(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 202210668520.4 (22)申请日 2022.06.14 (71)申请人 四川中烟工业有限责任公司 地址 610000 四川省成 都市龙泉驿区国家 成都经济技术开 发区成龙大道龙泉段 2号 (72)发明人 韩英军　郭非　金鑫　胡武　罗红　 李旭东　胡华　张志强　李储存　 陈和平　蔡劼　 (74)专利代理 机构 四川省成 都市天策商标专利 事务所(有限合 伙) 51213 专利代理师 罗伟 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于语义背景模型的异 物检测方法 (57)摘要 本发明公开了一种基于语义背景模型的异 物检测方法， 包括： 通过可 以获取实时视频的监 控摄像头拍摄缺陷图像， 输出 RGB图像； 离线过程 中， 基于深度卷积神经网络的自编码器对所述监 控摄像头监控场景建立具有语义的背景模型， 利 用自编码器将 采样网络对正常物 提取特征向量， 建立索引； 在线过程中， 根据所述背景模型确定 前景位置， 记录其特征向量， 与正常物特征进行 检索， 确定是否为异物； 在时序上对异物进行位 置跟踪判断， 如果一段时间静止不动， 发出报警； 本发明实现了自动监视通道中的异物并报警的 功能。 提高了工厂清洁度， 同时避免了因异物造 成的事故。 权利要求书1页 说明书2页 附图1页 CN 114913483 A 2022.08.16 CN 114913483 A 1.一种基于语义背景模型的异 物检测方法， 其特 征在于， 包括以下步骤： 步骤1、 通过 可以获取实时视频的监控摄 像头拍摄缺陷图像， 输出RGB图像； 步骤2、 离线过程中， 基于深度卷积神经网络的自编码器对所述监控摄像头监控场景建 立具有语义的背景模型， 利用自编码器将采样网络对正常物提取 特征向量， 建立索引； 步骤3、 在线过程中， 根据 所述背景模型确定前景位置， 记录其特征向量， 与正常物特征 进行检索， 确定是否为异 物； 步骤4、 在时序上对异 物进行位置跟踪判断， 如果 一段时间静止不动， 发出报警。 2.根据权利要求1所述的基于语义背景模型的异物检测方法， 其特征在于， 步骤2中的 离线过程具体包括： 根据监控摄像头数据， 收集正常场景下的画面， 训练自编码器， 先通过卷积网络降采 样， 再通过反卷积网络采样， 优化 其构建损失， 使输出和输入相似； 利用自编码器的下采样 阶段作为特征提取器， 对正常物进行特征提取， 建立特征向量 索引。 3.根据权利要求2所述的基于语义背景模型的异物检测方法， 其特征在于， 步骤3中的 在线过程具体包括： 输入监控摄像头数据， 根据背景模型， 响应最大位置为检测出的前景目标， 记录其降采 样过程中输出的特 征向量； 与正常物特 征向量进行检索， 如果全部不符合， 则为异 物； 为异物分配一个跟踪器， 记录时序上位置的移动， 如果静止不动， 则发生报警， 判断为 异物。权　利　要　求　书 1/1 页 2 CN 114913483 A 2基于语义背景模型的异物检测方 法 技术领域 [0001]本发明涉及图像识别技 术领域， 特别是一种基于语义背景模型的异 物检测方法。 背景技术 [0002]在现在工厂中， 特别是烟厂各个车间， 通道应保持整洁卫生。 如果通道出现异物， 轻则会影响工厂环境卫生， 重则会引起事故。 因此， 实时的监测通道中是否有异物存在， 便 成了重要的任务。 目前， 经常采用的方法是工作人员定期巡检。 这种 方法不但耗费人力， 也 没法真正做到实时监控。 随着， 图像识别技术的发展， 通过该技术来进 行通道异物监测成为 可能。 [0003]然而通过监控摄像头对某些区域进行异物检测时， 通常会存在几种问题： (1)传统 背景建模方法对光照变化等因素敏感， 不够鲁棒； (2)异物的类别非常多， 难以使用检测+分 类的方法； (3)异物的样 本数量很少， 难以训练一个泛化性能好的模型； (4)即使知道异物的 种类， 也有足够的数量， 但是在实际落 地时还是存在很多未知类别的异 物。 发明内容 [0004]为解决现有技术中存在的问题， 本发明的目的是提供一种基于语义背景模型的异 物检测方法， 本发明实现了自动监视通道中的异物并报警的功能。 提高了工厂清洁度， 同时 避免了因异 物造成的事故。 [0005]为实现上述目的， 本发明采用的技术方案是： 一种基于语义背景模型的异物检测 方法， 包括以下步骤： [0006]步骤1、 通过 可以获取实时视频的监控摄 像头拍摄缺陷图像， 输出RGB图像； [0007]步骤2、 离线过程中， 基于深度卷积神经网络的自编码器对所述监控摄像头监控场 景建立具有语义的背景模型， 利用自编码器将采样网络对正常物提取 特征向量， 建立索引； [0008]步骤3、 在线过程中， 根据所述背景模型确定前景位置， 记录其特征向量， 与正常物 特征进行检索， 确定是否为异 物； [0009]步骤4、 在时序上对异 物进行位置跟踪判断， 如果 一段时间静止不动， 发出报警。 [0010]作为本发明的进一 步改进， 步骤2中的离线过程具体包括： [0011]根据监控摄像头数据， 收集正常场景下的画面， 训练自编码器， 先通过卷积网络降 采样， 再通过反卷积网络采样， 优化 其构建损失， 使输出和输入相似； [0012]利用自编码器 的下采样阶段作为特征提取器， 对正常物进行特征提取， 建立特征 向量索引。 [0013]作为本发明的进一 步改进， 步骤3中的在线过程具体包括： [0014]输入监控摄像头数据， 根据背景模型， 响应最大位置为检测出的前景目标， 记录其 降采样过程中输出的特 征向量； [0015]与正常物特 征向量进行检索， 如果全部不符合， 则为异 物； [0016]为异物分配一个跟踪器， 记录时序上位置 的移动， 如果静止不动， 则发生报警， 判说　明　书 1/2 页 3 CN 114913483 A 3