(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 202211032135.7 (22)申请日 2022.08.26 (71)申请人 康力电梯股份有限公司 地址 215213 江苏省苏州市汾湖高新 技术 产业开发区康力大道8 88号 申请人 苏州科达科技股份有限公司 (72)发明人 朱琳昊　王峰　朱森峰　李敏杰　 李春元　张全磊　 (74)专利代理 机构 苏州谨和知识产权代理事务 所(特殊普通 合伙) 32295 专利代理师 叶栋 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/44(2022.01) G06V 10/74(2022.01) (54)发明名称 异常分类模型的训练方法、 异常监控方法、 设备及介质 (57)摘要 本申请涉及一种异常分类模 型的训练方法、 自动扶梯的异常监控方法、 设备及介质， 属于图 像识别技术领域， 该方法包括： 获取自动扶梯的 样本图像和样本图像对应的至少一张掩膜标签 图像； 将样本图像输入预先创建的卷积神经网 络， 得到网络分类图像； 将网络分类图像和样本 图像对应的掩膜标签图像输入预设损失函数， 得 到损失结果； 基于损失结果调整卷积神经网络的 网络参数， 以训练得到异常分类模型； 可 以解决 传统的自动扶梯的异常监控方式由于使用深度 学习网络模型， 导致的监控结果的推理速度较 慢， 对设备的硬件要求较高的问题； 可 以使得异 常分类模型更加轻量化， 提高异常分类模型的推 理速度， 并降低对设备的硬件 要求。 权利要求书2页 说明书13页 附图6页 CN 115410038 A 2022.11.29 CN 115410038 A 1.一种异常 分类模型的训练方法， 其特 征在于， 所述方法包括： 获取自动扶梯的样本图像和所述样本图像对应的至少一张掩膜标签图像， 所述掩膜标 签图像用于指示所述样本图像是否包括对应种类的异常目标； 将所述样本 图像输入预先创建的卷积神经网络， 得到网络分类图像， 所述卷积神经网 络包括输入层、 与所述输入层相连的多个相互级联 的特征提取结构、 与最后一个特征提取 结构相连的非线性变换结构、 以及与所述非线性变换结构相连的输出层； 所述非线性变换 结构用于将所述特征提取结构输出的特征图的特征像素值转换为与所述掩膜标签图像的 像素值区间相匹配的掩膜像素值， 得到所述网络分类图像； 将所述网络分类图像和所述样本图像对应的掩膜标签图像输入预设损失函数， 得到损 失结果； 基于所述损 失结果调整所述卷积神经网络的网络参数， 以训练得到异常分类模型， 以 使用所述异常 分类模型进行自动扶梯的异常监控。 2.根据权利要求1所述的方法， 其特征在于， 每个特征提取结构包括n个级联的卷积结 构、 与最后一个卷积结构相连的m个空洞卷积结构、 以及与所述空洞卷积结构相连的卷积 块； 所述n和所述m均为 正整数； 每个卷积结构包括多个级联的卷积块、 以及与最后一个卷积块相连的最大池化层； 所 述级联的卷积块用于对上一层的输入进行 特征提取。 3.根据权利要求2所述的方法， 其特 征在于， 所述 n为3， 所述m为1； 第一个卷积结构包括2个级联的卷积块， 且各个卷积块的输入通道数为3、 输出通道数 为32， 卷积核尺寸 为5×5； 第二个卷积结构包括3个级联的卷积块， 且各个卷积块的输入通道数为32、 输出通道数 为64， 卷积核尺寸 为5×5； 第三个卷积结构包括4个级联的卷积块， 且各个卷积块的输入通道数为64、 输出通道数 为64， 卷积核尺寸 为5×5； 所述空洞卷积结构的输入通道数为64、 输出通道数为1024， 卷积核尺寸为3 ×3， 扩张率 为4； 与所述空洞卷积结构相连的卷积块输入通道数为1024、 输出通道数为所述异常目标的 分类数， 卷积核尺寸 为1×1。 4.根据权利要求1所述的方法， 其特征在于， 所述异常目标包括至少两种， 所述获取自 动扶梯的样本图像和所述样本图像对应的至少一张掩膜标签图像， 包括： 对于每张样本 图像， 使用标签工具对所述样本 图像中的各个异常目标进行标注， 得到 标签文件； 对所述标签文件进行解析， 以将所述标签文件中标注区域对应的像素值设置为标签像 素值， 得到所述样本图像对应的样本掩膜特 征图像， 不同异常目标对应的标签 像素值不同； 基于所述标签像素值将所述样本掩膜特征图像分成各种异常目标分别对应的掩膜标 签图像； 每种异常目标对应的掩膜标签图像通过第一掩膜像素值指示所述异常目标所在区 域， 通过第二掩膜像素值指示除所述异常目标之外的其它区域， 所述第一掩膜像素值和所 述第二掩膜像素均位于所述掩膜标签图像的像素值区间内。 5.根据权利要求1所述的方法， 其特征在于， 所述将所述网络分类图像和所述样本图像权　利　要　求　书 1/2 页 2 CN 115410038 A 2对应的掩膜标签图像输入预设损失函数， 得到损失结果之前， 还 包括： 对所述掩膜标签图像进行异常目标的连通 域确定； 在确定出的连通域中像素点的数量大于或等于数量阈值的情况下， 确定所述掩膜标签 图像用于指示具有所述异常目标； 在确定出的连通域中像素点的数量小于数量阈值的情况下， 确定所述掩膜标签图像用 于指示不具有所述异常目标。 6.根据权利要求1所述的方法， 其特征在于， 所述预设损 失函数包括均方差损 失函数， 相应地， 所述损失结果包括所述均方差损失函数输出的均方差损失结果。 7.一种自动扶梯的异常监控方法， 其特 征在于， 所述方法包括： 获取对待监控的自动扶梯进行图像采集得到的目标图像； 将所述目标图像输入至如权利要求1 ‑6任意一项所述的异常分类模型中， 得到至少一 张掩膜特 征图像； 确定所述掩膜特 征图像是否存在异常目标 连通域； 若存在， 则所述目标图像包括异常目标并进行告警处 理。 8.根据权利要求7所述的方法， 其特征在于， 所述异常目标包括第 一异常目标和第 二异 常目标， 所述掩膜特征图像包括第一掩膜特征图像和第二掩膜特征图像， 所述异常目标分 类模型的输出层包括第一输出层和 第二输出层， 所述第一输出层输出的第一掩膜特征图像 用于指示是否包括所述第一异常目标； 所述第二输出层输出第二掩膜特征图像用于指示是 否包括所述第二异常目标； 所述方法还 包括： 在所述第一掩膜特征图像指示包括所述第 一异常目标的情况下， 确定所述目标图像包 括第一异常目标； 在所述第二掩膜特征图像指示包括所述第 二异常目标的情况下， 确定所述目标图像包 括第二异常目标。 9.一种电子设备， 其特征在于， 所述设备包括处理器和存储器； 所述存储器中存储有程 序， 所述程序由所述处理器加载并执行以实现如权利要求 1至6任一项 所述的异常分类模型 的训练方法； 或者， 实现如权利要求7或8所述的自动扶梯的异常监控方法。 10.一种计算机可读存储介质， 其特征在于， 所述存储介质中存储有程序， 所述程序被 处理器执行时用于实现如权利要求1至6任一项所述的异常分类模型 的训练方法； 或者， 实 现如权利要求7或8所述的自动扶梯的异常监控方法。权　利　要　求　书 2/2 页 3 CN 115410038 A 3