【技术实现步骤摘要】
本专利技术属于图像处理，更具体地，涉及一种基于半监督学习的水面异常监测方法及系统。
技术介绍
1、水利业务中，精准高效地检测出水面的异常情况对于保护水资源和生态环境的可持续发展具有至关重要的意义。随着人工智能技术的迅速发展，异常检测自动化模型在水利业务中的应用逐渐受到关注和深入研究。通过建立数学模型，异常检测模型能够自动、快速、准确地检测出异常情况，提高检测效率和准确性，降低人力成本，为水利行业的安全预警、水资源保护等方面提供有力支持。
2、常见的基于半监督学习的水面异常监测方法主要包括基于传统图像处理技术的监测方法和基于深度学习的监测方法。基于传统图像处理技术的监测方法通常利用图像的颜色、纹理、形状等特征来区分水面和异常物体以实现对水面的异常监测，但传统图像处理技术往往只关注图像的局部特征，忽略了图像的全局信息，缺乏对图像语义的理解，导致效果并不理想。深度学习技术能够自动学习图像的特征表示，可以更好地捕捉图像的局部特征、全局信息及高层语义信息，从而在一些复杂场景中取得更好的效果。目前，水面异常检测均为基于有监督学习的目标检测，通过预定义异常目标并对数据中的预定义目标进行人工标注，使深度学习算法模型学习预定义目标的潜在特征，从而实现对预定义目标的自动检测。但水面的异常目标不可穷举，基于有监督学习的目标检测模型对于未定义的新类别目标、极小或模糊的目标不具备检测能力，存在一定漏报，尤其是无人机场景，飞行高度严重影响目标检测模型的检测性能。此外，图像中的非水面区域也会在一定程度上影响模型的检测效果。
1、本专利技术旨在克服上述现有技术的至少一种缺陷，提供一种基于半监督学习的水面异常监测方法及系统，通过联合水面分割、有监督目标检测及无监督异常检测三类深度学习模型实现对水面的异常监测，以解决现有技术对水面上极小或模糊目标的检测性能不佳，致使隐患漏报、召回率低的技术问题。
2、第一方面，本专利技术实施例提供的一种基于半监督学习的水面异常监测方法，包括：
3、s1、采集水面图像数据集d，并对水面区域及水面中的异常目标进行人工标注，将标注后的水面图像数据集划分为训练集和测试集；
4、s2、构建水面分割模型r，采用数据集d中训练集及数据集d中训练集水面区域标注训练水面分割模型r；
5、s3、基于水面分割模型r，对数据集d中的全部数据进行水面分割、抠取、裁剪预处理步骤，得到数据集d’；
6、s4、构建目标检测模型o，采用数据集d’中的训练集及数据集d’中的训练集中异常目标标注对目标检测模型o进行训练；
7、s5、构建异常检测模型a，并从数据集d’中的训练集中挑选出良性样本，对良性样本执行水面选区腐蚀、背景填充操作后，用于训练异常检测模型a；
8、s6、基于水面分割模型r，采用目标检测模型o和异常检测模型a联合对待检测图像进行异常检测、告警。
9、更进一步地，所述构建水面分割模型r，采用数据集d中训练集及数据集d中训练集水面区域标注训练水面分割模型r包括：
10、搭建输出为单通道特征图的水面分割模型r，并加载水面分割模型r在公开图像数据集上预训练的权重，以对所述水面分割模型r中除最后一个卷积层的参数进行初始化，再利用所述训练集通过预定义的损失函数对所述水面分割模型r的参数进行迭代更新，以完成对所述水面分割模型r的训练。
11、更进一步地，所述s3中的预处理步骤，包括：
12、采用水面分割模型r对水面图像数据集d中的全部数据进行水面分割，根据指示函数g(x)将r输出的单通道特征图fr(x)映射为水面掩膜m(x)，表示实数空间，h、w分别表示输入图像x的高和宽，指示函数g(x)如下：
13、
14、其中，σ为水面像素置信度阈值，为fr(x)中第i行j列的元素值，i∈{0,1,2,...,h-1}，j∈{0,1,2,...,w-1}；
15、通过公式x′＝x·m(x)对输入图像x的水面进行抠取，得到水面抠取后的图像x’，即x’中水面区域的像素值与x相同，非水面像素值均为(0,0,0)；
16、对图像x’进行水面裁剪，得到裁剪后的图像x”，x”即为水面选区的最小外接矩形，再将x”缩放到预设尺寸。
17、更进一步地，s5中从数据集d’中的训练集中挑选出良性样本，对良性样本执行水面选区腐蚀、背景填充操作，包括：
18、从数据集d’中的训练集中挑选出良性样本，良性样本中的水面不包括任何可能的异常目标；
19、对良性样本中的水面选区执行腐蚀操作，并将rgb图像像素值映射到hsv空间中，采用选区内的hsv像素均值对非选区像素进行填充，填充后映射回rgb图像。
