一种图像处理模型的训练方法、装置及电子设备与流程

1.本技术涉及图像识别技术领域，尤其涉及一种图像处理模型的训练方法、装置及电子设备。


背景技术：

2.在电力检修作业现场，为了保障工作人员的安全，防止出现高空作业人员坠落的事故，要求工作人员按照规定佩戴安全带。为了提高安全带监管的效率，需要一套智能的安全带检测系统。
3.目前，为了检测工作人员是否佩戴安全带，采用的方式一是基于深度卷积神经网络判别安全帽、安全带的检测方法，通过深度卷积神经网络模型以及用于锁定安全帽、安全带的空间相关性模型，对视频中的工作人员图像进行检测并判别其安全帽、安全带的佩戴情况，基于深度卷积神经网络模型以及空间相关性模型得到图像处理模型，但是，图像处理模型在深度卷积神经网络训练过程中，通过降低通道数以及增加通道数对图像特征再次进行提取，当通道数增加之后，将获得更多图像特征，将导致图像处理模型在训练过程中的过拟合，虽然过拟合会使得图像处理模型训练过程中的预测结果准确度高，但是将该图像处理模型用于实际预测时，实际的预测结果准确率反而降低，将该图像特征用于检测工作人员是否佩戴安全带时，不能准确锁定到工作人员，导致该图像处理模型的检测结果准确率低。


技术实现要素：

4.本技术提供了一种图像处理模型的训练方法、装置及电子设备，通过第i损失占比对第i+1图像处理模型进行迭代训练，第i+1图像处理模型进行训练之后得到第i+1损失占比，从进行迭代训练的多个图像处理模型中筛选出预测结果准确度最高的图像处理模型，将该图像处理模型作为目标图像处理模型，提高了目标图像处理模型的检测结果的准确率。
5.第一方面，本技术提供了一种图像处理模型的训练方法，所述方法包括：
6.对第一图像处理模型进行多次迭代训练，基于多次迭代训练中每次迭代训练得到的图像处理模型和每次迭代训练对应的损失占比，确定所述第一图像处理模型对应的目标图像处理模型，其中所述多次迭代训练中的第i+1次迭代训练包括：
7.根据第i次迭代训练对应的第i损失占比，对第i+1次迭代训练使用的第i样本图像集中至少部分第i样本图像进行样本扩展处理，获得至少一个扩展样本；
8.基于所述至少一个扩展样本和所述第i样本图像集，对第i次迭代训练得到的第i图像处理模型进行训练，得到第i+1次迭代训练对应的第i+1图像处理模型和第i+1次迭代训练对应的第i+1损失占比，其中，所述i为正整数。
9.在一种可能的设计中，基于多次迭代训练中每次迭代训练得到的图像处理模型和每次迭代训练对应的损失占比，确定所述第一图像处理模型对应的目标图像处理模型，包
括：
10.获取多次迭代训练的m个图像处理模型以及m个损失占比，其中，所述m正整数；
11.将最小损失占比对应的图像处理模型作为目标图像处理模型。
12.在一种可能的设计中，获得第一图像处理模型的过程，包括：
13.将第一样本图像输入预设网络中进行训练，获得第一图像处理模型。
14.在一种可能的设计中，根据第i次迭代训练对应的第i损失占比，对第i+1次迭代训练使用的第i样本图像集中至少部分第i样本图像进行样本扩展处理，获得至少一个扩展样本，包括：
15.判断接收到的所述第i损失占比是否超过预设阈值；
16.若是，则将所述第i样本图像集中至少部分的第i样本图像进行缩放处理，得到多个缩放图像，并将所述多个缩放图像中相同分辨率的缩放图像进行拼接，获得至少一个第一扩展样本，将所述第一扩展样本确定为所述第i样本图像集中的第i样本图像；
17.若否，则将所述第i样本图像集中至少部分的第i样本图像进行旋转处理，得到多个旋转图像，并将所述多个旋转图像中相同尺寸的旋转图像按照图像的权重值将像素点进行相加，获得至少一个第二扩展样本，将所述第二扩展样本确定为所述第i样本图像集中的第i样本图像。
18.在一种可能的设计中，对第i次迭代训练得到的第i图像处理模型进行训练之前，包括：
19.将rgb空间的所述至少一个扩展样本和所述第i样本图像集中的每张图像转换到his空间；
20.将所述每张图像按照亮度分解为高频分量以及低频分量，高频分量用线性加权增强处理，低频分量用直方图均衡处理；
21.将所述每张图像中用线性加权增强处理的高频分量以及用直方图均衡处理的低频分量进行融合，并将融合后的每张图像由his空间逆变到rgb空间。
22.在一种可能的设计中，基于所述至少一个扩展样本和所述第i样本图像集，对第i次迭代训练得到的第i图像处理模型进行训练，得到第i+1次迭代训练对应的第i+1图像处理模型和第i+1次迭代训练对应的第i+1损失占比，包括：
23.将所述至少一个扩展样本和所述第i样本图像集输入预测网络进行训练，获得所述第i+1样本图像集的图像特征集，其中，所述图像特征集中的图像具有不同的分辨率；
24.基于所述图像特征集对所述第i+1样本图像集进行预测训练，获得第i+1损失占比。
25.在一种可能的设计中，基于所述图像特征集对所述第i+1样本图像集进行预测训练，包括：
26.获取第i+1样本图像集中的目标物体图像，检测所述目标物体图像的图像面积是否超过预设面积；
27.若是，则将超过预设面积的目标物体图像作为第一目标物体图像；
28.若否，则将低于预设面积的目标物体图像作为第二目标物体图像；
29.按照预设规则基于所述特征图像集对所述第一目标物体图像以及第二目标物体图像进行预测训练。
30.在一种可能的设计中，按照预设规则基于所述特征图像对所述第一目标物体图像以及第二目标物体图像进行预测训练，包括：
31.分别提取第一目标物体图像对应的第一正样本与第一负样本以及第二目标物体图像对应的第二正样本与第二负样本，其中，正样本为目标物体图像中指定区域对应的图像，负样本为目标物体图像中指定区域以外区域对应的图像；
