CN115205793B - 基于深度学习二次确认的电力机房烟雾检测方法及装置 - Google Patents

基于深度学习二次确认的电力机房烟雾检测方法及装置 Download PDF

Info

Publication number
CN115205793B
CN115205793B CN202211118614.0A CN202211118614A CN115205793B CN 115205793 B CN115205793 B CN 115205793B CN 202211118614 A CN202211118614 A CN 202211118614A CN 115205793 B CN115205793 B CN 115205793B
Authority
CN
China
Prior art keywords
detection
module
network model
layer
output
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.)
Active
Application number
CN202211118614.0A
Other languages
English (en)
Other versions
CN115205793A (zh
Inventor
张杰明
高宜凡
陈显超
陈展尘
陈益哲
梁妍陟
陈金成
李波
刘洋
陈忠颖
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.)
Zhaoqing Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Zhaoqing Power Supply Bureau of Guangdong Power Grid 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 Zhaoqing Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Zhaoqing Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202211118614.0A priority Critical patent/CN115205793B/zh
Publication of CN115205793A publication Critical patent/CN115205793A/zh
Application granted granted Critical
Publication of CN115205793B publication Critical patent/CN115205793B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/52—Scale-space analysis, e.g. wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations

Abstract

本发明涉及电力检测技术领域，公开了基于深度学习二次确认的电力机房烟雾检测方法及装置。本发明根据电力机房监测图像数据集构建第一数据样本集，并提取其中图像烟雾区域以构建第二数据样本集；构建检测网络模型和分类网络模型，检测网络模型基于卷积模块和Bneck模块进行特征提取，并基于检测头模块进行不同尺度特征的检测，分类网络模型基于卷积模块和Bneck模块进行特征处理；使用第一数据样本集对检测网络模型进行训练，使用第二数据样本集对分类网络模型进行训练，最后采用训练完成的检测网络模型对待检测图像进行检测，将得到的结果输入至训练完成的分类网络模型，得到烟雾检测结果。本发明可以有效提高烟雾检测的精度和效率。

