微光环境下电缆沟道烟雾火情的智能图像检测方法技术

本发明专利技术公开了一种微光环境下电缆沟道烟雾火情的智能图像检测方法，其实现步骤为：获取训练样本集和测试样本集，构建用于提取特征的各个模块和注意力机制等模块，构建烟雾检测网络FSSD并进行迭代训练，对微光相机拍摄到的视频图像进行单高斯背景建模，中值滤波和限制对比度直方图均衡化的操作后送入训练好的网络中得到烟雾检测结果。本发明专利技术采用了单高斯背景建模、中值滤波和限制对比度自适应直方图均衡化结合的方法，使得微光环境下的烟雾图像得到了增强，并将该方法与加入了注意力机制的FSSD网络结合，提升了烟雾早期检测能力和检测精确度，降低了误检率。降低了误检率。降低了误检率。

【技术实现步骤摘要】
微光环境下电缆沟道烟雾火情的智能图像检测方法


[0001]本专利技术属于图像处理
，涉及一种烟雾火情的智能图像检测方法，具体涉及一种微光环境下电缆沟道烟雾火情的智能图像检测方法，可用于微光环境下电缆沟道烟雾火情的检测、预警等。

技术介绍

[0002]随着人工智能的发展和图像识别技术的广泛普及，通过视频监控智能地进行烟雾火情监控将是未来火灾预警的重要手段。由于电缆沟道内的电缆在地面以下，环境漆黑，当电缆发生故障而引起火灾时，较难被工作人员发现，这就使得电缆沟火灾事故一旦发生将会造成严重的后果。而烟雾通常在火焰之前产生，因此如何识别微光环境下的烟雾，就直接影响到应急抢险的效率和成果。
[0003]近年来众多学者在烟雾检测方面做出了许多研究，并提出了许多检测方法和方案，主要包括传统算法和深度学习算法两大类。其中，传统算法如申请公布号CN111353334A，名称为“烟雾检测方法和装置”的专利申请，提出了一种烟雾检测方法和装置，包含以下步骤：首先在视频的多个帧图像中检测前景块，确定检测到的各个前景块的移动区域，然后计算各个前景块在至少两个帧图像中的重叠度，根据重叠度确定干扰前景块，最后在去除该干扰前景块的剩余前景块的移动区域中提取特征并检测烟雾。该方法可以避免水滴或光斑等干扰物造成的误检测，但需要手工提取特征并且不适用于微光环境。
[0004]现有的深度学习算法要优于传统算法，例如，申请公布号为CN111723656A,名称为“一种基于YOLO v3与自优化的烟雾检测方法”的专利申请，提出了一种基于YOLO v3与自优化的烟雾检测方法及装置，能够利用监控视频，采用深度学习与传统图像处理相结合的方法对烟雾进行检测，并将检测错误的样本与原始训练集合并成新的训练集，进行了自优化过程，一定程度上提高了烟雾检测能力。但由于该方法使用的YOLO v3网络并不使用于小目标的检测，容易错失烟雾火情的早期预警时间。