32.在所述目标物体图像为第一目标物体图像时，则用第一分辨率的特征图像对所述第一正样本与第一负样本进行预测；
33.在所述目标物体图像为第二目标物体图像时，则用第二分辨率的特征图像对所述第二正样本与第二负样本进行预测。
34.第二方面，本技术提供了一种行为识别的方法，所述方法包括：
35.基于训练后的目标图像处理模型对包含目标对象的待处理图像进行行为识别，确定所述目标对象是否存在异常行为，其中，所述异常行为为目标对象没有佩戴安全带，所述目标图像处理模型是基于权利要求1-8中任一项所述的方法对第一图像处理模型进行训练得到的。
36.在一种可能的设计中，基于训练后的目标图像处理模型对包含目标对象的待处理图像进行行为识别，确定所述目标对象是否存在异常行为，包括：
37.确定当前帧中的目标对象存在异常行为，则输出报警信息；
38.确定所述当前帧的下一帧中目标对象的标识信息与所述当前帧中目标对象的标识信息不一致，则输出报警信息。
39.第三方面，本技术提供了一种图像处理模型的训练装置，所述装置包括：
40.迭代模块，用于对第一图像处理模型进行多次迭代训练，基于多次迭代训练中每次迭代训练得到的图像处理模型和每次迭代训练对应的损失占比，确定所述第一图像处理模型对应的目标图像处理模型；
41.扩展模块，用于根据第i次迭代训练对应的第i损失占比，对第i+1次迭代训练使用的第i样本图像集中至少部分第i样本图像进行样本扩展处理，获得至少一个扩展样本；
42.训练模块，用于基于所述至少一个扩展样本和所述第一样本图像集，对第i次迭代训练得到的第i图像处理模型进行训练，得到第i+1次迭代训练对应的第i+1图像处理模型和第i+1次迭代训练对应的第i+1损失占比。
43.在一种可能的设计中，所述迭代模块，具体用于获取多次迭代训练的m个图像处理模型以及m个损失占比，将最小损失占比对应的图像处理模型作为目标图像处理模型。
44.在一种可能的设计中，所述迭代模块，还用于将第一样本图像输入预设网络中进行训练，获得第一图像处理模型。
45.在一种可能的设计中，所述扩展模块，具体用于判断接收到的所述第i损失占比是否超过预设阈值，若是，则将所述第i样本图像集中至少部分的第i样本图像进行缩放处理，得到多个缩放图像，并将所述多个缩放图像中相同分辨率的缩放图像进行拼接，获得至少一个第一扩展样本，将所述第一扩展样本确定为所述第i样本图像集中的第i样本图像，若否，则将所述第i样本图像集中至少部分的第i样本图像进行旋转处理，得到多个旋转图像，并将所述多个旋转图像中相同尺寸的旋转图像按照图像的权重值将像素点进行相加，获得至少一个第二扩展样本，将所述第二扩展样本确定为所述第i样本图像集中的第i样本图
像。
46.在一种可能的设计中，所述扩展模块，还用于将rgb空间的所述至少一个扩展样本和所述第i样本图像集中的每张图像转换到his空间，将所述每张图像按照亮度分解为高频分量以及低频分量，高频分量用线性加权增强处理，低频分量用直方图均衡处理，将所述每张图像中用线性加权增强处理的高频分量以及用直方图均衡处理的低频分量进行融合，并将融合后的每张图像由his空间逆变到rgb空间。
47.在一种可能的设计中，所述训练模块，具体用于将所述至少一个扩展样本和所述第i样本图像集输入预测网络进行训练，获得所述第i+1样本图像集的图像特征集，基于所述图像特征集对所述第i+1样本图像集进行预测训练，获得第i+1损失占比。
48.在一种可能的设计中，所述训练模块，还用于获取第i+1样本图像集中的目标物体图像，检测所述目标物体图像的图像面积是否超过预设面积，若是，则将超过预设面积的目标物体图像作为第一目标物体图像，若否，则将低于预设面积的目标物体图像作为第二目标物体图像，按照预设规则基于所述特征图像集对所述第一目标物体图像以及第二目标物体图像进行预测训练。
49.在一种可能的设计中，所述训练模块，还用于分别提取第一目标物体图像对应的第一正样本与第一负样本以及第二目标物体图像对应的第二正样本与第二负样本，其中，正样本为目标物体图像中指定区域对应的图像，负样本为目标物体图像中指定区域以外区域对应的图像，在所述目标物体图像为第一目标物体图像时，则用第一分辨率的特征图像对所述第一正样本与第一负样本进行预测，在所述目标物体图像为第二目标物体图像时，则用第二分辨率的特征图像对所述第二正样本与第二负样本进行预测。
50.第四方面，本技术提供了一种行为识别的装置，所述装置包括：
51.识别模块，用于基于训练后的目标图像处理模型对包含目标对象的待处理图像进行行为识别，确定所述目标对象是否存在异常行为。
52.在一种可能的设计中，所述识别模块，具体用于确定当前帧中的目标对象存在异常行为，则输出报警信息，确定所述当前帧的下一帧中目标对象的标识信息与所述当前帧中目标对象的标识信息不一致，则输出报警信息。
53.第五方面，本技术提供了一种电子设备，包括：
54.存储器，用于存放计算机程序；
55.处理器，用于执行所述存储器上所存放的计算机程序时，实现上述的一种图像处理模型的训练方法步骤以及一种行为识别的方法步骤。
56.第六方面，一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述的一种图像处理模型的训练方法步骤以及一种行为识别的方法步骤。
57.上述第一方面至第六方面中的各个方面以及各个方面可能达到的技术效果请参照上述针对第一方面或第一方面中的各种可能方案可以达到的技术效果说明，这里不再重复赘述。
附图说明
58.图1为本技术提供的一种图像处理模型的训练方法步骤的流程图；
59.图2为本技术提供的第二样本图像集进行卷积的流程图；
60.图3为本技术提供的第二样本图像集对应的特征图像集的采集流程示意图；
