一种基于反向辐射注意力金字塔网络的烟雾多分类识别方法技术

本发明专利技术公开了一种基于反向辐射注意力金字塔网络的烟雾多分类识别方法，判断放空火炬工作状态。该网络首先由三个串联的金字塔模块构成，这三个金字塔块由3、4和5个基本卷积模块组成。然后，在每个金字塔模块中引入注意机制进行特征滤波。最后，通过反向辐射连接各金字塔模块的所有前馈输出，系统全面融合低、中、高层特征。基于反向辐射注意力金字塔网络的烟雾多分类识别方法属于大气环境保护领域和机器学习领域。学习领域。学习领域。

【技术实现步骤摘要】
一种基于反向辐射注意力金字塔网络的烟雾多分类识别方法


[0001]本专利技术涉及一种对火力发电系统工作状态的识别方法，尤其涉及基于反向辐射注意力金字塔网络的烟雾多分类识别方法，属于大气环境保护领域和机器学习领域。

技术介绍

[0002]电的发现和广泛使用是第二次技术革命的结果，也是第三次技术革命的资本，给人类生活带来了许多便利。常见的发电方式主要包括火电发电、太阳能发电、核能发电、风力发电等。但太阳能发电的成本太高，无法实现大规模使用；核能发电容易对环境造成不可恢复的污染；风力发电受到风力和地形的限制。因此，截至目前火电仍然是发电方式中主流的方法。
[0003]为了更好地维护生活生产的安全，保护生态环境，火电系统产生的废气应完全燃烧后通过放空火炬排放到大气中。在正常工作状态下，热力发电系统放空火炬应产生白烟(即水蒸气)。但当放空火炬排放黑烟(即炭黑)或无色烟(即有毒气体)时，即超出了火力发电行业所规定的不可恢复的程度，导致火电系统运行异常，造成严重的安全风险和环境问题。具体来说，黑烟是由废气的不完全燃烧造成的，容易对公众健康和生态环境造成致命的危害。无色的烟雾很可能意味着有毒的废气未经处理就直接排放到空气中，这通常会导致严重的空气污染。因此，需要设计良好的烟气识别模型来监测火力发电系统的工作状态，从而保护人体健康和生态环境。近年来，随着深度学习的飞速发展，它在许多重要的任务中都得到了成功的应用。深度卷积网络提取的特征比传统手工提取的特征具有更好的表征能力，这一点已经得到研究人员的广泛的认可。
[0004]CN201910319875.0公开了一种基于深度学习的变电站烟火智能识别监测方法，该方法将YOLO v3的框架作为基础进行优化，采用图像数据集完成图像识别模型的构建和训练；此外，该方法还利用视频数据训练伪三维卷积残差网络，完成视频识别模型的构建和训练；通过将提取视频流以及图像预处理之后，送入图像识别模型，当检测到烟雾存在时，则自动调用视频识别模型进行二次复检，核验检测结果。
[0005]CN201611116917.3公开了一种基于RGB重构的森林图像切割后的火焰/烟雾识别方法，该方法利用火焰、烟雾区域与背景区域RGB三分量值的不同破坏背景区域，并不断缩小待检测区域；经过强化火焰特征的修正灰度公式处理之后，再经过滤波、切割、腐蚀和膨胀，依据非负元素所占比例判断出是烟雾还是火焰疑似区域；此本专利技术应用于森林防火中识别火焰/烟雾的场合。
[0006]尽管深度学习在识别方面已经取得了令人瞩目的成就，但在烟雾多分类识别方面的研究还十分有限。因此，迫切需要建立一种新的模型来解决烟气浓度的多分类识别问题。基于上述考虑，本专利技术首先研究了多分类烟雾识别问题，精心研发了一种新的基于反向辐射注意力金字塔的烟雾多分类网络，以充分利用不同层次烟雾的视觉特征，从而提高分类器分类的精准性以及算法的准确度。

