【技术实现步骤摘要】
本专利技术属于火灾检测，具体涉及一种特高压换流站用火焰图像增强模型构建方法及检测方法。
技术介绍
1、特高压换流站发生火灾时需要消防机器人进行精准释放，此时需要采用火焰识别模型对电力作业环境进行自动巡检，保证设备的安全与稳定运行。然而，雾天情况下火焰特征识别任务将受到负面影响，使得火焰图像的视觉质量受到影响，火焰特征在雾气的存在下会出现模糊现象，使得目标检测模型对火焰的检测效果降低，不利于消防机器人的释放与部署。后来，随着火焰增强模型的逐步引入，逐渐开始有诸如aodnet等增强模型出现并应用至火焰检测领域中，这在中国专利公告号为“cn116681626a”的名称为“一种基于深度学习的雾霾天气下目标图像去雾方法”等文本中均有所记载。然而，该类传统增强模型，对有雾火焰场景处理的有效性上仍然偏弱，火焰图像质量提升效果以及火焰检测准确性均有待加强。如何在雾天情况下，进一步提升火焰图像的质量和强化火焰检测的准确性，仍然是本领域近年来所亟待解决的技术难题。
技术实现思路
1、本专利技术的目的是克服上述现有技术的不足，提供一种特高压换流站用火焰图像增强模型构建方法，从而解决如何在雾天情况下提升火焰图像质量和强化火焰检测准确性的问题，最终为特高压换流任务的安全执行提供基础保障。
2、为实现上述目的，本专利技术采用了以下技术方案：
3、特高压换流站用火焰图像增强模型构建方法，其特征在于包括以下步骤：
4、s1.搭建tsafln网络：
5、tsafln网
6、tsafln-i包括由前至后依序布置的一组空间变换层和连续五组transformer层，且在第一组transformer层后方以及第二组transformer层后方分别布置下采样层，在第四组transformer层前方以及第四组transformer层前方分别布置上采样层，此时特征图先由原尺寸逐渐降低后再逐步升高至原尺寸；tsafln-ii包括由前至后依序布置的注意力强化层和空间变换层；
7、s2.将数据预处理后的训练样本送入tsafln网络加以训练，并选用像素损失、颜色损失与结构损失的组合作为损失函数进行优化，得到火焰图像增强模型。
8、优选的，记原始火焰有雾图像为x，对应的清晰火焰无雾标签为y*，tsafln网络为t，图像尺寸为h×w；
9、像素损失lpixel的公式如下：
10、
11、其中，h为图像的高度，w为图像的宽度；
12、对原始有雾火焰图像进行颜色空间的变换，首先将原始有雾火焰图像从rgb颜色空间转换到ycbcr颜色空间公式如下：
13、
14、以通过矩阵变换使rgb颜色空间中原始火焰有雾图像x转换为ycbcr颜色空间中图像形成的映射记为为对rgb颜色空间中清晰火焰无雾标签y*通过映射转换为ycbcr颜色空间中图像；
15、则颜色损失lcolor为：
16、
17、结构损失lssim计算公式为：
18、lssim＝1-ssim(t(x),y*)
19、其中，ssim为结构相似指标；
20、因此，损失函数ltsa为：
21、ltsa＝lpixel+αlcolor+βlssim
22、其中，α与β均为权重因子。
23、优选的，注意力强化层包括通道特征强化步骤和空间特征强化步骤，具体包括：
24、首先使用全局均值池化对输入特征进行变换，在通道维度对tsafln-i的输出特征进行加权，得到通道特征gc如下：
25、
26、其中，gp为全局均值池化函数，fc代表第一阶段tsafln-i特征输出，hf×wf代表特征图维度乘积，xc代表在位置(i,j)的第c个通道的值，像素位置为(i,j)；
27、随后，使用卷积层conv、激活层relu及sigmoid函数对通道特征gc进行如下处理，得到变换结果cfc：
28、cfc＝sigmoid(conv(relu(conv(gc))))
