工业泄露目标气体检测模型训练方法、检测方法、电子设备技术

技术编号:37679680 阅读:36 留言:0更新日期:2023-05-26 04:46
本公开涉及工业泄露目标气体检测模型训练方法、检测方法、电子设备。该训练方法包括:响应于接收到待训练气体图像,对待训练气体图像进行特征提取;基于可变形卷积和通道注意力对待训练气体图像进行图像特征增强,以得到针对待训练气体图像的深层特征图像;对深层特征图像进行特征预测,得到多个输出特征图;基于置信度筛选正负样本预测框;利用完整损失函数计算经筛选的正负样本预测框的目标边框回归损失;以及至少基于多个输出特征图和目标边框回归损失,更新工业泄露目标气体检测模型。以此方式,能够对工业泄漏气体进行实时和准确的检测,提升工业气体使用安全。提升工业气体使用安全。提升工业气体使用安全。

【技术实现步骤摘要】
工业泄露目标气体检测模型训练方法、检测方法、电子设备


[0001]本公开一般地涉及计算机领域,特别地涉及工业泄露目标气体检测模型训练方法、检测方法、电子设备。

技术介绍

[0002]21世纪以来,我国工业生产规模大幅增加、进程逐步提速。在工业生产过程中,特别是在化工、钢铁、石油、煤炭等能源领域行业,不可避免地产生大量的废气。这些排放的工业废气不仅会导致严重大气污染,其中掺杂的有毒有害成分还会对人民群众的生命财产安全造成极大的威胁和挑战。
[0003]深度学习是一类能够通过监督、半监督或无监督的训练方法,自动学习训练数据中隐藏的内部结构的一类多层神经网络算法。随着卷积神经网络在深度学习中的广泛应用,深度学习方法在目标检测方面发挥了重要作用,能更好地进行图像的特征提取。相比于传统目标检测方法,基于深度学习和CNN的目标检测方法在准确率方面体现出了明显优势,能够提取到图像深层次的语义特征,且已被应用于具有模糊特征物体(如气体、烟雾等)的目标检测YOLO系列算法在目标检测领域迭代迅速同时表现出较好的检测性能,目前已初步应用于气体检测领域,但主要存在以下几个问题:目前的模型很难准确实现对形状不规则、稀疏性以及多尺度等气体目标特有特征的描述与提取;模型在反向传播优化过程中因目标边框损失未能完全衡量预测边框与真实目标边框之间的差异,导致气体检测准确性不高;数据集场景不够丰富,不能很好地应对多场景条件下工业危险气体泄漏问题。
[0004]因此,急需一种工业泄露目标气体检测模型训练方法、检测方法、电子设备,以至少部分地介绍上述问题。

