消防柜玻璃破损检测方法、装置、介质及设备与流程

1.本发明涉及数据处理技术领域，尤其涉及基于深度学习的消防柜玻璃破损检测方法、装置、介质及设备。


背景技术：

2.为确保消防设备能够及时发挥保卫人民安全的作用，相关部门会定期对各单位的消防设备进行检查，以发现消防柜是否存在异常。一般情况下，消防柜玻璃破损，消防柜里的设备才会有异常。
3.在现有技术中，对于消防柜玻璃破损的检测，包括：使用固定在消防柜正前方的摄像头采集图像，将得到的图像输入到深度神经网络进行玻璃检测，得到检测框信息，根据检测框信息来判断消防柜玻璃是否出现破损；或将检测框信息输入到深度学习网络进行图像分割分析，得到玻璃区域信息，根据玻璃区域信息判断消防柜玻璃是否出现破损；或将检测框信息输入到深度神经网络进行目标边缘检测分析，得到玻璃裂痕信息，根据玻璃裂痕信息判断消防柜玻璃是否出现破损。然而，消防柜玻璃破损图像数据难以收集，数据标注难度大，玻璃破损识别效果不精确。


技术实现要素：

4.本发明实施例提供了一种基于深度学习的消防柜玻璃破损检测方法、装置、介质及设备，以解决现有技术在对消防柜玻璃破损检测时存在的图像数据收集难、标注难、破损识别准确度不高的问题。
5.一种基于深度学习的消防柜玻璃破损检测方法，所述方法包括：
6.构建消防柜检测模型以及消防柜字体检测模型；
7.获取待检测图像，将所述待检测图像输入至所述消防柜检测模型，获取所述待检测图像中的消防柜信息；
8.将所述消防柜信息输入至所述消防柜字体检测模型，获取消防柜玻璃上的字体信息；
9.根据所述字体信息判断所述消防柜玻璃是否发生破损，生成破损信息。
10.可选地，所述构建消防柜检测模型包括：将深度学习yolov5模型的输入图片分辨率比例修改为16：9；
11.将深度学习yolov5模型的主干网络修改为轻量级神经网络squeezenet,剔除深度学习yolov5模型中的focus结构，获得消防柜检测原始模型。
12.获取消防柜训练样本集，采用所述消防柜训练样本集对所述消防柜检测原始模型进行多尺度训练，得到消防柜检测模型。
13.可选地，所述字体信息包括消防柜玻璃上存在的字体以及该字体的置信度。
14.可选地，所述根据所述字体信息判断所述消防柜玻璃是否发生破损包括：
15.获取消防柜玻璃上的应有字体数量；
16.根据所述字体信息获取所述消防柜玻璃上的可辨识字体数量；
17.比对所述应有字体数量和可辨识字体数量；
18.若所述可辨识字体数量等于所述应有字体数量，则所述消防柜玻璃未发生破损；
19.若所述可辨识字体数量小于所述应有字体数量，则所述消防柜玻璃发生破损。
20.可选地，所述根据所述字体信息获取所述消防柜玻璃上的可辨识字体数量包括：
21.初始化可辨识字体数量为应有字体数量；
22.遍历所述消防柜玻璃上存在的每一字体，将所述字体的置信度与预设的置信度阈值进行比较；
23.当所述字体的置信度小于预设的置信度阈值，则将所述可辨识字体数量减1。
24.可选地，所述应有字体数量通过先验知识获得。
25.可选地，所述预设的置信度阈值为0.7至0.8。
26.一种基于深度学习的消防柜玻璃破损检测方法，所述装置包括：
27.构建模块，用于构建消防柜检测模型以及消防柜字体检测模型；
28.消防柜获取模块，用于获取待检测图像，将所述待检测图像输入至所述消防柜检测模型，获取所述待检测图像中的消防柜信息；
29.字体获取模块，用于将所述消防柜信息输入至所述消防柜字体检测模型，获取消防柜玻璃上的字体信息；
30.破损判断模块，用于根据所述字体信息判断所述消防柜玻璃是否发生破损，生成破损信息。
31.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于深度学习的消防柜玻璃破损检测方法。