29、然后，对tsafln-i输出特征与cfc进行逐元素相乘，得到通道加权后的特征c*如下：
30、
31、再后，对通道加权后的特征c*经过如下处理，得到空间特征sf：
32、sf＝sigmoid(conv(relu(conv(c*))))
33、随后，将c*与sf进行逐元素乘积，获得空间注意力图fk如下：
34、
35、最后，使用tsafln-ii的空间变换层从空间特征映射为3通道的火焰图像。
36、优选的，记原始火焰有雾图像x对应的特征为f，步长为s，tsafln-i的各部分具体包括：
37、空间变换层：将f作为输入信息并采用s＝1下的卷积+激活操作，将3通道火焰图像映射到特征空间；
38、transformer层：包括视觉transformer模块，每层transformer层的各transformer模块均采用基于窗口的多头自注意力φ(·)进行火焰特征提取，并采用层归一化函数ln(·)进行火焰特征归一化，进行如下计算，获得清晰火焰无雾标签y*对应的特征
39、
40、其中，i代表迭带次数，fi-1表示f的第i-1次迭代结果；
41、然后，继续以为中间特征，得f的第i次迭代结果fi如下：
42、
43、下采样与上采样层：下采样层采用s＝2下的卷积+激活操作，上采样层采用双三次插值+s＝1下的卷积+激活操作。
44、优选的，检测方法，将待检测的原始火焰有雾图像输入至所述的特高压换流站用火焰图像增强模型构建方法所构建的火焰图像增强模型中，得到去雾火焰图像，将去雾火焰图像输入至目标检测模型中，得到火焰检测结果。
45、本专利技术的有益效果在于：
46、本专利技术针对特高压换流在雾天的火灾安全性问题，首先设计了双阶段的火焰图像去雾网络，整个网络的第一阶段采用基于多头注意力机制的模块进行火焰特征处理，第二阶段采用融合注意力方式来增强火焰图像去雾效果。随后，火焰图像去雾网络训练时，采用了像素、颜色与结构损失的融合方式进行优化，最终得到所需的火焰图像增强模型。实验表明，本专利技术能够提升火焰图像的质量，强化火焰检测的准确性，最终为特高压换流任务的安全执行提供基础保障。
本文档来自技高网...【技术保护点】
1.特高压换流站用火焰图像增强模型构建方法，其特征在于包括以下步骤：
2.根据权利要求1所述的特高压换流站用火焰图像增强模型构建方法，其特征在于：记原始火焰有雾图像为x，对应的清晰火焰无雾标签为y*，TSAFLN网络为T，图像尺寸为H×W；
3.根据权利要求2所述的特高压换流站用火焰图像增强模型构建方法，其特征在于：注意力强化层包括通道特征强化步骤和空间特征强化步骤，具体包括：
4.根据权利要求3所述的特高压换流站用火焰图像增强模型构建方法，其特征在于：记原始火焰有雾图像x对应的特征为f，步长为s，TSAFLN-I的各部分具体包括：
5.检测方法，其特征在于：将待检测的原始火焰有雾图像输入至如权利要求1-4任一项所述的特高压换流站用火焰图像增强模型构建方法所构建的火焰图像增强模型中，得到去雾火焰图像，将去雾火焰图像输入至目标检测模型中，得到火焰检测结果。
【技术特征摘要】
1.特高压换流站用火焰图像增强模型构建方法，其特征在于包括以下步骤：
2.根据权利要求1所述的特高压换流站用火焰图像增强模型构建方法，其特征在于：记原始火焰有雾图像为x，对应的清晰火焰无雾标签为y*，tsafln网络为t，图像尺寸为h×w；
3.根据权利要求2所述的特高压换流站用火焰图像增强模型构建方法，其特征在于：注意力强化层包括通道特征强化步骤和空间特征强化步骤，具体包括：<...
【专利技术属性】
技术研发人员：张佳庆，刘睿，黄勇，杨鹏程，朱太云，谢佳，过羿，龚志文，孙磊，周璠，
申请(专利权)人：国网安徽省电力有限公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。