61.图4为本技术提供的第二样本图像的映射过程示意图；
62.图5为本技术提供的预测网络输出预测结果的示意图；
63.图6为本技术提供的预测网络在图像处理模型训练过程中的训练示意图；
64.图7为本技术提供的正样本示意图；
65.图8为本技术提供的一种行为识别的方法步骤的流程图；
66.图9为本技术提供的一种图像处理模型的训练装置的结构示意图；
67.图10为本技术提供的一种行为识别的装置的结构示意图；
68.图11为本技术提供的一种电子设备的结构示意图。
具体实施方式
69.为了使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术作进一步地详细描述。方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。需要说明的是，在本技术的描述中“多个”理解为“至少两个”。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。a与b连接，可以表示：a与b直接连接和a与b通过c连接这两种情况。另外，在本技术的描述中，“第一”、“第二”等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也不能理解为指示或暗示顺序。
70.在以往的技术中，为了检测工作人员是否佩戴安全带，采用的方式是基于深度卷积神经网络判别安全帽、安全带的检测方法，通过深度卷积神经网络模型以及用于锁定安全帽、安全带的空间相关性模型，对视频中的工作人员图像进行检测并判别其安全帽、安全带的佩戴情况，基于深度卷积神经网络模型以及空间相关性模型得到图像处理模型，但是，图像处理模型在深度卷积神经网络训练过程中，通过降低通道数以及增加通道数对图像特征再次进行提取，当通道数增加之后，将获得更多图像特征，将导致图像处理模型在训练过程中的过拟合，因此将该图像特征用于检测工作人员是否佩戴安全带时，不能准确锁定到工作人员，从而导致该图像处理模型的检测结果准确率低。
71.为了解决上述的问题，本技术实施例提供了一种图像处理模型的训练方法，用以解决图像处理模型的检测结果准确率低的问题，从而提高图像处理模型检测工作人员是否佩戴安全带的准确性。其中，本技术实施例所述方法和装置基于同一技术构思，由于方法及装置所解决问题的原理相似，因此装置与方法的实施例可以相互参见，重复之处不再赘述。
72.下面结合附图，对本技术实施例进行详细描述。
73.实施例一
74.参照图1，本技术提供了一种安全带的检测方法，该方法可以提高图像处理模型的检测结果准确度，该方法的实现流程如下：
75.步骤s1：对第一图像处理模型进行多次迭代训练，基于多次迭代训练中每次迭代训练得到的图像处理模型和每次迭代训练对应的损失占比，确定所述第一图像处理模型对应的目标图像处理模型。
76.在本技术实施例中，需要提高图像处理模型检测工作人员是否佩戴安全带的准确
率以及检测速度，就需要增加第一样本图像集的图像数量，使得图像处理模型在训练的过程中可以获得更多的特征图像。由于该图像处理模型中的卷积层十分耗费计算机资源，为了提高计算机读取卷积层的图像数据的速度，使图像处理模型在检测工作人员是否佩戴安全带的过程中，提高图像处理模型的检测结果的准确性，并提高图像处理模型的检测速度，本技术实施例采用6个卷积层，并将卷积层的输入通道数与输出通道数设置为一致，提升了计算机读取卷积层的图像数据的速度。
77.这里需要说明是，图像处理模型的卷积层的作用包括：降低图像的分辨率、对图像进行分类等。
78.目标图像处理模型是图像处理模型经过m次训练后筛选出的具有最小损失占比对应的图像处理模型，损失占比必须经过一次模型训练才能获取，第一次对图像处理模型进行训练时，没有对第一样本图像集中的图像数量进行增加。
79.在描述第二次模型训练的过程之前，需要得到进行模型训练的第二样本图像集，第二样本图像集是在第一样本图像集中增加至少一个第一扩展样本或者至少一个第二扩展样本后获得，因此，首先要获取第一样本图像集，第一样本图像集获取的过程如下：
80.获取工作人员的视频数据，视频数据是由每帧图像构成的，为了避免截取到相邻帧的图像，造成截取相邻帧的图像之间存在高度重复的问题，将按照预设的周期截取图像，按照预设的周期截取图像后，将截取的图像作为初始样本图像集。
81.在获得初始样本图像集之后，为了减少初始样本图像集中背景图像的干扰，需要从初始样本图像集中的每张图像中确定目标物体图像，目标物体图像为人体图像、安全带图像等，因此需要从初始样本图像集中的每张图像中将目标物体图像截取下来，获得目标物体图像集，将目标物体图像集中的空白、模糊的图像删除，将剩下的目标物体图像作为第一样本图像集。
82.第一次图像处理模型训练之后将得到第一样本图像集的第一损失占比，损失占比表示图像处理模型的准确度，损失占比越小，图像处理模型检测工作人员是否佩戴安全带将越精确。
83.进一步需要说明的是，第一次图像处理模型训练之后的得到的第一损失占比为真实值减去预测值的差值，预测值越大，第一损失占越小。
84.此处的预测值反应了图像处理模型训练预测工作人员是否佩戴安全带的准确度，真实值表示对第一样本图像集进行标注之后计算出的检测工作人员是否佩戴安全带的准确度。
85.本技术实施例中，对第一样本图像集进行标注并根据标注信息计算出第一样本图像集的真实值的具体过程如下：
86.获得第一样本图像集左边缘与上边缘交叉点的坐标，以及第一样本图像集右边缘与下边缘交叉点的坐标，并记下第一样本图像集中所有的第一样本图像中的目标物体图像的类别名称，类别名称用数字表示，类别名称与数字的关系如表1所示：
87.类别名称数字人0安全带1............