32.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于深度学习的消防柜玻璃破损检测方法。
33.本发明实施例通过构建消防柜检测模型以及消防柜字体检测模型；获取待检测图像，将所述待检测图像输入至所述消防柜检测模型，获取所述待检测图像中的消防柜信息；将所述消防柜信息输入至所述消防柜字体检测模型，获取消防柜玻璃上的字体信息；根据所述字体信息判断所述消防柜玻璃是否发生破损，生成破损信息，大大地提高了消防柜玻璃破损检测的效率和准确率，，有效地克服了消防柜玻璃破损图像数据难以收集、数据标注难度大的问题。
附图说明
34.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
35.图1是本发明一实施例提供的基于深度学习的消防柜玻璃破损检测方法的流程图；
36.图2是本发明一实施例提供的基于深度学习的消防柜玻璃破损检测装置的结构示
意图；
37.图3是本发明一实施例中计算机设备的一示意图。
具体实施方式
38.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
39.本发明实施例提供的基于深度学习的消防柜玻璃破损检测方法，应用于巡检机器人的后台服务器，摄像头设置在巡检机器人顶部。预先设定好消防柜巡检路线，部署所述巡检机器人沿所述消防柜巡检路线进行巡逻检查。在巡逻过程中，当巡检机器人遇到消防柜时自动控制摄像头对准消防柜，实时地通过摄像头抓拍周围的图像信息，并将图像信息通过5g通讯方式传输到后台服务器。后台服务器进行深度神经网络的推理计算和逻辑判断，获取待检测图像中的消防柜信息，获取消防柜玻璃上的字体信息；根据所述字体信息判断所述消防柜玻璃是否发生破损，生成破损信息，有效地提高了消防柜玻璃破损检测的效率和准确率，克服了消防柜玻璃破损图像数据难以收集、数据标注难度大的问题。
40.以下对本实施例提供的基于深度学习的消防柜玻璃破损检测方法进行详细的描述，如图1所示，所述基于深度学习的消防柜玻璃破损检测方法包括：
41.在步骤s101中，构建消防柜检测模型以及消防柜字体检测模型。
42.在这里，所述消防柜检测模型用于检测输入图像中的消防柜信息，所述消防柜信息会进一步提供到所述消防柜字体检测模型。所述消防柜字体检测模型用于检测消防柜玻璃上的字体信息。
43.可选地，作为本发明的一个优选示例，所述构建消防柜检测模型包括：
44.在步骤s201中，将深度学习yolov5模型的输入图片分辨率比例修改为16：9。
45.在步骤s202中，将深度学习yolov5模型的主干网络修改为轻量级神经网络squeezenet,剔除深度学习yolov5模型中的focus结构，获得消防柜检测原始模型。
46.在步骤s203中，获取消防柜训练样本集，采用所述消防柜训练样本集对所述消防柜检测原始模型进行multiscale多尺度训练，得到消防柜检测模型。
47.在这里，本实施例采用深度学习中的yolov5模型对图像中的消防柜进行定位。通过将深度学习yolov5模型的主干网络修改为轻量级网络，比如squeezenet，能够有效地减少检测耗时。在对模型训练时，本实施例采用自收集和标注数据作为消防柜训练样本集。通过剔除深度学习yolov5模型中的focus结构，获得消防柜检测原始模型，将消防柜训练样本集中图片的分辨率比例修改为16：9，然后对所述消防柜检测原始模型进行multiscale多尺度训练，得到消防柜检测模型，能够有效地提高模型的普适性和监测能力。
