【技術實現(xiàn)步驟摘要】
本專利技術涉及計算機視覺領域，具體是一種基于知識蒸餾的早期煙霧識別方法。
技術介紹
1、
2、目前，煙霧檢測的常用方法是使用點型光電感煙探測器，該探測器利用煙霧粒子對光的吸收和散射作用來識別煙霧，其在建筑物、隧道等相對封閉的環(huán)境內(nèi)具有較好的效果，但在野外開闊環(huán)境下存在很多問題和局限性。主要表現(xiàn)在：(1)單個煙霧探測器覆蓋范圍有限，需要密集部署才能覆蓋較大區(qū)域，這對于野外環(huán)境來說難度較大、不經(jīng)濟。(2)煙霧探測器僅當火災達到一定程度時才能檢測到煙霧粒子，對于早期煙霧無法有效響應。(3)在沙塵等惡劣環(huán)境下，粒子霧探測器容易受到干擾而引發(fā)誤檢。因此，研究人員開始關注基于圖像的煙霧識別技術，該技術利用視頻監(jiān)控和圖像模式識別技術來分析圖像中是否存在煙霧區(qū)域。然而，煙霧作為一種半透明、不規(guī)則、動態(tài)變化的物體，在圖像中難以區(qū)分和檢測。與明火相比，煙霧沒有明顯的rgb特征，其顏色通常與背景相近或相同，導致邊緣不清晰和對比度低。此外，野外山火的早期稀薄煙霧形狀各異，在視覺、紋理等各方面都與野外常規(guī)的云、霧等目標都極為相似，增加了識別難度。針對此問題，本文提出了一種基于知識蒸餾的早期煙霧識別方法。
技術實現(xiàn)思路
1、本專利技術提供一種基于知識蒸餾的早期煙霧識別方法，主要用于解決傳統(tǒng)方法對于野外火災的及時預警。
2、本專利技術的目的是通過以下技術方案實現(xiàn)的：
3、該種基于知識蒸餾的早期煙霧識別的方法，包括以下步驟：
4、1)首先將視頻數(shù)據(jù)進行處理，得到視頻
5、2)將得到的視頻數(shù)據(jù)幀序列中的圖片進行篩選，得到火災后十分鐘的具有較大煙霧的訓練集數(shù)據(jù)，和火災后兩分鐘的較小煙霧的測試集數(shù)據(jù)。
6、3)構建一種基于知識蒸餾的深度學習訓練網(wǎng)絡(a?knowledge?distillingfusion?deep?newwork)，該網(wǎng)絡包含教師特征提取模塊和學生特征提取模塊，如圖1所示；
7、4)利用步驟3)中構建的網(wǎng)絡中的學生特征提取模塊構建基于知識蒸餾的早期煙霧識別模型；
8、5)利用步驟4)中構建的基于知識蒸餾的早期煙霧識別模型對視頻數(shù)據(jù)幀序列進行處理，得到煙霧識別結果。
9、在步驟1)獲得視頻數(shù)據(jù)幀序列后，對視頻幀進行去噪等格式化歸一化處理。
10、在步驟2)中，構建一種基于知識蒸餾的深度學習網(wǎng)絡，該網(wǎng)絡包含教師特征提取模塊和學生特征提取模塊，所述教師特征提取模塊采用更為復雜的網(wǎng)絡結構，以提高特征提取的能力，獲取更優(yōu)質(zhì)的特征。所述學生特征提取模塊采用更為簡單的網(wǎng)絡結構，以建設設備的計算需求，獲得更好得泛用性。通過教師特征提取模塊獲取的特征對學生特征提取模塊進行調(diào)整，使學生特征提取的結果向教師特征提取的結果靠近，從而使得最終模型能在較少計算資源的情況下得到較好的結果。該網(wǎng)絡的結構設計為：
11、(a)教師特征提取模塊：該模塊以faster?rcnn+fpn為基礎架構，其中backbone部分選用resnet50，采用較為復雜的backbone提高教師特征提取模塊的特征提取能力；
12、(b)學生特征提取模塊：該模塊以faster?rcnn+fpn為基礎架構，其中backbone部分選用resnet18，采用較為簡單的backbone提高學生特征提取模塊的計算效率，以便預測模型的泛化；
13、教師網(wǎng)絡獲取的特征對學生網(wǎng)絡獲取的特征進行調(diào)整，教師網(wǎng)絡模塊和學生網(wǎng)絡模塊都采用faster?rcnn+fpn構建，以便獲取格式相同的特征，其中教師網(wǎng)絡特征對學生網(wǎng)絡特征的調(diào)整方式為glkd方法。