技术实现思路

[0005]本专利技术的目的在于提供一种微光环境下电缆沟道烟雾火情的智能图像检测方法，用于解决现有技术中存在的早期烟雾小目标的检测精确度较低和不适应微光环境下检测的技术问题。
[0006]为达到上述目的，本专利技术采用如下技术方案：
[0007]微光环境下电缆沟道烟雾火情的智能图像检测方法，包括以下步骤：
[0008](1)获取训练样本集和测试样本集：
[0009]从微光相机的监控视频中获取到N幅包含烟雾的视频帧图像，组成烟雾图像样本集P＝{P1,P2,...,P
i
,...,P
N
}，将烟雾图像样本集P中的烟雾区域用矩形框进行标记，得到烟雾标签样本集L＝{L1,L2,...,L
i
,...,L
N
}，将烟雾图像样本集P划分为训练样本集P
a
＝{P
1a
,P
2a
,...,P
ja
,...,P
ma
}和测试样本集P
b
＝{P
1b
,P
2b
,...,P
kb
,...,P
nb
}，选取L中与P
a
对应
的烟雾标签样本组成训练标签样本集L
a
＝{L
1a
,L
2a
,...,L
ja
,...,L
ma
}，L中剩余标签样本集组成测试标签样本集L
b
＝{L
1b
,L
2b
,...,L
kb
,...,L
nb
}，其中，N≥3000,P
i
表示第i幅烟雾图像，L
i
表示P
i
对应的烟雾图像标签，P
ja
表示第j个训练图像，L
ja
表示第j个训练图像标签，P
kb
表示第k幅测试图像，L
kb
表示第k幅测试图像标签，m表示训练样本集的总数，n表示测试样本集的总数，m＝[N
×
0.8]，n＝N
‑
m，[
·
]表示取整操作；
[0010](2)构建特征提取模块V、额外层特征提取模块E、金字塔特征提取模块Y、特征转换模块T和注意力机制模块A：
[0011](2a)构建特征提取模块V；
[0012](2b)四个依次层叠的卷积层构成额外特征提取模块E；
[0013](2c)六个依次层叠的卷积层构成金字塔特征提取模块Y；
[0014](2d)三个层叠的上采样与卷积层之间并联，再进行通道合并，构成特征转换模块T；
[0015](2e)通道最大池化层与通道平均池化层分别经过通道数缩减的卷积层、激活层和通道数还原的卷积层，将两个结果相加后再经过一次激活层，构成通道注意力子模块CA，通道最大池化层与通道平均池化层并联，再与依次层叠的通道拼接层、卷积层和激活层串联，构成空间注意力子模块SA，通道注意力子模块CA与空间注意力子模块SA串联构成注意力机制模块A；
[0016](3)构建烟雾检测网络FSSD：
[0017](3a)将特征提取模块V与额外特征提取模块E串联构成特征提取子网D，将特征提取子网D与特征转换模块T串连；
[0018](3b)将金字塔特征提取模块Y中的前两个卷积层输出分别与注意力机制模块A相连，构成输出特征子网O；
[0019](3c)特征转换模块T与输出特征子网O串联，得到烟雾检测网络FSSD；
[0020](4)对烟雾检测网络FSSD进行迭代训练；
[0021](4a)初始化迭代轮数为t，最大迭代轮数为Y,Y≥80，烟雾检测网络FSSD的损失函数为Loss，令t＝0；
[0022](4b)将训练样本集P
a
和训练标签样本集L
a
作为烟雾检测网络FSSD的输入，获得网络输出结果；
[0023](4c)采用烟雾检测网络的损失函数Loss，计算当前时刻的Loss
s
，并采用Adam算法，通过Loss
s
对FSSD网络进行训练，得到第s次训练的网络FSSD
s
；
[0024](4d)判断Loss
s
是否连续n轮迭代都没有下降或s＝Y是否成立，其中n≥10，若是，得到训练好的烟雾检测网络FSSD，否则，令s＝s+1，并执行步骤(4b)；
[0025](5)对微光相机拍摄到的视频进行初始化单高斯背景模型、检测运动帧图像和单高斯背景模型的更新：
[0026](5a)用第一帧图像数据初始化单高斯背景模型；