20、更进一步地，s5中异常检测模型a包括教师网络t、学生网络s和自动编码器e；
21、教师网络t包括若干卷积层、池化层和激活层；
22、学生网络s与教师网络t架构一致，所述学生网络s的最后一个卷积层的输出通道数是教师网络t的2倍；
23、自动编码器由编码器和解码器构成，其中，编码器包括若干卷积层、激活层，解码器包括若干卷积层、激活层、dropout层及双线性插值操作。
24、更进一步地，异常检测模型a训练时的目标函数为：
25、
26、其中，分别为学生网络s和自动编码器e中可学习的参数集合，所述目标函数的含义为训练总损失达到最小值时，中的参数状态；
27、为学生-教师损失，fs1为学生网络s最终输出特征图fs的前c′个通道的子特征图，ft为教师网络t的最终输出特征图，h′、w′分别表示输出特征图的高和宽，c′为ft的通道数，2c′为fs的通道数，‖·‖f为罗贝尼乌斯范数，θt为t分位数，nt为(fs-ft)2中大于θt的元素数量；
28、为学生-自编码损失，fs2为学生网络s最终输出特征图fs的后c′个通道的子特征图，fe为自动编码器e的重构特征图，
29、为教师-自编码损失，
30、更进一步地，异常检测模型a的推理过程包括：
31、将xa作为异常检测模型a的输入时，推理得到2d异常图ma(xa)的过程如下式所示，
32、ma(xa)＝c′-1[∑c′(fs1-ft)2+∑c′(fs2-fe)2]；
33、其中，∑c′(·)表示逐通道相加；
34、采用双线性插值将ma(xa)缩放到与输入图像xa相同的尺寸，得到
35、根据置信度阈值δ对异常图中的异常值进行过滤，大于阈值δ的异常值坐标即为异常像素，聚合过滤后位置邻近的异常像素，作为单个异常区域，进而得到异常图中异常区域集p＝{a1,a2,a3,...,an}，n为单个异常图中的异常区域数目。
36、更进一步地，基于水面分割模型r，采用目标检测模型o和异常检测模型a联合对待检测图像进行异常检测、告警，包括：
【技术保护点】
1.一种基于半监督学习的水面异常监测方法，其特征在于，包括：
2.根据权利要求1所述的基于半监督学习的水面异常监测方法，其特征在于，所述构建水面分割模型R，采用数据集D中训练集及数据集D中训练集水面区域标注训练水面分割模型R包括：
3.根据权利要求1所述的基于半监督学习的水面异常监测方法，其特征在于，所述S3中的预处理步骤，具体包括：
4.根据权利要求1所述的基于半监督学习的水面异常监测方法，其特征在于，S5中从数据集D’中的训练集中挑选出良性样本，对良性样本执行水面选区腐蚀、背景填充操作，包括：
5.根据权利要求1所述的基于半监督学习的水面异常监测方法，其特征在于，S5中异常检测模型A包括教师网络T、学生网络S和自动编码器E；
6.根据权利要求5所述的基于半监督学习的水面异常监测方法，其特征在于，异常检测模型A训练时的目标函数为：
7.根据权利要求5所述的基于半监督学习的水面异常监测方法，其特征在于，异常检测模型A的推理过程包括：
8.根据权利要求1所述的基于半监督学习的水面异常监测方法，其特征
9.一种实现基于半监督学习的水面异常监测方法的系统，用于实现权利要求1-8所述的基于半监督学习的水面异常监测方法，其特征在于，包括：水面分割模块、目标检测模块、异常检测模块和联合告警模块；
...【技术特征摘要】
1.一种基于半监督学习的水面异常监测方法，其特征在于，包括：
2.根据权利要求1所述的基于半监督学习的水面异常监测方法，其特征在于，所述构建水面分割模型r，采用数据集d中训练集及数据集d中训练集水面区域标注训练水面分割模型r包括：
3.根据权利要求1所述的基于半监督学习的水面异常监测方法，其特征在于，所述s3中的预处理步骤，具体包括：
4.根据权利要求1所述的基于半监督学习的水面异常监测方法，其特征在于，s5中从数据集d’中的训练集中挑选出良性样本，对良性样本执行水面选区腐蚀、背景填充操作，包括：
5.根据权利要求1所述的基于半监督学习的水面异常监测方法，其特征在于，s5中异常检测模型a包括教师...
【专利技术属性】
技术研发人员：王志文，鲍春飞，刘治财，王硕，梁艳艳，王壮，马明普，史卫中，
申请(专利权)人：山东智洋上水信息技术有限公司，
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。