Description

基于深度学习二次确认的电力机房烟雾检测方法及装置
技术领域
本发明涉及电力检测技术领域，尤其涉及基于深度学习二次确认的电力机房烟雾检测方法及装置。
背景技术
目前电力机房烟雾检测的方法主要是基于物理的方法，即通过烟雾传感器进行烟雾检测。烟雾传感器的检测原理是根据烟雾产生的浓度以及环境的温度、亮度变化来触发传感器中的物理原件。然而，这种方法具有一定的局限性，只有当烟雾浓度达到一定的标准后才能触发烟雾报警，并且传感器信号的传送速度较慢，有延迟性，且误检率高。
发明内容
本发明提供了基于深度学习二次确认的电力机房烟雾检测方法及装置，利用深度学习目标检测技术进行电力机房的烟雾检测，可以有效提高烟雾检测的精度和效率，解决了目前基于烟雾传感器进行电力机房烟雾检测的方法存在检测效率和精度较低的缺陷的技术问题。
本发明第一方面提供一种基于深度学习二次确认的电力机房烟雾检测方法，包括：
获取监测电力机房得到的图像数据集，对所述图像数据集中图像的烟雾区域进行标注，根据标注后的图像数据集构建第一数据样本集，并提取所述图像数据集中图像的烟雾区域以构建第二数据样本集；
构建检测网络模型和分类网络模型；所述检测网络模型基于卷积模块和Bneck模块进行特征提取，并基于检测头模块进行不同尺度特征的检测；所述分类网络模型基于卷积模块和Bneck模块进行特征处理，并对处理得到的结果进行平均池化以降低特征维数，并通过卷积得到分类结果；
使用所述第一数据样本集对所述检测网络模型进行训练，使用所述第二数据样本集对所述分类网络模型进行训练，得到训练完成的检测网络模型和训练完成的分类网络模型；
采用所述训练完成的检测网络模型对待检测电力机房监测图像进行检测，将得到的检测结果输入至所述训练完成的分类网络模型，得到烟雾检测结果。
根据本发明第一方面的一种能够实现的方式，所述检测网络模型包括：
第一特征提取网络，为六层结构，其中第一层为卷积模块，第二层至第六层为Bneck模块，且其通过第四层输出第一层次特征，通过第五层输出第二层次特征，通过第六层输出第三层次特征；
第二特征提取网络，包括四个卷积模块和拼接模块，其中第一个卷积模块对所述第三层次特征进行卷积处理得到第一输出特征并输出给检测头网络，第二个卷积模块对所述第二层次特征进行卷积处理得到第二输出特征，第三个卷积模块对所述第一层次特征进行卷积处理得到第三输出特征，第四个卷积模块对所述第三输出特征进行卷积处理得到第四输出特征，所述拼接模块将所述第一输出特征、所述第二输出特征和所述第四输出特征进行拼接得到第五输出特征并输出给所述检测头网络，所述拼接模块将所述第一输出特征、所述第二输出特征和所述第三输出特征进行拼接处理得到第六输出特征并输出给所述检测头网络；
所述检测头网络，包括第一检测头模块、第二检测头模块和第三检测头模块，所述第一检测头模块用于对所述第一输出特征进行检测以得到第一检测结果，所述第二检测头模块用于对所述第五输出特征进行检测以得到第二检测结果，所述第三检测头模块用于对所述第六输出特征进行检测以得到第三检测结果。
根据本发明第一方面的一种能够实现的方式，所述Bneck模块采用ReLU激活函数。
根据本发明第一方面的一种能够实现的方式，所述分类网络模型的网络结构为九层结构，其中第一层、第七层和第九层均为卷积模块，第二层至第六层为Bneck模块，第八层为平均池化模块。
根据本发明第一方面的一种能够实现的方式，在对所述图像数据集中图像的烟雾区域进行标注之前，所述方法包括：
对所述图像数据集中的图像进行预处理；所述预处理包括图像去噪和/或图像扩容；
其中，所述图像扩容的处理包括以下至少一种：
几何畸变、光照、遮挡、随机水平翻转、随机裁剪、随机旋转、随机缩放和图像融合。
根据本发明第一方面的一种能够实现的方式，所述使用所述第一数据样本集对所述检测网络模型进行训练，包括：
基于置信度损失和类别损失构建损失函数；
采用所述损失函数对所述检测网络模型进行训练。
根据本发明第一方面的一种能够实现的方式，所述基于置信度损失和类别损失构建损失函数，包括：
构建所述损失函数为：
Figure 271251DEST_PATH_IMAGE002
式中，
Figure 65898DEST_PATH_IMAGE003
表示损失函数，
Figure 948404DEST_PATH_IMAGE004
表示网格数，
Figure 363205DEST_PATH_IMAGE005
表示每个网格产生的候选框数量，
Figure 305753DEST_PATH_IMAGE006
分别表示候选框的中心坐标
Figure 806004DEST_PATH_IMAGE007
的真实值和预测值大小，
Figure 288938DEST_PATH_IMAGE008
分别表示候选框的真实和预测的宽度和高度，
Figure 761508DEST_PATH_IMAGE009
表示候选框坐标点、宽度和高度的损失权重，
Figure 173160DEST_PATH_IMAGE010
是不含检测目标的候选框的损失权重，
Figure 98391DEST_PATH_IMAGE011
表示第
Figure 385015DEST_PATH_IMAGE012
个网格的第
Figure 774409DEST_PATH_IMAGE013
个候选框是否负责检测这个物体，若是则
Figure 58759DEST_PATH_IMAGE014
，否则
Figure 533603DEST_PATH_IMAGE015
，
Figure 856875DEST_PATH_IMAGE016
表示第
Figure 38457DEST_PATH_IMAGE012
个网格的第
Figure 556026DEST_PATH_IMAGE013
个候选框是否不负责检测物体，若是则
Figure 455849DEST_PATH_IMAGE017
，否则
Figure 84277DEST_PATH_IMAGE018
，
Figure 182683DEST_PATH_IMAGE019
表示第
Figure 808836DEST_PATH_IMAGE012
个网格的第
Figure 759737DEST_PATH_IMAGE013
个候选框的真实的置信度，
Figure 926276DEST_PATH_IMAGE020
表示第
Figure 82451DEST_PATH_IMAGE012
个网格的第
Figure 941822DEST_PATH_IMAGE013
个候选框的预测的置信度，
Figure 550658DEST_PATH_IMAGE021
表示第
Figure 786468DEST_PATH_IMAGE012
个网格的第
Figure 797149DEST_PATH_IMAGE013
个候选框检测到物体的真实的概率，
Figure 331816DEST_PATH_IMAGE022
表示第
Figure 490265DEST_PATH_IMAGE012
个网格的第
Figure 936290DEST_PATH_IMAGE013
个候选框检测到物体的预测的概率。
本发明实施例中，关于置信度的损失函数主要分成了两部分，分别是有物体和无物体。训练中参数置信度的取值由网格中框是否检测某个物体决定，如果检测到目标，则值为1，反之，值为0。置信度和类别损失采用了交叉熵损失函数。由于检测网络模型和分类网络模型都是只对烟雾进行检测，分类问题可以等效为二分类问题，所以交叉熵函数又相当于是二值交叉熵函数。该函数的设置能够使得网络的学习速率得到更好的控制。
