CN114782349A - 领域自适应原油泄露检测模型训练方法、检测方法及装置 - Google Patents

领域自适应原油泄露检测模型训练方法、检测方法及装置 Download PDF

Info

Publication number
CN114782349A
CN114782349A CN202210392660.3A CN202210392660A CN114782349A CN 114782349 A CN114782349 A CN 114782349A CN 202210392660 A CN202210392660 A CN 202210392660A CN 114782349 A CN114782349 A CN 114782349A
Authority
CN
China
Prior art keywords
domain
crude oil
leakage detection
oil leakage
detection model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210392660.3A
Other languages
English (en)
Inventor
朱冬
李欣
杨易
方向明
宋雯
陈人和
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Qiteng Technology Co ltd
Original Assignee
Chongqing Qiteng Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing Qiteng Technology Co ltd filed Critical Chongqing Qiteng Technology Co ltd
Priority to CN202210392660.3A priority Critical patent/CN114782349A/zh
Publication of CN114782349A publication Critical patent/CN114782349A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种领域自适应原油泄露检测模型训练方法、检测方法及装置。训练方法包括：S1，获取具有标签的源域图像数据集、不具有标签的目标域图像数据集和基于源域图像数据集建立的原油泄露检测模型；S2，构建训练集，训练集包括具有标签的源域图像数据和不具有标签的目标域图像数据，利用训练集对原油泄露检测模型进行迭代训练获得领域自适应原油泄露检测模型。将源域图像和目标域图像均作为训练集样本，直接借用基于源域图像数据集训练获得的原油泄露检测模型进行训练，实现源域到目标域的知识迁移，训练后获得的领域自适应原油泄露检测模型能够自适应对目标域图像进行原油泄露检测，在目标域有良好的原油泄露检测精度。

