图像烟雾分割模型、训练方法及图像烟雾分割方法技术

本发明专利技术实施例公开了一种图像烟雾分割模型，模型包括骨干网络、密集多尺度上下文模块、细节信息增强模块和特征融合模块，第一单元用于提取待识别图像的第一特征信息；第二单元用于根据第一特征信息得到第二特征信息，并将第二特征信息发送给细节信息增强模块，细节信息增强模块用于从第二特征信息中提取烟雾的边缘信息；第三单元用根据第三特征信息计算待识别图像的空间注意力系数；第四单元用于将第四特征信息发送给密集多尺度上下文模块，密集多尺度上下文模块用于从第四特征信息中获取待识别图像的每一个子区域的上下文信息，并发送给特征融合模块；特征融合模块用于根据边缘信息、空间注意力系数和上下文信息进行融合得到待识别图像的特征图。待识别图像的特征图。待识别图像的特征图。

【技术实现步骤摘要】
图像烟雾分割模型、训练方法及图像烟雾分割方法


[0001]本专利技术涉及计算机视觉和图像分割
，尤其涉及一种图像烟雾分割模型、训练方法及图像烟雾分割方法。

技术介绍

[0002]火灾是极其可怕的，不仅会造成巨大的财产损失，更会危害生命、破坏生态平衡。与其他的灾难不同，火灾显示出非常清晰的视觉线索，如烟雾和火焰。在绝大多数情况下，火灾发展相对缓慢，在大火灾爆发之前，可能持续较长一段时间。因此，烟雾检测比火焰探测提供了更早的火灾预警，它使消防员或相关人员有足够的时间进行灭火救灾。在许多应用中，精确的烟雾检测在火灾预警和扑救工作中能发挥重大作用，同时能极大的减少火灾造成的损失。传统的烟雾探测技术通常基于感知温度或颗粒浓度。但是这些传感器在较开阔的空间是无效的。
[0003]现有技术中，视觉烟雾检测方法利用计算机视觉技术从图像中监测定位烟雾，比传统的传感器更适用于开阔、野外场景中的烟雾探测。但是，因为烟雾具有不定形态、边缘模糊和半透明等不良视觉特性，使得精确分割烟雾区域的难度显著增加。