本发明第二方面提供一种基于深度学习二次确认的电力机房烟雾检测装置，包括：
样本构建模块，用于获取监测电力机房得到的图像数据集，对所述图像数据集中图像的烟雾区域进行标注，根据标注后的图像数据集构建第一数据样本集，并提取所述图像数据集中图像的烟雾区域以构建第二数据样本集；
模型构建模块，用于构建检测网络模型和分类网络模型；所述检测网络模型基于卷积模块和Bneck模块进行特征提取，并基于检测头模块进行不同尺度特征的检测；所述分类网络模型基于卷积模块和Bneck模块进行特征处理，并对处理得到的结果进行平均池化以降低特征向量维度，并通过卷积得到分类结果；
训练模块，用于使用所述第一数据样本集对所述检测网络模型进行训练，使用所述第二数据样本集对所述分类网络模型进行训练，得到训练完成的检测网络模型和训练完成的分类网络模型；
烟雾检测模块，用于采用所述训练完成的检测网络模型对待检测电力机房监测图像进行检测，将得到的检测结果输入至所述训练完成的分类网络模型，得到烟雾检测结果。
根据本发明第二方面的一种能够实现的方式，所述检测网络模型包括：
第一特征提取网络，为六层结构，其中第一层为卷积模块，第二层至第六层为Bneck模块，且其通过第四层输出第一层次特征，通过第五层输出第二层次特征，通过第六层输出第三层次特征；
第二特征提取网络，包括四个卷积模块和拼接模块，其中第一个卷积模块对所述第三层次特征进行卷积处理得到第一输出特征并输出给检测头网络，第二个卷积模块对所述第二层次特征进行卷积处理得到第二输出特征，第三个卷积模块对所述第一层次特征进行卷积处理得到第三输出特征，第四个卷积模块对所述第三输出特征进行卷积处理得到第四输出特征，所述拼接模块将所述第一输出特征、所述第二输出特征和所述第四输出特征进行拼接得到第五输出特征并输出给所述检测头网络，所述拼接模块将所述第一输出特征、所述第二输出特征和所述第三输出特征进行拼接处理得到第六输出特征并输出给所述检测头网络；
所述检测头网络，包括第一检测头模块、第二检测头模块和第三检测头模块，所述第一检测头模块用于对所述第一输出特征进行检测以得到第一检测结果，所述第二检测头模块用于对所述第五输出特征进行检测以得到第二检测结果，所述第三检测头模块用于对所述第六输出特征进行检测以得到第三检测结果。
根据本发明第二方面的一种能够实现的方式，所述Bneck模块采用ReLU激活函数。
根据本发明第二方面的一种能够实现的方式，所述分类网络模型的网络结构为九层结构，其中第一层、第七层和第九层均为卷积模块，第二层至第六层为Bneck模块，第八层为平均池化模块。
根据本发明第二方面的一种能够实现的方式，所述装置包括：
预处理模块，用于在对所述图像数据集中图像的烟雾区域进行标注之前，对所述图像数据集中的图像进行预处理；所述预处理包括图像去噪和/或图像扩容；
其中，所述图像扩容的处理包括以下至少一种：
几何畸变、光照、遮挡、随机水平翻转、随机裁剪、随机旋转、随机缩放和图像融合。
根据本发明第二方面的一种能够实现的方式，所述训练模块包括：
函数构建单元，用于基于置信度损失和类别损失构建损失函数；
训练单元，用于采用所述损失函数对所述检测网络模型进行训练。
根据本发明第二方面的一种能够实现的方式，所述函数构建单元具体用于：
构建所述损失函数为：
Figure 129374DEST_PATH_IMAGE023
式中，
Figure 330548DEST_PATH_IMAGE003
表示损失函数，
Figure 477758DEST_PATH_IMAGE004
表示网格数，
Figure 727474DEST_PATH_IMAGE005
表示每个网格产生的候选框数量，
Figure 775064DEST_PATH_IMAGE006
分别表示候选框的中心坐标
Figure 147140DEST_PATH_IMAGE007
的真实值和预测值大小，
Figure 217864DEST_PATH_IMAGE008
分别表示候选框的真实和预测的宽度和高度，
Figure 333587DEST_PATH_IMAGE009
表示候选框坐标点、宽度和高度的损失权重，
Figure 173367DEST_PATH_IMAGE010
是不含检测目标的候选框的损失权重，
Figure 214879DEST_PATH_IMAGE011
表示第
Figure 569637DEST_PATH_IMAGE012
个网格的第
Figure 426735DEST_PATH_IMAGE013
个候选框是否负责检测这个物体，若是则
Figure 183338DEST_PATH_IMAGE014
，否则
Figure 834900DEST_PATH_IMAGE015
，
Figure 942533DEST_PATH_IMAGE016
表示第
Figure 337742DEST_PATH_IMAGE012
个网格的第
Figure 450317DEST_PATH_IMAGE013
个候选框是否不负责检测物体，若是则
Figure 600675DEST_PATH_IMAGE017
，否则
Figure 867709DEST_PATH_IMAGE018
，
Figure 863347DEST_PATH_IMAGE019
表示第
Figure 532225DEST_PATH_IMAGE012
个网格的第
Figure 853485DEST_PATH_IMAGE013
个候选框的真实的置信度，
Figure 897228DEST_PATH_IMAGE020
表示第
Figure 899819DEST_PATH_IMAGE012
个网格的第
Figure 485521DEST_PATH_IMAGE013
个候选框的预测的置信度，
Figure 649786DEST_PATH_IMAGE021
表示第
Figure 953729DEST_PATH_IMAGE012
个网格的第
Figure 556748DEST_PATH_IMAGE013
个候选框检测到物体的真实的概率，
Figure 934640DEST_PATH_IMAGE022
表示第
Figure 99167DEST_PATH_IMAGE012
个网格的第
Figure 562510DEST_PATH_IMAGE013
个候选框检测到物体的预测的概率。
本发明第三方面提供了一种基于深度学习二次确认的电力机房烟雾检测装置，包括：
存储器，用于存储指令；其中，所述指令用于实现如上任意一项能够实现的方式所述的基于深度学习二次确认的电力机房烟雾检测方法；
处理器，用于执行所述存储器中的指令。
本发明第四方面一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任意一项能够实现的方式所述的基于深度学习二次确认的电力机房烟雾检测方法。
从以上技术方案可以看出，本发明具有以下优点：
本发明基于监测电力机房得到的图像数据集构建第一数据样本集，并提取其中图像的烟雾区域以构建第二数据样本集；构建检测网络模型和分类网络模型；所述检测网络模型基于卷积模块和Bneck模块进行特征提取，并基于检测头模块进行不同尺度特征的检测；所述分类网络模型基于卷积模块和Bneck模块进行特征处理，并对处理得到的结果进行平均池化以降低特征向量维度，并通过卷积得到分类结果；使用第一数据样本集对检测网络模型进行训练，使用第二数据样本集对分类网络模型进行训练，最后采用训练完成的检测网络模型对待检测电力机房监测图像进行检测，将得到的检测结果输入至训练完成的分类网络模型，得到烟雾检测结果；本发明使用了两个网络模型进行检测，并在模型结构设置上进行轻量化处理，通过检测网络模型的输出结果提取烟雾区域，并通过分类网络模型进行二次确认，实现了对电力机房烟雾的检测，可以有效提高烟雾检测的精度和效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明一个可选实施例提供的一种基于深度学习二次确认的电力机房烟雾检测方法的流程图；
