山火烟雾检测模型的训练方法及山火烟雾的识别方法与流程

本发明涉及电力工程，具体地涉及一种山火烟雾检测模型的训练方法及山火烟雾的识别方法。

背景技术：

1、现有技术中，输电线路下方的树木、茅草等易燃易爆物极易引发山火，使得输电线路周围空气间隙的绝缘大幅降低，进而导致输电线路跳闸。为保证电力线路的正常运行，包括ssd(single shot multibox detector)、yolo(you only look once)、faster-r-cnn(faster-region-convolutional neural networks)在内的众多目标检测模型已应用于山火烟雾的智能识别。但现有的识别方法只能针对训练过的场景进行训练学习，对新的场景识别率低，进而导致识别方法的准确度不高，难以适应不同场景下的山火烟雾识别任务。

技术实现思路

1、基于此，本发明第一方面提供一种山火烟雾检测模型的训练方法，该方法包括：

2、获取初始山火烟雾图像，并对初始山火烟雾图像预处理得到源域图像集和第一真实标签，其中，第一真实标签包括第一真实边框和第一烟雾类别；

3、利用k-means++算法确定源域图像集的目标先验框尺寸；

4、基于源域图像集、目标先验框尺寸以及第一真实标签训练轻量级yolo v4模型，得到初始山火烟雾检测模型；

5、获取新增山火烟雾图像，对新增山火烟雾图像预处理得到目标域图像集和第二真实标签，其中，第二真实标签包括第二真实边框和第二烟雾类别；

6、利用迁移学习算法基于目标域图像集和第二真实标签对初始山火烟雾检测模型进行训练，得到山火烟雾检测模型。

7、在本发明实施例中，利用k-means++算法确定源域图像集的目标先验框尺寸，包括：

8、从源域图像集中选取预设数值个第一真实边框作为更新前的聚类中心；

9、重复执行第一循环步骤以更新聚类中心，直至更新前的聚类中心与更新后的聚类中心坐标相同，基于更新后的聚类中心的第一真实边框尺寸确定目标先验框尺寸，其中，第一循环步骤包括：

10、计算源域图像集中每个第一真实边框与每个更新前的聚类中心的最小距离；

11、将第一真实边框划分到与最小距离对应的更新前的聚类中心所在的类；

12、基于划分后的类中的多个第一真实边框计算更新后的聚类中心。

13、在本发明实施例中，从源域图像集中选取预设数值个第一真实边框作为更新前的聚类中心，包括：

14、随机选取源域图像集的一个第一真实边框作为聚类中心；

15、重复执行第二循环步骤，直至聚类中心的数值达到预设数值，确定预设数值个第一真实边框作为更新前的聚类中心，其中，第二循环步骤包括：

16、计算源域图像集中除聚类中心之外的多个第一真实边框与聚类中心之间的距离；

17、基于距离计算每个第一真实边框作为下一个聚类中心的概率，并确定每个概率所在的概率区间；

18、在预设范围内随机选取一个数值，选取与数值对应的概率区间；

19、将概率区间中的第一真实边框作为下一个聚类中心，并将聚类中心的数值加一。

20、在本发明实施例中，基于源域图像集、目标先验框尺寸以及第一真实标签训练轻量级yolo v4模型，得到初始山火烟雾检测模型，包括：

21、将源域图像集输入至轻量级yolo v4模型中的骨干网络模块，得到源域图像集的抽象特征表示；

22、将抽象特征表示输入至轻量级yolo v4模型中的颈部网络模块，得到三个尺度下的高层特征表示；

23、基于高层特征表示，利用坐标注意力机制得到坐标注意力加权特征图；

24、将坐标注意力加权特征图输入至轻量级yolo v4模型中的预测网络模块，得到预测结果；

25、基于预测结果、目标先验框尺寸和第一真实标签计算轻量级yolo v4模型的第一损失；

26、以最小化第一损失为目标，迭代训练轻量级yolo v4模型，直到满足预设训练终止条件时，终止训练以得到初始山火烟雾检测模型。

27、在本发明实施例中，基于高层特征表示，利用坐标注意力机制得到坐标注意力加权特征图，包括：

28、针对每个尺度下的高层特征表示，对高层特征表示的通道沿水平坐标方向和竖直坐标方向进行编码，得到水平压缩特征图和竖直压缩特征图；

29、对水平压缩特征图和竖直压缩特征图进行特征聚合和卷积变换，得到聚合特征图；

30、对聚合特征图进行处理得到水平独立张量和竖直独立张量，对水平独立张量和竖直独立张量进行卷积得到水平注意力张量和竖直注意力张量；

31、基于水平注意力张量、竖直注意力张量以及高层特征表示得到坐标注意力加权特征图。

32、在本发明实施例中，基于预测结果、目标先验框尺寸和第一真实标签计算轻量级yolo v4模型的第一损失，包括：

33、基于预测结果和目标先验框尺寸计算得到第一预测边框和第一预测烟雾类型；

34、根据第一预测边框、第一预测烟雾类型以及第一真实标签计算轻量级yolo v4模型的第一损失；

35、其中，第一损失的计算公式为：

36、loss＝e1+e2+e3

37、其中，loss为第一损失，e1为类别预测误差，e2为位置预测误差，e3为置信度预测误差；

38、类别预测误差被定义为：

39、

40、其中，s2为坐标注意力加权特征图的单元格数，为第i个单元格第j个第一预测边框是否存在山火烟雾。pij(c)为第i个单元格的第一预测烟雾类别为第一烟雾类别的置信度，为第i个单元格的第一预测烟雾类别为第一烟雾类别的概率；

