本發明涉及計算機人工智能，特別涉及一種基于深度學習網絡的ai算法服務平臺構建方法。
背景技術：
1、隨著計算機人工智能技術的飛速發展，計算機視覺技術以其極大的便利性逐漸滲透到各行各業。然而，由于地理和生產等條件的限制，特定領域仍然面臨著高新技術難以應用和推廣的問題，導致生產效率較低，技術水平落后。同樣，深度學習是機器學習領域中一個新的研究方向，目前已在工業領域得到了廣泛應用，因此，如何把深度學習的相關知識與技術應用在特定領域，實現生產效率的改變與提升。
2、隨著傳感器技術、圖像處理技術的發展，大量地區裝設了監控設備以進行實時有效的動態監測，這些圖像的有效利用可以在一定程度上實現精細化管理的目的。而深度學習作為一個新興的機器學習方法，它在圖像處理方面表現出了良好的性能，該方法的應用勢必可以提高管理效率。
3、以先進的單階段目標檢測框架yolo為例，其檢測頭始終是耦合的，極大地影響了檢測算法的收斂性能。而卷積神經網絡cnn采用的原始特征金字塔網絡fpn，其采用自頂向下的方式傳遞高層特征，這種處理方式未兼顧底層的邊緣、形狀等特征的增強，而由于現實中通常存在光照條件差、監控目標相互擠壓與遮擋的實際情況，因此采集到的圖像目標輪廓邊緣不夠清晰。
技術實現思路
1、本發明提供了一種基于深度學習網絡的ai算法服務平臺構建方法，構建包含目標統計算法、目標分割算法和目標識別算法的ai算法服務平臺，具有算法收斂速度快、參數及浮點運算數計算量降低、傳遞速度和性能更佳的優勢，提高監測效果和管理水平。
2、本發明提供了一種基于深度學習網絡的ai算法服務平臺構建方法，包括：
3、構建初始服務平臺；
4、構建目標統計算法，用于采用改進預測端的yolox網絡模型對圖像輸入數據進行處理，以對所述圖像輸入數據進行目標統計，得到所述圖像輸入數據的目標數；
5、構建目標分割算法，用于根據所述圖像輸入數據的目標數進行目標檢測，以完成目標的分割和輪廓提取，得到目標圖像區域；
6、構建目標識別算法，用于基于預設的卷積神經網絡對所述目標圖像區域進行識別，得到所述原始圖像數據的檢測結果；
7、將所述目標統計算法、目標分割算法和目標識別算法加入所述初始服務平臺，并確定ai算法服務平臺的虛擬化資源池和應用層，以完成基于深度學習網絡的ai算法服務平臺的構建。
8、進一步地，所述構建目標統計算法，用于采用改進預測端的yolox網絡模型對圖像輸入數據進行處理，以對所述圖像輸入數據進行目標統計，得到所述圖像輸入數據的目標數的步驟中，目標檢測具體包括：
9、利用anchor-free方法，在預先設定標準點范圍的前提下，設置檢測目標的中心為正樣本，設定預測框的高度和寬度，確定每個對象的特征金字塔結構fpn級別；采用multi-positives策略，在挑選目標框的候選框時，挑選的數量大于1，以優化預測帶來有益的梯度，最后采用simota算法為每一個特征層得到三個預測結果：
10、實現對目標框位置的預測：用reg_output(h,w,4)函數計算出預測框的中心點位置，預測框的高度和寬度；
11、完成對目標框前景和背景的判斷：采用sigmoid函數對obj_output(h,w,1)進行處理，并計算目標框前景的置信度；
12、判斷目標類型：采用sigmoid函數對cls_output(h,w,num_classes)進行處理后，為每類目標設置一個分數，并得到每一類目標的置信度。
13、進一步地，所述構建目標統計算法，用于采用改進預測端的yolox網絡模型對圖像輸入數據進行處理，以對所述圖像輸入數據進行目標統計，得到所述圖像輸入數據的目標數的步驟中，在目標檢測之前，還包括：
14、采集或接收原始圖像數據，并對所述原始圖像數據進行數據預處理，得到所述圖像輸入數據；其中所述數據預處理包括幾何校正、圖像融合、圖像鑲嵌、圖像裁剪。
15、進一步地，所述構建目標分割算法，用于根據所述圖像輸入數據的目標數進行目標檢測，以完成目標的分割和輪廓提取，得到目標圖像區域的步驟，包括：