图2为本发明一个可选实施例提供的检测网络模型的结构示意图；
图3为本发明一个可选实施例提供的Bneck模块的结构示意图；
图4为本发明一个可选实施例提供的分类网络模型的结构示意图；
图5为本发明一个可选实施例提供的一种基于深度学习二次确认的电力机房烟雾检测装置的结构连接框图。
附图标记：
1-样本构建模块；2-模型构建模块；3-训练模块；4-烟雾检测模块。
具体实施方式
本发明实施例提供了基于深度学习二次确认的电力机房烟雾检测方法及装置，用于解决目前基于烟雾传感器进行电力机房烟雾检测的方法存在检测效率和精度较低的缺陷的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明提供了一种基于深度学习二次确认的电力机房烟雾检测方法。
请参阅图1，图1示出了本发明实施例提供的一种基于深度学习二次确认的电力机房烟雾检测方法的流程图。
本发明实施例提供的一种基于深度学习二次确认的电力机房烟雾检测方法，包括步骤S1-S4。
步骤S1，获取监测电力机房得到的图像数据集，对所述图像数据集中图像的烟雾区域进行标注，根据标注后的图像数据集构建第一数据样本集，并提取所述图像数据集中图像的烟雾区域以构建第二数据样本集。
其中，可以通过机房监控摄像头获取相应的视频数据，进而从视频数据中获取实时场景图片，汇聚得到该图像数据集。
其中，可以用labelme开源软件对数据集中的图像进行标注，框出图像中的烟雾区域，生成标注文件信息。根据标注后的图像数据集构建第一数据样本集时，可以根据实际需求设置相应的筛选机制，以筛选合适的图像用于构建第一数据样本集。同样地，在构建第二数据样本集时，也可以进行图像筛选处理。
在一种能够实现的方式中，在对所述图像数据集中图像的烟雾区域进行标注之前，所述方法包括：
对所述图像数据集中的图像进行预处理；所述预处理包括图像去噪和/或图像扩容。
其中，可以采用中值滤波和/或高斯滤波方法对各图像进行去噪处理。
其中，所述图像扩容的处理包括以下至少一种：
几何畸变、光照、遮挡、随机水平翻转、随机裁剪、随机旋转、随机缩放和图像融合。
示例性地，截取含有烟雾场景的图像中的烟雾区域，将烟雾区域融合到不含有烟雾区域的图像中，以此扩充图像。
同样地，在提取所述图像数据集中图像的烟雾区域以构建第二数据样本集时，也可以采用该图像扩容的方法扩充烟雾区域图像。
步骤S2，构建检测网络模型和分类网络模型；所述检测网络模型基于卷积模块和Bneck模块进行特征提取，并基于检测头模块进行不同尺度特征的检测；所述分类网络模型基于卷积模块和Bneck模块进行特征处理，并对处理得到的结果进行平均池化以降低特征向量维度，并通过卷积得到分类结果。
图2示出了本发明实施例提供的检测网络模型的结构示意图。图2中，“Input”表示输入，“Conv”表示卷积模块，“Bneck”表示Bneck模块，“Head1”表示第一检测头模块，“Head2”表示第二检测头模块，“Head3”表示第三检测头模块，“Concat”表示由拼接模块进行拼接处理。
在一种能够实现的方式中，如图2所示，所述检测网络模型包括：
第一特征提取网络，为六层结构，其中第一层为卷积模块，第二层至第六层为Bneck模块，且其通过第四层输出第一层次特征，通过第五层输出第二层次特征，通过第六层输出第三层次特征；
第二特征提取网络，包括四个卷积模块和拼接模块，其中第一个卷积模块对所述第三层次特征进行卷积处理得到第一输出特征并输出给检测头网络，第二个卷积模块对所述第二层次特征进行卷积处理得到第二输出特征，第三个卷积模块对所述第一层次特征进行卷积处理得到第三输出特征，第四个卷积模块对所述第三输出特征进行卷积处理得到第四输出特征，所述拼接模块将所述第一输出特征、所述第二输出特征和所述第四输出特征进行拼接得到第五输出特征并输出给所述检测头网络，所述拼接模块将所述第一输出特征、所述第二输出特征和所述第三输出特征进行拼接处理得到第六输出特征并输出给所述检测头网络；
所述检测头网络，包括第一检测头模块、第二检测头模块和第三检测头模块，所述第一检测头模块用于对所述第一输出特征进行检测以得到第一检测结果，所述第二检测头模块用于对所述第五输出特征进行检测以得到第二检测结果，所述第三检测头模块用于对所述第六输出特征进行检测以得到第三检测结果。
其中，该检测网络模型可以基于深度学习框架Pytorch构建。
本实施例中，以MobileNet网络模型为基础，设置该检测网络模型，通过Neck结构对特征进行增强，并使用不同尺度大小的检测头获取检测结果，能够适应检测不同大小的目标。Bneck模块作为该检测网络模型的核心模块，具有参数少、计算量小、运算时间短等特点，适用于存储空间和功耗受限的场景。
在卷积神经网络中，通过加入非线性激活函数拟合目标函数，一些激活函数可以在卷积过程中控制特征图的取值范围。激活函数可采用非线性的ReLU、Leaky ReLU、ReLU6。在一种能够实现的方式中，所述Bneck模块采用ReLU激活函数。
图3示出了本发明实施例提供的Bneck模块的结构示意图。图3中，“Input”表示输入，“Ouput”表示输出，“3×3Conv”表示3×3卷积，“1×1Conv”表示1×1卷积，“BN”表示批量标准化，“ReLU”表示ReLU激活函数，“GlobalPooling”表示全局池化，“FC”表示全连接层，“Sigmoid”表示Sigmoid激活函数。
Bneck模块的工作过程包括对特征进行3×3卷积、批量标准化、ReLU激活函数、1×1卷积、全局池化、全连接及Sigmoid激活函数处理的过程，具体的处理顺序如图3所示。
图4示出了本发明实施例提供的分类网络模型的结构示意图。图4中，“Input”表示输入，“Ouput”表示输出，“Conv”表示卷积模块，“Bneck”表示Bneck模块，“Avgpool”表示平均池化。
在一种能够实现的方式中，如图4所示，所述分类网络模型的网络结构为九层结构，其中第一层、第七层和第九层均为卷积模块，第二层至第六层为Bneck模块，第八层为平均池化模块。
本发明实施例中，使用Bneck模块作为分类网络模型的核心组件，以代替普通卷积，相比于VGGNet、GoogleNet、ResNet等网络参数更少，检测速度更快。
步骤S3，使用所述第一数据样本集对所述检测网络模型进行训练，使用所述第二数据样本集对所述分类网络模型进行训练，得到训练完成的检测网络模型和训练完成的分类网络模型。
进行步骤S3时，将第一数据样本集分为训练集和测试集输入到模型中进行训练和测试，得到训练好的网络权重。同时，训练分类网络模型，用于二次确认。
作为一种能够实现的方式，将数据集分为训练集和测试集的方法可以为：
将数据集打乱，按照9：1的比例随机划分为训练集和测试集。
检测网络模型训练的过程中，对于位置的预测采用相对位置的方法，预测出候选框中心点相对于网格单元左上角的相对坐标，直接预测出
Figure 969220DEST_PATH_IMAGE024
，然后通过下面偏移公式计算得到候选框的位置和置信度：