技术实现思路

[0007]针对热力发电系统在异常运行条件下，废气燃烧不完全或未经处理，向大气中排放大量黑烟或无色有毒废气，造成剧烈爆炸和大气污染的严重问题，本专利技术研究了火力发电系统的工作状态并设计了一种基于反向辐射注意力金字塔网络的烟雾多分类识别方法(IRAP-Net)。本专利技术采用热力发电厂监控摄像头所采集的放空火炬烟雾实时监测图像作为待检测数据，通过一个基于金字塔网络的深度学习框架进行优化，利用图像数据集进行构建和训练，得到烟雾实时监测图像的整体烟雾分类情况，完成对热力发电厂烟雾实时监测。
[0008]本专利技术采用的技术方案为一种基于反向辐射注意力金字塔网络的烟雾多分类识别方法，主要通过以下步骤建立：
[0009]步骤1，由烟雾实时监测视频得到待检测图像。
[0010]对于通过工业级摄像机获得的视频片段，需要通过提取视频帧、图像裁剪得到图像数据，以作为模型的输入。
[0011]步骤1.1，提取视频帧，以1.5s为间隔提取视频当前帧，其他部分的视频直接舍弃；
[0012]步骤1.2，裁剪烟雾图像片段，将视频提取的每一帧图像通过规定截取位置的方式，裁剪为48
×
48的烟雾图像块，并舍弃其他图像区域；
[0013]步骤2，搭建基于反向辐射注意力金字塔网络。
[0014]搭建基于反向辐射注意力金字塔学习网络，该网络由三个串联的金字塔模块构成，这三个金字塔层分别由3、4和5个基本卷积模块组成。在每个金字塔块中引入注意机制模块进行特征滤波。最后，通过反向辐射连接各金字塔模块的所有前馈输出，全面融合低、中、高层特征。其输入为步骤1得到的图像块，输出为烟雾监测数据。
[0015]步骤2.1，采用由两组卷积层、归一化层、激活层构成的基本卷积模块进行网络的预处理，其输入为(48
×
48
×
3)的烟雾图像，在经过由基本卷积模块和最大池化层构成的预训练后，其输出为(24
×
24
×
16)，实现了特征的预先调整；
[0016]步骤2.2，采用由3组包含2个单元卷积模块组成的复杂卷积模块作为第一层金字塔模型进行低层特征的提取，其输入为(24
×
24
×
16)维网络预训练的结果，经过对特征进行堆叠后其输出为(24
×
24
×
96)维的低层特征；
[0017]步骤2.3，采用注意力机制增强相关特征。首先考虑输出金字塔块对每个特征映射的信号，利用全局平均池化对权值进行初始化，公式如下：
[0018][0019]其中，表示全局平均池化权值的初始化结果；表示f
c
中的第n个烟雾图像的特征图；f
c
表示第c组烟雾图像的特征图；和分别表示烟雾图像的特征图的高度和宽度；i和j表示高度和宽度的坐标。然后，引入由两个完全连接层和两个激活层组成的两层神经网络，学习和更新上述初始化的权值，从而得到最优权值：
[0020][0021]其中，表示烟雾图像多分类网络的最优权值；W1，W2为两个全连接层的权重；其中σ
ReLU
和σ
Sigmoid
分别指在激活层中使用的ReLU函数和Sigmoid函数；ω
c
表示第c组烟雾图像的特征图对应的初始化权值。最后，将原始的特征图添加到其关联的增强特征图中，生成新的特征图。其输入为(24
×
24
×
96)维的低层特征，其输出为(24
×
24
×
96)的加权低层特征；
[0022]步骤2.4，采用由4组包含3个单元卷积模块组成的复杂卷积模块作为第二层金字塔模型进行中层特征的提取出，其输入为(24
×
24
×
96)的加权低层特征，经过对特征进行堆叠后其输出为(24
×
24
×
160)维的中层特征；
[0023]步骤2.5，同步骤2.3，其输入为(24...

【技术保护点】

【技术特征摘要】
1.一种基于反向辐射注意力金字塔网络的烟雾多分类识别方法，其特征在于：通过以下步骤建立：步骤1，由烟雾实时监测视频得到待检测图像；对于通过工业级摄像机获得的视频片段，需要通过提取视频帧、图像裁剪得到图像数据，以作为模型的输入；步骤2，搭建基于反向辐射注意力金字塔网络；搭建基于反向辐射注意力金字塔学习网络，该网络由三个串联的金字塔模块构成，这三个金字塔层分别由3、4和5个基本卷积模块组成；在每个金字塔块中引入注意机制模块进行特征滤波；最后，通过反向辐射连接各金字塔模块的所有前馈输出，全面融合低、中、高层特征；其输入为步骤1得到的图像块，输出为烟雾监测数据；步骤3，训练基于反向辐射注意力的金字塔网络；步骤4，进行烟雾图像的多分类监测；工业级摄像机获得的视频进行视频帧提取、图像裁剪、提取特征、烟雾分类评价。2.根据权利要求1所述的一种基于反向辐射注意力金字塔网络的烟雾多分类识别方法，其特征在于：步骤1中，步骤1.1，提取视频帧，以1.5s为间隔提取视频当前帧，其他部分的视频直接舍弃；步骤1.2，裁剪烟雾图像片段，将视频提取的每一帧图像通过规定截取位置的方式，裁剪为48
×
48的烟雾图像块，并舍弃其他图像区域。3.根据权利要求1所述的一种基于反向辐射注意力金字塔网络的烟雾多分类识别方法，其特征在于：步骤2中，步骤2.1，采用由两组卷积层、归一化层、激活层构成的基本卷积模块进行网络的预处理，其输入为(48
×
48
×
3)的烟雾图像，在经过由基本卷积模块和最大池化层构成的预训练后，其输出为(24
×
24
×
16)，实现了特征的预先调整；步骤2.2，采用由3组包含2个单元卷积模块组成的复杂卷积模块作为第一层金字塔模型进行低层特征的提取，输入为(24
×
24
×
16)维网络预训练的结果，经过对特征进行堆叠后其输出为(24
×
24
×
96)维的低层特征；步骤2.3，采用注意力机制增强相关特征；首先考虑输出金字塔块对每个特征映射的信号，利用全局平均池化对权值进行初始化，公式如下：其中，表示全局平均池化权值的初始化结果；表示f
c
中的第n个烟雾图像的特征图；f
c
表示第c组烟雾图像的特征图；和分别表示烟雾图像的特征图的高度和宽度；i和j表示高度和宽度的坐标；然后，引入由两个完全连接层和两个激活层组成的两层神经网络，学习和更新上述初始化的权值,从而得到最优权值：其中，表示烟雾图像多分类网络的最优权值；W1，W2为两个全连接层的权重；其中σ
ReLU...

【专利技术属性】
技术研发人员：顾锞，张永慧，乔俊飞，李泽东，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：