88.表1
89.根据表1能够获取目标物体图像所属类型名称对应的数字，表1中的类别名称只列举了人和安全带，人对应的数字为0，安全带对应的数字为1，其他类别名称与类别名称对应的数字可参考表1中的人和安全带。
90.按照上述的描述对第一样本图像集中所有的第一样本图像进行标注，记录第一样本图像集中每张第一样本图像对应的两个坐标与第一样本图像中的目标物体图像所属类型名称对应的数字，如：图像1的坐标为(0，0)与(2，2)，图像的类别名称对应的数字为0，因此图像1能够用(0，0)、(2，2)、0表示。
91.将第一样本图像集中每张第一样本图像都作上标注之后，为了计算出第一样本图像集的真实值，因此，需要将第一样本图像集中的第一样本图像以及第一样本图像对应的标注信息分别记录下来，第一样本图像集以及每张第一样本图像分别对应的标注信息如表2所示：
92.第一样本图像集第一样本图像对应的标注信息图像1(0，0)、(2，2)、1图像2(0，1)、(3，2)、0图像3(1，1)、(3，3)、1图像4(1，2)、(4，3)、3............
93.表2
94.在表2中需要说明的是，第一样本图像集中的第一样本图像与第一样本图像对应的标注信息是关联的，表2中只列举了4张第一样本图像与4张第一样本图像分别对应的标注，其他第一样本图像可参考4张图像中的任意一张图像的形式。
95.获得第一样本图像集中每张第一样本图像的标注信息之后，基于第一样本图像集对目标物体图像进行预测训练，再根据标注信息计算出第一样本图像集对应的真实值，得到第一样本图像集的真实值之后，根据真实值与预测值计算出第一样本图像集的第一损失占比。
96.通过上述的方法，将第一样本图像集进行训练，得到第一样本图像集对应的第一图像处理模型，对第一图像处理模型进行多次迭代训练，从多次迭代的图像处理模型中筛选出预测结果准确率最高的目标图像处理模型，确保了目标图像处理模型的准确度。
97.步骤s2：根据第i次迭代训练对应的第i损失占比，对第i+1次迭代训练使用的第i样本图像集中至少部分第i样本图像进行样本扩展处理，获得至少一个扩展样本。
98.在本技术实施例一中，除了第一次图像处理模型的训练过程中没有对第一样本图像集中的第一样本图像进行扩展之外，其他图像处理模型的迭代训练过程是一致的，图像处理模型的迭代训练过程为根据第i次迭代训练对应的第i损失占比，对第i+1次迭代训练使用的第i样本图像集中至少部分第i样本图像进行样本扩展处理，获得至少一个扩展样本，将以第二次图像处理模型的训练过程为例，其他迭代过程中的图像处理模型训练过程参考第二次图像处理模型的训练过程，第二次图像处理模型训练的具体过程如下：
99.获取到第一样本图像集对应的第一损失占比之后，在第二次模型训练的过程中，首先要检测第一损失占比是否超过预设阈值，若第一损失占比超过预设阈值，则需要对第
一样本图像集中至少部分第一样本图像进行缩放处理，得到多个缩放图像，并将所述多个缩放图像中相同分辨率的缩放图像进行拼接，获得至少一个第一扩展样本，将至少一个扩展样本作为第一样本图像集中的第一样本图像，拼接处理的过程是将4张分辨率相同的图像进行拼接，拼接处理完成之后，图像的尺寸将变为原来的四倍。
100.若第一损失占比低于预设阈值，则对第一样本图像进行旋转处理，得到多个旋转图像，并将所述多个旋转图像中相同尺寸的旋转图像按照图像的权重值将像素点进行相加，获得至少一个第二扩展样本，将至少一个第二扩展样本确定为所述第一样本图像集中的第一样本图像，按照图像的权重值将尺寸一致的图像的像素点进行相加后，像素点进行相加之后图像的分辨率将更高，分辨率表示单位面积内像素点的密度，图像的尺寸不发生变化，由于按照图像的权重值对多张图像进行像素点相加为本领域技术人员公知的技术，因此，这里不做过多阐述。
101.第一样本图像集中增加了至少一个第一扩展样本或者至少一个第二扩展样本的所有图像之后，为了使第一样本图像集中的所有第一样本图像的细节更加清晰，需要将所有第一样本图像从rgb空间转到his空间，rgb空间是色彩空间，his空间是从人的视觉角度出发，用色调、色饱和度和亮度来描述色彩的空间。
102.在所有第一样本图像从rgb空间转到his空间之后，根据直方图均衡函数对每张第一样本图像进行分解，按照亮度将每张第一样本图像分解为低频分量以及高频分量，低频分量表示图像中亮度变化缓慢的区域，高频分量表示图像中亮度变化剧烈的区域，调整低频分量对应的灰度变化区域，使低频分量对应的灰度分布平均，对高频分量进行线性加权增强处理，增大图像的反差，使图像的细节更清晰，获得第一样本图像的高频分量以及低频分量之后，需要将高频分量以及低频分量进行融合，融合之后再将第一样本图像从his空间逆变换到rgb空间。
103.第一样本图像集经过上述处理之后，将处理完成后的图像集作为第二样本图像集。
104.通过上述描述的方法，将第一样本图像集中的第一样本图像的数量进行增加，获得至少一个扩展样本，将至少一个扩展样本作为第二样本图像集中的第二样本图像，确保第二样本图像集中的图像数量充足，基于第二样本图像集进行图像特征提取的过程中，有利于获得更多的图像特征。
105.步骤s2：基于所述至少一个扩展样本和所述第i样本图像集，对第i次迭代训练得到的第i图像处理模型进行训练，得到第i+1次迭代训练对应的第i+1图像处理模型和第i+1次迭代训练对应的第i+1损失占比。
106.获得第二样本图像集之后，为了提高图像处理模型检测工作人员是否佩戴安全带的准确度，需要将第二样本图像集输入预测网络进行训练，将第二样本图像集输入预测网络进行预测训练的具体过程如下：
107.将第二样本图像集中的第二样本图像输入卷积层，如图2所示，图2为第二样本图像进行卷积的流程图，第二样本图像经过每次卷积后，第二样本图像的分辨率会降低，图2中，第一次卷积后，图像的分辨率为80*80、第二次卷积后，图像的分辨率为40*40，第三次卷积后，图像的分辨率为20*20，在本技术实施例中，第二样本图像集中的第二样本图像的分辨率为160*160，若有其他的分辨率的图像，可参考图2中第二样本图像经过每次卷积之后
