[发明专利]一种基于高效通道注意力机制的火灾烟雾图像分割方法

说明书

本发明公开了一种基于高效通道注意力机制的火灾烟雾图像分割方法，包括：获取训练图片，输入训练图片的标签信息；对标签信息分别进行下采样与上采样；基于跳跃连接结构获取与训练图片尺寸大小相同的数据；计算Dice损失函数并根据Dice损失函数判断模型是否收敛，若模型收敛，则输出图像分割模型；对图像分割模型进行测试，获取分割结果。本发明提出了基于高效通道注意力机制的(DCECA‑Unet++)模型，该模型不仅降低了网络模型的参数量，而且对火焰烟雾的分割有良好性能。

技术领域

本发明属于火灾烟雾图像分割技术领域，特别是涉及一种基于高效通道注意力机制的火灾烟雾图像分割方法。

背景技术

传统分割算法主要有基于阈值的分割、边缘分割、区域分割、图分割等。但是这些方法只能用来处理较为简单的场景，在火灾烟雾分割上会出现精确度不够高，分割出的图像不够明显等问题。深度学习分割算法模型主要有FCN模型，Unet模型，Vnet模型，Unet++模型和Segnet模型等。JonathanLong等人(2015)提出了FCN模型，FCN模型提出了像素级的分类，是语义分割模型的重大突破。OlafRonneberger等人(2015)提出了Unet模型，在FCN模型基础上对解码器进行了卷积加深处理。MilletariF等人(2016)提出了Vnet模型，该模型验证DiceLoss可以处理前景和背景像素的数量不平衡的情况。ZongweiZhou等人(2018)提出了Unet++模型，该模型采用深层监督学习的方法，叠加浅层和深层特征，不同深度的特征值依靠不同的解码路径还原让网络学习不同深度的特征。BadrinarayananV等人(2017年)提出Segnet模型，该模型的整个特征映射不是使用池化索引，而是从编码器传输到解码器，然后使用concatenation串联来执行卷积。以上方法存在以下不足：(1)下采样过程中，由于感受野的不足，会导致丢失部分特征信息。(2)仅提取图像的整体特征，没有特别关注重要特征。

发明内容

本发明的目的是提供一种基于高效通道注意力机制的火灾烟雾图像分割方法，以解决上述现有技术存在的问题。

为实现上述目的，本发明提供了一种基于高效通道注意力机制的火灾烟雾图像分割方法，包括：

获取训练图片，输入所述训练图片的标签信息；

构建图像分割模型，基于所述图像分割模型对所述标签信息分别进行下采样与上采样；

基于跳跃连接结构获取与所述训练图片尺寸大小相同的数据；

计算Dice损失函数并基于所述Dice损失函数判断所述图像分割模型是否收敛，若模型收敛，则输出图像分割模型；

对所述图像分割模型进行测试，获取分割结果。

可选地，基于所述图像分割模型对所述标签信息分别进行下采样与上采样的过程中包括：

构建高效通道注意力机制；

基于所述高效通道注意力机制与所述图像分割模型对所述标签信息进行下采样；

基于所述下采样的输出结果进行上采样。

可选地，对所述标签信息分别进行下采样与上采样的过程中还包括：

进行下采样的过程中将所述图像分割模型的卷积池化单元替换为空洞卷积；

所述空洞卷积的第四层卷积核为5×5，第五层卷积核变为21×21。

可选地，所述空洞卷积第四层与第五层的空洞率分别设置为2和4，当空洞率为2时，所述空洞卷积感受野的计算公式为：

RF_i+1＝RF_i+(K-1)×S_i