Description

领域自适应原油泄露检测模型训练方法、检测方法及装置
技术领域
本发明涉及图像处理技术领域，具体涉及一种领域自适应原油泄露检测模型训练方法、检测方法及装置。
背景技术
采用基于神经网络的深度学习模型进行原油管道泄露检测的方法应用越来越广泛。在不同任务情况下(如工厂不同、拍摄设备不同、光照环境不同等情况)采集的管道原油泄漏图像数据表现形式不同。如果在其中某个任务的图像数据集上进行标注(即设置标签)，然后进行基于神经网络的深度学习模型训练，得到的模型在当前任务的图像数据集上可能会表现良好，但是对于其它任务的图像数据集，由于这些数据集与模型的训练数据集存在着分布差异，在其它任务中原油泄露检测效果差，无法自适应性检测。因此，现有技术中为确保检测精度需要针对不同的任务重新制作训练数据集进行模型训练，耗费时间。
发明内容
本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种领域自适应原油泄露检测模型训练方法、检测方法及装置。
为了实现本发明的上述目的，根据本发明的第一个方面，本发明提供了一种领域自适应原油泄露检测模型训练方法，包括：步骤S1，获取具有标签的源域图像数据集、不具有标签的目标域图像数据集和基于所述源域图像数据集建立的原油泄露检测模型；步骤S2，构建训练集，所述训练集包括具有标签的源域图像数据和不具有标签的目标域图像数据，利用训练集对所述原油泄露检测模型进行迭代训练获得领域自适应原油泄露检测模型。
上述技术方案：源域图像数据集为之前任务场景的图像集合，目标域图像数据集为当前任务场景(需要进行原油泄露检测的任务场景)的图像集合。将源域图像和目标域图像均作为训练集样本，直接借用基于源域图像数据集训练获得的原油泄露检测模型进行训练，实现源域到目标域的知识迁移，经过训练后获得的领域自适应原油泄露检测模型能够自适应对目标域图像进行原油泄露检测，在目标域获得良好的原油泄露检测精度，无需为目标域图像打标签来构建训练集，也无需重新构建深度学习神经网络结构，节省了训练时间。
在本发明的一种优选实施方式中，所述原油泄露检测模型的网络结构为FasterRCNN，迭代训练中的目标损失函数包括对抗域适应损失和/或分布差异损失；所述对抗域适应损失用于表征原油泄露检测模型的特征提取器提取的源域图像的特征图和目标域图像的特征图的域类别明显性；所述分布差异损失用于表征原油泄露检测模型的ROI池化网络输出的源域图像的候选区域特征和目标域图像的候选区域特征的分布差异。
上述技术方案：将对抗域适应损失作为迭代训练中的优化指标，随着迭代训练的进行，优化特征提取器网络参数，使其输出的特征图不容易或不能判别出其所属源域还是目标域，实现了源域到目标域的知识迁移，提高域适应性；将分布差异损失作为迭代训练中的优化指标，随着迭代训练ROI池化网络输出的源域图像的候选区域特征和目标域图像的候选区域特征的分布差异逐渐减小，实现了源域到目标域的知识迁移，提高域适应性。
在本发明的一种优选实施方式中，所述对抗域适应损失的获取方法包括：构建域判别器网络，所述域判别器网络用于判断特征提取器输出的特征图来源于源域还是目标域；根据域判别器网络的输出结果按照如下公式计算对抗域适应损失
Figure BDA0003597018720000031
为：
Figure BDA0003597018720000032
Di表示训练集中第i个样本对应的域判别器网络D的输出结果；Domaini表示训练集中第i个样本的域标签，若Domaini＝0，则第i个样本为源域图像，若Domaini＝1，则第i个样本为目标域图像。
上述技术方案：构建域判别器网络判断特征提取器输出的特征图来源，进行对抗域适应训练，在训练过程中也可同步对域判别器网络训练，简化了判断过程；上述对抗域适应损失计算公式累积训练集中所有样本的损失，更为准确。
在本发明的一种优选实施方式中，所述分布差异损失
Figure BDA0003597018720000033
为：
Figure BDA0003597018720000034
其中，ns表示源域图像数据集的图像数量，j和j′均表示目标域图像数据集中图像的索引，j≠j′，
Figure BDA0003597018720000035
表示第j个源域图像，
Figure BDA0003597018720000036
表示第j′个源域图像；nt表示目标域图像数据集的图像数量，k和k′均表示源域图像数据集中图像的索引，k≠k′，
