山火烟雾检测模型的训练方法及山火烟雾的识别方法技术

本发明专利技术实施例提供一种山火烟雾检测模型的训练方法及山火烟雾的识别方法，该方法包括：获取初始山火烟雾图像，并对初始山火烟雾图像预处理得到源域图像集和第一真实标签，利用K

【技术实现步骤摘要】
山火烟雾检测模型的训练方法及山火烟雾的识别方法


[0001]本专利技术涉及电力工程
，具体地涉及一种山火烟雾检测模型的训练方法及山火烟雾的识别方法。

技术介绍

[0002]现有技术中，输电线路下方的树木、茅草等易燃易爆物极易引发山火，使得输电线路周围空气间隙的绝缘大幅降低，进而导致输电线路跳闸。为保证电力线路的正常运行，包括SSD(Single Shot MultiBox Detector)、YOLO(You Only Look Once)、Faster
‑
R
‑
CNN(Faster
‑
Region
‑
Convolutional Neural Networks)在内的众多目标检测模型已应用于山火烟雾的智能识别。但现有的识别方法只能针对训练过的场景进行训练学习，对新的场景识别率低，进而导致识别方法的准确度不高，难以适应不同场景下的山火烟雾识别任务。

技术实现思路

[0003]基于此，本专利技术第一方面提供一种山火烟雾检测模型的训练方法，该方法包括：...

【技术保护点】

【技术特征摘要】
1.一种山火烟雾检测模型的训练方法，其特征在于，包括：获取初始山火烟雾图像，并对所述初始山火烟雾图像预处理得到源域图像集和第一真实标签，其中，所述第一真实标签包括第一真实边框和第一烟雾类别；利用K
‑
means++算法确定所述源域图像集的目标先验框尺寸；基于所述源域图像集、所述目标先验框尺寸以及所述第一真实标签训练轻量级YOLO V4模型，得到初始山火烟雾检测模型；获取新增山火烟雾图像，对所述新增山火烟雾图像预处理得到目标域图像集和第二真实标签，其中，所述第二真实标签包括第二真实边框和第二烟雾类别；利用迁移学习算法基于所述目标域图像集和所述第二真实标签对所述初始山火烟雾检测模型进行训练，得到山火烟雾检测模型。2.根据权利要求1所述的方法，其特征在于，所述利用K
‑
means++算法确定所述源域图像集的目标先验框尺寸，包括：从所述源域图像集中选取预设数值个第一真实边框作为更新前的聚类中心；重复执行第一循环步骤以更新所述聚类中心，直至所述更新前的聚类中心与所述更新后的聚类中心坐标相同，基于所述更新后的聚类中心的第一真实边框尺寸确定所述目标先验框尺寸，其中，所述第一循环步骤包括：计算所述源域图像集中每个第一真实边框与每个所述更新前的聚类中心的最小距离；将所述第一真实边框划分到与所述最小距离对应的所述更新前的聚类中心所在的类；基于所述划分后的所述类中的多个第一真实边框计算更新后的聚类中心。3.根据权利要求2所述的方法，其特征在于，所述从所述源域图像集中选取预设数值个第一真实边框作为更新前的聚类中心，包括：随机选取所述源域图像集的一个第一真实边框作为聚类中心；重复执行第二循环步骤，直至所述聚类中心的数值达到所述预设数值，确定所述预设数值个第一真实边框作为更新前的聚类中心，其中，所述第二循环步骤包括：计算所述源域图像集中除所述聚类中心之外的多个所述第一真实边框与所述聚类中心之间的距离；基于所述距离计算每个所述第一真实边框作为下一个聚类中心的概率，并确定每个所述概率所在的概率区间；在预设范围内随机选取一个数值，选取与所述数值对应的所述概率区间；将所述概率区间中的所述第一真实边框作为所述下一个聚类中心，并将所述聚类中心的数值加一。4.根据权利要求1所述的方法，其特征在于，所述基于所述源域图像集、所述目标先验框尺寸以及所述第一真实标签训练轻量级YOLO V4模型，得到初始山火烟雾检测模型，包括：将所述源域图像集输入至所述轻量级YOLO V4模型中的骨干网络模块，得到所述源域图像集的抽象特征表示；将所述抽象特征表示输入至所述轻量级YOLO V4模型中的颈部网络模块，得到三个尺度下的高层特征表示；基于所述高层特征表示，利用坐标注意力机制得到坐标注意力加权特征图；
将所述坐标注意力加权特征图输入至所述轻量级YOLO V4模型中的预测网络模块，得到预测结果；基于所述预测结果、所述目标先验框尺寸和所述第一真实标签计算所述轻量级YOLO V4模型的第一损失；以最小化所述第一损失为目标，迭代训练所述轻量级YOLO V4模型，直到满足预设训练终止条件时，终止训练以得到所述初始山火烟雾检测模型。5.根据权利要求4所述的方法，其特征在于，所述基于所述高层特征表示，利用坐标注意力机制得到坐标注意力加权特征图，包括：针对每个尺度下的所述高层特征表示，对所述高层特征表示的通道沿水平坐标方向和竖直坐标方向进行编码，得到水平压缩特征图和竖直压缩特征图；对所述水平压缩特征图和所述竖直压缩特征图进行特征聚合和卷积变换，得到聚合特征图；对所述聚合特征图进行处理得到水平独立张量和竖直独立张量，对所述水平独立张量和所述竖直独立张量进行卷积得到水平注意力张量和竖直注意力张量；基于所述水平注意力张量、所述竖直注意力张量以及所述高层特征表示得到坐标注意力加权特征图。6.根据权利要求4所述的方法，其特征在于，所述基于所述预测结果、所述目标先验框尺寸和所述第一真实标签计算所述轻量级YOLO V4模型的第一损失，包括：基于所述预测结果和所述目标先验框尺寸计算得到第一预测边框和第一预测烟雾类型；根据所述第一预测边框、所述第一预测烟雾类型以及所述第一真实标签计算所述轻量级YOLO V4模型的第一损失；其中，所述第一损失的计算公式为：loss＝E1+E2+E3其中，loss为所述第一损失，E1为类别预测误差，E2为位置预测误差，E3为置信度预测误差；所述类...

【专利技术属性】
技术研发人员：彭宇果，欧阳亿，张华玉，唐照华，罗晶，孙易成，曹启明，龚杰，陶星宇，朱帅格，
申请(专利权)人：国网湖南省电力有限公司防灾减灾中心国家电网有限公司，
类型：发明
国别省市：