48.可选地，作为本发明的一个优选示例，在构建消防柜字体检测模型时，本实施例采用深度学习中的yolov5方法对消防柜检测模型所输出图像中的消防柜玻璃上的字体进行检测。在实际应用中，消防柜玻璃上的字体包括但不限于“消”、“防”、“柜”、“火”、“栓”、“微”、“型”、“站”、“警”、“119”。本实施例通过所述消防柜字体检测模型，获取消防柜玻璃上是否存在以上字体，并输出每一个字体的置信度。可选地，在对模型训练时，本实施例采用
自收集和标注数据作为消防柜字体训练样本集，训练神经网络，获取权重文件。
49.训练好的消防柜检测模型和消防柜字体检测模型，用于对巡检机器人拍摄到的图像信息进行消防柜检测和字体检测。所述方法还包括：
50.在步骤s102中，获取待检测图像，将所述待检测图像输入至所述消防柜检测模型，获取所述待检测图像中的消防柜信息。
51.在这里，所述消防柜检测模型将待检测图像中的消防柜以检测盒的方式标记出来，生成消防柜信息。
52.可选地，在检测消防柜阶段，也就是预测阶段，本实施例使用yolov5网络模型和训练过程中训练好的权重文件。首先对待检测图像进行预处理，如：将图片转换为固定大小640
×
640；然后将待检测图像放入所述消防柜检测模型，经过多层卷积层、池化层，最后再经过全连接层输出检测结果。所述检测结果包括但不限于消防柜的检测盒、消防柜置信度。所述消防柜置信度表示检测盒内的信息为消防柜的概率。可选地，本实施例设置消防柜置信度阈值比如0.5以上就认为该消防柜检测盒的内容是消防柜，生成消防柜信息。
53.在步骤s103中，将所述消防柜信息输入至所述消防柜字体检测模型，获取消防柜玻璃上的字体信息。
54.其中，所述字体信息包括消防柜玻璃上存在的字体以及该字体的置信度。在步骤s102得到消防柜信息之后，将所述消防柜信息输入至所述消防柜字体检测模型，通过所述消防柜字体检测模型获取消防柜玻璃上存在的字体以及字体对应的置信度。一个字体对应一个置信度。
55.可选地，在预测阶段，也就是检测消防柜上字体是否存在阶段，使用所述消防柜字体检测模型和训练过程中训练好的权重文件，将消防柜信息输入所述消防柜字体检测模型，经过多层卷积层、池化层，最后经过全连接层预测结果。所述预测结果包括但不限于消防柜玻璃上字体检测盒、字体置信度。所述字体置信度表示所述字体检测盒内的内容为字体的概率。当字体检测盒与实际字体越近，越重合，物体越像，置信度值越高。因此，本实施例设置字体置信度阈值，比如为0.5，一个字体置信度大于0.5时认为该字体检测盒的内容为字体。
56.在步骤s104中，根据所述字体信息判断所述消防柜玻璃是否发生破损，生成破损信息。
57.在这里，本发明实施例根据对所述字体信息进行综合分析，判断消防柜玻璃是否发生缺失或者破损。可选地，作为本发明的一个优选实例，步骤s104所述的根据所述字体信息判断所述消防柜玻璃是否发生破损包括：
58.在步骤s301中，获取消防柜玻璃上的应有字体数量。
59.其中，所述应有字体是指消防柜玻璃在完好状态下所包含的字体。比如消防柜在出厂时玻璃上显示的是“微型消防站”，则所述消防柜的应有字体为“微型消防站”。应有字体数量是指消防柜玻璃在完好状态下所包含的字体的个数，所述应有字体数量通过先验知识获得。
60.在步骤s302中，根据所述字体信息获取所述消防柜玻璃上的可辨识字体数量。
61.其中，所述可辨识字体数量是指通过深度学习检测出来的消防柜玻璃上的可辨识字体的个数。应当理解，所述可辨识字体是指达到指定辨识程度的完整字体或残缺字体。所
述可辨识字体数量表示了所述消防柜玻璃上实际包含的字体数量。在这里，本发明实施例基于字体对应的置信度来获取所述消防柜玻璃上的可辨识字体及其数量。可选地，作为本发明的一个优选示例，所述根据所述字体信息获取所述消防柜玻璃上的可辨识字体数量包括：
62.在步骤s401中，初始化可辨识字体数量为应有字体数量。
63.在步骤s402中，遍历所述消防柜玻璃上存在的每一字体，将所述字体的置信度与预设的置信度阈值进行比较。
