(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 202210127661.5 (22)申请日 2022.02.11 (71)申请人 江苏濠汉信息技 术有限公司 地址 226000 江苏省南 通市南通高新区世 纪大道998号江海圆梦 谷 (72)发明人 何成虎　王晓鹏　蒋勇　戴相龙　 (74)专利代理 机构 深圳泛航知识产权代理事务 所(普通合伙) 44867 专利代理师 邓爱军 (51)Int.Cl. G06V 20/52(2022.01) G06K 9/62(2022.01) G06V 10/764(2022.01) G06V 10/44(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于知识蒸馏的危险车辆检测系统及 其检测方法 (57)摘要 本发明涉及计算机视觉技术领域， 具体涉及 一种基于知识蒸馏的危险车辆检测系统及其检 测方法。 包括与控制模块相连的图像采集模块、 水泥泵车识别模型以及报警模块； 图像采集模 块， 用于采集输电线路危险源范围内的视频图 像， 并输出至控制模块； 水泥泵车识别模 型， 经控 制模块处理的视频图像输出至水泥泵车识别模 型， 水泥泵车识别模型用于识别输电线路危险源 范围内是否有水泥泵车进入； 报警模块， 当水泥 泵车识别模型识别出有水泥泵车进入输电线路 危险源范围内时， 控制模块启 动报警模块报警； 其中， 使用危险源范围内若干个预先收集的含有 水泥泵车的图片训练神经网络获得水泥泵车识 别模型。 本发 明可以识别危险源 范围内水泥泵车 并报警， 避免事故的产生。 权利要求书2页 说明书4页 附图1页 CN 114612854 A 2022.06.10 CN 114612854 A 1.一种基于知识蒸馏的危险车辆检测系统， 其特征在于， 包括与控制模块相连的图像 采集模块、 水泥泵 车识别模 型以及报警模块； 所述图像采集模块， 用于采集输电线路危险源 范围内的视频图像， 并输出至所述控制模块； 所述水泥泵车识别模型， 经所述控制模块处理 的所述视频图像输出至所述水泥泵车识别模型， 所述水泥泵 车识别模型用于识别所述输电 线路危险源范围内是否有水泥泵车进入； 所述报警模块， 当所述水泥泵车识别模型识别出 有水泥泵车进入所述输电线路危险源范围内时， 所述控制模块启动 报警模块报警； 其中， 使 用危险源范围内若干个预先收集的含有水泥泵车的图片训练神经网络获得所述水泥泵车 识别模型。 2.根据权利要求1所述的基于知识蒸馏的危险车辆检测系统， 其特征在于， 所述图像采 集模块为单目摄 像头， 所述单目摄 像头设置在所述 危险源范围区。 3.根据权利要求1所述的基于知识蒸馏的危险车辆检测系统， 其特征在于， 所述报 警模 块为声音报警模块。 4.基于权利要求1至3中任意一项所述的基于知识蒸馏的危险车辆检测系统的检测方 法， 其特征在于， 包括如下步骤： 步骤1、 图片采集， 通过单目摄像头采集输电线路危险源范围内的实时视频数据； 步骤 2、 水泥泵 车识别模 型训练， 人工收集若干个危险源范围内含有 水泥泵车及不含有 水泥泵车 的的图片作为训练图片， 采用训练图片训练神经网络模型获得水泥泵车识别模型； 步骤3、 将所述实时视频数据经控制模块处理后输出至所述水泥泵 车识别模型， 使用所述水泥泵 车 识别模型识别所述实时视频数据是否含有危险源水泥泵车， 并将识别结果输出至控制模 块； 步骤4、 当所述控制模块 获得的所述水泥泵 车识别模型的识别结果为 实时视频数据中包 含水泥泵车的图片时， 所述控制模块控制报警模块报警。 5.根据权利要求4所述的基于知识蒸馏的危险车辆检测方法， 其特征在于， 所述步骤2 包括如下步骤： 步骤2.1、 采集样 本图像， 分为有水泥泵 车的图片和无水泥泵 车的两类图片， 得到样本集S； 步骤2.2、 构建152层的教师神经网络ResNet152， 以soft max为输出层、 以交叉熵为损失 函数， 在MSCOCO大规模数据集上训练出图像分类模型M1； 步骤2.3、 将步骤2.2的网络输出改为2类， 以模型M1的参数作为初始参数， 将步骤2.1中 得到的样本S作为输入训练得到水泥 泵车检测识别网络 Mt； 步骤2.4、 构建34的小规模学生神经网络ResNet34， 用步骤2.3得到的教师网络输出训 练学生网络， 得到识别模型Ms； 步骤2.5、 将步骤2.3中教师网络的softmax输出层增 加软参数， 将输出修 正为： 其中， T越大， 则输出的结果的分布越平缓， 相当于平滑的一个作用， 起到保留相似信息 的作用； 步骤2.6、 在学生网络的损失函数中增加一项步骤2.5中的损失函数， 得到学生网络的 损失函数为： L ＝CE(y， p)+α C E(q， p) 其中， CE是交叉熵损失函数， y是真实标签， q是步骤2.5中的输出， p 是学生网络的输出， 网络训练收敛之后， 学生网络的输出将接近于教师网络的输出， 即相当于学生网络学习到权　利　要　求　书 1/2 页 2 CN 114612854 A 2了教师网络的知识。 6.根据权利要求5所述的基于知识蒸馏的危险车辆检测方法， 其特征在于， 所述步骤3 包括如下步骤： 步骤3.1、 通过图像采集模块实时采集所述危险源范围内的视频数据并输出至所述控 制模块； 步骤3.2、 设当前时刻读到的视频图像为ft+1， 上一时刻读到的视频图像为ft， 上上时刻 读到的视频图像为ft‑1， 将t时刻和t ‑1时刻的图片做差并取绝对值： f1＝|ft‑ft‑1|； 将t+1时刻和t时刻的图片做差并取绝对值： f2＝|ft+1‑ft|； 将f1和f2按位做与操作： fd＝f1&f2； 步骤3.3、 对fd进行二值化处理， 并依次进行腐蚀和膨胀操作， 消除孤立 点； 步骤3.4、 对步骤3.3的处理结果进行图像八连通域检测， 得到最大连通域， 如最大连通 域大小超过阈值t， 则执 行步骤3.5， 否则继续返回步骤3.1； 步骤3.5、 调用模型步骤2.4中的模型Ms进行识别分析， 并获得识别结果。权　利　要　求　书 2/2 页 3 CN 114612854 A 3