[0027](5b)判断后续视频帧中的像素是否发生了变化，若某一帧的像素发生了变化，则将这一帧标记为运动帧图像S,并执行步骤(5c),否则继续执行步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.微光环境下电缆沟道烟雾火情的智能图像检测方法，其特征在于，包括以下步骤：(1)获取训练样本集和测试样本集：从微光相机的监控视频中获取到N幅包含烟雾的视频帧图像，组成烟雾图像样本集P＝{P1,P2,...,P
i
,...,P
N
}，将烟雾图像样本集P中的烟雾区域用矩形框进行标记，得到烟雾标签样本集L＝{L1,L2,...,L
i
,...,L
N
}，将烟雾图像样本集P划分为训练样本集P
a
＝{P
1a
,P
2a
,...,P
ja
,...,P
ma
}和测试样本集P
b
＝{P
1b
,P
2b
,...,P
kb
,...,P
nb
}，选取L中与P
a
对应的烟雾标签样本组成训练标签样本集L
a
＝{L
1a
,L
2a
,...,L
ja
,...,L
ma
}，L中剩余标签样本集组成测试标签样本集L
b
＝{L
1b
,L
2b
,...,L
kb
,...,L
nb
}，其中，N≥3000,P
i
表示第i幅烟雾图像，L
i
表示P
i
对应的烟雾图像标签，P
ja
表示第j个训练图像，L
ja
表示第j个训练图像标签，P
kb
表示第k幅测试图像，L
kb
表示第k幅测试图像标签，m表示训练样本集的总数，n表示测试样本集的总数，m＝[N
×
0.8]，n＝N
‑
m，[
·
]表示取整操作；(2)构建特征提取模块V、额外层特征提取模块E、金字塔特征提取模块Y、特征转换模块T和注意力机制模块A：(2a)构建特征提取模块V；(2b)四个依次层叠的卷积层构成额外特征提取模块E；(2c)六个依次层叠的卷积层构成金字塔特征提取模块Y；(2d)三个层叠的上采样与卷积层之间并联，再进行通道合并，构成特征转换模块T；(2e)通道最大池化层与通道平均池化层分别经过通道数缩减的卷积层、激活层和通道数还原的卷积层，将两个结果相加后再经过一次激活层，构成通道注意力子模块CA，通道最大池化层与通道平均池化层并联，再与依次层叠的通道拼接层、卷积层和激活层串联，构成空间注意力子模块SA，通道注意力子模块CA与空间注意力子模块SA串联构成注意力机制模块A；(3)构建烟雾检测网络FSSD：(3a)将特征提取模块V与额外特征提取模块E串联构成特征提取子网D，将特征提取子网D与特征转换模块T串连；(3b)将金字塔特征提取模块Y中的前两个卷积层输出分别与注意力机制模块A相连，构成输出特征子网O；(3c)特征转换模块T与输出特征子网O串联，得到烟雾检测网络FSSD；(4)对烟雾检测网络FSSD进行迭代训练；(4a)初始化迭代轮数为t，最大迭代轮数为Y,Y≥80，烟雾检测网络FSSD的损失函数为Loss，令t＝0；(4b)将训练样本集P
a
和训练标签样本集L
a
作为烟雾检测网络FSSD的输入，获得网络输出结果；(4c)采用烟雾检测网络的损失函数Loss，计算当前时刻的Loss
s
，并采用Adam算法，通过Loss
s
对FSSD网络进行训练，得到第s次训练的网络FSSD
s
；(4d)判断Loss
s
是否连续n轮迭代都没有下降或s＝Y是否成立，其中n≥10，若是，得到训练好的烟雾检测网络FSSD，否则，令s＝s+1，并执行步骤(4b)；(5)对微光相机拍摄到的视频进行初始化单高斯背景模型、检测运动帧图像和单高斯背景模型的更新：
(5a)用第一帧图像数据初始化单高斯背景模型；(5b)判断后续视频帧中的像素是否发生了变化，若某一帧的像素发生了变化，则将这一帧标记为运动帧图像S,并执行步骤(5c),否则继续执行步骤(5b)；(5c)对单高斯背景模型进行更新并执行步骤(5b)；(6)对运动帧图像S进行中值滤波，得到去噪帧图像S
m
；(7)对去噪帧图像S
m
进行限制对比度自适应直方图均衡化，得到增强帧图像S
h
；(8)将增强帧图像S
h
送入烟雾检测网络FSSD中，获取烟雾检测结果S
s
...

【专利技术属性】
技术研发人员：王战红，高洁，张斌，付涛，刘纲，武峰利，许小渭，
申请(专利权)人：国网陕西省电力公司渭南供电公司，
类型：发明
国别省市：