技术实现思路

[0005]根据本公开的示例实施例,提供了一种用于提升工业泄漏气体检测精度的方案。
[0006]在本公开的第一方面中,提供了一种工业泄露目标气体检测模型训练方法。该方法包括:响应于接收到待训练气体图像,基于CSPNet和Swin Transformer Block对待训练气体图像进行特征提取,其中待训练气体图像包括一个或多个工业泄露目标气体;基于可变形卷积和通道注意力SENet对待训练气体图像进行图像特征增强,以得到针对待训练气体图像的深层特征图像;对深层特征图像进行特征预测,得到多个输出特征图,多个输出特征图的每个输出特征图具有不同的尺寸并且包括针对一个或多个工业泄露目标气体的类别、置信度以及正负样本预测框;基于置信度筛选正负样本预测框;利用完整损失函数计算经筛选的正负样本预测框的目标边框回归损失,其中完整损失函数基于中心点和目标边框而修正;以及至少基于多个输出特征图和目标边框回归损失,更新工业泄露目标气体检测模型,以检测一个或多个工业泄露目标气体。
[0007]在一些实施例中,方法还可以包括:对待训练气体图像进行图像标注,得到xml注
释文件;将xml注释文件进行标注转换,得到txt注释文件;对txt注释文件使用HSV、Flip、MixUp和Mosaic中的一者或多者进行数据增强;以及对经数据增强的待训练气体图像进行信息建模。
[0008]在一些实施例中,基于可变形卷积和通道注意力SENet对待训练气体图像进行图像特征增强,以得到针对待训练气体图像的深层特征图像可以包括:融合可变形卷积和通道注意力SENet,以得到特征加权提取结构块CBL_D;以及至少基于特征加权提取结构块CBL_D,得到针对待训练气体图像的深层特征图像。
[0009]在一些实施例中,基于置信度筛选正负样本预测框可以包括:确定置信度的置信分阈值;以及基于置信分阈值筛选出正负样本预测框。
[0010]在一些实施例中,方法还可以包括:基于交叉熵损失函数计算与一个或多个工业泄露目标气体相关联的类别损失和分类损失。
[0011]在一些实施例中,至少基于多个输出特征图和目标边框回归损失,更新工业泄露目标气体检测模型可以包括:基于随机梯度下降算法更新工业泄露目标气体检测模型的参数。
[0012]在一些实施例中,工业泄露目标气体包括尺度变化大于阈值工业气体、形状不规则工业气体以及稀疏性工业气体中的一者或多者。
[0013]在本公开的第二方面中,提供了一种检测工业泄露目标气体的方法。该方法包括:获取待检测图像;以及利用工业泄露目标气体检测模型检测待检测图像,以得到针对工业泄露目标气体的目标检测结果,其中工业泄露目标气体检测模型采用根据本公开第一方面的方法被训练。
[0014]在本公开的第三方面中,提供了一种电子设备。该电子设备包括处理器以及与处理器耦合的存储器,存储器具有存储于其中的指令,指令在被处理器执行时使设备执行动作。动作包括:响应于接收到待训练气体图像,基于CSPNet和Swin Transformer Block对待训练气体图像进行特征提取,其中待训练气体图像包括一个或多个工业泄露目标气体;基于可变形卷积和通道注意力SENet对待训练气体图像进行图像特征增强,以得到针对待训练气体图像的深层特征图像;对深层特征图像进行特征预测,得到多个输出特征图,多个输出特征图的每个输出特征图具有不同的尺寸并且包括针对一个或多个工业泄露目标气体的类别、置信度以及正负样本预测框;基于置信度筛选正负样本预测框;利用完整损失函数计算经筛选的正负样本预测框的目标边框回归损失,其中完整损失函数基于中心点和目标边框而修正;以及至少基于多个输出特征图和目标边框回归损失,更新工业泄露目标气体检测模型,以检测一个或多个工业泄露目标气体。
[0015]在一些实施例中,输入图像首先经过模型特征提取得到预测框,再根据置信分阈值剔除负样本预测框,最后利用非极大值抑制算法剔除冗余预测框,得到最终检测结果。
[0016]在本公开的第四方面中,提供一种电子设备。该电子设备包括:处理器以及与处理器耦合的存储器,存储器具有存储于其中的指令,指令在被处理器执行时使设备执行动作。动作包括:获取待检测图像;以及利用工业泄露目标气体检测模型检测待检测图像,以得到针对工业泄露目标气体的目标检测结果,其中工业泄露目标气体检测模型采用根据本公开第一方面的方法被训练。
[0017]在本公开的第五方面中,提供了一种计算机可读存储介质,其上存储有计算机程
序,该程序被处理器执行时实现根据本公开的第一方面的方法。
[0018]在本公开的第六方面中,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现根据本公开的第二方面的方法。
[0019]在本公开的第七方面中,提供了一种计算机程序产品,包括计算机可执行指令,所述计算机可执行指令在被处理器执行时,使计算机实现根据本公开的第一方面或第二方面的方法。
[0020]应当理解,
技术实现思路
部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征,亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
[0021]结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标记表示相同或相似的元素。附图用于更好本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种工业泄露目标气体检测模型训练方法,其特征在于,包括:响应于接收到待训练气体图像,基于CSPNet和Swin Transformer Block对所述待训练气体图像进行特征提取,其中所述待训练气体图像包括一个或多个工业泄露目标气体;基于可变形卷积和通道注意力SENet对所述待训练气体图像进行图像特征增强,以得到针对所述待训练气体图像的深层特征图像;对所述深层特征图像进行特征预测,得到多个输出特征图,多个所述输出特征图的每个输出特征图具有不同的尺寸并且包括针对一个或多个所述工业泄露目标气体的类别、置信度以及正负样本预测框;基于所述置信度筛选所述正负样本预测框;利用完整损失函数计算经筛选的所述正负样本预测框的目标边框回归损失,其中所述完整损失函数基于中心点和目标边框而修正;以及至少基于多个所述输出特征图和所述目标边框回归损失,更新所述工业泄露目标气体检测模型,以检测一个或多个所述工业泄露目标气体。2.根据权利要求1所述的训练方法,其特征在于,所述方法还包括:对所述待训练气体图像进行图像标注,得到xml注释文件;将所述xml注释文件进行标注转换,得到txt注释文件;对所述txt注释文件使用HSV、Flip、MixUp和Mosaic中的一者或多者进行数据增强;以及对经数据增强的所述待训练气体图像进行信息建模。3. 根据权利要求1所述的训练方法,其特征在于,基于可变形卷积和通道注意力SENet对所述待训练气体图像进行图像特征增强,以得到针对所述待训练气体图像的深层特征图像包括:融合所述可变形卷积和所述通道注意力SENet,以得到特征加权提取结构块CBL_D;以及至少基于所述特征加权提取结构块CBL_D,得到针对所述待训练气体图像的深层特征图像。4. 根据权利要求1所述的训练方法,其特征在于,基于所述置信度筛选所述正负样本预测框包括:确定所述置信度的置信分阈值;以及基于所述置信分阈值筛选出所述正负样本预测框。5.根据权利要求1所述的训练方法,其特征在于,所述方法还包括:基于交叉熵损失函数计算与一个或多个所述工业泄露目标气体相关联的类别损失和分类损失。6.根据权利要求5所述的训练方法,其特征在于,至少基于...

【专利技术属性】
技术研发人员:王垒徐英伟廖观万宋炜王方亮王建平周殿涛吴继平宋建华周传
申请(专利权)人:北京万龙精益科技有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1