技术实现思路

[0004]基于此，有必要针对上述问题，提出了一种图像烟雾分割模型、训练方法及图像烟雾分割方法。上述模型以及方法可以实现对待检测图像中不同尺度的烟雾目标的有效分割。
[0005]一种图像烟雾分割模型，模型包括骨干网络、密集多尺度上下文模块、细节信息增强模块和特征融合模块，其中，骨干网络包括第一单元、第二单元、第三单元和第四单元，第一单元用于提取待识别图像的第一特征信息；第二单元用于接收第一特征信息，根据第一特征信息得到第二特征信息，并将第二特征信息发送给细节信息增强模块，细节信息增强模块用于从第二特征信息中提取烟雾的边缘信息；第三单元用于接收第二特征信息，根据第二特征信息得到第三特征信息，根据第三特征信息计算待识别图像的空间注意力系数；第四单元用于接收第三特征信息，根据第三特征信息得到第四特征信息，并将第四特征信息发送给密集多尺度上下文模块，密集多尺度上下文模块用于从第四特征信息中获取待识别图像的每一个子区域的上下文信息，并发送给特征融合模块；特征融合模块用于根据边缘信息、空间注意力系数和上下文信息进行融合得到待识别图像的特征图。
[0006]可选地，模型还包括上采样模块，上采样模块用于获取特征图，并将特征图经过卷积和上采样得到待识别图像的烟雾分割预测图。
[0007]可选地，计算待识别图像的空间注意力系数具体利用下述公式：
[0008]X1′
＝(F1×1((GAP(X1),GMP(X1))))
[0009]其中，X1′
为空间注意力系数，σ为Sigmoid函数，F1×1为1
×
1卷积，GAP为全局平均池化，GMP为全局最大池化，X1为第三特征信息。
[0010]一种图像烟雾分割模型的训练方法，方法包括：
[0011]获取训练集；
[0012]设置训练参数；
[0013]根据训练集和训练参数对上述的图像烟雾分割模型进行训练得到目标烟雾分割模型。
[0014]可选地，训练参数包括学习策略、损失函数、初始化方式和激活函数，其中，设置训练参数，具体包括：
[0015]将学习策略装置为Poly；
[0016]将损失函数装置为交叉熵损失函数；
[0017]将初始化方式装置为Kaiming；
[0018]将激活函数装置为ReLu。
[0019]可选地，训练参数还包括图像尺寸、批处理数据量、权重衰减、动量、初始学习率和迭代次数，其中，设置训练参数，具体包括：
[0020]将图像尺寸设置为256像素
×
256像素；
[0021]将批处理数据量设置为16；
[0022]将权重衰减设置为1e
‑
5；
[0023]将动量设置为0.9；
[0024]将初始学习率设置为1e
‑
2；
[0025]迭代次数设置为30000。
[0026]可选地，获取训练集，具体包括：
[0027]从历史烟雾视频中截取第一烟雾图像，从数据库中获取第二烟雾图像；
[0028]对第一烟雾图像和第二烟雾图像进行筛选得到预训练图像；
[0029]对预训练图像进行标注得到训练图像；
[0030]将训练图像组成训练集。
[0031]一种图像烟雾分割方法，方法包括：
[0032]获取待识别图像；
[0033]将待识别图像输入根据上述的训练方法得到的目标烟雾分割模型，得到烟雾分割结果。
[0034]可选地，获取待识别图像，具体包括：
[0035]获取需要监控烟雾情况的区域的实时视频；
[0036]从实时视频中截取预待识别图像；
[0037]将预待识别图像进行格式转化得到待识别图像。
[0038]一种烟雾报警方法，方法包括：
[0039]根据上述的图像烟雾分割方法得到的烟雾分割结果判断需要监控烟雾情况的区域是否存在烟雾；
[0040]当需要监控烟雾情况的区域存在烟雾时，发出报警。
[0041]图像烟雾分割模型包括骨干网络、密集多尺度上下文模块、嵌入非对称池化细节信息增强模块和特征融合模块，其中，骨干网络包括第一单元、第二单元、第三单元和第四单元，第一单元用于获取待识别图像。第二与嵌入非对称池化细节信息增强模块结合，用于
获取待识别图像中不规则物体边缘信息，能够增强增强对不规则物体边缘细节信息的关注。第三单元用于产生待识别图像的空间注意力系数，第四单元与密集多尺度上下文模块结合，用于捕捉待识别图像中物体不同子区域的上下文信息，空间注意力系数与多尺度上下文信息和细节信息的深度融合，补充了大量空间信息，提高了网络的鲁棒性。
[0042]上述实施例中，利用特征融合模块用于将不规则物体边缘信息、空间注意力系数和物体不同子区域的上下文信息进行融合得到待识别图像的特征图，进一步地，通过特征图用于获取待识别图像的烟雾分割结果图，最终实现对不同尺度的烟雾目标的有效分割。
附图说明
[0043]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0044]其中：
[0045]图1为本专利技术第一个实施例中图像烟雾分割模型的结构示意图；
[0046]图2为本专利技术第二个实施例中图像烟雾分割模型的结构示意图；
[0047]图3为本专利技术第一个实施例中图像烟雾分割模型的训练方法的流程图；
[0048]图4为本专利技术第一个实施例中步骤S401的流程图；
[0049]图5为本专利技术第一个实施例中图像烟雾分割方法的流程图；
[0050]图6为本专利技术第一个实施例中步骤S801本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像烟雾分割模型，其特征在于，所述模型包括骨干网络、密集多尺度上下文模块、细节信息增强模块和特征融合模块，其中，所述骨干网络包括第一单元、第二单元、第三单元和第四单元，所述第一单元用于提取所述待识别图像的第一特征信息；所述第二单元用于接收所述第一特征信息，根据所述第一特征信息得到第二特征信息，并将所述第二特征信息发送给所述细节信息增强模块，所述细节信息增强模块用于从所述第二特征信息中提取烟雾的边缘信息；所述第三单元用于接收所述第二特征信息，根据所述第二特征信息得到第三特征信息，根据所述第三特征信息计算所述待识别图像的空间注意力系数；所述第四单元用于接收所述第三特征信息，根据所述第三特征信息得到第四特征信息，并将所述第四特征信息发送给所述密集多尺度上下文模块，所述密集多尺度上下文模块用于从所述第四特征信息中获取待识别图像的每一个子区域的上下文信息，并发送给所述特征融合模块；所述特征融合模块用于根据所述边缘信息、所述空间注意力系数和所述上下文信息进行融合得到所述待识别图像的特征图。2.根据权利要求1所述的图像烟雾分割模型，其特征在于，所述模型还包括上采样模块，所述上采样模块用于获取所述特征图，并将所述特征图经过卷积和上采样得到所述待识别图像的烟雾分割预测图。3.根据权利要求1所述的图像烟雾分割模型，其特征在于，所述计算所述待识别图像的空间注意力系数具体利用下述公式：X1′
＝(F1×1((GAP(X1),GMP(X1))))其中，X1′
为所述空间注意力系数，σ为Sigmoid函数，F1×1为1
×
1卷积，GAP为全局平均池化，GMP为全局最大池化，X1为所述第三特征信息。4.一种图像烟雾分割模型的训练方法，其特征在于，所述方法包括：获取训练集；设置训练参数；根据所述训练集和所述训练参数对如权力要求1或2所述的图像烟雾分割模型进行训练...

【专利技术属性】
技术研发人员：周仿荣，文刚，张辉，徐真，马御棠，杨明昆，陆正豪，杨杰琼，朱龙昌，
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：