(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 202210352607.0 (22)申请日 2022.04.06 (71)申请人 科大天工智能装备技 术 （天津） 有限 公司 地址 300308 天津市东 丽区华明 高新技术 产业区华丰路6号G座1号楼 (72)发明人 张波　万亚东　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 专利代理师 王爱涛 (51)Int.Cl. G06V 20/20(2022.01) G06V 20/52(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种智慧城市中井 盖异常检测方法和系统 (57)摘要 本发明涉及一种智慧城市中井盖异常检测 方法和系统， 属于交通安全技术领域。 本发明提 供的智慧城市中井盖异常检测方法在获取待检 测井盖的图像数据之后， 将获取的待检测井盖的 图像数据输入至所述训练好的井盖异常检测模 型， 就可以快速、 精确的得到井盖异常检测结果， 降低井盖异常的检测成本 。 权利要求书2页 说明书9页 附图3页 CN 114494926 A 2022.05.13 CN 114494926 A 1.一种智慧城市中井盖异常检测方法， 其特 征在于， 包括： 获取超轻量目标检测模型； 所述超轻量目标检测模型包括： 骨干网络、 特征融合网络和 检测头； 所述骨干网络为ShuffleNet  V2网络； 所述检测头的损失函数为Generalized   Focal Loss损失函数； 对所述超轻量目标检测模型中的骨干网络进行改进， 得到第一超轻量目标检测模型； 对所述第一超轻量目标检测模型中的检测头进行改进， 得到改进超轻量目标检测模 型； 所述第一超轻量目标检测模型中的检测头为超轻量目标检测模型中的检测头； 采用数据集训练所述改进超轻量目标检测模型， 得到训练好的井盖异常检测模型； 获取所述训练好的井盖异常检测模型； 将待检测井盖的图像数据输入至所述训练好的井盖异常检测模型 得到检测结果。 2.根据权利要求1所述的智慧城市中井盖异常检测方法， 其特征在于， 所述对所述超轻 量目标检测模型中的骨干网络进行改进， 得到第一超轻量目标检测模型， 具体包括： 将所述超轻量目标检测模型中的骨干网络替换为EfficientNet网络， 并在所述 EfficientNet网络上叠加I nception模块， 以形成初始网络模型； 将所述初始网络模型中每一特征层中包含 的激活函数替换为Leaky  ReLU激活函数或 SMU激活函数， 得到第一超轻量目标检测模型。 3.根据权利要求2所述的智慧城市中井盖异常检测方法， 其特征在于， 所述对所述第 一 超轻量目标检测模型中的检测头进行改进， 得到改进超轻量目标检测模型， 具体包括： 将所述检测头的Generalized  Focal Loss损失函数替换为Gener alized Focal Loss  V2损失函数， 并在Generalized  Focal Loss V2损失函数的基础上， 将Distribution ‑ Guided Quality Predictor模块中的ReLU激活函数替换为SMU激活函数， 得到改进超轻量 目标检测模型。 4.根据权利要求1所述的智慧城市中井盖异常检测方法， 其特征在于， 所述采用数据集 训练所述改进超轻量目标检测模型， 得到训练好的井盖异常检测模型， 之前还 包括： 获取样本数据； 所述样本数据为标注好的采用摄 像头采集的井盖异常图像数据； 对所述样本数据进行增广处 理， 得到处 理后的样本数据； 基于所述处 理后的样本数据生成数据集。 5.一种智慧城市中井盖异常检测系统， 其特 征在于， 包括： 初始模型获取模块， 用于获取超轻量目标检测模型； 所述超轻量目标检测模型包括： 骨 干网络、 特征融合网络和检测头； 所述骨干网络为ShuffleNet  V2网络； 所述检测头的损失 函数为General ized Focal Loss损失函数； 第一改进模块， 用于对所述超轻量目标检测模型中的骨干网络进行改进， 得到第一超 轻量目标检测模型； 第二改进模块， 用于对所述第一超轻量目标检测模型中的检测头进行改进， 得到改进 超轻量目标检测模型； 所述第一超轻量目标检测模型中的检测头即为超轻量目标检测模型 中的检测头； 训练模块， 用于采用数据集训练所述改进超轻量目标检测模型， 得到训练好的井盖异 常检测模型； 井盖异常检测模型获取模块， 用于获取所述训练好的井盖异常检测模型； 检测模块， 用权　利　要　求　书 1/2 页 2 CN 114494926 A 2于将待检测井盖的图像数据输入至所述训练好的井盖异常检测模型 得到检测结果。 6.根据权利要求5所述的智慧城市中井盖异常检测系统， 其特征在于， 所述第 一改进模 块包括： 第一改进单元， 用于将所述超轻量目标检测模型中的骨干网络替换为EfficientNet网 络， 并在所述Ef ficientNet网络上叠加I nception模块， 以形成初始网络模型； 第二改进单元， 用于将所述初始网络模型中每一特征层中包含的激活函数替换为 Leaky ReLU激活函数或SMU激活函数， 得到第一超轻量目标检测模型。 7.根据权利要求6所述的智慧城市中井盖异常检测系统， 其特征在于， 所述第 二改进模 块包括： 第三改进单元， 用于将所述检测头的Generalized  Focal Loss损失函数替换为 Generaliz ed Focal Loss V2损失函数， 并在Generalized  Focal Loss V2损失函数的基础 上， 将Distribution ‑Guided Quality Predictor模 块中的ReLU激活函数替换为SMU激活函 数， 得到改进超轻量目标检测模型。 8.一种智慧城市中井盖异常检测系统， 其特征在于， 包括： 图像采集器、 处理器和存储 器； 所述图像采集器与所述处理器连接； 所述处理器与所述存储器进行数据交互； 所述图 像采集器用于采集待检测井盖的图像数据； 所述存储器用于存储实施如权利要求1 ‑4任意 一项所述的智慧城市中井盖异常检测方法的计算机软件程序； 所述处理器用于根据所述图 像数据执 行所述计算机软件程序。权　利　要　求　书 2/2 页 3 CN 114494926 A 3