Figure 529515DEST_PATH_IMAGE025
式中，
Figure 35582DEST_PATH_IMAGE024
表示检测网络模型的预测输出，（
Figure 314117DEST_PATH_IMAGE026
）表示网格的坐标，比如特征图的大小为13×13，那么网格有13×13个，第1行第1列的网格坐标（
Figure 757474DEST_PATH_IMAGE026
）就是(1,1)；
Figure 109958DEST_PATH_IMAGE027
和
Figure 849244DEST_PATH_IMAGE028
表示预测前的框大小，（
Figure 287179DEST_PATH_IMAGE029
） 表示预测得到的物体框的中心坐标，
Figure DEST_PATH_IMAGE030
表示预测得到的物体框的宽度，
Figure 35692DEST_PATH_IMAGE031
表示预测得到的物体框的高度。
在一种能够实现的方式中，所述使用所述第一数据样本集对所述检测网络模型进行训练，包括：
基于置信度损失和类别损失构建损失函数；
采用所述损失函数对所述检测网络模型进行训练。
在一种能够实现的方式中，所述基于置信度损失和类别损失构建损失函数，包括：
构建所述损失函数为：
Figure DEST_PATH_IMAGE032
式中，
Figure 868781DEST_PATH_IMAGE003
表示损失函数，
Figure 982231DEST_PATH_IMAGE004
表示网格数，
Figure 969778DEST_PATH_IMAGE005
表示每个网格产生的候选框数量，
Figure 194086DEST_PATH_IMAGE006
分别表示候选框的中心坐标
Figure 583479DEST_PATH_IMAGE007
的真实值和预测值大小，
Figure 867830DEST_PATH_IMAGE008
分别表示候选框的真实和预测的宽度和高度，
Figure 77094DEST_PATH_IMAGE009
表示候选框坐标点、宽度和高度的损失权重，
Figure 671805DEST_PATH_IMAGE010
是不含检测目标的候选框的损失权重，
Figure 853387DEST_PATH_IMAGE011
表示第
Figure 370956DEST_PATH_IMAGE012
个网格的第
Figure 270779DEST_PATH_IMAGE013
个候选框是否负责检测这个物体，若是则
Figure 899207DEST_PATH_IMAGE014
，否则
Figure 935296DEST_PATH_IMAGE015
，
Figure 623766DEST_PATH_IMAGE016
表示第
Figure 309088DEST_PATH_IMAGE012
个网格的第
Figure 678889DEST_PATH_IMAGE013
个候选框是否不负责检测物体，若是则
Figure 897381DEST_PATH_IMAGE017
，否则
Figure 694435DEST_PATH_IMAGE018
，
Figure 365588DEST_PATH_IMAGE019
表示第
Figure 335818DEST_PATH_IMAGE012
个网格的第
Figure 346500DEST_PATH_IMAGE013
个候选框的真实的置信度，
Figure 875308DEST_PATH_IMAGE020
表示第
Figure 971440DEST_PATH_IMAGE012
个网格的第
Figure 745361DEST_PATH_IMAGE013
个候选框的预测的置信度，
Figure 938445DEST_PATH_IMAGE021
表示第
Figure 77302DEST_PATH_IMAGE012
个网格的第
Figure 457468DEST_PATH_IMAGE013
个候选框检测到物体的真实的概率，
Figure 972763DEST_PATH_IMAGE022
表示第
Figure 521818DEST_PATH_IMAGE012
个网格的第
Figure 831576DEST_PATH_IMAGE013
个候选框检测到物体的预测的概率。
作为一种能够实现的方式，使用所述第一数据样本集对所述检测网络模型进行训练，包括：
将训练集中的图片统一缩放成640×640的大小，并将图片中的每一个像素值乘以1/255，使得像素值的大小在0~1之间；
对网络模型中的权重进行初始化，加载网络模型的预训练权重；
将缩放后的图像数据输入到网络模型中，设置学习率初始值、批样本数和训练迭代次数，保留最佳权重模型，得到训练好的网络权重。
作为一种具体的实施方式，设置学习率初始值为0.001，批样本数为16，训练迭代次数为100轮。
作为一种能够实现的方式，使用所述第二数据样本集对所述分类网络模型进行训练，包括：
将图像大小缩放成416×416，输入到分类网络模型中，若检测概率大于0.7，则表示检测正确。
步骤S4，采用所述训练完成的检测网络模型对待检测电力机房监测图像进行检测，将得到的检测结果输入至所述训练完成的分类网络模型，得到烟雾检测结果。
本发明还提供了一种基于深度学习二次确认的电力机房烟雾检测装置。
请参阅图5，图5示出了本发明实施例提供的一种基于深度学习二次确认的电力机房烟雾检测装置的结构连接框图。
本发明实施例提供的一种基于深度学习二次确认的电力机房烟雾检测装置，包括：
样本构建模块1，用于获取监测电力机房得到的图像数据集，对所述图像数据集中图像的烟雾区域进行标注，根据标注后的图像数据集构建第一数据样本集，并提取所述图像数据集中图像的烟雾区域以构建第二数据样本集；
模型构建模块2，用于构建检测网络模型和分类网络模型；所述检测网络模型基于卷积模块和Bneck模块进行特征提取，并基于检测头模块进行不同尺度特征的检测；所述分类网络模型基于卷积模块和Bneck模块进行特征处理，并对处理得到的结果进行平均池化以降低特征向量维度，并通过卷积得到分类结果；
训练模块3，用于使用所述第一数据样本集对所述检测网络模型进行训练，使用所述第二数据样本集对所述分类网络模型进行训练，得到训练完成的检测网络模型和训练完成的分类网络模型；
烟雾检测模块4，用于采用所述训练完成的检测网络模型对待检测电力机房监测图像进行检测，将得到的检测结果输入至所述训练完成的分类网络模型，得到烟雾检测结果。
在一种能够实现的方式中，所述检测网络模型包括：
第一特征提取网络，为六层结构，其中第一层为卷积模块，第二层至第六层为Bneck模块，且其通过第四层输出第一层次特征，通过第五层输出第二层次特征，通过第六层输出第三层次特征；
第二特征提取网络，包括四个卷积模块和拼接模块，其中第一个卷积模块对所述第三层次特征进行卷积处理得到第一输出特征并输出给检测头网络，第二个卷积模块对所述第二层次特征进行卷积处理得到第二输出特征，第三个卷积模块对所述第一层次特征进行卷积处理得到第三输出特征，第四个卷积模块对所述第三输出特征进行卷积处理得到第四输出特征，所述拼接模块将所述第一输出特征、所述第二输出特征和所述第四输出特征进行拼接得到第五输出特征并输出给所述检测头网络，所述拼接模块将所述第一输出特征、所述第二输出特征和所述第三输出特征进行拼接处理得到第六输出特征并输出给所述检测头网络；