的分辨率的变化情况，由于卷积层处理图像为本领域技术人员公知的技术，因此，这里不做过多阐述。
108.第二样本图像集经过图2的卷积层之后，将图2的结果作为图3的输入，图3为第二样本图像集对应的特征图像集的采集流程示意图，第一次卷积后的结果作为输入1，第二次卷积之后的结果作为输入2，第三次卷积之后的结果作为输出3，为了提取第二样本图像集中每张第二样本图像的特征，需要将输入1、输入2、输入3分别用池化层以及卷积层处理，池化层的作用是提取图像的特征、压缩图像的厚度，在图3中，输入的通道数量与输出的通道数量一致，节约了计算机的计算资源。
109.在本技术实施例中，第二通道输出的特征图像融合了第一通道采集的特征图像，第三通道输出的特征图像融合了第一通道以及第二通道采集的特征图像，池化层采集的特征图像可以根据实际需求进行调整，在这里不做过多阐述。
110.进一步需要说明的是，通过图3采集到第二样本图像集的特征图像集之后，可以将第二样本图像集中的第二样本图像映射到低分辨率的图像上，如图4所示为第二样本图像的映射过程示意图，图4中图像a左上3*3的区域为人体图像，将图像a左上3*3的区域映射到图像b，图像b为2*2，此时，在图像4中人体图像已经由图像形式转换成数字形式，数字表示人体图像在该区域的权重，数字越大，人体图像在该区域的可能性越高，0表示该区域没有人体图像，进一步，可以将图像b映射到图像c，因此，将图像a映射为图像c，能够根据图像c判断图像a中是否有人体图像。
111.获得图3中的输出结果之后，需要获得预测结果，分别将输出1、输出2、输出3作为图5的输入，在图5中，图3输出的特征图像将分别进行3次卷积，获得特征图像对应的分类分支、回归分支、iou预测分支，最后，将获得9组图像数据，每一种输入对应着3种图像数据，分类分支用于获得目标物体图像的目标物体框，回归分支用于获得目标物体框中的目标物体、iou预测分支用于获得包含目标物体图像的最小区域对应的图像，其中，分类分支、回归分支、iou预测分支中的特征图像都为数据形式。
112.对特征图像集进行细分之后，为了获得图像处理模型检测工作人员是否佩戴安全带的准确度，首先，需要将第二样本图像集中的每张第二样本图像中的目标物体图像分为第一目标物体图像以及第二目标物体图像，第一目标物体图像为第二样本图像中尺寸较大的目标物体图像，第二目标物体图像为第二样本图像中尺寸较小的目标物体图像，第一目标物体图像以及第二目标物体图像的划分过程如下：
113.确定第二样本图像中的目标物体图像之后，计算框出来的每个目标物体图像的图像面积，按照从大到小的规则对图像面积进行排序，若排列出的序号为双数，则将序号在前半部分的目标物体图像作为第一目标物体图像，剩下的目标物体图像作为第二目标物体图像，若排列出的序号为单数，则将序号减一之后的前半部分的目标物体图像作为第一目标物体，剩下的目标物体图像作为第二目标物体图像。
114.将第一目标物体图像、第二目标物体图像划分好之后，需要将目标物体图像分为正样本以及负样本，正样本为目标物体图像的中心点附近的指定区域对应的图像，负样本为目标物体图像的指定区域以外的区域对应的图像，在本技术实施例中，指定区域为目标物体图像的中心点附近3*3的区域。如图7所示为正样本示意图，目标物体图像的中心点附近3*3的区域为正样本，图像中正样本以外的区域为负样本，指定区域能够根据实际情况进
行调整，因此，这里不做过多阐述。
115.在本技术实施例中，正样本为目标物体图像，负样本为目标物体图像的背景图像，第一目标物体图像对应第一正样本与第一负样本，第二目标物体图像对应第二正样本与第二负样本。
116.在使用不同分辨率的特征图像对第一正样本、第一负样本以及第二正样本、第二负样本进行匹配之前，还需要确定第一正样本、第一负样本以及第二正样本、第二负样本的特征图像的分辨率，特征图像的分辨率由输出特征图像的通道决定，第三通道的特征图像分辨率低、融合的图像特征多，由于第三通道的特征图像不够清晰，当用第三通道的特征图像检测目标物体图像时，为了更准确的检测出目标物体图像，需要尺寸较大的目标物体图像，因此，将第一目标物体图像用第三通道的特征图像进行匹配。
117.由于第一通道的特征图像分辨率高，特征图像将更清晰，当用第一通道的特征图像检测目标物体图像时，不需要尺寸较大的目标物体图像，因此，将第二目标物体图像用第一通道的特征图像进行匹配。
118.在确定第一目标物体图像用第三通道的特征图像进行匹配以及第二目标物体图像用第一通道的特征图像进行匹配之后，为了匹配出的结果更准确，需要将第一正样本与最大分辨率特征图像中的回归分支对应的特征图像进行匹配，获得a图像，将第一负样本与最大分辨率特征图像中的分类分支对应的特征图像进行匹配，获得a图像；将第二正样本与最小分辨率特征图像中的回归分支对应的特征图像进行匹配，获得b图像，将第二负样本与最小分辨率特征图像中的分类分支对应的特征图像进行匹配,获得b图像。
119.获得a图像与a图像之后，需要在最大分辨率的iou预测分支对应的特征图像中进行匹配，筛选出iou值最大对应的x图像，iou预测分支中的特征图像为真实图像与特征图像中重叠的部分，基于同样的方法，获得b图像与b图像之后，需要在最小分辨率的iou预测分支对应的特征图像中进行匹配，筛选出iou值最大对应的y图像，此时，第一目标物体图像将对应着a图像、a图像以及x图像，第二目标物体图像将对应着b图像、b图像以及y图像，能够根据匹配出的3张图像准确锁定到目标物体图像，重复以上描述的预测训练过程，获得图像处理模型。
120.在获得图像处理模型之后，将计算出图像处理模型对应的预测值，预测值表示图像处理模型锁定目标物体图像的准确度，再根据第二样本图像集的真实值与预测值进行比较，计算出第二样本图像集的特征图像集对应的第二损失占比，将第二损失占比反馈至图像处理模型，在下次模型训练的时候根据第二损失占比处理第二样本图像集，如图6所示为预测网络在图像处理模型训练过程中的训练示意图，图6中，第一样本图像集输入图像处理模型之后得到第一损失占比，在第二次模型训练的时候，根据第一损失占比对至少部分第一样本图像集进行扩展，获得第二样本图像集，第二样本图像集依次进行上述实施例中的步骤对第二样本图像集进行训练，获得第二图像处理模型。