41、位置预测误差被定义为：

42、

43、

44、

45、其中，a为第一真实边框，b为第一预测边框,iou(a,b)为a、b间的重叠区域面积，ρ2(actr,bctr)为第一真实边框的中心点和第一预测边框的中心点之间的欧式距离，m表示包括第一真实边框和第一预测边框的最小封闭区域的对角线距离，wgt为第一真实边框的宽，hgt为第一真实边框的高，w为第一预测边框的宽、h为第一预测边框的高；α大于0，v为长宽比权衡参数；

46、置信度预测误差被定义为：

47、

48、其中，s2为单元格数，b为第一预测边框的数量，为坐标注意力加权特征图的第i个单元格内第j个第一预测边框内第一预测烟雾类别的预测值，判断第一预测边框是否为负样本，为第i个单元格内第j个第一预测边框内的第一预测烟雾类别。

49、在本发明实施例中，利用迁移学习算法基于目标域图像集和第二真实标签对初始山火烟雾检测模型进行训练，得到山火烟雾检测模型，包括：

50、将目标域图像集输入至初始山火烟雾检测模型，得到第二预测标签，其中，第二预测标签包括第二预测边框和第二预测烟雾类别；

51、基于第二预测标签和第二真实标签计算初始山火烟雾检测模型的第二损失；

52、计算第二损失的第二梯度值；

53、基于热重启算法调整初始山火烟雾检测模型的学习率；

54、基于第二梯度值和学习率训练初始山火烟雾检测模型，得到山火烟雾检测模型。

55、在本发明实施例中，基于热重启算法调整模型参数的学习率，包括：

56、设置热启动阶段的初始学习率和末尾学习率，基于初始学习率和末尾学习率计算学习率的线性增长，完成热启动；

57、基于初始学习率和末尾学习率利用余弦退火算法调整学习率。

58、本发明第二方面提供一种识别图像中山火烟雾的方法，包括：

59、获取待检测山火烟雾图像；

60、将待检测山火烟雾图像输入至山火烟雾检测模型，得到山火烟雾图像中的预测边框和预测烟雾类别，其中，山火烟雾检测模型通过如上述第一方面的山火烟雾检测模型的训练方法得到。

61、本发明第三方面提供一种识别图像中山火烟雾的装置，包括：

62、第一图像获取模块，用于获取初始山火烟雾图像，并对初始山火烟雾图像预处理得到源域图像集和第一真实标签，其中，第一真实标签包括第一真实边框和第一烟雾类别；

63、目标先验框确定模块，用于利用k-means++算法确定源域图像集的目标先验框尺寸；

64、第一训练模块，用于基于源域图像集、目标先验框尺寸以及第一真实标签训练轻量级yolo v4模型，得到初始山火烟雾检测模型；

65、第二图像获取模块，用于获取新增山火烟雾图像，对新增山火烟雾图像预处理得到目标域图像集和第二真实标签，其中，第二真实标签包括第二真实边框和第二烟雾类别；

66、第二训练模块，用于利用迁移学习算法基于目标域图像集和第二真实标签对初始山火烟雾检测模型进行训练，得到山火烟雾检测模型。

67、本发明第四方面提供一种识别图像中山火烟雾的装置，包括：

68、第三图像获取模块，用于获取待检测山火烟雾图像；

69、图像检测模块，用于将待检测山火烟雾图像输入至山火烟雾检测模型，得到山火烟雾图像中的预测边框和预测烟雾类别，其中，山火烟雾检测模型通过如第一方面的山火烟雾检测模型的训练方法得到。

70、本发明第五方面提供一种电子设备，电子设备包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现上述任一项的山火烟雾检测模型的训练方法或山火烟雾的识别方法。

71、本发明第六方面提供一种机器可读存储介质，机器可读存储介质上存储有指令，指令在被处理器执行时实现如上述任意一项的山火烟雾检测模型的训练方法或山火烟雾的识别方法。

72、通过上述技术方案，获取初始山火烟雾图像，并对初始山火烟雾图像预处理得到源域图像集和第一真实标签，利用k-means++算法确定源域图像集的目标先验框尺寸；基于源域图像集、目标先验框尺寸以及第一真实标签训练轻量级yolo v4模型，得到初始山火烟雾检测模型；获取新增山火烟雾图像，对新增山火烟雾图像预处理得到目标域图像集和第二真实标签，利用迁移学习算法基于目标域图像集和第二真实标签对初始山火烟雾检测模型进行训练，得到山火烟雾检测模型。该过程提高对新增山火烟雾图像的识别准确率，有效缩短了山火烟雾检测模型训练时间，保证了多场景下的山火监测精度。

73、本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。