所述检测头网络，包括第一检测头模块、第二检测头模块和第三检测头模块，所述第一检测头模块用于对所述第一输出特征进行检测以得到第一检测结果，所述第二检测头模块用于对所述第五输出特征进行检测以得到第二检测结果，所述第三检测头模块用于对所述第六输出特征进行检测以得到第三检测结果。
在一种能够实现的方式中，所述Bneck模块采用ReLU激活函数。
在一种能够实现的方式中，所述分类网络模型的网络结构为九层结构，其中第一层、第七层和第九层均为卷积模块，第二层至第六层为Bneck模块，第八层为平均池化模块。
在一种能够实现的方式中，所述装置包括：
预处理模块，用于在对所述图像数据集中图像的烟雾区域进行标注之前，对所述图像数据集中的图像进行预处理；所述预处理包括图像去噪和/或图像扩容；
其中，所述图像扩容的处理包括以下至少一种：
几何畸变、光照、遮挡、随机水平翻转、随机裁剪、随机旋转、随机缩放和图像融合。
在一种能够实现的方式中，所述训练模块3包括：
函数构建单元，用于基于置信度损失和类别损失构建损失函数；
训练单元，用于采用所述损失函数对所述检测网络模型进行训练。
在一种能够实现的方式中，所述函数构建单元具体用于：
构建所述损失函数为：
Figure DEST_PATH_IMAGE033
式中，
Figure 699038DEST_PATH_IMAGE003
表示损失函数，
Figure 814762DEST_PATH_IMAGE004
表示网格数，
Figure 654542DEST_PATH_IMAGE005
表示每个网格产生的候选框数量，
Figure 197519DEST_PATH_IMAGE006
分别表示候选框的中心坐标
Figure 333969DEST_PATH_IMAGE007
的真实值和预测值大小，
Figure 925488DEST_PATH_IMAGE008
分别表示候选框的真实和预测的宽度和高度，
Figure 947670DEST_PATH_IMAGE009
表示候选框坐标点、宽度和高度的损失权重，
Figure 599231DEST_PATH_IMAGE010
是不含检测目标的候选框的损失权重，
Figure 441285DEST_PATH_IMAGE011
表示第
Figure 836495DEST_PATH_IMAGE012
个网格的第
Figure 713184DEST_PATH_IMAGE013
个候选框是否负责检测这个物体，若是则
Figure 99428DEST_PATH_IMAGE014
，否则
Figure 366461DEST_PATH_IMAGE015
，
Figure 627678DEST_PATH_IMAGE016
表示第
Figure 296557DEST_PATH_IMAGE012
个网格的第
Figure 352238DEST_PATH_IMAGE013
个候选框是否不负责检测物体，若是则
Figure 168884DEST_PATH_IMAGE017
，否则
Figure 171475DEST_PATH_IMAGE018
，
Figure 255712DEST_PATH_IMAGE019
表示第
Figure 419978DEST_PATH_IMAGE012
个网格的第
Figure 723920DEST_PATH_IMAGE013
个候选框的真实的置信度，
Figure 264623DEST_PATH_IMAGE020
表示第
Figure 704831DEST_PATH_IMAGE012
个网格的第
Figure 367894DEST_PATH_IMAGE013
个候选框的预测的置信度，
Figure 831236DEST_PATH_IMAGE021
表示第
Figure 739412DEST_PATH_IMAGE012
个网格的第
Figure 971810DEST_PATH_IMAGE013
个候选框检测到物体的真实的概率，
Figure 805774DEST_PATH_IMAGE022
表示第
Figure 818729DEST_PATH_IMAGE012
个网格的第
Figure 701234DEST_PATH_IMAGE013
个候选框检测到物体的预测的概率。
本发明还提供了一种基于深度学习二次确认的电力机房烟雾检测装置，包括：
存储器，用于存储指令；其中，所述指令用于实现如上任意一项实施例所述的基于深度学习二次确认的电力机房烟雾检测方法；
处理器，用于执行所述存储器中的指令。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任意一项实施例所述的基于深度学习二次确认的电力机房烟雾检测方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，上述描述的装置和模块的具体有益效果，可以参考前述方法实施例中的对应有益效果，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机装置（可以是个人计算机，服务器，或者网络装置等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于深度学习二次确认的电力机房烟雾检测方法，其特征在于，包括：
获取监测电力机房得到的图像数据集，对所述图像数据集中图像的烟雾区域进行标注，根据标注后的图像数据集构建第一数据样本集，并提取所述图像数据集中图像的烟雾区域以构建第二数据样本集；
构建检测网络模型和分类网络模型；所述检测网络模型基于卷积模块和Bneck模块进行特征提取，并基于检测头模块进行不同尺度特征的检测；所述分类网络模型基于卷积模块和Bneck模块进行特征处理，并对处理得到的结果进行平均池化以降低特征向量维数，并通过卷积得到分类结果；
使用所述第一数据样本集对所述检测网络模型进行训练，使用所述第二数据样本集对所述分类网络模型进行训练，得到训练完成的检测网络模型和训练完成的分类网络模型；
采用所述训练完成的检测网络模型对待检测电力机房监测图像进行检测，将得到的检测结果输入至所述训练完成的分类网络模型，得到烟雾检测结果；
其中，所述检测网络模型包括：
第一特征提取网络，为六层结构，其中第一层为卷积模块，第二层至第六层为Bneck模块，且其通过第四层输出第一层次特征，通过第五层输出第二层次特征，通过第六层输出第三层次特征；
第二特征提取网络，包括四个卷积模块和拼接模块，其中第一个卷积模块对所述第三层次特征进行卷积处理得到第一输出特征并输出给检测头网络，第二个卷积模块对所述第二层次特征进行卷积处理得到第二输出特征，第三个卷积模块对所述第一层次特征进行卷积处理得到第三输出特征，第四个卷积模块对所述第三输出特征进行卷积处理得到第四输出特征，所述拼接模块将所述第一输出特征、所述第二输出特征和所述第四输出特征进行拼接得到第五输出特征并输出给所述检测头网络，所述拼接模块将所述第一输出特征、所述第二输出特征和所述第三输出特征进行拼接处理得到第六输出特征并输出给所述检测头网络；
所述检测头网络，包括第一检测头模块、第二检测头模块和第三检测头模块，所述第一检测头模块用于对所述第一输出特征进行检测以得到第一检测结果，所述第二检测头模块用于对所述第五输出特征进行检测以得到第二检测结果，所述第三检测头模块用于对所述第六输出特征进行检测以得到第三检测结果；
所述分类网络模型的网络结构为九层结构，其中第一层、第七层和第九层均为卷积模块，第二层至第六层为Bneck模块，第八层为平均池化模块。
2.根据权利要求1所述的基于深度学习二次确认的电力机房烟雾检测方法，其特征在于，所述Bneck模块采用ReLU激活函数。
