[发明专利]微光环境下电缆沟道烟雾火情的智能图像检测方法

权利要求书

1.微光环境下电缆沟道烟雾火情的智能图像检测方法，其特征在于，包括以下步骤：

(1)获取训练样本集和测试样本集：

从微光相机的监控视频中获取到N幅包含烟雾的视频帧图像，组成烟雾图像样本集P＝{P₁,P₂,...,P_i,...,P_N}，将烟雾图像样本集P中的烟雾区域用矩形框进行标记，得到烟雾标签样本集L＝{L₁,L₂,...,L_i,...,L_N}，将烟雾图像样本集P划分为训练样本集P^a＝{P₁^a,P₂^a,...,P_j^a,...,P_m^a}和测试样本集P^b＝{P₁^b,P₂^b,...,P_k^b,...,P_n^b}，选取L中与P^a对应的烟雾标签样本组成训练标签样本集L^a＝{L₁^a,L₂^a,...,L_j^a,...,L_m^a}，L中剩余标签样本集组成测试标签样本集L^b＝{L₁^b,L₂^b,...,L_k^b,...,L_n^b}，其中，N≥3000,P_i表示第i幅烟雾图像，L_i表示P_i对应的烟雾图像标签，P_j^a表示第j个训练图像，L_j^a表示第j个训练图像标签，P_k^b表示第k幅测试图像，L_k^b表示第k幅测试图像标签，m表示训练样本集的总数，n表示测试样本集的总数，m＝[N×0.8]，n＝N-m，[·]表示取整操作；

(2)构建特征提取模块V、额外层特征提取模块E、金字塔特征提取模块Y、特征转换模块T和注意力机制模块A：

(2a)构建特征提取模块V；

(2b)四个依次层叠的卷积层构成额外特征提取模块E；

(2c)六个依次层叠的卷积层构成金字塔特征提取模块Y；

(2d)三个层叠的上采样与卷积层之间并联，再进行通道合并，构成特征转换模块T；

(2e)通道最大池化层与通道平均池化层分别经过通道数缩减的卷积层、激活层和通道数还原的卷积层，将两个结果相加后再经过一次激活层，构成通道注意力子模块CA，通道最大池化层与通道平均池化层并联，再与依次层叠的通道拼接层、卷积层和激活层串联，构成空间注意力子模块SA，通道注意力子模块CA与空间注意力子模块SA串联构成注意力机制模块A；

(3)构建烟雾检测网络FSSD：

(3a)将特征提取模块V与额外特征提取模块E串联构成特征提取子网D，将特征提取子网D与特征转换模块T串连；

(3b)将金字塔特征提取模块Y中的前两个卷积层输出分别与注意力机制模块A相连，构成输出特征子网O；

(3c)特征转换模块T与输出特征子网O串联，得到烟雾检测网络FSSD；

(4)对烟雾检测网络FSSD进行迭代训练；

(4a)初始化迭代轮数为t，最大迭代轮数为Y,Y≥80，烟雾检测网络FSSD的损失函数为Loss，令t＝0；

(4b)将训练样本集P^a和训练标签样本集L^a作为烟雾检测网络FSSD的输入，获得网络输出结果；

(4c)采用烟雾检测网络的损失函数Loss，计算当前时刻的Loss^s，并采用Adam算法，通过Loss^s对FSSD网络进行训练，得到第s次训练的网络FSSD^s；

所述的烟雾检测网络FSSD的损失函数Loss,其表达式为：

其中，L_conf为目标置信度损失，L_loc为目标位置损失函数，smooth_L1为损失函数，l为烟雾检测网络FSSD对训练样本集的结果目标框，g为l对应的标签样本中的真实目标框，d为l中与g匹配的目标框，Pos为d的集合，Neg为l与g的非匹配集合，N为d的总数，变量表示第i个结果目标框与第j个真实目标框是否匹配且是否存在类别P，匹配时为1，否则为0，{cx,cy,w,h}分别为目标框中心点的横坐标、中心点的纵坐标、目标框的宽度和高度，为第i个结果目标框属于类别P的置信度，为第i个结果目标框属于背景类的置信度；

(4d)判断Loss^s是否连续n轮迭代都没有下降或s＝Y是否成立，其中n≥10，若是，得到训练好的烟雾检测网络FSSD，否则，令s＝s+1，并执行步骤(4b)；

(5)对微光相机拍摄到的视频进行初始化单高斯背景模型、检测运动帧图像和单高斯背景模型的更新：

(5a)用第一帧图像数据初始化单高斯背景模型；

(5b)判断后续视频帧中的像素是否发生了变化，若某一帧的像素发生了变化，则将这一帧标记为运动帧图像S,并执行步骤(5c),否则继续执行步骤(5b)；

(5c)对单高斯背景模型进行更新并执行步骤(5b)；

(6)对运动帧图像S进行中值滤波，得到去噪帧图像S^m；

(7)对去噪帧图像S^m进行限制对比度自适应直方图均衡化，得到增强帧图像S^h；

(8)将增强帧图像S^h送入烟雾检测网络FSSD中，获取烟雾检测结果S^s；

其中，步骤(2)中所述的特征提取模块V、额外层特征提取模块E、金字塔特征提取模块Y、特征转换模块T和注意力机制模块A，其中：

所述特征提取模块V,采用方法为VGG-16网络；

所述额外层特征提取模块E，其包含四层卷积层，各层参数具体如下：

第一个卷积层的卷积核大小为3×3，卷积核数量为256，卷积核移动的步长为1；

第二个卷积层的卷积核大小为3×3，卷积核数量为512，卷积核移动的步长为1；

第三个卷积层的卷积核大小为3×3，卷积核数量为128，卷积核移动的步长为2；

第四个卷积层的卷积核大小为3×3，卷积核数量为256，卷积核移动的步长为1；

所述金字塔特征提取模块Y，其包含六层卷积层，卷积核大小为3×3，卷积核移动步长为2，第一、二卷积层卷积核数量为512，第三、四、五、六卷积层卷积核数量为256；

所述特征转换模块T，其上采样尺寸为固定的38×38，卷积核大小为1×1，卷积核数量为256；

所述注意力机制模块A，其中通道注意力子模块CA的通道缩减数为16，卷积层的卷积核大小为3×3，空间注意力机制子模块SA的卷积核大小为7×7，激活层都采用Sigmoid激活函数；

步骤(3a)中所述的特征提取子网D与特征转换模块T连接方式为：选取特征提取模块V的第23层、第35层输出和额外特征提取模块E的输出与特征转换模块T的三个输入相连。