【技术实现步骤摘要】
输电线路烟雾语义分割模型的训练方法、设备和介质
[0001]本专利技术涉及计算机视觉与电气工程
,尤其是涉及一种输电线路烟雾语义分割模型的训练方法、设备和介质。
技术介绍
[0002]通常情况下,火灾的发生经常伴随烟雾的升起,因此,烟雾检测在火灾早期监测中起着至关重要的作用。而传统的烟雾检测方法主要是依赖烟雾的浓度和温度来进行判断,只有当烟雾达到一定浓度和一定温度,才会触发烟雾报警。但这对于野外场景下的,输电线路火情监测是不现实的。因为首先需要监测的范围是极广的,且野外是非封闭环境,想要监测到起火源附近准确的烟雾浓度和烟雾温度是较为困难的。
技术实现思路
[0003]基于此,有必要提供输电线路烟雾语义分割模型的训练方法、设备和介质,以解决野外环境下输电线路烟雾检测较为困难的问题。
[0004]一种输电线路烟雾语义分割模型的训练方法,所述输电线路烟雾语义分割模型包括特征提取网络、第一分类器、所述第二分类器和鉴别器,所述第一分类器和所述第二分类器的结构相同且初始参数不同,所述方法包括:
[0005]获取训练图像集;其中,所述训练图像集包括目标域图像集和源域图像集,所述目标域图像集包括多张在输电线路场景下的第一烟雾图像,所述源域图像集包含多张在非输电线路场景下的第二烟雾图像,所述烟雾图像内的每一像素携带有烟雾标注;
[0006]将所述第一烟雾图像和所述第二烟雾图像分别输入所述特征提取网络,获取输出的所述第一烟雾图像对应的第一特征图和所述第二烟雾图像对应的第二特征图;
[ ...
【技术保护点】
【技术特征摘要】
1.一种输电线路烟雾语义分割模型的训练方法,其特征在于,所述输电线路烟雾语义分割模型包括特征提取网络、第一分类器、所述第二分类器和鉴别器,所述第一分类器和所述第二分类器的结构相同且初始参数不同,所述方法包括:获取训练图像集;其中,所述训练图像集包括目标域图像集和源域图像集,所述目标域图像集包括多张在输电线路场景下的第一烟雾图像,所述源域图像集包含多张在非输电线路场景下的第二烟雾图像,所述烟雾图像内的每一像素携带有烟雾标注;将所述第一烟雾图像和所述第二烟雾图像分别输入所述特征提取网络,获取输出的所述第一烟雾图像对应的第一特征图和所述第二烟雾图像对应的第二特征图;将所述第二特征图输入所述第一分类器,获取输出的所述第二烟雾图像内每一像素的第一烟雾分类结果,根据相同像素的第一烟雾分类结果和烟雾标注计算第一分类损失,根据所述第一分类损失对所述特征提取网络的参数和所述第一分类器的参数进行调整;将所述第二特征图输入所述第二分类器,获取输出的所述第二烟雾图像内每一像素的第二烟雾分类结果,根据相同像素的第二烟雾分类结果和烟雾标注计算第二分类损失,根据所述第二分类损失对所述特征提取网络的参数和所述第二分类器的参数进行调整;将所述第一特征图和所述第二特征图分别输入所述鉴别器,获取输出的所述第一特征图对应的第一鉴别结果和所述第二特征图对应的第二鉴别结果,根据所述第一鉴别结果和所述第二鉴别结果计算迁移损失,根据所述迁移损失对所述特征提取网络的参数和所述鉴别器的参数进行调整,以增大所述特征提取网络提取域不变特征的能力,且增大所述鉴别器鉴别正确的概率,返回执行所述将所述第一烟雾图像和所述第二烟雾图像分别输入所述特征提取网络的步骤及后续步骤,直至所述输电线路烟雾语义分割模型收敛;其中,鉴别结果用于指示像素属于所述目标域图像集或属于所述源域图像集。2.根据权利要求1所述的方法,其特征在于,计算第一分类损失和第二分类损失的公式为:为:上式中,L
seg
(E,C1)指示第一分类损失;L
seg
(E,C2)指示第二分类损失;E指示所述特征提取网络;C1指示所述第一分类器;C2指示所述第二分类器;n
×
m指示总的像素个数;C指示分类总数;y
ik
指示像素i是否属于第k类别的烟雾标注,当像素i属于第k类别时,y
ik
=1,否则y
ik
=0;p'
ik
指示像素i的第一烟雾分类结果;p”ik
指示像素i的第二烟雾分类结果。3.根据权利要求1所述的方法,其特征在于,计算迁移损失的公式为:3.根据权利要求1所述的方法,其特征在于,计算迁移损失的公式为:上式中,E指示所述特征提取网络;D指示所述鉴别器;n
×
m指示总的像素个数;y
jz
指示
像素j所属的图像域,y
jz
=1指示属于源域,y
jz
=0指示属于目标域;p'
jz
指示在调整所述特征提取网络的参数和所述鉴别器的参数时,像素j所属的图像域;p”jz
指示在调整所述特征提取网络的参数时,像素j...
【专利技术属性】
技术研发人员:文刚,周仿荣,马仪,马御棠,潘浩,王一帆,耿浩,曹俊,
申请(专利权)人:云南电网有限责任公司电力科学研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。