【技术实现步骤摘要】
本专利技术属于目标检测，尤其涉及一种面向积雪环境遥感影像域适应的风力涡轮机检测方法。
技术介绍
0、
技术介绍
：
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、伴随新能源产业的迅速发展，风能成为清洁可再生能源的代表之一。风力涡轮机是将风能转化为电能的核心设备。风力涡轮机一般通体呈白色，在常规背景下的高分辨率遥感影像中，特征明显，容易识别；在北方等常年有积雪的区域，风力涡轮机几乎与积雪背景融为一体，很难进行识别；而且现有的风力涡轮机数据库主要依赖于调查和报告，存在错误率高、数据不完整等缺点。因此，准确地检测积雪背景下的风力涡轮机，统计其数量及分布，对于能源安全和应对气候变化等方面具有重要意义。
3、遥感技术可以通过卫星、航空器等方式获取高分辨率的遥感影像，为目标检测任务提供了重要的数据支持。风力涡轮机的提取主要借助高分辨率遥感影像或航空影像，通过图像处理技术识别图像中的关键信息，确定风力涡轮机的数量和位置。按照提取方法的不同，大致分为传统显著性检测、深度学习弱监督检测和深度语义分割三类方法。其中，深度学习算法能够利用深层卷积神经网络提取遥感影像中的抽象特征，克服了传统显著性检测方法特征提取不足，提取速度慢等缺点，可以实现大范围区域的自动化提取。
4、但是深度学习方法通常假设源域和目标域具有相同的分布，而实际上由于季节、地理位置等因素，目标所在的遥感影像的背景会呈现出差异，例如积雪背景下的风力涡轮机识别，使用大量的常规背景的影像训练传统的深度学习网
5、本专利技术给出了一种面向积雪环境遥感影像域适应的风力涡轮机检测方法，通过数据集的制作和深度学习网络的训练，可以实现风力涡轮机的跨域检测。本方法的优点在于可以实现对不同背景的风力涡轮机遥感影像数据的风格转换和处理，能够有效完成在高分辨率遥感影像中跨域检测积雪环境风力涡轮机的任务。
技术实现思路
1、为克服上述现有技术的不足，本专利技术提供了一种面向积雪环境遥感影像域适应的风力涡轮机检测方法，其跨域检测效果得到明显提升。
2、为实现上述目的，本专利技术提供了如下技术方案：
3、本专利技术提供了一种面向积雪环境遥感影像域适应的风力涡轮机检测方法，其特征在于，包括以下步骤：
4、一、获取并处理常规域和积雪域的风力涡轮机高分辨率遥感影像数据集
5、步骤1、获取并处理不同域的风力涡轮机高分辨率遥感影像数据集，包括：构建常规域风力涡轮机数据集和积雪域风力涡轮机数据集；将数据集转换为yolo格式；
6、步骤2、利用图像增强技术对数据集进行扩充，包括mosaic、色调随机变化、饱和度随机变化、亮度随机变化、随即缩放、左右翻转；
7、二、设计常规域和积雪域影像的域自适应网络
8、步骤3、设计常规域和积雪域遥感影像空间域自适应模块：利用cut生成对抗网络，学习常规域图像和积雪域图像之间的差异，将图像从常规域映射到积雪域，在尽量保证图像内容不变的情况下，改变图像的风格，实现不同域的影像特征对齐，输出四种影像：常规域(xs)、积雪域(xt)、风格化常规域和风格化积雪域影像；
9、步骤4、设计输出空间域自适应模块：以yolov5模型作为教师模型和学生模型的基本检测器，分别设计教师模型和学生模型，在常规域和风格化常规域影像中应用标记数据训练学生模型，根据学生模型的ema指数移动平均权重更新教师模型的权重，获得积雪域中的无标记的风力涡轮机的特征，最终对齐常规域和积雪域影像的数据分布，调整网络权重；在该模块引入感知损失保持常规域影像风格化常规域影像的语义一致性，利用两个输出之间的l1距离来约束预测误差，当预测值中存在异常值时仍能够保持模型稳定，计算公式如下：
10、
11、式中，xs是常规域影像，是风格化常规域影像，ldet是目标检测任务的损失；同时，为了纠正学生模型的跨域差异，利用教师模型在风格化积雪域的预测输出监督学生模型在积雪域的预测输出，相应的损失函数称之为域差异损失，如下所示：
12、
13、步骤5、将bifpn引入到yolov5网络，实现更高层次的特征融合；
14、步骤6、引入坐标注意力模块，增强网络对目标结构关系的捕获能力；
15、三、在常规域和积雪域的风力涡轮机数据集上训练域自适应网络
16、步骤7、将常规域风力涡轮机数据集按8：2划分为训练集和测试集，积雪域风力涡轮机数据集全部用来测试；定义图片输入尺寸为768*768、模型训练轮次和bathsize；
17、步骤8、训练影像空间域自适应模块，通过cut结构中的生成对抗网络学习风力涡轮机常规域和和积雪域的差异，构建了由常规域到积雪域和由积雪域到常规域的双向循环生成对抗网络，实现常规域和和积雪域的特征对齐，输出四种影像：常规域(xs)、积雪域(xt)、风格化常规域和风格化积雪域影像；
18、步骤9、输出空间域自适应模块利用改进的yolov5网络输出的预测结果进行常规域和积雪域间的特征对齐，首先利用学生模型训练常规域影像和风格化常规域的影像标记数据，其次利用学生模型更新教师模型权重，获得未标注的积雪域中风力涡轮机特征，最后通过对齐常规域和积雪域影像的数据分布，调整改进的yolov5网络权重，将积雪域影像送入提取网络中，得到风力涡轮提提取结果；
19、步骤10、更新权值，保存模型最后一次训练的权重和训练效果达到最好时的权重；
20、四、在真实的积雪域遥感影像上预测风力涡轮机
21、步骤11、将训练后的基于域自适应框架的改进的yolov5模型用于真实场景下的积雪域遥感影像风力涡轮机检测中，得到其置信度分数和相应的目标框的位置信息。
22、以上技术方案存在以下有益效果：
23、(1)在域自适应框架的影像空间自适应模块中，利用生成对抗网络实现常规域和积雪域的特征对齐，使模型的泛化能力能够满足跨域目标检测任务的要求；在域自适应框架的输出空间自适应模块中，以改进的yolov5模型作为教师模型和学生模型的基本检测器，基于mean teacher半监督学习模型，在常规域和风格化常规域影像中应用标记数据训练学生模型，根据学生模型的ema指数移动平均权重更新教师模型的权重，获得积雪域中的无标记的风力涡轮机的特征，最终对齐常规域和积雪域的数据分布；
24、(2)由于高分辨率遥感影像背景复杂、尺度变化大，会对目标检测产生一定的影响，将bifpn引入到yolov5模型中，取代neck模块中的fpn和pan模块，使得yolov5模型能够实现更高层次的特征融合；
25、(3)由于高分辨率遥感影像背景复杂，存在大量的干扰信息，提取的目标特征会包含大量的噪声，将ca机制引入到yolov5模型中，能够高效地获取目标本文档来自技高网...
【技术保护点】
1.一种面向积雪环境遥感影像域适应的风力涡轮机检测方法，其特征在于，包括以下步骤：
【技术特征摘要】
1.一种面向积雪环境遥感影像域适应的风力涡...
【专利技术属性】
技术研发人员：曾喆，魏青，沈永田，黄松，刘善伟，
申请(专利权)人：中国石油大学华东，
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。