[发明专利]一种多尺度卷积与动态权重代价函数的烟尘目标分割方法

权利要求书

1.一种多尺度卷积与动态权重代价函数的烟尘目标分割方法，其特征在于，所述方法的具体步骤如下：

步骤1：根据工业摄像机拍摄的烟尘排放视频制作烟尘图像数据集并进行数据扩充；

步骤2：构建用于烟尘目标分割的多尺度卷积全卷积网络模型；

步骤3：使用烟尘图像训练集，结合动态权重代价函数对多尺度全卷积网络模型进行训练；

步骤4：使用生成的多尺度全卷积网络模型对烟尘测试集中的烟尘图像进行烟尘目标分割，得到烟尘目标分割结果；

步骤5：通过F度量和交并比指标对烟尘目标分割结果进行量化评价；

所述步骤2的具体步骤如下：

步骤2.1:多尺度卷积的全卷积网络的下采样部分构建：下采样部分主要由卷积层和池化层组成，卷积层1～5的卷积核尺寸为3×3，池化层过滤器尺寸均是2×2，卷积层6中包含1×1，3×3，7×7三个不同尺寸的卷积操作以及一个池化层分支，通过多尺度卷积提取多种烟尘特征，四个分支的结果在深度上进行拼接后作为下一层的输入，卷积层7和卷积层8的卷积核尺寸是1×1，经过卷积层8后输出热度图作为下采样部分的结果，热度图的通道数表示分类数目；

步骤2.2:多尺度卷积的全卷积网络的上采样部分构建，通过反卷积的方式对下采样部分的结果进行上采样操作以放大热度图的尺寸，首先对热度图进行反卷积层1的操作，尺寸扩大为2倍，再与池化层4的结果进行相加，相加后进行反卷积层2的操作，尺寸扩大为2倍后与池化层3的结果相加，最后通过反卷积层3将热度图尺寸还原为输入图像的大小， 再经过softmax的归一化处理，将数值转换为概率分布， 每一像素位置上有两个概率值，分别表示为烟尘概率和背景概率，比较两个概率值的大小确定该位置的分类，即为网络的输出；

所述步骤3的具体步骤如下：

步骤3.1：利用损失函数计算网络预测的误差， 结合动态权重代价函数的目的是提高分类不准确的烟尘目标在总体损失中所占比例，在反向传播阶段对权重进行更多的调节；同时降低分类准确的烟尘目标在总体损失中所占的比例，减弱对权重的调节， 实现方式是采用一个变换后的sigmoid函数对步骤2结果的烟尘预测概率进行0～1区间内的映射，对sigmoid函数进行变换后表示为：

其中x表示预测概率；

将此映射值作为权重添加在交叉熵之前以动态地调整损失值在总体的损失中所占的比例，结合动态权重的代价函数为：

其中x表示预测是烟尘的概率，y＝1表示烟尘，y＝0表示背景；

网络损失的计算根据所述步骤2的预测结果与所述步骤1的标签通过提出的结合动态权重代价函数计算得出；

步骤3.2：通过最小化步骤3.1结果的网络损失实现模型的训练，通过随机梯度下降算法对各项权重进行调节，对训练集进行20轮迭代后得到最终模型。

2.根据权利要求1所述的一种多尺度卷积与动态权重代价函数的烟尘目标分割方法，其特征在于：所述步骤1的具体步骤如下：

步骤1.1：通过对工业摄像机拍摄的烟尘排放视频进行截取，提取烟尘图像；

步骤1.2：通过图像标注程序标记出烟尘图像中的烟尘区域，制作监督训练所需的标签，制作的标签为二值图像，其中烟尘像素值是1，背景像素值是0；

步骤1.3：通过水平翻转、多个角度旋转操作对步骤1.2的结果进行数据增强以扩充数据集；

步骤1.4：将步骤1.3的结果划分为训练集和测试集。