1.一种基于深度可分离卷积的多尺度融合烟雾分割方法,其特征在于,包括:
2.根据权利要求1所述的基于深度可分离卷积的多尺度融合烟雾分割方法,其特征在于,所述烟雾分割网络模型的训练方法包括:
3.根据权利要求2所述的基于深度可分离卷积的多尺度融合烟雾分割方法,其特征在于,步骤s1中,利用网站爬虫或分帧截取烟雾视频获得不同场景下的烟雾图像,进行筛选将烟雾图像统一为能进行网络训练的规格,并分割标注图像。
4.根据权利要求2所述的基于深度可分离卷积的多尺度融合烟雾分割方法,其特征在于,步骤s2中,利用数据增强技术对原始烟雾数据集进行数据增强处理,包括:对原始烟雾数据集进行随机旋转、裁剪、翻转和缩放以及随机亮度、饱和度和对比度变化操作进行数据增强,扩充烟雾数据集。
5.根据权利要求2所述的基于深度可分离卷积的多尺度融合烟雾分割方法,其特征在于,步骤s3中,编码模块采用改进的xception作为骨干网络,初始图像输入到编码模块,经输入流、中间流和输出流卷积运算,生成分辨率为初始图像1/16的特征向量;中间流是主要特征学习模块,由8个重复的分离卷积模块dscm直连组成,每个分离卷积模块由3个728通道的深度分离卷积以残差结构连接;采用残差连接的中间流结构,用1×1卷积把输入通道数降为600后,将8个分离卷积模块均分成4组,每组以残差连接再次使用1×1卷积把通道数恢复为728,得到骨干网络提取的采样率为2的第一特征张量、采样率为4的第二特征张量、采样率为8的第三特征张量、采样率为16的第四特征张量;
6.根据权利要求5所述的基于深度可分离卷积的多尺度融合烟雾分割方法,其特征在于,步骤s3中,解码模块采用通道特征增强模块、多尺度特征融合模块、卷积和上采样,通过上采样恢复图像尺寸并完成烟雾图像分割;
7.根据权利要求1所述的基于深度可分离卷积的多尺度融合烟雾分割方法,其特征在于,所述通道特征增强模块引入通道注意力机制,通道注意力机制包括压缩和激活两部分;
8.根据权利要求1所述的基于深度可分离卷积的多尺度融合烟雾分割方法,其特征在于,步骤s4包括:将训练集的烟雾图像作为烟雾分割网络的输入图像,统一输入图像的大小,网络使用带动量的随机梯度下降算法进行训练,循环次数设置为200000,动量为0.9,初始学习率设置为1×10-4,终止学习率设置为1×10-5,学习率随训练次数线性递减;根据计算机配置batchsize设置为4,aspp空洞卷积速率设置为6,12,18。
9.一种基于深度可分离卷积的多尺度融合烟雾分割装置,其特征在于,包括处理器及存储介质;
10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8任一项所述方法的步骤。