121.通过上述描述的方法，将第二样本图像集输入预测网络中进行训练，提取出第二样本图像集对应的特征图像集，并将特征图像集分为分类分支、回归分支、iou预测分支3类，进一步对特征图像集中的图像进行划分，将第一目标物体图像与第二目标物体图像分别与不同分辨率的图像特征集进行匹配，确保了图像处理模型对应的检测结果的准确性。
122.按照上述描述的方法，对图像处理模型进行m次训练，获得m个损失占比，获得m个
损失占比之后，将m个损失占比按照从大到小的规律进行排序，筛选出最小损失占比对应的图像处理模型，将最小损失占比对应的图像处理模型作为目标图像处理模型。
123.通过上述的方法，根据m个损失占比的大小筛选出最小损失占比对应的图像处理模型作为目标图像处理模型，确保了目标图像处理模型为图像处理模型中准确率最高的模型，提高了目标图像处理模型的检测结果的准确性。
124.实施例二
125.参照图8，本技术提供了一种行为识别的方法，该方法可以在检测到目标对象有异常行为时输出报警信息，该方法的实现流程如下：
126.步骤s81：基于训练后的目标图像处理模型对包含目标对象的待处理图像进行行为识别，确定所述目标对象是否存在异常行为。
127.在获得目标图像处理模型之后，目标图像处理模型在实际应用的过程中，需要先获得工作人员的视频数据，识别视频中当前帧的目标对象，将目标对象作上标识信息，并检测目标对象是否佩戴安全带，检测到当前帧的目标对象存在异常行为，则输出报警信息，在本技术实施例二中，异常行为为目标对象未佩戴安全带，在实际应用之中，异常行为包括目标对象抽烟、目标对象开车玩手机等，这里不对异常行为进行过多阐述。输出报警信息之后，检测当前帧的下一帧中目标对象的标识信息与所述当前帧中目标对象的标识信息不一致，则输出报警信息。
128.通过上述的方法，防止了对未带安全带的目标对象重复输出报警信息，提高了检测工作人员是否佩戴安全带的效率。
129.实施例三
130.基于同一发明构思，本技术实施例中还提供了一种图像处理模型的训练装置，该安全带的检测装置用于实现了一种图像处理模型的训练方法的功能，参照图9，所述装置包括：
131.迭代模块901，用于对第一图像处理模型进行多次迭代训练，基于多次迭代训练中每次迭代训练得到的图像处理模型和每次迭代训练对应的损失占比，确定所述第一图像处理模型对应的目标图像处理模型；
132.扩展模块902，用于根据第i次迭代训练对应的第i损失占比，对第i+1次迭代训练使用的第i样本图像集中至少部分第i样本图像进行样本扩展处理，获得至少一个扩展样本；
133.训练模块903，用于基于所述至少一个扩展样本和所述第一样本图像集，对第i次迭代训练得到的第i图像处理模型进行训练，得到第i+1次迭代训练对应的第i+1图像处理模型和第i+1次迭代训练对应的第i+1损失占比。
134.在一种可能的设计中，所述迭代模块901，还用于将第一样本图像输入预设网络中进行训练，获得第一图像处理模型。
135.在一种可能的设计中，所述扩展模块902，具体用于判断接收到的所述第i损失占比是否超过预设阈值，若是，则将所述第i样本图像集中至少部分的第i样本图像进行缩放处理，得到多个缩放图像，并将所述多个缩放图像中相同分辨率的缩放图像进行拼接，获得至少一个第一扩展样本，将所述第一扩展样本确定为所述第i样本图像集中的第i样本图像，若否，则将所述第i样本图像集中至少部分的第i样本图像进行旋转处理，得到多个旋转
图像，并将所述多个旋转图像中相同尺寸的旋转图像按照图像的权重值将像素点进行相加，获得至少一个第二扩展样本，将所述第二扩展样本确定为所述第i样本图像集中的第i样本图像。
136.在一种可能的设计中，所述扩展模块902，还用于将rgb空间的所述至少一个扩展样本和所述第i样本图像集中的每张图像转换到his空间，将所述每张图像按照亮度分解为高频分量以及低频分量，高频分量用线性加权增强处理，低频分量用直方图均衡处理，将所述每张图像中用线性加权增强处理的高频分量以及用直方图均衡处理的低频分量进行融合，并将融合后的每张图像由his空间逆变到rgb空间。
137.在一种可能的设计中，所述训练模块903，具体用于将所述至少一个扩展样本和所述第i样本图像集输入预测网络进行训练，获得所述第i+1样本图像集的图像特征集，基于所述图像特征集对所述第i+1样本图像集进行预测训练，获得第i+1损失占比。
138.在一种可能的设计中，所述训练模块903，还用于获取第i+1样本图像集中的目标物体图像，检测所述目标物体图像的图像面积是否超过预设面积，若是，则将超过预设面积的目标物体图像作为第一目标物体图像，若否，则将低于预设面积的目标物体图像作为第二目标物体图像，按照预设规则基于所述特征图像集对所述第一目标物体图像以及第二目标物体图像进行预测训练。
139.在一种可能的设计中，所述训练模块903，还用于分别提取第一目标物体图像对应的第一正样本与第一负样本以及第二目标物体图像对应的第二正样本与第二负样本，其中，正样本为目标物体图像中指定区域对应的图像，负样本为目标物体图像中指定区域以外区域对应的图像，在所述目标物体图像为第一目标物体图像时，则用第一分辨率的特征图像对所述第一正样本与第一负样本进行预测，在所述目标物体图像为第二目标物体图像时，则用第二分辨率的特征图像对所述第二正样本与第二负样本进行预测。
140.实施例四
141.基于同一发明构思，本技术实施例中还提供了一种行为识别的装置，该安全带的检测装置用于实现了一种行为识别的方法的功能，参照图10，所述装置包括：
142.识别模块1001，用于基于训练后的目标图像处理模型对包含目标对象的待处理图像进行行为识别，确定所述目标对象是否存在异常行为。
143.在一种可能的设计中，所述识别模块1001，具体用于确定当前帧中的目标对象存在异常行为，则输出报警信息，确定所述当前帧的下一帧中目标对象的标识信息与所述当前帧中目标对象的标识信息不一致，则输出报警信息。
144.实施例五