64.在步骤s403中，若所述字体的置信度小于预设的置信度阈值，则将所述可辨识字体数量减1。
65.其中，所述预设的置信度阈值为0.7至0.8，优选为0.75。本实施例采用减法计数方式，初始化可辨识字体数量为应有字体数量。然后针对步骤s103中得到的字体信息，遍历每一字体，将所述字体的置信度与预设的置信度阈值进行比较。当所述字体的置信度小于预设的置信度阈值，则认为所述字体为残缺字体，将所述可辨识字体数量减1；当所述字体的置信度大于或等于预设的置信度阈值，则认为所述字体为可辨识字体，保持所述可辨识字体数量不变。在遍历完所述字体信息中的每一个字体之后，所得到的可辨识字体数量表示待检测图像中所述消防柜玻璃上的可辨识字体的个数。
66.在步骤s303中，比对所述应有字体数量和可辨识字体数量。
67.将所述应有字体数量和可辨识字体数量进行比较，判断大小。
68.在步骤s304中，若所述可辨识字体数量等于所述应有字体数量，则所述消防柜玻璃未发生破损。
69.在步骤s305中，若所述可辨识字体数量小于所述应有字体数量，则所述消防柜玻璃发生破损。
70.通过比较所述应有字体数量和可辨识字体数量，当所述可辨识字体数量等于所述应有字体数量时，表示所述待检测图像中的消防柜玻璃上的字体是完整可辨识的，则所述消防柜玻璃未发生破损，是完好的；当所述可辨识字体数量小于所述应有字体数量时，表示所述待检测图像中的消防柜玻璃上的字体是不完整的、有缺失的，则所述消防柜玻璃发生破损。
71.综上所示，本实施例采用巡检机器人对消防柜进行破损检测，有效地降低了整体系统成本，复用性得到极大提高。在进行消防过破损异常检测时，由于消防柜的玻璃在正常形态和缺失、破损状态比较接近，采用目标检测和图像分割时的检测精度较低，且破损消防柜数据的收集难度大、标注困难。鉴于此，本实施例结合消防柜玻璃上的字体及其置信度进行综合判断，使得消防柜玻璃缺失或破损检测的难度下降，大大地提高了消防柜破损检测的效率和准确率，有效地克服了消防柜破损图像数据难以收集、数据标注难度大的问题。
72.应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
73.在一实施例中，本发明还提供一种基于深度学习的消防柜玻璃破损检测装置，该基于深度学习的消防柜玻璃破损检测装置与上述实施例中基于深度学习的消防柜玻璃破损检测方法一一对应。如图2所示，该基于深度学习的消防柜玻璃破损检测装置包括构建模
块21、消防柜获取模块22、字体获取模块23、破损判断模块24。各功能模块详细说明如下：
74.构建模块21，用于构建消防柜检测模型以及消防柜字体检测模型；
75.消防柜获取模块22，用于获取待检测图像，将所述待检测图像输入至所述消防柜检测模型，获取所述待检测图像中的消防柜信息；
76.字体获取模块23，用于将所述消防柜信息输入至所述消防柜字体检测模型，获取消防柜玻璃上的字体信息；
77.破损判断模块24，用于根据所述字体信息判断所述消防柜玻璃是否发生破损，生成破损信息。
78.可选地，所述消防柜检测模型用于检测输入图像中的消防柜信息，所述消防柜信息会进一步提供到所述消防柜字体检测模型。可选地，在构建消防柜检测模型时，所述构建模块21具体用于：
79.将深度学习yolov5模型的输入图片分辨率比例修改为16：9，主干网络修改为轻量级神经网络squeezenet,剔除深度学习yolov5模型中的focus结构，获得消防柜检测原始模型；
80.获取消防柜训练样本集，采用所述消防柜训练样本集对所述消防柜检测原始模型进行multiscale多尺度训练，得到消防柜检测模型。
81.可选地，所述消防柜字体检测模型用于检测消防柜玻璃上的字体信息；在构建消防柜字体检测模型时，所述构建模块21具体用于：
82.采用深度学习中的yolov5方法作为消防柜字体检测原始模型；