Figure BDA0003597018720000037
表示第k个目标域图像，
Figure BDA0003597018720000038
表示第k′个目标域图像；
Figure BDA0003597018720000039
表示ROI池化网络输出的第j个源域图像
Figure BDA00035970187200000310
的候选区域特征；
Figure BDA00035970187200000311
表示ROI池化网络输出的第j′个源域图像
Figure BDA00035970187200000312
的候选区域特征；
Figure BDA00035970187200000313
表示ROI池化网络输出的第k个目标域图像
Figure BDA00035970187200000314
的候选区域特征；
Figure BDA00035970187200000315
表示ROI池化网络输出的第k′个目标域图像
Figure BDA00035970187200000316
的候选区域特征；K(A，B)表示求取候选区域特征A和候选区域特征B的特征核。
上述技术方案：上述计算公式简化了分布差异损失计算过程。
在本发明的一种优选实施方式中，迭代训练中以目标损失函数函数值最小为优化目标不断调整Faster RCNN的网络参数，所述目标损失函数
Figure BDA00035970187200000317
为：
Figure BDA00035970187200000318
其中，
Figure BDA00035970187200000319
表示RPN网络损失；
Figure BDA00035970187200000320
表示ROI池化网络损失；λ表示第一权值，λ∈[0，3]；
Figure BDA00035970187200000321
表示对抗域适应损失；
Figure BDA00035970187200000322
表示分布差异损失。
为了实现本发明的上述目的，根据本发明的第二个方面，本发明提供了一种领域自适应原油泄露检测模型训练装置，包括：获取模块：获取具有标签的源域图像数据集、不具有标签的目标域图像数据集和基于源域图像数据集建立的原油泄露检测模型；训练模块：构建训练集，所述训练集包括具有标签的源域图像数据集和不具有标签的目标域图像数据集，利用训练集对所述原油泄露检测模型进行迭代训练获得领域自适应原油泄露检测模型。
为了实现本发明的上述目的，根据本发明的第三个方面，本发明提供了一种领域自适应原油泄露检测模型训练网络结构，包括特征提取器、RPN网络、ROI池化网络、域判别器网络和分类输出层，所述特征提取器的输出端分别与RPN网络的输入端、域判别器网络的输入端和ROI池化网络的输入端连接，RPN网络的输出端与ROI池化网络的输入端连接，ROI池化网络的输出端与分类输出层连接；所述域判别器网络用于判断特征提取器输出的特征图来源于源域还是目标域。
上述技术方案：该训练网络结构通过接入域判别器网络引出特征提取器提取的特征图，对源域特征图和目标域特征图进行判断，有利于源域到目标域的知识迁移。
在本发明的一种优选实施方式中，在领域自适应原油泄露检测模型训练网络结构的迭代训练中，根据域判别器网络输出结果计算对抗域适应损失
Figure BDA0003597018720000041
将对抗域适应损失
Figure BDA0003597018720000042
最小作为一个目标优化项。
上述技术方案：能够对源域特征图和目标域特征图的差异进行评估，、有利于源域到目标域的知识迁移。
为了实现本发明的上述目的，根据本发明的第四个方面，本发明提供了一种原油泄露检测方法，包括：获取目标域的待检测原油管道图像，将所述待检测原油管道图像输入按照本发明第一个方面所述方法获取的领域自适应原油泄露检测模型，所述领域自适应原油泄露检测模型输出原油管道泄露检测结果。
上述技术方案：该方法具有良好的原油泄露检测精度。
为了实现本发明的上述目的，根据本发明的第五个方面，本发明提供了一种原油泄露检测系统，包括摄像头和处理器，所述摄像头用于获取目标域的待检测原油管道图像，所述处理器将所述待检测原油管道图像输入按照本发明第一个方面所述方法获取的领域自适应原油泄露检测模型，所述领域自适应原油泄露检测模型输出原油管道泄露检测结果。
附图说明
图1是本发明实施例1中领域自适应原油泄露检测模型训练方法的一种流程示意图；
图2是本发明实施例1中领域自适应原油泄露检测模型训练方法的另一种流程示意图；