145.基于同一发明构思，本技术实施例中还提供了一种电子设备，所述电子设备可以实现前述一种图像处理模型的训练装置的功能以及一种行为识别的装置的功能，参考图11，所述电子设备包括：
146.至少一个处理器1101，以及与至少一个处理器1101连接的存储器1102，本技术实施例中不限定处理器1101与存储器1102之间的具体连接介质，图11中是以处理器1101和存储器1102之间通过总线1100连接为例。总线1100在图11中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。总线1100可以分为地址总线、数据总线、控制总线等，为便于表示，图11中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总
线。或者，处理器1101也可以称为控制器，对于名称不做限制。
147.在本技术实施例中，存储器1102存储有可被至少一个处理器1101执行的指令，至少一个处理器1101通过执行存储器402存储的指令，可以执行前文论述的一种图像处理模型的训练方法以及一种行为识别的方法。处理器1101可以实现图8以及图9所示的装置中各个模块的功能。
148.其中，处理器1101是该装置的控制中心，可以利用各种接口和线路连接整个该控制设备的各个部分，通过运行或执行存储在存储器1102内的指令以及调用存储在存储器1102内的数据，该装置的各种功能和处理数据，从而对该装置进行整体监控。
149.在一种可能的设计中，处理器1101可包括一个或多个处理单元，处理器1101可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1101中。在一些实施例中，处理器1101和存储器1102可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。
150.处理器1101可以是通用处理器，例如中央处理器(cpu)、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本技术实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本技术实施例所公开的一种图像处理模型的训练方法以及一种行为识别的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
151.存储器1102作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器1102可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(random access memory，ram)、静态随机访问存储器(static random access memory，sram)、可编程只读存储器(programmable read only memory，prom)、只读存储器(read only memory，rom)、带电可擦除可编程只读存储器(electrically erasable programmable read-only memory，eeprom)、磁性存储器、磁盘、光盘等等。存储器1102是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本技术实施例中的存储器1102还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。
152.通过对处理器1101进行设计编程，可以将前述实施例中介绍的一种图像处理模型的训练方法以及一种行为识别的方法所对应的代码固化到芯片内，从而使芯片在运行时能够执行图1所示的实施例的一种图像处理模型的训练方法步骤以及执行图8所示的实施例的一种行为识别的方法步骤。如何对处理器1101进行设计编程为本领域技术人员所公知的技术，这里不再赘述。
153.基于同一发明构思，本技术实施例还提供一种存储介质，该存储介质存储有计算机指令，当该计算机指令在计算机上运行时，使得计算机执行前文论述的一种图像处理模型的训练方法以及一种行为识别的方法。
154.在一些可能的实施方式中，本技术提供一种图像处理模型的训练方法以及一种行为识别的方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产
品在装置上运行时，程序代码用于使该控制设备执行本说明书上述描述的根据本技术各种示例性实施方式的一种图像处理模型的训练方法以及一种行为识别的方法中的步骤。
155.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、c d-r o m、光学存储器等)上实施的计算机程序产品的形式。
156.本技术是参照根据本技术的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
157.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
158.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
159.显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。

技术特征：