83.获取消防柜字体训练样本集，采用所述消防柜字体训练样本集对所述消防柜字体检测原始模型进行训练，得到消防柜字体检测模型。
84.可选地，所述字体信息包括消防柜玻璃上存在的字体以及该字体的置信度。
85.在这里，本实施例在获取到待检测图像之后，将所述待检测图像输入至所述消防柜检测模型，获取所述待检测图像中以检测盒的方式标记的消防柜信息。然后将所述消防柜信息输入至所述消防柜字体检测模型；通过所述消防柜字体检测模型获取消防柜玻璃上存在的字体以及字体对应的置信度，一个字体对应一个置信度。
86.可选地，所述破损判断模块24包括：
87.第一获取单元，用于获取消防柜玻璃上的应有字体数量；
88.第二获取单元，用于根据所述字体信息获取所述消防柜玻璃上的可辨识字体数量；
89.比对单元，用于比对所述应有字体数量和可辨识字体数量；若所述可辨识字体数量等于所述应有字体数量，则所述消防柜玻璃未发生破损；若所述可辨识字体数量小于所述应有字体数量，则所述消防柜玻璃发生破损。
90.可选地，所述第二获取单元包括：
91.初始化子单元，用于初始化可辨识字体数量为应有字体数量；
92.比较子单元，用于遍历所述消防柜玻璃上存在的每一字体，将所述字体的置信度与预设的置信度阈值进行比较；
93.更新子单元，用于若所述字体的置信度小于预设的置信度阈值，则将所述可辨识字体数量减1。
94.可选地，所述应有字体数量通过先验知识获得。
95.可选地，所述预设的置信度阈值为0.7至0.8。
96.在这里，本实施例通过所述字体信息判断所述消防柜玻璃是否发生破损。通过获取消防柜玻璃上的应有字体数量，所述应有字体数量是指消防柜玻璃在完好状态下所包含的字体的个数，所述应有字体数量通过先验知识获得；初始化可辨识字体数量为应有字体数量；遍历所述消防柜玻璃上存在的每一字体，将所述字体的置信度与预设的置信度阈值进行比较；若所述字体的置信度小于预设的置信度阈值，则将所述可辨识字体数量减1；将所述应有字体数量和可辨识字体数量进行比较，判断大小，若所述可辨识字体数量等于所述应有字体数量，则所述消防柜玻璃未发生破损，若所述可辨识字体数量小于所述应有字体数量，则所述消防柜玻璃发生破损。
97.关于基于深度学习的消防柜玻璃破损检测装置的具体限定可以参见上文中对于基于深度学习的消防柜玻璃破损方法的限定，在此不再赘述。上述基于深度学习的消防柜玻璃破损装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于存储器中，以便于处理器调用执行以上各个模块对应的操作。
98.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于深度学习的消防柜玻璃破损检测方法。
99.在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
100.构建消防柜检测模型以及消防柜字体检测模型；
101.获取待检测图像，将所述待检测图像输入至所述消防柜检测模型，获取所述待检测图像中的消防柜信息；
102.将所述消防柜信息输入至所述消防柜字体检测模型，获取消防柜玻璃上的字体信息；
103.根据所述字体信息判断所述消防柜玻璃是否发生破损，生成破损信息。
104.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram
(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
105.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
