【技术实现步骤摘要】
本专利技术属于深度学习，具体设计一种基于互注意力机制和领域自适应的隧道烟火检测方法。
技术介绍
1、电力电缆主要用于电力系统中传输和分配电能，由于电缆具有优异的绝缘性能，不需要架设输电铁塔，可敷设在地下空间，不占用地面空间，同时不影响城市美观，因此电缆已成为城市电网的主要构成部分。为满足日益扩大的城市供电网架需求，电力电缆的使用量逐年上升。随着高压电缆隧道密集程度的增大，通道中运行风险等级随之增高。电缆通道内易燃材料多，火灾是目前通道隐患识别与防范的重点。电缆本体的交联聚乙烯、电缆聚乙烯护套、电缆接头内防水填充胶等多为易燃材料，一旦电缆本体或接头发生故障击穿，将引起持续性的火灾，直至烧毁整个电缆通道断面，危害性极强。
2、为避免隧道烟火问题带来的安全隐患，通道内已大量安装了可视化监测装置。而目前主流的烟火检测主要分为传统检测方法和视觉检测方法。传统烟火检测方法存在人力资源有限、检测效率较低；传感器检测方法探测距离有限、布置和维护成本较高等问题。近年来，利用视觉图像进行隧道烟火检测的方法以其独特的优势越发受到重视。例如，基于图像处理的烟火视觉检测、基于深度学习的烟火视觉检测方法等，都能一定程度上提升对烟火检测的准确率。但由于隧道烟火数据稀缺、烟火非刚性等原因，隧道烟火检测仍存在算法泛化性弱、识别效果不佳等问题。
3、因仿真图像与真实图像存在的特征分布差异，无法将仿真隧道烟火特征知识直接用于真实隧道烟火的检测，因此需要利用领域自适应方法实现知识迁移。运用于隧道烟火检测方法研究的领域自适应技术已在众多领域中展现
技术实现思路
1、为解决目前隧道烟火检测中存在的隧道烟火数据稀缺、烟火难易准确识别等问题，本专利技术提供了一种基于互注意力机制和领域自适应的隧道烟火检测方法；本专利技术通过使用基于互注意力机制和细粒度领域自适应的烟火区域定位检测方法，根据实际应用场景中存在的问题对隧道烟火进行检测识别，其中的互注意力机制针对仿真隧道烟火图像和真实隧道烟火图像存在的特征分布偏差的问题，实现对仿真隧道烟火图像特征和真实隧道烟火图像特征相关性的度量，利用细粒度领域自适应方法对齐单阶段目标检测的图像级特征和实例级特征，能够实现更快更好的隧道烟火检测。本专利技术所提出的技术问题是这样解决的：
2、具体内容：
3、一种基于互注意力机制和领域自适应的隧道烟火检测方法，包括以下步骤：
4、步骤1，获取所需的隧道烟火图像数据集，包括仿真隧道烟火图像和真实隧道烟火图像，并对数据集进行初步处理，划分源域数据和目标域数据；
5、步骤2，将源域图像和目标域图像输入卷积特征提取网络得到源域特征图和目标域特征图；
6、步骤3，利用互注意力机制计算步骤2中得到的源域特征向量和目标域特征向量相关性，得到互注意力加权的源域特征图和目标域特征图；
7、步骤4，对步骤3中得到的每一个特征向量单独设计一个领域判别器，得到每个领域判别器预测的其对应位置处特征向量来自于目标域或源域的概率，并计算得到图像级域的损失；
8、步骤5，提取实例级目标域特征和源域特征，并利用领域判别器和实例级损失函数计算得到实例级域的损失；
9、步骤6，通过目标函数计算最后的检测损失，更新网络参数；
10、步骤7，在隧道烟火数据集上训练步骤2、3、4、5、6所搭建的隧道烟火检测网络。
11、本专利技术步骤1包括：
12、步骤1-1：在网络上搜集并从中选取高质量的真实隧道烟火图像作为目标域数据集；
13、步骤1-2：通过diffusion等大型图像生成算法生成仿真隧道烟火图像作为源域数据集；
14、步骤1-3：对数据集进行初步处理，删除无关图片，将图片裁剪成统一尺寸；
15、本专利技术步骤2包括：