1.一种图像处理模型的训练方法，其特征在于，包括：对第一图像处理模型进行多次迭代训练，基于多次迭代训练中每次迭代训练得到的图像处理模型和每次迭代训练对应的损失占比，确定所述第一图像处理模型对应的目标图像处理模型，其中所述多次迭代训练中的第i+1次迭代训练包括：根据第i次迭代训练对应的第i损失占比，对第i+1次迭代训练使用的第i样本图像集中至少部分第i样本图像进行样本扩展处理，获得至少一个扩展样本；基于所述至少一个扩展样本和所述第i样本图像集，对第i次迭代训练得到的第i图像处理模型进行训练，得到第i+1次迭代训练对应的第i+1图像处理模型和第i+1次迭代训练对应的第i+1损失占比，其中，所述i为正整数。2.如权利要求1所述的方法，其特征在于，基于多次迭代训练中每次迭代训练得到的图像处理模型和每次迭代训练对应的损失占比，确定所述第一图像处理模型对应的目标图像处理模型，包括：获取多次迭代训练的m个图像处理模型以及m个损失占比，其中，所述m正整数；将最小损失占比对应的图像处理模型作为目标图像处理模型。3.如权利要求1所述的方法，其特征在于，获得第一图像处理模型的过程，包括：将第一样本图像输入预设网络中进行训练，获得第一图像处理模型。4.如权利要求1所述的方法，其特征在于，根据第i次迭代训练对应的第i损失占比，对第i+1次迭代训练使用的第i样本图像集中至少部分第i样本图像进行样本扩展处理，获得至少一个扩展样本，包括：判断接收到的所述第i损失占比是否超过预设阈值；若是，则将所述第i样本图像集中至少部分的第i样本图像进行缩放处理，得到多个缩放图像，并将所述多个缩放图像中相同分辨率的缩放图像进行拼接，获得至少一个第一扩展样本，将所述第一扩展样本确定为所述第i样本图像集中的第i样本图像；若否，则将所述第i样本图像集中至少部分的第i样本图像进行旋转处理，得到多个旋转图像，并将所述多个旋转图像中相同尺寸的旋转图像按照图像的权重值将像素点进行相加，获得至少一个第二扩展样本，将所述第二扩展样本确定为所述第i样本图像集中的第i样本图像。5.如权利要求1所述的方法，其特征在于，对第i次迭代训练得到的第i图像处理模型进行训练之前，包括：将rgb空间的所述至少一个扩展样本和所述第i样本图像集中的每张图像转换到his空间；将所述每张图像按照亮度分解为高频分量以及低频分量，高频分量用线性加权增强处理，低频分量用直方图均衡处理；将所述每张图像中用线性加权增强处理的高频分量以及用直方图均衡处理的低频分量进行融合，并将融合后的每张图像由his空间逆变到rgb空间。6.如权利要求1所述的方法，其特征在于，基于所述至少一个扩展样本和所述第i样本图像集，对第i次迭代训练得到的第i图像处理模型进行训练，得到第i+1次迭代训练对应的第i+1图像处理模型和第i+1次迭代训练对应的第i+1损失占比，包括：将所述至少一个扩展样本和所述第i样本图像集输入预测网络进行训练，获得所述第i
+1样本图像集的图像特征集，其中，所述图像特征集中的图像具有不同的分辨率；基于所述图像特征集对所述第i+1样本图像集进行预测训练，获得第i+1损失占比。7.如权利要求6所述的方法，其特征在于，基于所述图像特征集对所述第i+1样本图像集进行预测训练，包括：获取第i+1样本图像集中的目标物体图像，检测所述目标物体图像的图像面积是否超过预设面积；若是，则将超过预设面积的目标物体图像作为第一目标物体图像；若否，则将低于预设面积的目标物体图像作为第二目标物体图像；按照预设规则基于所述特征图像集对所述第一目标物体图像以及第二目标物体图像进行预测训练。8.如权利要求7所述的方法，其特征在于，按照预设规则基于所述特征图像对所述第一目标物体图像以及第二目标物体图像进行预测训练，包括：分别提取第一目标物体图像对应的第一正样本与第一负样本以及第二目标物体图像对应的第二正样本与第二负样本，其中，正样本为目标物体图像中指定区域对应的图像，负样本为目标物体图像中指定区域以外区域对应的图像；在所述目标物体图像为第一目标物体图像时，则用第一分辨率的特征图像对所述第一正样本与第一负样本进行预测；在所述目标物体图像为第二目标物体图像时，则用第二分辨率的特征图像对所述第二正样本与第二负样本进行预测。9.一种行为识别的方法，其特征在于，包括：基于训练后的目标图像处理模型对包含目标对象的待处理图像进行行为识别，确定所述目标对象是否存在异常行为，其中，所述异常行为为目标对象没有佩戴安全带，所述目标图像处理模型是基于权利要求1-8中任一项所述的方法对第一图像处理模型进行训练得到的。10.如权利要求9所述的方法，其特征在于，基于训练后的目标图像处理模型对包含目标对象的待处理图像进行行为识别，确定所述目标对象是否存在异常行为，包括：确定当前帧中的目标对象存在异常行为，则输出报警信息；确定所述当前帧的下一帧中目标对象的标识信息与所述当前帧中目标对象的标识信息不一致，则输出报警信息。11.一种图像处理模型的训练装置，其特征在于，所述装置包括：迭代模块，用于对第一图像处理模型进行多次迭代训练，基于多次迭代训练中每次迭代训练得到的图像处理模型和每次迭代训练对应的损失占比，确定所述第一图像处理模型对应的目标图像处理模型；扩展模块，用于根据第i次迭代训练对应的第i损失占比，对第i+1次迭代训练使用的第i样本图像集中至少部分第i样本图像进行样本扩展处理，获得至少一个扩展样本；训练模块，用于基于所述至少一个扩展样本和所述第一样本图像集，对第i次迭代训练得到的第i图像处理模型进行训练，得到第i+1次迭代训练对应的第i+1图像处理模型和第i+1次迭代训练对应的第i+1损失占比。12.一种行为识别的装置，其特征在于，所述装置包括：
识别模块，用于基于训练后的目标图像处理模型对包含目标对象的待处理图像进行行为识别，确定所述目标对象是否存在异常行为。13.一种电子设备，其特征在于，包括：存储器，用于存放计算机程序；处理器，用于执行所述存储器上所存放的计算机程序时，实现权利要求1-10任一项所述的方法步骤。14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-10任一项所述的方法步骤。

技术总结
一种图像处理模型的训练方法、装置及电子设备，该方法包括：对第一图像处理模型进行多次迭代训练，基于多次迭代训练中每次迭代训练得到的图像处理模型和每次迭代训练对应的损失占比，确定所述第一图像处理模型对应的目标图像处理模型。通过上述的方法，获得第一图像处理模型之后对第一图像处理模型进行多次迭代训练，从多次迭代的图像处理模型中筛选出预测结果最准确的图像处理模型并将该图像处理模型作为目标图像处理模型，确保了目标图像处理模型的准确率。理模型的准确率。理模型的准确率。


技术研发人员：李坡 王原原 郑佳
受保护的技术使用者：浙江大华技术股份有限公司
技术研发日：2021.11.12
技术公布日：2022/3/8