图3是本发明实施例1中领域自适应原油泄露检测模型的网络结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
实施例1
本实施例公开了一种领域自适应原油泄露检测模型训练方法，如图1所示，包括：
步骤S1，获取具有标签的源域图像数据集、不具有标签的目标域图像数据集和基于源域图像数据集建立的原油泄露检测模型。
源域图像、目标域图像以及后续提到的图像均为包含有原油管道的图像，用于判断图像中的原油管道是否存在泄露。标签是指原油泄露区域标注，源域图像具有标签是指源域图像具有原油泄露区域标注。目标域图像不具有标签是指目标域图像不具有原油泄露区域标注。源域图像数据集为之前任务场景的图像集合，目标域图像数据集为当前任务场景(即需要进行原油泄露检测的任务场景)的图像集合。原油泄露检测模型是通过源域图像数据集建立的，可以是之前任务场景中已训练好已经实际检测使用的，也可以重新构建一个神经网络，利用源域图像数据集对该神经网络预训练得到。
步骤S2，构建训练集，训练集包括具有标签的源域图像数据和不具有标签的目标域图像数据，利用训练集对原油泄露检测模型进行迭代训练获得领域自适应原油泄露检测模型。
具体地，在迭代训练中，以原油泄露检测模型提取的源域图像特征和目标域图像特征区别最小为优化目标不断优化原油泄露检测模型的网络参数，进而实现源域到目标域的知识迁移。迭代训练的停止条件优选但不限于为预先设置最大迭代次数，当迭代次数达到最大迭代次数时，停止迭代。
在本实施例中，优选地，原油泄露检测模型的网络结构为Faster RCNN，如图3所示，包括特征提取器、RPN(RegionProposal Network，区域生成网络)网络、ROI(Region ofinterest pooling，感兴趣区域池化)池化网络和分类输出层，特征提取器的输出端分别与RPN网络的输入端和ROI池化网络的输入端连接，RPN网络的输出端与ROI池化网络的输入端连接，ROI池化网络的输出端与分类输出层连接。分类输出层的网路结构为现有的，如可参考网址https：//zhuanlan.zhihu.com/p/31426458，在此不再赘述。通过迭代训练中构建恰当的目标损失函数来调节原油泄露检测模型的网络参数，使得以原油泄露检测模型提取的源域图像特征和目标域图像特征区别最小。因此，迭代训练中的目标损失函数包括对抗域适应损失和/或分布差异损失；对抗域适应损失用于表征原油泄露检测模型的特征提取器提取的源域图像的特征图和目标域图像的特征图的域类别明显性，即是否容易或明显判断出特征图所属源域还是目标域，采用对抗方式进行域适应，提升特征提取器的自适应能力；分布差异损失用于表征原油泄露检测模型的ROI池化网络输出的源域图像的候选区域特征和目标域图像的候选区域特征的分布差异。
在本实施例中，进一步优选地，对抗域适应损失的获取方法包括：
构建域判别器网络D，域判别器网络D用于判断特征提取器输出的特征图来源于源域还是目标域；根据域判别器网络D的输出结果按照如下公式计算对抗域适应损失
Figure BDA0003597018720000081
为：
Figure BDA0003597018720000082
Di表示训练集中第i个样本对应的域判别器网络D的输出结果，其取值范围为0到1之间，用于表征特征图属于源域的概率，概率值越大越属于源域；Domaini表示训练集中第i个样本的域标签，若Domaini＝0，则第i个样本为源域图像，若Domaini＝1，则第i个样本为目标域图像。
在本实施例中，域判别器网络D优选但不限于为一个二分类神经网络。在训练集训练过程中，利用前部分训练样本训练原油泄露检测模型的网络结构的同时，同步对域判别器网络D进行训练，使得域判别器网络D能够识别出特征提取器输出的特征图来源于源域图像还是目标域图像，在后部分训练样本训练过程中，计算对抗域适应损失，利用对抗域适应损失去调整特征提取器的网络参数，使得特征提取器输出的特征图的域类别不明显，域判别器网络D无法再有效区分出源域图像和目标域图像。
在本实施例中，进一步优选地，分布差异损失
Figure BDA0003597018720000083
为：
Figure BDA0003597018720000084
其中，ns表示源域图像数据集的图像数量，j和j′均表示目标域图像数据集中图像的索引，j≠j′，
Figure BDA0003597018720000085
表示第j个源域图像，