16、步骤2-1，选取yolov5作为隧道烟火基本定位检测框架，使用特征提取网络提取特征图；
17、步骤2-2，利用马赛克图像增强、切片通道扩充和金字塔特征融合算法极大地增强对图像的特征提取能力；
18、本专利技术步骤3包括：
19、步骤3-1，将步骤2中源域图像和目标域图像输入特征提取网络得到的源域特征图和目标域特征图，利用源域特征图获取q，利用目标域特征图获取k，利用下面的公式计算源域特征向量与目标域特征向量相关性：
20、
21、得到互注意力加权的源域特征图或目标域特征图，最后利用多个域判别器对齐加权后的特征分布，实现细粒度的领域自适应；
22、步骤3-2，以计算目标域的互注意力加权特征为例，首先利用全连接神经网络wq对目标域特征向量做线性变换，公式如下：
23、
24、从而获取目标域特征向量的询问向量同时利用全连接神经网络wk对源域特征向量，做线性变换，公式如下：
25、
26、从而获取目标域特征向量的关键字向量在网络的优化过程中，询问向量和关键字向量通过wq和wk的参数获取目标域特征和源域特征的相关信息。随后就能通过如下公式计算目标域特征向量与源域特征向量的互注意力权重
27、
28、步骤3-3，计算得出的注意力权重之后，将每个目标域特征向量对应的互注意力权重相乘就能够得到互注意力加权的特征向量；
29、步骤3-4，为了提高领域自适应网络对齐不同域的特征分布的可靠性，引入残差机制来减小错误的互注意力权重的影响。互注意力加权的特征向量计算公式如下：
30、
31、步骤3-5，按照步骤3-1到3-4，对目标域和源域进行互注意力加权，最后得到互注意力加权的源域特征图和目标域特征图；
32、本专利技术步骤4包括：
33、步骤4-1，为每一个特征向量单独设计一个领域判别器，每一个领域判别器由三层全连接神经网络构成，共设计h×w个领域判别器；
34、步骤4-2，领域判别器负责预测位置(i，j)处的特征向量来自于目标域或者源域的概率。将预测概率与域标签计算损失，再通过梯度反转层grl与特征提取器gf相对抗，从而实现细粒度的领域自适应；
35、步骤4-3，通过图像级目标函数计算第k个尺度特征层领域判别损失，目标函数如下：
36、
37、
38、本专利技术步骤5包括：
39、步骤5-1，与步骤4-1同理，为目标域和源域特征的每一个特征向量设计单独的领域判别器，在多个尺度的实例级特征上同时进行实例级的细粒度领域自适应；
40、步骤5-2，通过实例级多尺度的细粒度领域自适应目标函数：
41、
42、
43、获取输入样本图像的第本文档来自技高网...
【技术保护点】
1.一种基于互注意力机制和领域自适应的隧道烟火检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于步骤1包括：
3.根据权利要求1所述的方法，其特征在于步骤2包括：
4.根据权利要求1所述的方法，其特征在于步骤3包括：
5.根据权利要求1所述的方法，其特征在于步骤4包括：
6.根据权利要求1所述的方法，其特征在于步骤5包括：
7.根据权利要求1所述的方法，其特征在于步骤6包括：
【技术特征摘要】
1.一种基于互注意力机制和领域自适应的隧道烟火检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于步骤1包括：
3.根据权利要求1所述的方法，其特征在于步骤2包括：
4.根据权利...
【专利技术属性】
技术研发人员：左琳，陈彪，何沛，罗文伟，杨坤山，
申请(专利权)人：电子科技大学，
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。