16、采用maskr-cnn模型對由圖像采集設備采集到的原始圖像進行預處理和特征提取，以得到所述圖像輸入數據的特征并獲取相應特征圖；
17、基于上述步驟獲取的特征圖，利用區域建議網絡rp對每幅圖像的roi區域進行提取，將前景和背景做二值分類處理，并采用邊界框回歸和非最大抑制方法進行計算處理；
18、在roialign層對上一步驟計算得到的結果進行尺寸的統一；
19、將上一步驟的計算結果通過包含全連接層和全卷積神經網絡在內的分支進行目標分類、邊界框回歸操作和像素分割。
20、進一步地，所述構建目標識別算法，用于基于預設的卷積神經網絡對所述目標圖像區域進行識別，得到所述原始圖像數據的檢測結果的步驟中，預設的卷積神經網絡包括特征提取網絡和分類定位子網絡；
21、所述特征提取網絡通過層層堆疊的卷積層、池化層以及激活函數，從所述目標圖像區域中提取具有代表性的特征，所述特征能夠捕捉數據中的關鍵信息；所述分類定位子網絡通過全連接層和softmax函數，將提取到的特征映射到具體的類別或位置。
22、進一步地，所述特征提取網絡采用深度殘差網絡作為基礎結構，并結合特征金字塔網絡從所述目標圖像區域中提取多尺度的圖像特征，不同尺度的圖像特征用于檢測不同尺度的感興趣目標；
23、深度殘差網絡采用resnet-50結構，提取中高層語義特征，引入殘差學習以防止網絡過擬合；特征金字塔網絡以深度殘差網絡的第3到第5個殘差模塊的輸出為基礎，構建5層的特征金字塔，這些特征金字塔分別表示步長為{8、16、32、64、128}的下采樣特征圖。
24、進一步地，所述分類定位子網絡以特征提取網絡輸出的特征圖為輸入，通過卷積層為特征圖中每一個位置做類別概率的預測；
25、每一個預測都是以特征圖某個位置為中心不同尺度、不同長寬比的矩形框，所述矩形框稱為錨點，對每一個錨點，分類子網絡輸出與類別相關的分類結果，若目標識別的類別數量為k，則其輸出為長度為k的向量，其中每個元素表示該錨點所在圖像區域屬于特定類別的概率。
26、本發明還提供了一種基于深度學習網絡的ai算法服務平臺構建裝置，包括：
27、第一構建模塊，用于構建初始服務平臺；
28、第二構建模塊，用于構建目標統計算法，用于采用改進預測端的yolox網絡模型對圖像輸入數據進行處理，以對所述圖像輸入數據進行目標統計，得到所述圖像輸入數據的目標數；
29、第三構建模塊，用于構建目標分割算法，用于根據所述圖像輸入數據的目標數進行目標檢測，以完成目標的分割和輪廓提取，得到目標圖像區域；
30、第四構建模塊，用于構建目標識別算法，用于基于預設的卷積神經網絡對所述目標圖像區域進行識別，得到所述原始圖像數據的檢測結果；
31、確定模塊，用于將所述目標統計算法、目標分割算法和目標識別算法加入所述初始服務平臺，并確定ai算法服務平臺的虛擬化資源池和應用層，以完成基于深度學習網絡的ai算法服務平臺的構建。
32、本發明還提供了一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執行所述計算機程序時實現上述方法的步驟。
33、本發明還提供了一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時實現上述方法的步驟。
34、本發明的有益效果為：
35、本發明構建ai算法服務平臺，包括目標統計算法、目標分割算法、目標識別算法以及虛擬化資源池的構建，目標檢測算法采用改進預測端的yolox網絡模型對圖像輸入數據進行處理；目標分割算法根據圖像輸入數據的目標數進行目標檢測，以完成目標的分割和輪廓提取；目標識別算法基于預設的卷積神經網絡對目標圖像區域進行識別；最后確定ai算法服務平臺的虛擬化資源池和應用層，用以對算法的構建和訓練提供硬件基礎，算法平臺具有算法收斂速度快、參數及浮點運算數計算量降低、傳遞速度和性能更佳的優勢，提高了監測效果和管理水平。