Figure BDA0003597018720000086
表示第j′个源域图像；nt表示目标域图像数据集的图像数量，k和k′均表示源域图像数据集中图像的索引，k≠k′，
Figure BDA0003597018720000087
表示第k个目标域图像，
Figure BDA0003597018720000088
表示第k′个目标域图像；
Figure BDA0003597018720000089
表示ROI池化网络输出的第j个源域图像
Figure BDA00035970187200000810
的候选区域特征；
Figure BDA00035970187200000811
表示ROI池化网络输出的第j′个源域图像
Figure BDA0003597018720000091
的候选区域特征；
Figure BDA0003597018720000092
表示ROI池化网络输出的第k个目标域图像
Figure BDA0003597018720000093
的候选区域特征；
Figure BDA0003597018720000094
表示ROI池化网络输出的第k′个目标域图像
Figure BDA0003597018720000095
的候选区域特征；K(A，B)表示求取候选区域特征A和候选区域特征B的特征核，特征核优选但不限于为高斯核，
Figure BDA0003597018720000096
表示求取
Figure BDA0003597018720000097
和
Figure BDA0003597018720000098
的高斯核，
Figure BDA0003597018720000099
表示求取
Figure BDA00035970187200000910
和
Figure BDA00035970187200000911
的高斯核，
Figure BDA00035970187200000912
表示求取
Figure BDA00035970187200000913
和
Figure BDA00035970187200000914
的高斯核。
在本实施例中，优选地，迭代训练中以目标损失函数函数值最小为优化目标不断调整Faster RCNN的网络参数，目标损失函数
Figure BDA00035970187200000915
为：
Figure BDA00035970187200000916
其中，
Figure BDA00035970187200000917
表示RPN网络损失，
Figure BDA00035970187200000918
包括RPN分类损失和RPN回归损失；
Figure BDA00035970187200000919
良示ROI池化网络损失，
Figure BDA00035970187200000920
包括ROI分类损失和ROI回归损失；λ表示第一权值，λ∈[0，3]；
Figure BDA00035970187200000921
表示对抗域适应损失；
Figure BDA00035970187200000922
表示分布差异损失。RPN网络损失
Figure BDA00035970187200000923
和ROI池化网络损失
Figure BDA00035970187200000924
的计算为现有技术，如可参考网址https：//www.csdn.net/tags/MtTaIgwsNDIyNTQtYmxvZw0000000000.html中公开的计算方式，在此不再赘述。
在本实施例的一种应用场景中，原油泄露检测模型不是事先训练好的，需要通过源域图像数据集进行预训练获得，具体步骤如图2所示，包括：
步骤1：通过巡检机器人获取管道原油泄漏的源域图像数据集(有标签)
Figure BDA00035970187200000925
其中，
Figure BDA00035970187200000926
表示第j个源域样本，
Figure BDA00035970187200000927
是
Figure BDA00035970187200000928
的标签，j是源域样本索引，ns是源域样本数；目标域图像数据集(无标签)
Figure BDA00035970187200000929
其中，
Figure BDA00035970187200000930
表示第k个目标域样本，k表示目标域样本索引，nt表示目标域样本数。
步骤2：
构建Faster RCNN网络，使用有标签的源域图像数据集Ds对Faster RCNN进行预训练。
