所述第一特征距離大于第一預(yù)設(shè)距離閾值，則基于第二分支孿生神經(jīng)網(wǎng)絡(luò)計(jì)算相鄰兩幀圖像分別與正常樣本圖像之間的第二特征距離；若確定至少存在一個(gè)第二特征距離大于第二預(yù)設(shè)距離閾值的目標(biāo)幀圖像，則確定所述目標(biāo)幀圖像中的待檢測(cè)目標(biāo)為異常目標(biāo)，能夠?qū)崟r(shí)、高效和準(zhǔn)確的實(shí)現(xiàn)無(wú)人機(jī)異常目標(biāo)檢測(cè)。