3.根据权利要求1所述的基于深度学习二次确认的电力机房烟雾检测方法，其特征在于，在对所述图像数据集中图像的烟雾区域进行标注之前，所述方法包括：
对所述图像数据集中的图像进行预处理；所述预处理包括图像去噪和/或图像扩容；
其中，所述图像扩容的处理包括以下至少一种：
几何畸变、光照、遮挡、随机水平翻转、随机裁剪、随机旋转、随机缩放和图像融合。
4.根据权利要求1所述的基于深度学习二次确认的电力机房烟雾检测方法，其特征在于，所述使用所述第一数据样本集对所述检测网络模型进行训练，包括：
基于置信度损失和类别损失构建损失函数；
采用所述损失函数对所述检测网络模型进行训练。
5.根据权利要求4所述的基于深度学习二次确认的电力机房烟雾检测方法，其特征在于，所述基于置信度损失和类别损失构建损失函数，包括：
构建所述损失函数为：
Figure DEST_PATH_IMAGE001
式中，
Figure 182575DEST_PATH_IMAGE002
表示损失函数，
Figure 919587DEST_PATH_IMAGE003
表示网格数，
Figure 505289DEST_PATH_IMAGE004
表示每个网格产生的候选框数量，
Figure 810500DEST_PATH_IMAGE005
分别表示候选框的中心坐标
Figure 52125DEST_PATH_IMAGE006
的真实值和预测值大小，
Figure 638833DEST_PATH_IMAGE007
分别表示候选框的真实和预测的宽度和高度，
Figure 344621DEST_PATH_IMAGE008
表示候选框坐标点、宽度和高度的损失权重，
Figure 492837DEST_PATH_IMAGE009
是不含检测目标的候选框的损失权重，
Figure 284075DEST_PATH_IMAGE010
表示第
Figure 674474DEST_PATH_IMAGE011
个网格的第
Figure 234768DEST_PATH_IMAGE012
个候选框是否负责检测这个物体，若是则
Figure 819465DEST_PATH_IMAGE013
，否则
Figure 832420DEST_PATH_IMAGE014
，
Figure 714925DEST_PATH_IMAGE015
表示第
Figure 378994DEST_PATH_IMAGE011
个网格的第
Figure 383859DEST_PATH_IMAGE012
个候选框是否不负责检测物体，若是则
Figure 634843DEST_PATH_IMAGE016
，否则
Figure 55460DEST_PATH_IMAGE017
，
Figure 590346DEST_PATH_IMAGE018
表示第
Figure 15380DEST_PATH_IMAGE011
个网格的第
Figure 2928DEST_PATH_IMAGE012
个候选框的真实的置信度，
Figure 40285DEST_PATH_IMAGE019
表示第
Figure 101782DEST_PATH_IMAGE011
个网格的第
Figure 448450DEST_PATH_IMAGE012
个候选框的预测的置信度，
Figure 172561DEST_PATH_IMAGE020
表示第
Figure 262877DEST_PATH_IMAGE011
个网格的第
Figure 257509DEST_PATH_IMAGE012
个候选框检测到物体的真实的概率，
Figure 509498DEST_PATH_IMAGE021
表示第
Figure 720906DEST_PATH_IMAGE011
个网格的第
Figure 349333DEST_PATH_IMAGE012
个候选框检测到物体的预测的概率。
6.一种基于深度学习二次确认的电力机房烟雾检测装置，其特征在于，包括：
样本构建模块，用于获取监测电力机房得到的图像数据集，对所述图像数据集中图像的烟雾区域进行标注，根据标注后的图像数据集构建第一数据样本集，并提取所述图像数据集中图像的烟雾区域以构建第二数据样本集；
模型构建模块，用于构建检测网络模型和分类网络模型；所述检测网络模型基于卷积模块和Bneck模块进行特征提取，并基于检测头模块进行不同尺度特征的检测；所述分类网络模型基于卷积模块和Bneck模块进行特征处理，并对处理得到的结果进行平均池化以降低特征向量维数，并通过卷积以得到分类结果；
训练模块，用于使用所述第一数据样本集对所述检测网络模型进行训练，使用所述第二数据样本集对所述分类网络模型进行训练，得到训练完成的检测网络模型和训练完成的分类网络模型；
烟雾检测模块，用于采用所述训练完成的检测网络模型对待检测电力机房监测图像进行检测，将得到的检测结果输入至所述训练完成的分类网络模型，得到烟雾检测结果；
其中，所述检测网络模型包括：
第一特征提取网络，为六层结构，其中第一层为卷积模块，第二层至第六层为Bneck模块，且其通过第四层输出第一层次特征，通过第五层输出第二层次特征，通过第六层输出第三层次特征；
第二特征提取网络，包括四个卷积模块和拼接模块，其中第一个卷积模块对所述第三层次特征进行卷积处理得到第一输出特征并输出给检测头网络，第二个卷积模块对所述第二层次特征进行卷积处理得到第二输出特征，第三个卷积模块对所述第一层次特征进行卷积处理得到第三输出特征，第四个卷积模块对所述第三输出特征进行卷积处理得到第四输出特征，所述拼接模块将所述第一输出特征、所述第二输出特征和所述第四输出特征进行拼接得到第五输出特征并输出给所述检测头网络，所述拼接模块将所述第一输出特征、所述第二输出特征和所述第三输出特征进行拼接处理得到第六输出特征并输出给所述检测头网络；
所述检测头网络，包括第一检测头模块、第二检测头模块和第三检测头模块，所述第一检测头模块用于对所述第一输出特征进行检测以得到第一检测结果，所述第二检测头模块用于对所述第五输出特征进行检测以得到第二检测结果，所述第三检测头模块用于对所述第六输出特征进行检测以得到第三检测结果；
所述分类网络模型的网络结构为九层结构，其中第一层、第七层和第九层均为卷积模块，第二层至第六层为Bneck模块，第八层为平均池化模块。
7.一种基于深度学习二次确认的电力机房烟雾检测装置，其特征在于，包括：
存储器，用于存储指令；其中，所述指令用于实现如权利要求1-5任意一项所述的基于深度学习二次确认的电力机房烟雾检测方法；
处理器，用于执行所述存储器中的指令。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-5任意一项所述的基于深度学习二次确认的电力机房烟雾检测方法。
CN202211118614.0A 2022-09-15 2022-09-15 基于深度学习二次确认的电力机房烟雾检测方法及装置 Active CN115205793B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211118614.0A CN115205793B (zh) 2022-09-15 2022-09-15 基于深度学习二次确认的电力机房烟雾检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211118614.0A CN115205793B (zh) 2022-09-15 2022-09-15 基于深度学习二次确认的电力机房烟雾检测方法及装置