步骤3：
使用预训练的Faster RCNN对目标域和源域进行特征提取，输入源域样本
Figure BDA0003597018720000101
得到源域特征图像
Figure BDA0003597018720000102
输入目标域样本
Figure BDA0003597018720000103
得到目标域特征图像
Figure BDA0003597018720000104
针对Faster RCNN提取得到的特征图像，采用对抗方式进行域适应。在特征提取器F的后面加入一个域判别器网络D，D是一个二分类神经网络，优化目标如下：
Figure BDA0003597018720000105
输入源域样本
Figure BDA0003597018720000106
得到源域所有候选区域的特征
Figure BDA0003597018720000107
输入目标域样本
Figure BDA0003597018720000108
得到目标域所有候选区域的特征
Figure BDA0003597018720000109
使用MMD(最大均值误差)计算源域特征和目标域特征之间的分布差异：
Figure BDA00035970187200001010
其中，
Figure BDA00035970187200001011
是给定特征核k的再生核希尔伯特空间(RKHS)，φ(·)表示从原始特征空间到RKHS的非线性映射。用经验核均值嵌入法估计MMD的平方值，得到
Figure BDA00035970187200001012
为：
Figure BDA00035970187200001013
最终改进后Faster RCNN的整体优化目标损失函数为：
Figure BDA00035970187200001014
其中，
Figure BDA00035970187200001015
为RPN网络损失，包括分类和回归损失；
Figure BDA00035970187200001016
为ROI损失，包括分类和回归损失；
Figure BDA00035970187200001017
为对抗域适应损失；
Figure BDA00035970187200001018
为最大均值差异域损失。
以目标损失函数最小为优化目标调节Faster RCNN的网络参数，不断进行迭代训练，进行域适应，当训练次数达到预设的最大迭代次数时，停止迭代。
步骤4：
根据领域自适应训练得到的Faster RCNN，即可在目标域上进行目标检测。
实施例2
本实施例公开了一种领域自适应原油泄露检测模型训练装置，本实施例的装置与实施例1的训练方法对应，包括：获取模块：获取具有标签的源域图像数据集、不具有标签的目标域图像数据集和基于源域图像数据集建立的原油泄露检测模型；训练模块：构建训练集，训练集包括具有标签的源域图像数据集和不具有标签的目标域图像数据集，利用训练集对原油泄露检测模型进行迭代训练获得领域自适应原油泄露检测模型。
实施例3
本实施例公开了一种领域自适应原油泄露检测模型训练网络结构，如图3所示，包括特征提取器、RPN网络、ROI池化网络、域判别器网络和分类输出层，特征提取器的输出端分别与RPN网络的输入端、域判别器网络的输入端和ROI池化网络的输入端连接，RPN网络的输出端与ROI池化网络的输入端连接，ROI池化网络的输出端与分类输出层连接；域判别器网络用于判断特征提取器输出的特征图来源于源域还是目标域。
在本实施例中，优选地，在领域自适应原油泄露检测模型训练网络结构的迭代训练中，根据域判别器网络输出结果计算对抗域适应损失
Figure BDA0003597018720000111
将对抗域适应损失
Figure BDA0003597018720000112
最小作为一个目标优化项。
实施例4
本实施例公开了一种原油泄露检测方法，包括：获取目标域的待检测原油管道图像，将待检测原油管道图像输入按照实施例1的训练方法获取的领域自适应原油泄露检测模型，领域自适应原油泄露检测模型输出原油管道泄露检测结果。
实施例5
本实施例公开了一种原油泄露检测系统，包括摄像头和处理器，摄像头用于获取目标域的待检测原油管道图像，处理器将待检测原油管道图像输入按照实施例1的训练方法获取的领域自适应原油泄露检测模型，领域自适应原油泄露检测模型输出原油管道泄露检测结果。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (10)