14、采用glkd方式進行特征調(diào)整，glkd方法在理論上整合了特征和關系兩個方面，該方法先對教師網(wǎng)絡和學生網(wǎng)絡的fpn層中3，4，5，6層進行處理變換，其中變換方式如圖2所示；3，4層的轉(zhuǎn)換方式為公式1，5，6層的轉(zhuǎn)換方式為公式2公式如下：
15、
16、
17、其中norm代表均一化處理，aspp代表多尺度的空洞卷積。這里我們用表示學生，用表示老師，則代表學生網(wǎng)絡和教師網(wǎng)絡特征相似性的損失函數(shù)如公式(3)所示：
18、
19、其中，f采用mseloss計算兩者相似性。
20、相似性損失函數(shù)的計算計算的輸入為(a)教師網(wǎng)絡fpn特征層提取后轉(zhuǎn)換的特征(b)學生網(wǎng)絡fpn特征層提取后轉(zhuǎn)換的特征。
21、在步驟3)中，構建基于知識蒸餾的早期煙霧識別模型。
22、在步驟4)中，構建的基于知識蒸餾的早期煙霧識別模型對視頻數(shù)據(jù)幀序列進行處理，得到早期煙霧識別結果。
23、本專利技術的技術效果是毋庸置疑的，本專利技術公開了一種基于知識蒸餾的早期煙霧識別方法，本專利技術利用了目前深度學習中計算機視覺方向的知識蒸餾算法來識別提高早期煙霧識別的效果，從而提高野外早期煙霧檢測的準確率，精準率，誤警率，以便更及時的進行火災預警。且其準確率，精確率和誤警率相對目前的經(jīng)典模型都表現(xiàn)出了更好的性能，同時也證明了在進行早期煙霧識別時，同時使用知識蒸餾算法，能在使用更少計算資源的情況下，獲取更好的煙霧識別效果。
本文檔來自技高網(wǎng)...【技術保護點】
1.一種基于知識蒸餾的早期煙霧識別方法，其特征在于：實現(xiàn)步驟：
2.根據(jù)權利要求1所述的一種基于知識蒸餾的早期煙霧識別方法，其特征在于：
3.根據(jù)權利要求2所述的方法，其特征在于，教師網(wǎng)絡獲取的特征對學生網(wǎng)絡獲取的特征進行調(diào)整，教師網(wǎng)絡模塊和學生網(wǎng)絡模塊都采用Faster?RCNN+FPN構建，以便獲取格式相同的特征，其中教師網(wǎng)絡特征對學生網(wǎng)絡特征的調(diào)整方式為GLKD方法。
4.根據(jù)權利要求3所述的方法，其特征在于，采用GLKD方式進行特征調(diào)整，GLKD方法在理論上整合了特征和關系兩個方面，該方法先對教師網(wǎng)絡和學生網(wǎng)絡的FPN層中3，4，5，6層進行處理變換；3，4層的轉(zhuǎn)換方式為公式1，5，6層的轉(zhuǎn)換方式為公式2公式如下：
5.根據(jù)權利要求4所述的方法，其特征在于：相似性損失函數(shù)的計算計算的輸入為(a)教師網(wǎng)絡FPN特征層提取后轉(zhuǎn)換的特征(b)學生網(wǎng)絡FPN特征層提取后轉(zhuǎn)換的特征。
6.根據(jù)權利要求1所述的方法，其特征在于：所述步驟4)中，構建基于知識蒸餾的早期煙霧識別模型。
【技術特征摘要】
1.一種基于知識蒸餾的早期煙霧識別方法，其特征在于：實現(xiàn)步驟：
2.根據(jù)權利要求1所述的一種基于知識蒸餾的早期煙霧識別方法，其特征在于：
3.根據(jù)權利要求2所述的方法，其特征在于，教師網(wǎng)絡獲取的特征對學生網(wǎng)絡獲取的特征進行調(diào)整，教師網(wǎng)絡模塊和學生網(wǎng)絡模塊都采用faster?rcnn+fpn構建，以便獲取格式相同的特征，其中教師網(wǎng)絡特征對學生網(wǎng)絡特征的調(diào)整方式為glkd方法。
4.根據(jù)權利要求3所述的方法，其特征在于，采用glkd方式進...
【專利技術屬性】
技術研發(fā)人員：袁定勝，鄭程，魏維，
申請(專利權)人：成都信息工程大學，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。