Publications (2)

Publication Number Publication Date
CN115205793A CN115205793A (zh) 2022-10-18
CN115205793B true CN115205793B (zh) 2023-01-24

Family

ID=83573660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211118614.0A Active CN115205793B (zh) 2022-09-15 2022-09-15 基于深度学习二次确认的电力机房烟雾检测方法及装置

Country Status (1)

Country Link
CN (1) CN115205793B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563743B (zh) * 2022-12-09 2023-12-01 南京图格医疗科技有限公司 基于深度学习的检测方法及除烟系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977790A (zh) * 2019-03-04 2019-07-05 浙江工业大学 一种基于迁移学习的视频烟雾检测与识别方法
CN110853021A (zh) * 2019-11-13 2020-02-28 江苏迪赛特医疗科技有限公司 一种病理鳞状上皮细胞的检测分类模型的构建
CN114119454A (zh) * 2021-08-31 2022-03-01 国网河北省电力有限公司电力科学研究院 用于输电线路烟雾检测的装置及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112633231B (zh) * 2020-12-30 2022-08-02 珠海大横琴科技发展有限公司 一种火灾识别的方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977790A (zh) * 2019-03-04 2019-07-05 浙江工业大学 一种基于迁移学习的视频烟雾检测与识别方法
CN110853021A (zh) * 2019-11-13 2020-02-28 江苏迪赛特医疗科技有限公司 一种病理鳞状上皮细胞的检测分类模型的构建
CN114119454A (zh) * 2021-08-31 2022-03-01 国网河北省电力有限公司电力科学研究院 用于输电线路烟雾检测的装置及方法

Also Published As

Publication number Publication date
CN115205793A (zh) 2022-10-18

Similar Documents

Publication Publication Date Title
US11232286B2 (en) Method and apparatus for generating face rotation image
CN108416266B (zh) 一种利用光流提取运动目标的视频行为快速识别方法
CN111259758B (zh) 一种针对密集区域的两阶段遥感图像目标检测方法
CN111179217A (zh) 一种基于注意力机制的遥感图像多尺度目标检测方法
CN111079739B (zh) 一种多尺度注意力特征检测方法
WO2022067668A1 (zh) 基于视频图像目标检测的火灾检测方法、系统、终端以及存储介质
CN113591968A (zh) 一种基于非对称注意力特征融合的红外弱小目标检测方法
CN111738344A (zh) 一种基于多尺度融合的快速目标检测方法
CN110532959B (zh) 基于双通道三维卷积神经网络的实时暴力行为检测系统
CN113191204B (zh) 一种多尺度遮挡行人检测方法及系统
CN112036381B (zh) 视觉跟踪方法、视频监控方法及终端设备
CN111626090A (zh) 一种基于深度帧差卷积神经网络的运动目标检测方法
CN115205793B (zh) 基于深度学习二次确认的电力机房烟雾检测方法及装置
CN114565842A (zh) 基于Nvidia Jetson嵌入式硬件的无人机实时目标检测方法及系统
CN111339917A (zh) 一种真实场景下玻璃检测的方法
Xu et al. Tackling small data challenges in visual fire detection: a deep convolutional generative adversarial network approach
CN116805387B (zh) 基于知识蒸馏的模型训练方法、质检方法和相关设备
CN113436251A (zh) 一种基于改进的yolo6d算法的位姿估计系统及方法
CN112149528A (zh) 一种全景图目标检测方法、系统、介质及设备
CN116524312A (zh) 一种基于注意力融合特征金字塔网络的红外小目标检测方法
CN116912670A (zh) 基于改进yolo模型的深海鱼类识别方法
CN112215122B (zh) 基于视频图像目标检测的火灾检测方法、系统、终端以及存储介质
CN114863132A (zh) 图像空域信息的建模与捕捉方法、系统、设备及存储介质
CN111191575A (zh) 一种基于火苗跳动建模的明火检测方法及系统
CN115953589B (zh) 一种基于深度相机的发动机缸体孔径尺寸测量方法

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
GR01 Patent grant
GR01 Patent grant