1.一种领域自适应原油泄露检测模型训练方法，其特征在于，包括：
步骤S1，获取具有标签的源域图像数据集、不具有标签的目标域图像数据集和基于所述源域图像数据集建立的原油泄露检测模型；
步骤S2，构建训练集，所述训练集包括具有标签的源域图像数据和不具有标签的目标域图像数据，利用训练集对所述原油泄露检测模型进行迭代训练获得领域自适应原油泄露检测模型。
2.如权利要求1所述的领域自适应原油泄露检测模型训练方法，其特征在于，所述原油泄露检测模型的网络结构为Faster RCNN，迭代训练中的目标损失函数包括对抗域适应损失和/或分布差异损失；
所述对抗域适应损失用于表征原油泄露检测模型的特征提取器提取的源域图像的特征图和目标域图像的特征图的域类别明显性；
所述分布差异损失用于表征原油泄露检测模型的ROI池化网络输出的源域图像的候选区域特征和目标域图像的候选区域特征的分布差异。
3.如权利要求2所述的领域自适应原油泄露检测模型训练方法，其特征在于，所述对抗域适应损失的获取方法包括：
构建域判别器网络，所述域判别器网络用于判断特征提取器输出的特征图来源于源域还是目标域；
根据域判别器网络的输出结果按照如下公式计算对抗域适应损失
Figure FDA0003597018710000011
为：
Figure FDA0003597018710000012
其中，Di表示训练集中第i个样本对应的域判别器网络D的输出结果；Domaini表示训练集中第i个样本的域标签，若Domaini＝0，则第i个样本为源域图像，若Domaini＝1，则第i个样本为目标域图像。
4.如权利要求2或3所述的领域自适应原油泄露检测模型训练方法，其特征在于，所述分布差异损失
Figure FDA0003597018710000021
为：
Figure FDA0003597018710000022
其中，ns表示源域图像数据集的图像数量，j和j均表示目标域图像数据集中图像的索引，j≠j′，
Figure FDA0003597018710000023
表示第j个源域图像，
Figure FDA0003597018710000024
表示第j′个源域图像；nt表示目标域图像数据集的图像数量，k和k′均表示源域图像数据集中图像的索引，k≠k′，
Figure FDA0003597018710000025
表示第k个目标域图像，
Figure FDA0003597018710000026
表示第k′个目标域图像；
Figure FDA0003597018710000027
表示ROI池化网络输出的第j个源域图像
Figure FDA0003597018710000028
的候选区域特征；
Figure FDA0003597018710000029
表示ROI池化网络输出的第j′个源域图像
Figure FDA00035970187100000210
的候选区域特征；
Figure FDA00035970187100000211
表示ROI池化网络输出的第k个目标域图像
Figure FDA00035970187100000212
的候选区域特征；
Figure FDA00035970187100000213
表示ROI池化网络输出的第k′个目标域图像
Figure FDA00035970187100000214
的候选区域特征；K(A，B)表示求取候选区域特征A和候选区域特征B的特征核。
5.如权利要求2或3所述的领域自适应原油泄露检测模型训练方法，其特征在于，迭代训练中以目标损失函数函数值最小为优化目标不断调整Faster RCNN的网络参数，所述目标损失函数
Figure FDA00035970187100000220
为：
Figure FDA00035970187100000215
其中，
Figure FDA00035970187100000216
表示RPN网络损失；
Figure FDA00035970187100000217
表示ROI池化网络损失；λ表示第一权值，λ∈[0，3]；
Figure FDA00035970187100000218
表示对抗域适应损失；
Figure FDA00035970187100000219
表示分布差异损失。
6.一种领域自适应原油泄露检测模型训练装置，其特征在于，包括：
获取模块：获取具有标签的源域图像数据集、不具有标签的目标域图像数据集和基于源域图像数据集建立的原油泄露检测模型；
训练模块：构建训练集，所述训练集包括具有标签的源域图像数据集和不具有标签的目标域图像数据集，利用训练集对所述原油泄露检测模型进行迭代训练获得领域自适应原油泄露检测模型。
7.一种领域自适应原油泄露检测模型训练网络结构，其特征在于，包括特征提取器、RPN网络、ROI池化网络、域判别器网络和分类输出层，所述特征提取器的输出端分别与RPN网络的输入端、域判别器网络的输入端和ROI池化网络的输入端连接，RPN网络的输出端与ROI池化网络的输入端连接，ROI池化网络的输出端与分类输出层连接；
所述域判别器网络用于判断特征提取器输出的特征图来源于源域还是目标域。
8.如权利要求7所述的领域自适应原油泄露检测模型训练网络结构，其特征在于，在领域自适应原油泄露检测模型训练网络结构的迭代训练中，根据域判别器网络输出结果计算对抗域适应损失
Figure FDA0003597018710000031
将对抗域适应损失
Figure FDA0003597018710000032
最小作为一个目标优化项。
9.一种原油泄露检测方法，其特征在于，包括：
获取目标域的待检测原油管道图像，将所述待检测原油管道图像输入按照权利要求1-5之一所述方法获取的领域自适应原油泄露检测模型，所述领域自适应原油泄露检测模型输出原油管道泄露检测结果。
10.一种原油泄露检测系统，其特征在于，包括摄像头和处理器，所述摄像头用于获取目标域的待检测原油管道图像，所述处理器将所述待检测原油管道图像输入按照权利要求1-5之一所述方法获取的领域自适应原油泄露检测模型，所述领域自适应原油泄露检测模型输出原油管道泄露检测结果。
CN202210392660.3A 2022-04-14 2022-04-14 领域自适应原油泄露检测模型训练方法、检测方法及装置 Pending CN114782349A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210392660.3A CN114782349A (zh) 2022-04-14 2022-04-14 领域自适应原油泄露检测模型训练方法、检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210392660.3A CN114782349A (zh) 2022-04-14 2022-04-14 领域自适应原油泄露检测模型训练方法、检测方法及装置

