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：