106.以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于深度学习的消防柜玻璃破损检测方法，其特征在于，包括：构建消防柜检测模型以及消防柜字体检测模型；获取待检测图像，将所述待检测图像输入至所述消防柜检测模型，获取所述待检测图像中的消防柜信息；将所述消防柜信息输入至所述消防柜字体检测模型，获取消防柜玻璃上的字体信息；根据所述字体信息判断所述消防柜玻璃是否发生破损，生成破损信息。2.如权利要求1所述的基于深度学习的消防柜玻璃破损检测方法，其特征在于，所述构建消防柜检测模型包括：将深度学习yolov5模型的输入图片分辨率比例修改为16：9；将深度学习yolov5模型的主干网络修改为轻量级神经网络squeezenet,剔除深度学习yolov5模型中的focus结构，获得消防柜检测原始模型。获取消防柜训练样本集，采用所述消防柜训练样本集对所述消防柜检测原始模型进行多尺度训练，得到消防柜检测模型。3.如权利要求1所述的基于深度学习的消防柜玻璃破损检测方法，其特征在于，所述字体信息包括消防柜玻璃上存在的字体以及该字体的置信度。4.如权利要求3所述的基于深度学习的消防柜玻璃破损检测方法，其特征在于，所述根据所述字体信息判断所述消防柜玻璃是否发生破损包括：获取消防柜玻璃上的应有字体数量；根据所述字体信息获取所述消防柜玻璃上的可辨识字体数量；比对所述应有字体数量和可辨识字体数量；若所述可辨识字体数量等于所述应有字体数量，则所述消防柜玻璃未发生破损；若所述可辨识字体数量小于所述应有字体数量，则所述消防柜玻璃发生破损。5.如权利要求4所述的基于深度学习的消防柜玻璃破损检测方法，其特征在于，所述根据所述字体信息获取所述消防柜玻璃上的可辨识字体数量包括：初始化可辨识字体数量为应有字体数量；遍历所述消防柜玻璃上存在的每一字体，将所述字体的置信度与预设的置信度阈值进行比较；若所述字体的置信度小于预设的置信度阈值，则将所述可辨识字体数量减1。6.如权利要求5所述的基于深度学习的消防柜玻璃破损检测方法，其特征在于，所述应有字体数量通过先验知识获得。7.如权利要求5所述的基于深度学习的消防柜玻璃破损检测方法，其特征在于，所述预设的置信度阈值为0.7至0.8。8.一种基于深度学习的消防柜玻璃破损检测装置，其特征在于，所述装置包括：构建模块，用于构建消防柜检测模型以及消防柜字体检测模型；消防柜获取模块，用于获取待检测图像，将所述待检测图像输入至所述消防柜检测模型，获取所述待检测图像中的消防柜信息；字体获取模块，用于将所述消防柜信息输入至所述消防柜字体检测模型，获取消防柜玻璃上的字体信息；破损判断模块，用于根据所述字体信息判断所述消防柜玻璃是否发生破损，生成破损
信息。9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于深度学习的消防柜玻璃破损检测方法。10.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于深度学习的消防柜玻璃破损检测方法。

技术总结
本发明公开了一种基于深度学习的消防柜玻璃破损检测方法，包括：构建消防柜检测模型以及消防柜字体检测模型；获取待检测图像，将所述待检测图像输入至所述消防柜检测模型，获取所述待检测图像中的消防柜信息；将所述消防柜信息输入至所述消防柜字体检测模型，获取消防柜玻璃上的字体信息；根据所述字体信息判断所述消防柜玻璃是否发生破损，生成破损信息。本发明有效地克服了消防柜玻璃破损图像数据难以收集、数据标注难度大的问题，大大地提高了消防柜玻璃破损检测的效率和准确率。了消防柜玻璃破损检测的效率和准确率。了消防柜玻璃破损检测的效率和准确率。


技术研发人员：刘彪 陆文博 刘振轩 柏林
受保护的技术使用者：广州高新兴机器人有限公司
技术研发日：2023.03.27
技术公布日：2023/7/18