Publications (1)

Publication Number Publication Date
CN114782349A true CN114782349A (zh) 2022-07-22

Family

ID=82429983

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210392660.3A Pending CN114782349A (zh) 2022-04-14 2022-04-14 领域自适应原油泄露检测模型训练方法、检测方法及装置

Country Status (1)

Country Link
CN (1) CN114782349A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115497459A (zh) * 2022-08-29 2022-12-20 深圳市北科瑞声科技股份有限公司 一种模型训练方法、装置、电子设备及存储介质
CN116071744A (zh) * 2023-01-10 2023-05-05 山东省气候中心 一种基于Faster RCNN网络的成熟期番茄识别方法及系统
CN118521942A (zh) * 2024-06-19 2024-08-20 北京网藤科技有限公司 一种基于计算机视觉的复杂场景下原油泄漏检测方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115497459A (zh) * 2022-08-29 2022-12-20 深圳市北科瑞声科技股份有限公司 一种模型训练方法、装置、电子设备及存储介质
CN116071744A (zh) * 2023-01-10 2023-05-05 山东省气候中心 一种基于Faster RCNN网络的成熟期番茄识别方法及系统
CN116071744B (zh) * 2023-01-10 2023-06-30 山东省气候中心 一种基于Faster RCNN网络的成熟期番茄识别方法及系统
CN118521942A (zh) * 2024-06-19 2024-08-20 北京网藤科技有限公司 一种基于计算机视觉的复杂场景下原油泄漏检测方法及系统

Similar Documents

Publication Publication Date Title
CN114782349A (zh) 领域自适应原油泄露检测模型训练方法、检测方法及装置
CN106897738B (zh) 一种基于半监督学习的行人检测方法
CN110135459B (zh) 一种基于双三元组深度度量学习网络的零样本分类方法
CN106682696B (zh) 基于在线示例分类器精化的多示例检测网络及其训练方法
CN107665355B (zh) 一种基于区域卷积神经网络的农业害虫检测方法
CN109509170B (zh) 一种压铸件缺陷检测方法及装置
CN114048568A (zh) 一种基于多源迁移融合收缩框架的旋转机械故障诊断方法
CN112819821B (zh) 一种细胞核图像检测方法
CN112287896A (zh) 一种基于深度学习的无人机航拍图像目标检测方法及系统
CN111239137B (zh) 基于迁移学习与自适应深度卷积神经网络的谷物质量检测方法
CN110472581A (zh) 一种基于深度学习的细胞图像分析方法
CN111598167B (zh) 基于图学习的小样本图像识别方法及系统
CN111462068A (zh) 一种基于迁移学习的螺钉螺母检测方法
CN113139594A (zh) 一种机载图像无人机目标自适应检测方法
CN111461323A (zh) 一种图像识别方法及装置
Aristoteles et al. Identification of human sperm based on morphology using the you only look once version 4 algorithm
Lonij et al. Open-world visual recognition using knowledge graphs
CN114140395A (zh) 肺部纤维化智能判定方法
CN111898528B (zh) 数据处理方法、装置、计算机可读介质及电子设备
CN109784399A (zh) 基于改进字典学习的多源图像目标关联方法
CN117606800A (zh) 轴承故障诊断方法、装置、设备和存储介质
CN112581502A (zh) 一种基于孪生网络的目标跟踪方法
CN115937661B (zh) 一种3d场景理解方法、系统、电子设备及存储介质
CN111612021A (zh) 一种错误样本识别方法、装置及终端
CN111310792A (zh) 一种基于决策树的药敏实验结果识别方法与系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination